随着科技的不断进步,旋转机械在大型装备制造、能源、金属加工及民用工程等产业中都起着至关重要的作用。因此对于旋转机械的碰磨故障检测变得十分重要。而对旋转机械的碰磨故障诊断方法中,声发射检测技术是一种具有很大发展潜力的方法。但由于声发射源多样性、噪声干扰强等因素,特征信号往往难以提取和识别,因此其在实际应用中还有很大限制。本文针对以上问题进行研究。(1)将稀疏表示引入到声发射识别技术中,实验表明稀疏表示可以有效地提高声发射识别系统的性能。(2)利用K-SVD字典学习算法的特点,对碰磨声发射信号进行降噪。在训练阶段,使用K-SVD算法训练声发射信号的过完备基,然后根据估计的噪声方差利用正交匹配追踪算法对含噪碰磨声发射信号在形成的字典上进行稀疏分解,从而将声发射信号和噪声分离。通过实验仿真表明,基于K-SVD字典学习算法的声发射降噪算法明显提高了信噪比。(3)利用MFCC系数和高斯混合模型构建信号特征是声发射识别的第一步,之后在K-SVD算法的基础上,介绍了基于D-KSVD的声发射识别系统,字典中加入了判别性来提高识别率。通过实验验证了识别结果的准确性,达到了对旋转机械碰磨运行的状态信息监测和故障诊断的要求。(4)针对稀疏表示构建字典上的缺点,利用Fisher判别字典学习算法,通过对字典施加判别性,构造具有区分性的结构化字典。详细说明了 isher判别字典学习算法的字典更新步骤和特性,结合声发射识别,实现基于Fisher判别字典学习算法的声发射识别系统,并通过实验证明该算法有效的提升了识别的结果。(5)利用深度学习的分类算法对声发射进行识别,深度学习模型是稀疏自动编码器网络,前面部分使用稀疏自动编码器进行构造,后面使用Softmax回归作为分类器,该算法使用一阶差分MFCC作为分类特征。通过实验表明:该算法不仅具有较高的识别率,而且也具有比较强的鲁棒性。