Con el desarrollo creciente de la construcción de puentes, la operación y el mantenimiento de puentes siempre han sido temas importantes para garantizar la seguridad de la comunidad. Afectados por el servicio a largo plazo de los puentes y factores naturales, la seguridad y durabilidad de los cables pueden estar amenazadas. Los cables son elementos críticos de soporte de estrés de grandes puentes como los puentes atirantados. Darse cuenta del monitoreo de salud de los cables del puente es clave para garantizar el funcionamiento normal de los puentes. La emisión acústica (AE) es un método dinámico de prueba no destructiva que se utiliza cada vez más en el monitoreo local de los cables del puente. En este documento, se describe un banco de pruebas para generar las señales de emisión acústica para pruebas de identificación de señales con modelos de aprendizaje automático (ML). Debido al número limitado de señales medidas disponibles, se propone un algoritmo para simular señales de emisión acústica para el entrenamiento del modelo. Se propone un método de extracción de características de múltiples ángulos para extraer las señales de emisión acústica y construir un vector de características integral para caracterizar las señales de emisión acústica. Siete modelos de ML son entrenados con las señales de emisión acústica simuladas. La memoria a corto y largo plazo (LSTM) se ha aplicado especialmente para la demostración de aprendizaje profundo que requiere una gran cantidad de datos de entrenamiento. Dado que todos los modelos de aprendizaje automático (incluido LSTM) proporcionan un rendimiento deseado, se muestra que el enfoque propuesto de simulación de señales de emisión acústica puede ser efectivo.