对关键机电设备运行状态进行故障在线监测,保障设备平稳运行,一直是一个重要的研究热点。目前在用的故障监测方法主要是基于振动分析的处理技术,即通过分析机械设备振动信号的特征频率变化来判别故障。但由于振动分析处理技术基于窄带处理,设备故障信息并没有得到充分利用,存在故障自主判型准确率不高,轻微的前期隐性故障无法准确识别等问题。而基于声学与宽带处理的故障监测技术,可结合声纹识别等人工智能处理技术,具有信息利用率与分辨率高的优势,能够对机电设备的前期隐性故障进行有效监测与识别,目前的研究已经证明了该技术方向的良好前景。在一些特定工况下,各大型设备间噪声相互干扰给基于声学与宽带处理的机械设备故障监测制造了新的难题。如何在复杂噪声环境下有效利用故障宽带信息,提高隐性故障识别率和故障判型准确率,是故障监测与诊断领域急需解决的关键问题。基于此,论文研究了复杂噪声环境下的机电系统故障在线监测声学处理方法。该研究方法完全基于宽带声谱信号的拾取、分析和处理,以声纹识别技术为核心,结合模式识别等人工智能学习处理技术,通过对机电系统运行状态进行声纹跟踪与匹配比对,发现和研判系统运行的故障和隐性故障等,实现对机电系统运行状态的在线监测。与传统振动分析方法相比,本文研究的基于声谱分析的机电系统故障在线监测方法以宽带信息处理和声纹识别技术为核心,故障信息拾取能力强,信号分辨率高,隐性故障识别率和故障判型准确率高,可满足机电设备运行状态在线监测与故障智能化处理要求。论文具体工作如下:1.研究了一种基于小波变换与峰值提取融合处理的宽带背景噪声抑制方法。通过将小波变换与峰值提取方法进行有机结合,明显提高了复杂噪声环境下的信息拾取能力,具有较好的噪声抑制与信号增强效果。并在此基础上,研究了一种基于动态时间弯曲算法的声纹匹配故障检测方法,通过声纹匹配对正常状态信号与故障状态信号进行区分,实现对故障状态的诊判,具有较好的故障检测效果。2.研究了基于声学信号多尺度熵和功率谱熵特征的支持向量机模式识别方法。通过对不同故障类型相应的特征参数进行自主训练,实现对具体故障类型的精准判别,具有较好的故障判型效果。3.根据所研究方法集成了一套故障监测系统样机。通过数值仿真分析与实验研究,验证了本文算法的有效性,同时初步证明该样机具有良好的工程应用前景。