疲劳失效是金属材料在长期循环应力应变作用下产生疲劳裂纹,损伤不断累积,最终突然发生断裂的现象。机械设备中零件突然发生疲劳断裂会造成重大事故和损失,因此,预测金属材料的疲劳裂纹扩展具有重要意义。20CrMnTi综合性能良好,是我国应用广泛的一种齿轮材料。声发射是金属材料有裂纹产生时能量迅速释放并产生瞬态弹性波的现象。本课题对20CrMnTi试棒的疲劳裂纹扩展进行了研究,使用声发射检测技术采集了不加载和加载条件下试棒旋转弯曲疲劳产生的声发射信号。为了识别出加载条件下试棒产生的声发射信号,对声发射信号进行了参数分析和时频分析,并使用BP神经网络和SOM神经网络对声发射信号进行了分类和聚类。本文得出了以下结论:(1)加载条件下声发射信号的能量计数、振铃计数、有效值RMS和平均信号电平ASL较高。(2)不加载与加载两种试验条件下的声发射信号Hilbert谱没有明显区别。(3)将声发射信号的13个参数作为BP神经网络输入,分别以能量计数阈值55和35为指标将声发射信号分为两类,A类为噪声信号,B类为试棒产生的声发射信号,作为BP神经网络的期望输出,使用训练完成后的BP神经网络对400个声发射信号进行分类,两类信号的识别正确率均很高。(4)将声发射信号的16个参数作为SOM神经网络输入,将加载条件下的50个声发射信号聚为两类,7个A类信号能量计数均为零,43个B类信号能量计数只有一个为零;将两种试验条件下的50个混合声发射信号聚为两类,24个A类信号有效值RMS在0.08~0.09之间,26个B类信号有效值RMS在0.12~0.13之间。本文有以下创新点:(1)使用HHT技术对声发射信号进行了时频分析,得到了声发射信号频率-时间联合分布。(2)使用人工神经网络对声发射信号进行分类和聚类,得到了比较好的效果,为识别出复杂环境中有价值的声发射信号奠定了基础。