随着机器设备的迅速发展和应用领域的不断扩大,快速准确地采集和捕捉机器的故障信息,已成为保障工业生产效率和安全的重要基础。声音作为机器工作时发出的一种音频信号,必然暗示着机器设备本身的工作状态信息。在工业生产中,通过从机器声音信号中提取特征并进行数据分析可以判断机器设备是否存在故障。为此本文将小波包分解和以往的机器设备故障诊断技术结合起来,研究机器设备故障检测过程的去噪与故障特征提取,并借鉴Android操作系统的开放性和功能强大等优势,以Android为平台,设计并实现了一款基于小波包分解的嵌入式机器声音故障诊断系统。　　本文设计的嵌入式机器声音故障诊断系统将Android系统平台自带的声音传感器MIC作为机器声音信号的采集设备,通过MIC对机器的声音进行信号采集,对采集的声音信号进行小波阈值去噪处理,然后进行故障特征提取并判断故障,并将结果在LCD显示器上显示。本文重点研究了小波给定阈值去噪算法与小波包分解故障特征提取算法,借助小波包分解对高频部分进一步分解能更有效诊断出故障的优势,对小波去噪处理后的机器声音信号进行三层小波包分解,将待检测的声音信号更加详细的划分到8个频段,进而求出8个频段内对应的能量、均方根和峭度,从而判断机器是否存在故障。　　本文详细介绍了机器设备故障检测系统的总体框架和软件实现过程,主要包括声音采集模块、去噪处理模块和故障诊断模块,并利用MATLAB工具对选用的小波去噪算法和小波包分解特征提取算法的可行性和有效性进行了对比仿真,同时,在以ARM11内核的S3C6410芯片作为主处理器的嵌入式Tiny6410开发板上,对所设计的故障检测系统进行了测试。实验分析表明,本文设计的故障检测系统,无论在运行速度上,还是可靠性上,都达到了预期的效果。