航空发动机主轴轴承工作环境恶劣,早期的微弱故障会快速演变为严重故障,主轴轴承的早期微弱故障诊断是航空发动机安全性和预测性维护的关键技术。航发轴承体积大、结构复杂,不方便直接拆卸以检查损伤部位及损伤的严重程度,论文利用声发射技术实现轴承故障的原位检测与定位,论文首先提取轴承声发射信号的多个特征训练神经网络,完成故障源粗定位,为了进一步实现故障源的精确定位,论文搭建了实验平台,研究了阵列稀疏表示法,实现了声发射故障源的精确定位。论文的主要研究结果如下:1.针对声发射故障源的粗略定位问题,论文采用声发射特征提取和BP神经网络相结合的智能定位法,对实际工况下不同故障轴承的声发射信号提取幅域、频域和时频域特征参数作为网络输入,实现了故障源位置分类。为改善滚动体故障和保持架故障的定位效果,论文提出使用能量值较大的IMF分量计算能量熵和局部平均频率来扩充特征向量样本库,实验结果表明,故障分类BP网络能够快速收敛,故障源分类准确率达到84.7%。2.针对声发射故障源的精确定位问题,论文构建了应用于近场环境的嵌套阵模型,提出了近场声发射源定位的IMUSIC L1-SVD方法,实现了信源数大于等于阵元数的声源定位。论文利用Gabor小波变换代替CSSM方法来处理宽带信号,避免了声发射源个数、入射角度和距离预估计的误差,减少了构造聚焦矩阵的时间开销。论文使用IMUSIC方法构造权值矩阵,使源信号中的较大值接受较小权值,较小值接受较大权值,减小了L1模型和L0模型之间的误差,降低了信号之间的相关性,消除了噪声子空间对信号子空间的干扰。实验结果表明,该方法可以在4.3s的平均时间内实现故障源精确定位,距离估计误差小于2cm。