伴随现代化工业的迅猛发展,各类大型旋转机械在工业化生产中有着举足轻重的地位。齿轮在旋转机械中能起到支撑和减少固定机械部分与运动机械部分间的摩擦,可以称为旋转机械的重要组成。齿轮的主要特点有负载能力大、传动精度高、传动功率恒定等,因此能够大量的被应用到现代大型机械中。但是由于齿轮传动结构复杂、工作环境恶劣等原因,使得它成为一个容易发生故障的部件。如果故障发生将会影响设备的整体运行,甚至会导致重大的安全事故。因此开展齿轮故障监测技术研究意义非常重要。传统的齿轮故障监测方法是利用振动信号来进行的,但常因存在外部干扰噪声而不能很好的采集到早期的齿轮故障信号。声发射是齿轮故障诊断中一种有效的监测与诊断技术,它是通过检测由物体自身释放的应力波来研究物体的状态变化。声发射技术不需要距离被测物体很近,被测物体的形变也不会轻易引起声发射的改变,涉及领域大,既可以做宏观检测,又可以检测物体内部组织的各种状态变化,因此,声发射技术对于齿轮早期故障的实时监测与诊断至关重要。本文介绍了旋转机械故障诊断的意义、声发射技术原理和声发射技术的发展及其应用,并对旋转机械故障诊断的方法进行总结。根据旋转机械齿轮故障的实际情况,应用支持向量机对声发射信号的识别展开了研究。支持向量机是机器学习的算法,它是基于结构风险最小化原理,该原理在数学理论上证明了此模型的泛化能力能够最大化。在实验数据获取方面本文齿轮实验系统由PCI-2声发射系统和旋转机械故障型试验台组成。对齿轮进行了磨损和沟槽实验,通过实验分析研究不同的齿轮故障声发射信号的特征。实验数据采用支持向量机进行识别,以径向基(RBF)函数作为支持向量机的核函数,针对RBF核函数的参数选取设计三种参数寻优方法:网格搜索法、遗传算法寻优和粒子群参数寻优(PSO)。利用三种参数寻优方法对RBF核函数的关键参数进行了分析。以实验采集的磨损数据、沟槽数据、正常数据建立支持向量机的分类模型,并利用支持向量机对实验数据进行分类。应用优化后的支持向量机故障分类的精度相比于优化之前提高了10%左右,结果表明该方法对齿轮故障声发射信号研究有借鉴意义。