伴随着科学水平的高速发展,大型机械设备在人们生活中的应用也随之增多。现如今大型设备的状态监测与人们的生活息息相关。如汽车、火车、轮船、飞机,它们给我们的生活出行带来了不少方便,但由于其组装往往都需要上万个零件,任何一个零件坏损都会影响机器的运行,甚至会危及生命。为了让设备长期稳定工作,它们的质量保障问题就显得尤为重要。本文通过对中碳钢疲劳试件的拉伸实验,通过声发射传感器采集到的声发射信号并对信号进行处理提取声发射信号特征,进而预估不同批次的中碳钢剩余寿命。本文主要研究工作如下:首先是实验部分。实验所选材料为Q-235低碳钢。在实验开始前,在试件的中间部分喷涂黑色油漆,用来增加试件表面的红外热辐射率和减少试件表面的红外反射。将声发射传感器安装在试件的对称中心部位,用以捕捉试件萌生裂纹时产生的声发射信号。声发射信号经过前置放大器处理后,高低电平差值大于14时,采集卡将连续采集声发射信号,否则15分钟采集一次,每次采集一秒的数据,疲劳试验机的频率为10HZ。同时使用Flir-A325sc红外热像仪对试件的温度进行拍摄,记录下每秒钟试件的温度。实验的采样周期频率是10万,设定每秒钟采集10个周期的声发射信号,采样点是100万,数据过于庞大,需对其进行预处理。将声发射信号从时域范围内进行特征提取,分别提取振铃计数、绝对能量、均方根值、信号方差、绝对均值、方根幅值、信息熵共7个时域特征,并观察不同批次的试件是否具有相同趋势。观察6个时刻点的声发射信号图像,对声发射信号进行频域特征提取,通过信号功率谱变换分别提取声发射信号重心频率、均方频率、均方根频率、频率方差、频率标准差5个特征。建立BP神经网络模型,输入数据即为上述提取的特征,输出数据为中碳钢的剩余寿命。分析比较不同隐藏层节点数训练效果、不同传递函数的训练效果,确定第一个传递函数为logsig,第二个传递函数为purelin,网络结构为12-12-1。同时考虑到BP神经网络可能无法保证在全局范围内搜索等特点,用PSO优化算法选取网络相关参数,将选取的参数映射到网络中,对比分析网络泛化能力。小波神经网络包括离散型和紧致型两种,离散型小波神经网络主要是将数据经过小波变换,本文对声发射数据进行小波多分辨率分解,将提取出的小波系数组成向量组,对整个向量组进行平方求和,共提取4个输入特征,随后对其进行寿命评估。紧致型小波神经网络主要就是将激活函数换成了小波基,本文中选取的小波基是Morlet。最后使用两种小波神经网络对试件进行评估,分析比较几种不同神经网络的预测结果,结果表明紧致型小波神经网络在预测性能较好。