任学平，庞震，辛向志，邢义通，马文生

(内蒙古科技大学 机械工程学院，内蒙古 包头 014010)

滚动轴承的使用寿命与工作优良程度往往制约着整个机械系统的运转状态。实际使用中，轴承受到冲击所产生的信号存在非平稳、非线性等特征，而且外界干扰噪声导致采集到的信号信噪比很低，难以提取故障特征。

轴承故障信号的时、频域分析方法是传统故障诊断主要手段，可以辨识轴承处于何种工作状态[1-2]，但均存在各自的局限性。支持向量机(Support Vector Machine，SVM) 具有良好的非线性区分能力，已广泛应用于故障诊断领域[3-5]。然而SVM也存在以下不足之处：(1)支持向量个数随训练样本数量成线性增加，从而导致过度调试并造成计算时间变长；(2)最终计算结果并非是概率式预测，分类的准确度很难进行认定；(3)需要多次人为主观猜测才能设定计算误差参数；(4)核函数K必须符合Mercer条件[6-7]。

为了弥补SVM的不足，提出了一种与其极为相似的稀疏概率方法，即相关向量机(Relevance Vector Machines，RVM)[8-10]。RVM与SVM有相同的数学表达式，但相关向量个数却远远小于支持向量个数，RVM的较高决策函数检测精度以及较短的计算时间增强了其实用性，已经很好地应用于各种分类处理问题[11-12]。

为了改善并进一步提高RVM 分类的准确率，分类前需要对数据进行预处理。因此，结合小波包最优熵对采集信号进行信号降噪分解预处理，提取各种故障状态下的特征向量，以提高后续RVM分类器的准确度。

1 基本理论

1.1 小波包特征提取原理

故障特征的提取主要是从难以分辨的时域信号中，运用不同信号处理方法提取可以表征不同设备状态的特征信息。……