声发射现象中产生的弹性波在传播时声压遵从指数衰减规律,文中提出一种利用声衰减特性对声发射源进行平面定位的能量定位新方法.从理论上导出了该方法的定位计算公式,并用AE21C型声发射仪在高分子合成纤维平板上以铅笔芯折断产生信号为模拟源进行了实验测量,证明这种新的源定位方法可行,并具有无须测量传声媒质的声衰减和声速等优点.

详细分析了小波包滤波原理.在大量实验分析和理论分析的基础上,提出了使用基于特征频率的小波包滤波方法.从而解决了由噪声引起的检测故障滚动轴承误判的问题,并为下一步的信号特征提取打下了坚实的基础.

本文所述的研究集中于用声发射（AE）技术测定径向负栽轴承的缺陷程度。使用设计的试验台，可测定轴承外座圈出现的各类缺陷程度的变化，可以断定AE技术可显示轴承的缺陷程度，而用振动分析法就无法达到这种目的。

本文介绍了一种基于声发射技术的动态探伤系统的设计。本系统主要针对金属裂纹的实时检测而提出,文中对动态检测系统的总体方案及其相应的硬件组成和软件处理算法进行了详细地分析阐述,并对所设计的系统进行了试验验证。试验结果表明,此检测系统具有良好的性能,能满足动态探伤的应用需要。

针对机械密封低速阶段存在信号内源耦合与外部干扰因素的共性问题,提出了信号局部特征尺度分解(local characteristic-scale decomposition,LCD)与小波阈值协同降噪方法。基于局部特征尺度分解结合小波阈值方法与声发射信号降噪的信息映射关系,建立了互相关系数对含噪分量识别机制,将纯净分量和降噪后的含噪分量进行重构,实现信号降噪,并搭建了机械密封声发射测试台,试验结果表明,LCD-新阈值降噪方法降噪效果优于LCD强制降噪和小波阈值降噪,LCD-新阈值降噪的信噪比分别比LCD强制降噪和小波阈值降噪高出20%和23%。从而证明基于局部特征尺度下密封声发射信号协同小波阈值的降噪技术维持了信号的可用性,保障信号故障特征,为进行机械密封全生命周期管理奠定了理论基础。

针对液膜密封状态监测领域无损监测开发不足、信号特征评估困难以及摩擦状态判别智能化特性缺乏的问题,提出一种基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法。该方法将声发射无损监测技术应用于液膜密封的摩擦状态监测,卷积神经网络作为液膜密封摩擦状态自主决策的实现手段,声发射信号的时频信息作为卷积神经网络的特征输入,分析短时傅立叶变换、S变换以及小波变换3种时频分析方法对卷积神经网络识别性能的影响。结果表明:对于液膜密封的声发射信号,3种时频分析方法与卷积神经网络结合的优选顺序为:短时傅立叶变换、S变换、小波变换;基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法准确率较高,相比其他识别方法取得了较好的识别效果。

针对精密外圆切入磨削智能监控的需求,设计了一种基于声发射信号的精密外圆切入磨削加工时间的在线优化算法。通过建立AE信号RMS曲线理论模型,获得了声发射信号与磨削系统时间常数的关系,建立了优化前各阶段AE信号RMS曲线;编写外圆切入磨削加工时间的在线优化算法,通过试验分析磨削系统加工时间对加工精度及表面粗糙度的影响,并对优化算法进行验证,建立优化后各阶段AE信号RMS曲线。试验结果表明：该优化方法能够在保证总去除量不变的情况下缩短加工时间,为精密外圆切入磨削提高加工效率、改善加工工艺提供了重要依据。

砂轮磨损状态复杂多变,磨损信号干扰多,特征提取困难。文章针对砂轮磨损过程,提出一种基于声发射技术的砂轮磨损表征方法。利用小波能量分析对磨削过程声发射RMS（均方根）信号进行重构与消噪,研究声发射RMS（均方根）信号频谱矩心这一特征值与工件表面粗糙度的对应关系。得出砂轮修整初期频谱矩心低,砂轮磨损后频谱矩心显著增大,由于磨粒自锐作用,频谱矩心会呈现周期性变化规律;在同一周期内,处于低频段的砂轮磨削出的工件表面粗糙度必优于处于高频段的砂轮;在不同周期内砂轮磨削出的工件表面粗糙度不具有可比性;表明了磨粒自锐的随机性。而且随着砂轮磨损的增加,频谱矩心高频段持续时间越来越长,直至砂轮剧烈磨损。

轧机齿轮箱传动系统是轧机系统的重要组成部分,也是较易出现机械故障的部分。轧机齿轮箱出现故障后其异常振动会严重影响轧制过程的稳定性,造成轧辊轴承损坏、轧件质量变差等不良后果。通过声发射监测技术实现振动信号的采集,并结合基于EMD的ICA信号处理方法,得出发现和诊断轧机齿轮箱各类故障的有效方法。通过对某钢厂轧机齿轮箱实测信号的分析验证了此方法的可靠性。该方法的应用极大提高了轧机系统在轧制过程中的稳定性,为实现精密轧制提供了帮助。

滚动轴承是转动机械的主要零部件,容易发生各种故障,这些故障会带来一系列安全隐患,并造成一定的经济损失。因此工业生产中滚动轴承故障诊断研究非常重要,具有巨大的用途。以滚动轴承为研究对象,建立滚动轴承声发射实验平台,采集不同缺陷、不同转速滚动轴承声发射信号,根据HMM理论和算法对声发射信号进行数据处理。首先应用MATLAB软件提取数据,进行分帧处理,进而提取特征向量,得出似然概率。将不同缺陷滚动轴承似然概率进行数据拟合,得到似然概率和转速拟合公式。对二种转速不同、已知缺陷滚动轴承声发射信号进行测试,并对某种缺陷滚动轴承声发射信号进行诊断。结果表明,HMM可以有效地对滚动轴承故障进行诊断。