陈世鹏，杨奕飞，张林，张洪武

(1．江苏科技大学 电子信息学院，江苏 镇江 212003；2．陆军装备部驻沈阳军代局驻哈尔滨地区军代室，哈尔滨 150000；3．镇江船舶电器有限责任公司，江苏 镇江 212002)

滚动轴承是船舶推进系统、甲板机械设备中广泛应用的基础部件，其作用是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失。滚动轴承运行状态的稳定性对机械设备有重要影响，对其故障进行准确诊断能保障机械系统平稳高效运行。

振动检测法是滚动轴承最常用的诊断方法，轴承的振动信号具有非线性、非平稳的特点，传统的时域、频域分析方法不能有效提取故障特征；短时傅里叶只适用于缓慢变化的信号[1]；小波变换对信号的处理缺乏自适应性[2]。经验模态分解(EMD)[3]采用自适应基的时频局部化分析，克服了基函数无自适应性的问题，但存在端点效应和模态混叠的问题。自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)能有效解决EMD的模态混叠问题，减小重构误差并提高分解效率，在轴承特征提取方面有良好表现[4-5]。

在工程实际中，监测所得通常是大量正常数据和样本量较小的故障数据，支持向量机(SVM)适合处理小样本问题，但存在核函数必须满足Mercer条件、模型稀疏性不强等不足[6-7]。相关向量机(Relevance Vector Machine,RVM)[8]具有核函数无需满足Mercer条件，稀疏性更强，所需参数少，输出概率式分布结果等优点，在小样本、非线性回归和分类问题上也有很好的应用[9-10]。RVM中核函数和核参数对预测……