针对声音信号分析在诊断带式输送机托辊故障中的高维特征存在信息冗余、计算量大和诊断效果不理想等问题，笔者构建了声音信号特征精简策略，基于Circle混沌映射、Levy飞行策略和正弦因子改进了霜冰优化算法（rime optimization algorithm，简称RIME），记作CLSRIME。再结合极致梯度提升模型（extreme gradient boosting，简称XGBOOST），构建了CLSRIME-XGBOOST带式输送机托辊轴承故障诊断方法。首先，利用梅尔倒谱系数（Mel-scale frequency cepstral coefficient，简称 MFCC）融合方法提取信号关键特征，并通过t-分布领域嵌入算法（t-distributed stochastic neighbor embedding， 简称tSNE）进行降维，构建了基于MFCC和tSNE的精简特征提取策略；其次，针对RIME存在初始种群分布不均、霜冰粒子搜索能力弱、收敛速度较慢的问题，引入Circle混沌映射、Levy飞行策略和正弦因子，设计了CLSRIME；最后，利用CLSRIME优化XGBOOST中树的深度、迭代次数及学习率等参数，构建了基于CLSRIME-XGBOOST的诊断模型。结果表明，所提方法能够精简表征托辊轴承故障状态的特性信息，改善了RIME的优化性能，提高了传统XGBOOST诊断模型的准确率，为带式输送机托辊故障诊断提供了新思路。