随着科学技术的不断发展,机械设备日益精密复杂,在提高生产力、满足人们物质需求的同时,也带来了亟待解决的问题:机械设备的故障发生率变得越来越高。目前,机械设备的故障诊断技术往往是依靠提取设备的振动信号来进行分析与诊断,但对于一些紧凑型设备以及高速转动的设备传感器安装不便,并且在一些特殊工况和恶劣环境的条件下振动信号获取困难,致使基于振动信号的接触式故障诊断方法受到局限。因此,基于非接触式测量的声学诊断方法研究势在必行。机械设备的噪声是振动信号通过介质向外界传播的延续形式,与振动信号一样能够表征其健康状态。声学诊断技术具有在线监测、非接触式采样和操作快捷方便等优势,可以弥补接触式测量方法的不足。并且利用声音信息结合声源定位技术可以定位出故障的具体位置,从而有针对的对设备进行维修。基于以上思路,本文提出了基于声音信号的智能故障诊断与定位算法,具体内容如下:1.针对传统的声源定位算法具有实时性差和定位精度不高的缺陷,提出了一种新的波束形成反卷积算法—可回溯性的快速迭代阈值收缩算法（Retrospective Fast Iterative Shrinkage threshold algorithm,RFISTA）。本文在对该算法进行原理推导后,基于室内声源定位场景,搭建了圆形麦克风阵列结合双蓝牙音响实验系统,进行了实验仿真,并与较为成熟的反卷积声源成像算法（Deconvolution approach for the mapping of acoustic sources,DAMAS）和傅里叶非负最小二乘法（Fourier non-negative least squares,FFT-NNLS）算法作对比。实验结果表明,该算法较传统的反卷积算法能够较大的提高成像实时性和定位精度。2.针对传统故障诊断方法依赖大量的信号处理技术和丰富的专家诊断经验,本文结合深度学习理论,提出了“声音信号+深度学习”的智能故障诊断算法,利用阵列信号处理具有多通道信息融合的优势,采用端到端卷积神经网络状态识别方法,建立多层卷积神经网络的逐层非线性映射,自适应的提取故障信号特征,实现了在多工况和大样本下对设备故障类型的识别。本文搭建了一套基于数字麦克风阵列的转子试验平台,实验结果表明,所提方法相较于传统的基于振动信号的故障诊断方法的不仅有更好的性能表现,更重要的是能够克服接触时测量时振动信号不易获取以及解决传统的信号处理技术缺乏工程实践经验的情况,同时又为故障诊断技术提供了全新的解决思路。本文针对基于振动信号的故障诊断技术无法兼顾定位与诊断,以及接触式测量法易受环境和工况条件的限制,提出一种基于声音信号的智能故障诊断与定位模型,在传统波束形成算法的基础上引入反卷积成像在确定噪声源位置的同时,使用深度学习对声音信号进行训练分类从而判断故障类型,兼顾了噪声源识别定位以及故障检测的特点,并进一步推动了故障诊断技术的多领域交叉发展。