振动信号监测是旋转设备的故障诊断与状态监测中最常用手段之一,但在某些极端工况下,不适宜使用接触式测量方式进行信号采集。声信号由非接触方式采集,包含丰富的设备状态信息,但是相对振动信号信噪比较低,制约了声信号在故障诊断领域的应用。为探究如何有效利用声信号进行故障诊断,因此,本课题结合传统算法与深度学习算法,开展了基于声信号的故障提取与智能识别方法研究,主要内容如下:(1)提出了基于CEEMDAN与解卷积算法的声信号特征提取方法。在传统模态分解方法中,需对所产生经验模态分量逐个进行分析,针对传统模态分解算法自适应差的不足,应用最大峭度准则,可有效实现最优模态分量的自适应筛选。同时结合解卷积算法,增强声信号中的周期性冲击,提高了最大峭度准则在模型中的可靠性。通过仿真信号与实验信号,验证了所提出模型的有效性,并与单一模态分解算法相比,明显减少了冗余分析量,实现了自适应故障特征提取。(2)构建了基于TextCNN的故障识别模型,实现了故障的智能诊断。基于卷积神经网络在图像模式识别领域所具有的优势,结合一维信号的时序特征,将一维数据段构造为二维特征图。利用一维卷积神经网络的时序序列特征提取能力,使用一维卷积核替换图像识别领域的二维卷积核。传统卷积神经网络中一般在单通道中只存在单尺寸卷积核,针对单尺寸卷积神经网络感受野较窄的缺点,丰富模型中卷积核尺寸类型,构造多尺寸卷积网络模型。通过分别采用振动信号数据与声信号数据集实验,验证了TextCNN网络模型与声信号在故障领域的适用性,同时输入不同尺寸数据集,验证了数据类型对网络训练的影响。并与一维单尺寸卷积神经网络,二维单尺寸卷积神经网络与高斯核函数支持向量机(RBF-SVM)对比,有效验证了所提出模型的优势。(3)发展了基于LSTM-FCN网络的故障识别方法。将一维信号转换为二维数据特征图时,易破坏一维时序序列时间特征。声信号可认为是时序序列,为保留数据一维时序序列特征,采用overlap采样策略,强化数据内部特征,并直接采用一维数据切片作为数据集。一维卷积神经网络虽能处理时序序列,但所提取特征矩阵无法保证包含有效时间特征信息,长短时记忆神经网络可有效保留时间序列信息,在局部特征基础上叠加时间位移信息,解决了卷积神经网络所提取特征的非连贯性。构造LSTM-FCN网络模型,采用多转速数据集与多种数据长度数据集基于LSTM-FCN模型性能进行实验,优化了隐藏特征的可靠性,分别测试LSTM-FCN每个通道性能,证明了 LSTM-FCN模型以声信号进行故障诊断的适用性。