故障诊断是家用电器电机出厂前必不可少的一步,能有效把控电机品质以及完成电机检修任务。现有的电机故障诊断通常通过检测转速、振动、声音等物理状态来判断电机是否存在故障,由于洗衣机电机在家庭日常生活的应用普及以及人们对其静音性要求的日益严格,声音特性成为判断电机品质是否优良的重要标准。传统的声音检测需要依靠人工听诊判断电机故障类别,不仅效率低、容易漏判错判,而且极易对人耳听力造成不可逆转的伤害。本文通过计算机提取电机运转的噪声音频,识别故障特征来诊断电机故障类型,在保证实验室环境下的故障诊断准确率后迁移到工厂的电机生产线上进行高效快速的故障检测,有利于提高诊断准确率以及生产效率。本文研究内容概括如下:首先,设计电机空转噪声采集平台,完成静音箱以及内部结构设计,考虑到生产线环境嘈杂,尽可能降低环境噪声对样本采集的干扰,并采用磁环、屏蔽网等部件来降低电磁噪声干扰,保证采集到的样本的纯净性。接着,设计音频信号预处理的方案,针对环境噪声、电磁噪声以及对噪声故障诊断无意义的频段分别进行处理,保证采集的样本数据集的纯净性与有效性,同时利于网络模型的训练,降低训练时间并且提升网络性能。然后,设计一个二分支卷积神经网络。受模型融合的启发,基于不同感受野的模型之间的互补性,设计具有两个感受野的模型,两个不同的分支会先对输入的电机噪声音频提取局部特征,随着模型层数的不断增加,网络会继续深入提取之前的噪声局部特征来扩大感受野尺寸。最后,设计混合切片二分支卷积神经网络来对二分支卷积神经网络进行优化,采用将不同类型音频切片混合保存的方式,既保证样本的均匀性,又能防止网络放大某几种电机故障类别的权重参数。将音频混合均匀切片截取噪声片段来提取有效特征,模型的准确率以及鲁棒性显著提升。实验结果表明:在搭建的电机噪声采集平台上进行数据采集得到的样本纯净性高、噪声干扰度小,硬件平台基本可以达到样本采集的要求。从实验结果的准确性以及鲁棒性来看,混合切片二分支卷积神经网络的表现性能优于二分支卷积神经网络,能够作为洗衣机电机噪声故障诊断的模型。