在“中国制造2025”的推动下,传统的制造业和物联网、大数据等信息技术相互融合,生产制造的智能化成为了大势所趋。与传统的“先故障后维修”或者定期维修的策略相比,预测性维修能够帮助企业规范生产流程,提高设备利用率,降低生产成本,实现生产制造的智能化。设备在运转时发出的声音信号中包含大量运行状态信息,只要能有效地提取到声音事件中包含的信息,那么工厂就可以对生产设备故障进行分类与识别,就可以有效地提升机械设备状态诊断的成功率。因此,声音事件识别技术对于预测性维修技术的发展具有重大的研究意义。虽然基于声音识别的预测性维修技术有很好的应用前景,但是也面临许多难题。现代化工厂的机械设备常处于十分嘈杂的工作环境中,采集到的声音信号中会掺杂各种噪声,这种问题导致预测性维修的识别准确率达不到要求。为了提高工厂环境下异常识别率,本文结合工厂噪声的特性,对声音事件识别过程中声音去噪、特征提取和分类识别三部分进行改进,提出了新的声音去噪和特征提取方法。具体包括:针对噪声干扰下小波阈值去噪算法效果较差和音频还原时出现信号失真等问题,本文对阈值函数做出改进,提出了一个新的小波阈值收缩函数。该阈值收缩函数相较于现有的阈值收缩函数更加平滑,不仅削弱了阈值函数和有效信号之间的恒定偏差,还消除了阈值点函数跳变导致的重构信号失真问题,提高了原算法的去噪能力。实验结果表明,提出的阈值收缩去噪法能更有效地滤除噪声,并降低去噪过程中声音信号的失真程度。针对现有特征提取算法不能较好表征工厂环境下声音信号的问题,本文提出了一种改进版的梅尔倒谱系数特征提取方法,该方法使用巴克小波变换和小波包变换分别代替梅尔倒谱系数特征提取法中原有的傅里叶变换和离散余弦变换,克服了经典MFCC算法不适用于平稳性较差声音信号的缺点,还可以自适应地选取最佳基函数,使之与信号相匹配,以提高信号的分析能力。使用SVM算法构建的模型对提出的特征参数提取方法进行了声音事件判别测试,实验结果表明提出的方法能够明显提升工厂环境下的机械设备异常声音事件判别的识别率。