作为上世纪发展起来的新型飞行器,直升机被广泛应用于军事、救灾、旅游等各个领域。随着直升机在各领域应用更加广泛,直升机的安全性也变得愈发重要。桨毂作为直升机旋翼系统的核心部件之一,在直升机长时间飞行状态下,桨毂会由于长期受力而产生疲劳裂纹,若没有及时发现裂纹,将直接影响旋翼系统的正常工作进而影响直升机飞行安全。近些年来,利用声发射检测技术对直升机部件产生的疲劳裂纹进行检测并进行裂纹状态识别,能在很大程度上提高直升机飞行的安全性和可靠性。本文以桨毂某钛合金材料疲劳断裂试验采集到的声发射数据为研究对象,提出了一种基于时频图和卷积神经网络的裂纹声发射信号识别方法,成功对不同类型的声发射信号进行了识别。首先,通过对疲劳试验过程的声发射信号进行时域和频域分析,得出某钛合金材料在断裂过程中可分为裂纹萌生、扩展和断裂三个阶段,同时,在试验过程采集的声发射信号中,还存在一些由机械和电气干扰引起的非裂纹声发射信号。为实现对裂纹萌生、扩展、断裂阶段的声发射信号以及其中的非裂纹声发射信号的识别,采用小波变换、短时傅立叶变换、广义S变换三种时频分析方法对声发射信号进行分析,获得信号在时频域的时频图,并构建出三种时频分析方法所对应的数据集;然后在Alex Net的基础上,采用控制变量法确定出卷积层数量、卷积核数量及大小以及全连接层层数和神经元个数,并研究了学习率、迭代次数和Dropout比率对识别精度的影响;在此基础上,研究了不同时频分析方法在所设计的卷积神经网络中对不同断裂阶段声发射信号及非裂纹声发射信号的识别性能,结果表明小波变换结合卷积神经网络识别性能最佳;最后将本文网络模型与VGG-16等网络模型进行了对比,验证了本文所设计的网络模型具有较好的识别性能。为验证模型的泛化能力,再次对桨毂某钛合金材料进行疲劳断裂试验。重新采集某钛合金材料在疲劳断裂试验过程中的声发射信号,对采集到的声发射信号进行小波变换构造为全新测试集。同时,随机选取课题组提供的裂纹声发射信号与验证试验中的声发射信号构造出混合测试集。利用已经训练好的模型对两种类型的测试集进行识别,并与传统BP神经网络进行对比。实验结果表明,本文网络模型泛化能力强,对各类声发射信号拥有98.14%的识别精度,进一步证明了卷积神经网络结合时频分析方法识别声发射信号的有效性。