声发射检测作为一种无损的故障诊断方法,具有较为明显的特征频率和较高的信噪比,能够较早的识别故障信号。此外,声发射信号是一种故障结构本身发出的高频应力波信号,无需外部信号源,对被检测目标的形状和运作状态没有要求,适合使用于在线的故障诊断。然而,因为声发射信号不确定、不可预知性和噪声敏感等特性,现有的信号处理方法无法有效提取和识别信号的特征。时间序列分析是一种常用的定量预测方法,其统计模型能够准确反映对象的发展规律,模型的参数中蕴含了系统的当前状态特性与动态变化的平均趋势。本文以轨道车辆轴承为对象,对基于时间序列分析的声发射信号的特征提取方法以及在特征提取基础上的信号分类方法进行了研究。本文提出了两种基于时间序列分析的声发射信号特征提取与分类方法,一种是将基于自回归(AR)模型的现代谱估计方法与能量特征相结合的频域特征分析方法,另一种是将自回归方程系数与深度学习模型相结合的模型参数分析方法。具体研究内容如下:(1)以车轴的断裂过程为切入点,分析了裂纹声发射的发生原理,介绍了裂纹扩展过程中声发射信号的采集过程和采集信号的组成情况,并根据车轴的健康状况对采集到的信号进行了简单的分类与说明。(2)由于裂纹产生的声发射信号具有非平稳的特性,本文提出使用经验模态分解法(EMD)对采集的信号进行预处理。EMD方法在对信号进行平稳化的同时,可以分离处于不同频带的信号,能够降低特征提取过程的复杂性、提高特征的表征能力。(3)提出一种基于AR模型谱估计的频域特征分析方法。本文使用AR谱估计代替常用的小波分析(WT)、快速傅里叶变换(FFT)等时频转换方法,在无需选择基函数和时间窗的情况下通过自适应的方式生成功率谱。同时,功率分布比和功率谱熵等功率参数的引入代替了传统的人工特征识别分析过程,能够有效的描述信号特征,准确识别不同类型的信号。(4)提出一种基于回归参数和深度学习模型的模型参数分析法。回归模型的参数往往蕴含了大量系统状态信息,然而传统的特征提取方法无法直接提取这些信息。本文通过使用深度置信网络(DBN)模型对回归参数进行学习,自动归纳和总结其中蕴含的特征信息,更加全面的描述了信号的状态特性。相比于使用其他传统机器学习方法,本方法对信号分类的精度更高。