旋转设备是石油石化、轻工业和交通运输等领域应用极为广泛的大型重要设备。约有30%的旋转设备故障是由于滚动轴承的损坏造成的。应用最普遍的振动检测方法是基于滚动体与轴承滚道损伤处相接触产生高转速冲击和异常声响来判断的,但低转速轴承滚动体转速很低,冲击水平也很低,利用振动法对低速滚动轴承故障进行识别极为困难。利用声发射技术分析滚动轴承故障,拾取轴承转动中的声发射信号并进行处理,可有效地识别低速滚动轴承的断裂和疲劳损伤故障。与传统轴承共振解调诊断的振动方法比较,用声发射法进行故障诊断能预报轴承早期故障,特征频率和特征信号明显,优势凸显。传统的接触式声发射检测方式保持了传感器与轴承外表面的充分耦合,把声波衰减降为最小,传感器不仅接收到了轴承的有效状态信息,又不可避免地接收到了非检测部件的干扰信息。在某些特定的情况下,如货车轨边滚动轴承故障诊断时,轴承除旋转外与传感器之间有相对直线运动,不能将传感器直接贴在轴承或轴承座表面进行实时监测。利用非接触声发射诊断技术可以解决上述问题。为避免引入一些额外的混响及邻近的机械设备的噪声,降低信噪比,诊断只能在近声场测量。本文在对滚动轴承声发射波产生机理及传播理论研究的基础上,在实验室条件下,对不同故障模式滚动轴承进行非接触声发射检测,结合滚动轴承噪声信号特点将测得AE信号进行小波降噪处理,进一步利用小波分析,神经网络,EMD等现代信号处理技术进行轴承信号特征分析,综合判断滚动轴承的故障特征。滚动轴承的磨损故障及表面损伤类故障的形成和扩展过程,故障部位与其轴承构件在运动过程中的相互摩擦和碰撞,均会产生声发射现象。传感器接收到的有效信息主要来自声发射波经过轴承和空气中不同程度衰减和模式变化后的表面波。小波分析有效剔出了各类噪声,识别出滚动轴承特征频带。小波包提供了一种更能细化特征频谱的信号处理方法,对滚动轴承声发射信号利用小波包降噪和分析起到了很好的效果。然而,小波与小波包仅仅给出了轴承的声学信号特征频带,不足以对滚动轴承各种故障模式进行归类识别。利用小波包对信号进行特征提取后借助神经网络模式识别技术大大提高了故障诊断的准确性和有效性。此外,EMD方法自适应地提取出了原信号局部特征信息,与之相适应的Hilbert变换在信号分解,瞬时参数求取,刻画时频特征方面做了很大突破,对小波降噪信号进一步利用EMD分解,对有效分解模量作出Hibert边际谱准确刻画了轴承声信号特征频率,很好地达到了故障诊断的目的。