从2015年智能制造被列为《中国制造2025》的主攻方向以来,机械设备的智能检测已成为研究的重点之一,其中对旋转机械设备的零件缺损检测也引起了更多的关注。机械设备零件缺损检测主要是对设备中各个零部件的运行状态进行监测与故障诊断。传统故障诊断主要是利用电流信号、振动信号和声发射信号进行检测与分析,但存在着故障检测设备安装不便的问题。机械设备中零部件因振动而产生的声音信号中蕴含着丰富的机械状态信息,在异常状态下会产生异音信号,该异音信号表征了机械设备的故障状态信息。声学故障诊断技术是一种非接触式测量的方法,可以解决传统故障诊断检测设备安装不便的问题。研究表明,声学信号特征提取方法在故障诊断中扮演者重要角色,声信号特征参数的可辨识性和可区分性直接关系到故障诊断的识别效果和性能。为了提高声学故障诊断技术在机械设备故障识别的性能,本文以典型的旋转机械设备电动扳手为研究对象,围绕声学信号特征提取方法进行研究。传统的声学信号特征提取方法是对振动信号进行分析和统计学处理,这种方法只对部分的设备故障诊断有效,但对比较复杂的设备故障或存在较大噪声干扰情况下,诊断的准确性就难以保证。为了进一步提高声学信号特征在噪声干扰环境下的鲁棒性问题,本文针对电动扳手齿轮箱研究了人耳听觉系统的生理声学特征和心理声学特征,提出了基于人耳听觉信号处理机制的多种故障特征提取方法,并综合考虑了电动扳手零件缺损声音信号样本少的特点,选择了工业界使用较多的支持向量机分类器（Support Vector Machine,SVM）和逻辑回归分类器（Logistic Regression,LR）对电动扳手声音特征进行分类。本文的主要研究工作如下:1.为探索人耳听觉系统辨识故障信息的声学因素,本文借鉴了人耳耳蜗在信号处理领域的非线性工作机制,提出了一种Gammatone-Meddis频谱信息子带能量熵差分平均比的听觉生理特征提取方法（Sub-band Energy Entropy of Cochlear Spectrum Differential Averaging Ratio model,Sub-ECR）。该方法符合人耳对动态声信号的辨识过程,可以较好的提取关于电动扳手零件缺损的固有振动声音属性特征,提高了故障诊断识别率。2.研究了反映人耳主观听觉感受的心理声学特征,结合电动扳手零件缺损的声学特殊性,文中提出了加权时变响度频谱峰均比模型（weight-Peak-to-Average Ratio Calculation method,w-PAR）,提取出了更具有可辨识性的声学特征和体现人耳对不同状态电动扳手声信号感知差异性的声学特征。实验结果表明,基于心理声学特征参数和w-PAR特征可以有效的提高电动扳手零件缺损的识别率。3.针对故障识别特征优选工程,文中综合了人耳声学特征中的生理声学特征、心理声学特征以及w-PAR特征,提出了一种混合式的特征优选方法（Hybrid Feature Selection Method,Hy-FSM）,并利用SVM和LR对优选的特征集进行分类实验,识别结果表明,结合听觉生理声学、听觉心理声学以及w-PAR特征提取方法的Hy-FSM优选策略可提高整体的零件缺损识别率以及诊断系统运行效率。4.设计了基于Lab VIEW的电动扳手声信号采集和故障诊断系统,主要包括电动扳手声信号采集、声信号分析与故障识别模块;该诊断系统集成了听觉生理和听觉心理声学特征提取方法以及故障分类算法。