机械设备发生故障时产生的声信号中包含有大量的故障信息,利用声信号监测机械设备的技术手段不需要架设接触式传感器,降低了系统的复杂度。针对工业生产实践当中经常出现的旋转机构故障现象,本文研究了一种利用声信号特征结合机器学习当中数据的降维方法来实现齿轮的故障诊断。首先介绍了工业生产实践中旋转机构常见的故障现象,重点分析了齿轮故障出现的主要形式及其产生机理。由于故障声信号常混杂其它声信号,会对目标信号的获取造成干扰,因此首先利用多层非负矩阵分解方法分离出故障声信号,对故障声信号进行预加重、加窗、分帧等等预处理,提取故障声信号的梅尔频率倒谱系数(Mel-Frequency Cepstral Coefficients,MFCC)特征。由于故障声信号的特征具有高维、非线性的特性,需要对获得的故障声信号特征进行降维处理,达到降低算法的复杂度、更加快速准确地识别故障声信号的目的。针对获取的声信号特征数据集,采用等距映射算法(Isometrical Mapping,Isomap)对其进行降维处理并且与局部线性嵌入降维(Locally Linear Embedding,LLE)方法进行对比,仿真实验结果表明两种降维方式对高维特征数据集均有明显的降维效果。对上述提取到的高维MFCC声音信号特征参数降维处理得到低维的声信号特征参数,然后利用K均值聚类(K-means Clustering Algorithm,K-means)分析方法对降维后的样本点进行聚类分析,实现齿轮的故障诊断监测。结果表明将高维的MFCC特征参数经过Isomap约简后,结合K-means聚类分析较LLE降维后的齿轮故障识别准确率有一定的提升。因为齿轮的故障声信号信息主要表现在高频即细节信号上,对小波分解的细节信号再进行希尔伯特变换,根据得到的包络谱图,分析故障信号的高频分量来判断齿轮的工况状态。根据实验结果,对齿轮四种工况状态下第三层细节信号包络谱进行分析,在齿轮点蚀状态下,当频率为500Hz时,功率谱发生突变;在齿轮断齿状态下,当频率为400Hz时,功率谱发生突变;在齿轮磨损状态下,功率谱随着频率的变化衰减变化状态最小,因此可明显判断出齿轮点蚀、磨损或者断齿的故障状态。最后给出了故障诊断算法的DSP(Digital Signal Processor)实现方法。以CCS5.5和TMS320为核心,设计了整个系统的开发流程包括硬件开发环境的设计和软件系统的设计,重点阐述了故障诊断流程在DSP平台的实现过程,包括故障诊断代码的转化编译过程。