在机械运转过程中,金属的疲劳对工件的影响情况难以及时发现。因此,机械装置容易由于金属疲劳产生失效而造成工程事故。本文主要以中碳钢为具体研究对象,采用声发射技术和粒子滤波算法对中碳钢的疲劳寿命预测进行研究。首先对声发射信号进行采集,然后通过基于EMD及粒子滤波算法的声发射信号去噪方法、基于LMD的时频域信号特征提取方法和基于SVM的中碳钢疲劳状态识别方法,实现了对中碳钢试件的疲劳状态检测与寿命预测。首先,在声发射信号去噪研究方面,为了减少低信噪比随机噪声对粒子滤波算法的影响,针对声发射信号的特点,本文将经验模态分解法应用于粒子滤波算法中:在粒子滤波过程中,对每个粒子的时间序列进行经验模态分解;按照频率大小,从高到低进行逐级分解,通过将频域上的高频分量去除,降低噪声对粒子分布带来的干扰;通过剩余分量的重构,获得优化后的粒子分布。通过此方法获得的粒子分布更加符合真实情况,提高了滤波精度,同时也提高了声发射噪声降噪效果。其次,在时频域信号特征提取方法的研究中,由于声发射信号的时域特征提取和频域特征提取都存在一些问题,为此本文采用了将局阈值分解法的声发射信号特征提取方法与ARMA模型时域分析方法相结合的方式,实现了中碳钢试件疲劳过程中声发射信号的特征提取。再次,在疲劳状态检测方面,对已经进行了粒子滤波降噪和LMD分解后得到的中碳钢试件声发射信号的特征进行区分,根据基于信号特征的疲劳状态分类确定了中碳钢试件当前所处的疲劳状态。在本文的研究中通过对比多种基于样本特征进行分类的方法,最终选用了 SVM这种适用于小样本的分类方法进行中碳钢试件的疲劳状态检测研究,并通过数据进行了验证。最后,以具体的案例为例,验证了所提出的数据处理方法对中碳钢试件疲劳寿命预测的效果及使用SVM分类方法进行中碳钢试件疲劳状态检测的分类效果,实验结果较为精确地预测了中碳钢试件疲劳寿命并将正常状态和疲劳状态两种不同的声发射信号进行了成功分类。实验表明本文所研究的基于EMD的粒子滤波算法的声发射信号去噪方法、基于LMD的时频域信号特征提取方法和基于SVM的中碳钢疲劳状态检测方法具有较高的检测准确性。