热障涂层(Thermal barrier coatings，简称TBCs)以其良好的隔热耐磨与耐腐蚀性能被广泛应用在航空航天涡轮发动机中然而，热障涂层实际服役环境非常苛刻，且自身结构非常复杂，导致热障涂层体系极易发生表面开裂与界面分离，并最终导致涂层发生剥落失效对热障涂层损伤模式识别研究是进行热障涂层失效无损评价的主要内容之一，基于此，本文采用声发射技术(Acousticemission，简称AE)对轴向载荷下热障涂层的失效过程进行实时检测，通过聚类分析找出识别损伤模式的声发射信号关键参数，应用小波包变换提取智能识别声发射信号的特征向量，并应用神经网络技术实现损伤模式的智能识别主要研究内容如下：第一，采用k-means聚类法方法对轴向载荷下声发射信号进行聚类分析，找出最能表征不同损伤模式的声发射信号特征参数首先，针对热障涂层体系的损伤特点，采用拉伸加载与压缩加载产生预期损伤模式的声发射信号根据拉伸与压缩试样的破坏过程，采用幅值持续时间计数能量上升时间与峰频作为聚类变量，对声发射信号进行聚类分析结果表明，声发射信号频率参数最能表征热障涂层不同的损伤模式，陶瓷层表面垂直裂纹信号频谱范围为0.20-0.23MHz，剪切型界面裂纹信号频谱范围为0.27-0.30MHz，张开型界面裂纹信号频谱范围为0.41-0.46MHz，基底塑性变形型信号频谱范围为0.13-0.16MHz第二，通过小波包分析提取识别信号模式的特征参数根据不同信号频率分布范围，选择合适的小波基函数与分解尺度，对四类声发射信号进行小波包分析根据小波包方法得出信号的时频分布图，分析四类声发射信号的时频分布差异提取小波能谱系数作为声发射信号的特征向量，作为声发射信号的模式识别特征向量，并以此建立神经网络的输入样本集结果表明，不同类型声发射信号的能量在频域分布上存在明显的差别，提取小波能谱系数能够很好的实现对信号的识别第三，应用神经网络技术建立热障涂层损伤模式智能识别系统采用三层BP网络，通过随机采样将100组信号分成所占百分比为60%20%20%的训练集验证集测试集对网络进行训练采用附加动量算法经过175次学习训练，网络的最小期望误差达到0.01，经过20组测试样本对网络进行测试发现识别率达到了95%这表明神经网络的设计合理，泛化能力高，能够达到自动识别热障涂层损伤声发射信号的模式类别，具有很好的工程应用价值