在实际生活中,机械故障难以避免。而为了能够检测故障,保证正常的生产活动和生产安全,各类故障检测方法应运而生。而在故障检测中,存在有损检测和无损检测方法两类。而声发射信号检测方法作为一种无损检测方法,不仅能够在检测过程中保护被检测机械,而且作为一种内源性信号,声发射波由物体自身产生,避免了其他无损检测方法,如超声波等,需要额外施加外部检测信号源的麻烦。所以,声发射现象及对应的检测方法受到了广泛的关注。本文研究了如何使用声发射数据流进行轨道车辆车轴从裂纹萌生,裂纹扩展到最终断裂的全阶段的观测和分析。首先,利用声发射现象进行故障分析需要首先分辨采集到的信号是否属于声发射信号。本文提出了两种声发射信号的识别方法,一种是适用于在线快速采集和分析的声发射信号时域特征分析方法,另一种是适用于离线准确分析的三维能量参数特征分析方法。在声发射信号在线时域特征分析方法中,本文中介绍了数据流方法的基本概念以及信号时域分析的基本知识。然后基于传统的信号时域特征分析方法,结合数据流的概念和特点,提出了在线声发射流数据的时域特征计算方法和带有特征池的神经网络识别方法,也叫STREAM-TIME-ENN算法模型。数据流方法在提高了时域特征的运算精度的情况下没有明显提高计算量,而特征池方法又显著的降低了识别过程的时间消耗。然后通过实验表明了本算法在实际环境下的使用价值。在声发射信号的能量域特征分析方法中,本文介绍了经验模态分解方法和希尔伯特变换等时频转换方法,以及声发射信号的能量域分析的研究现状。然后,在传统的分析方法的基础之上,整合能量域分析的方法,总结出了三维能量特征参数体系,也叫EMD-TDE-ENN模型,全面的描述了声发射信号能量域特征,并通过和传统方法的比较,本方法在特征描述能力上更加优秀。