该文从信号的采集到信号的分析就如何提高机械信号诊断质量在一些主要方面作了探讨和研究分析.该文首先对信号的采集方法作了简单的回顾和总结,认为不同的设备运行状况及其环境会对采集的信号的纯净程度造成或多或少的污染.因此针对不同的情况应该采用不同的传感器.使用套有隔音套管的声级计采下的声音信号就能够隔绝噪声、净化信号.然后,该文在噪声消除、信息分解、信息整合、特征指标、智能诊断等方面就提高诊断质量作了深入的探讨和研究.对于特征指标和信息融合,该文选择不同故障类型的滚动轴承作为对象进行了实验.采下了它们在不同工况下的各种声音信号和加速度信号,并使用统计模拟方法,分别考察了它们的8个时域特征指标对故障的识别能力.从中发现加速度信号的峭度、K因子以及声音信号的峰值因子、歪度等特征指标能够较好地判别轴承故障,而且从这些特征指标的相互融合当中得到了更好的识别效果.最后,该文将上述的加速度信号、声音信号的4个特征指标作为输入,建立起以BP神经网络为基础的智能诊断系统.经过大量数据的检验,证明这个系统能够完成轴承故障类别的智能诊断.