滚动轴承是保障机械设备正常运行的关键部件,如果滚动轴承出现突发故障,就有可能导致设备停产,造成巨大的经济损失。对于滚动轴承的故障诊断,目前最常用的方法是振动检测,但在某些情况下,例如在滚动轴承的早期故障阶段、低速重载运行状态下,表征故障隐患的振动信号十分微弱,容易被低频的噪声信号所淹没,因此难以发现有用的故障信息。而声发射是结构缺陷本身发出的高频应力波信号,不易受到周围低频环境噪声的影响,因此利用声发射检测技术对滚动轴承进行状态监测和故障诊断,对保障企业正常生产、工厂设备的正常运行有着重要的实际意义。　　 本课题通过实验模拟滚动轴承故障,研究基于声发射信号的滚动轴承故障诊断技术。主要研究内容包括以下几个方面:　　 (1)对滚动轴承声发射信号进行参数分析。利用声发射参数分析法分析几种常见故障滚动轴承的声发射信号,分析了振铃计数、能量、幅值、有效值、峭度值等典型声发射参数,比较不同故障轴承声发射参数的变化情况以及不同声发射参数对轴承故障的诊断效果。　　 (2)对滚动轴承声发射信号进行波形分析。对几种常见故障滚动轴承声发射信号进行时域波形分析、频谱分析、谐波小波时频分析、谐波小波包分析并提取滚动轴承的故障特征频率,作为滚动轴承故障诊断的依据。　　 (3)研究基于神经网络的滚动轴承声发射信号模式识别技术。提出了基于谐波小波包和BP神经网络的声发射信号模式识别方法,通过谐波小波包提取声发射信号特征向量,结合神经网络技术对滚动轴承的故障类型进行智能诊断。