1.一种基于声音与振动信号的设备故障检测方法，其特征在于，包括以下步骤：

步骤1：采集声音信号或振动信号S，其中S为时间序列数据；

步骤2：对步骤1采集的信号S使用加窗、分帧技术进行处理，信号帧时长设为w，第i个信号帧的起始时间为ti，截取窗口[ti,ti+w]内的S记为：S_ti，i＝1,2,3,......,N；

其中，N为信号帧总数，i为信号帧编号，ti为第i个信号帧的起始时刻；经过分帧处理后，S被分成了N个信号帧；

步骤3：对步骤2得到的信号帧S_ti进行EMD分解，得到分解出的IMF分量S_ti_IMFj，j＝

1,2,3,......,J，其中j为IMF分量编号；对S_ti_IMFj进行分析，确定出高频分量中需要进行小波阈值去噪的含噪IMF分量S_ti_IMFn与不含噪声的低频IMF分量S_ti_IMFm，其中n∈j，m∈j，m≠n；对S_ti_IMFn进行小波阈值去噪，得到小波阈值去噪后的信号 将与S_ti_IMFm进行信号重构，得到去噪后的信号S_process_ti；

步骤4：将步骤3得到的去噪后的信号S_process_ti按照状态进行划分，组成正常数据集Nomal_set与故障数据集Fault_set；从Nomal_set中抽取部分数据，组成训练数据集Train_set，剩余部分的数据集合记为Nomal_residue_set；将Fault_set与Nomal_residue_set组合后，得到测试数据集Test_set；

步骤5：建立基于物理信息神经网络的设备故障检测模型，确定物理信息神经网络设备故障诊断模型的结构、层数、节点数和所需拟合的振动方程；使用步骤4得到的训练数据集，对建立的基于物理信息神经网络的设备故障检测模型进行无监督训练，得到训练拟合误差损失Train_Loss、拟合的振动方程与初始模型参数；计算正常状态数据的最大拟合误差损失Max_Normal_Loss；利用Train_Loss和Max_Normal_Loss计算正常误差损失范围Normal_range；

步骤5.1：确定物理信息神经网络设备故障诊断模型的结构、层数、节点数和所需拟合的振动方程；神经网络结构上分为第一层的输入层、中间的多个隐藏层和最后一层的输出层，其中输入层的输入为训练数据集Train_set中的数据，隐藏层用于提取不同的层次特征，隐藏层的层数和节点数根据训练和测试分析确定，输出层的输出为根据拟合出的振动方程所预测的信号时间序列；该网络结构采用层内无连接，相邻层全连接的结构形式；

步骤5.2：从步骤4中获得数据集Train_set并从中选择一个样本数据记为Train_data＝Train_seti，对步骤5.1建立的模型进行无监督训练，获得训练拟合误差损失Train_Loss，得到拟合的振动方程与初始模型参数；

步骤5.2.1：设置初始位置t0作为拟合周期起始点，并将信号重复周期的整数倍作为一个相对周期T，后续测试工作数据需以该相对周期T为单位提取样本点作为输入；

步骤5.2.2：此步骤为数据驱动发现过程，定义f(t)如公式(9)所示：

f(t):＝ut+Ν[u；λ]； (9)

通过深度神经网络逼近ut，其中ut与微分算子N[u；λ]一起构成物理信息神经网络f(t),微分算子中参数λ变为f(t)的参数，通过训练可以得到正常状态下对应的λ参数，得到所需拟合的振动方程f(t)；

步骤5.2.3：计算训练过程中的均方误差损失Train_Loss，并通过最小化均方误差损失来学习神经网络，计算过程如公式(10)‑(12)所示：Train_Loss＝Train_Lossu+Train_Lossf； (10)

其中，Train_Lossu为神经网络逼近ut的均方误差损失，Train_Lossf为样本点在公式i i i(9)上的均方误差损失，N为所取样本点数量，u(t)为ut预测值，u为真实值，f(t)为公式(9)的误差损失；

步骤5.3：根据步骤5.2，从数据集Train_setj(j≠i)中获取数据，输入到步骤5.2训练出的模型中，计算每一正常状态数据样本的模型拟合误差损失，重复此步骤，获得多组正常状态数据的拟合误差损失Normal_Lossj，取最大值为Max_Normal_Loss；

步骤5.4：把步骤5.2获得的Train_Loss和步骤5.3获得的Max_Normal_Loss进行计算获得正常误差损失范围Normal_range，如公式(8)所示：Normal_range＝abs(Max_Normal_Loss‑Train_Loss)； (8)步骤6：对待测设备故障进行诊断，将测试数据集Test_set输入步骤5训练得到的模型中，计算每个样本数据的测试拟合误差损失Test_Lossj；将步骤5获得的Train_Loss和Test_Lossj进行计算，获得测试误差损失Test_rangej；若Test_rangej超出正常误差损失范围Normal_range，则该振动信号被视为故障状态。

2.根据权利要求1所述的一种基于声音与振动信号的设备故障检测方法，其特征在于，步骤1中所述的声音信号或振动信号S来源于传感器采集的待测设备运行过程中的声音或振动信号。

3.根据权利要求1所述的一种基于声音与振动信号的设备故障检测方法，其特征在于，所述步骤3，具体实现包括以下子步骤：步骤3.1：对S_ti进行EMD分解，得到分解出的M个IMF分量S_ti_IMFj，j＝1,2,3,......,J，其中，j为IMF分量编号，如公式(1)所示；

S_ti_IMFj＝emd(S_ti)； (1)

步骤3.2：对IMF分量S_ti_IMFj进行分析，确定出高频分量中需要进行小波阈值去噪的含噪IMF分量S_ti_IMFn，其中n∈j；不含噪声的低频IMF分量记为S_ti_IMFm，其中m∈j,m≠n；

步骤3.3：对S_ti_IMFn进行小波阈值去噪，分析并除去非稳态信号，得到小波阈值去噪后的信号 N个信号帧处理得到N个1维向量，如公式(2)所示：步骤3.4：获得降噪后的数据 与不含噪声的低频IMF分量S_ti_IMFm一起进行信号重构，得到去噪后的信号S_process_ti，如公式(3)所示：

4.根据权利要求3所述的一种基于声音与振动信号的设备故障检测方法，其特征在于，所述步骤3.2，具体实现包括以下子步骤：步骤3.2.1：对信号帧S_ti_IMFn进行m层小波分解，最后输出m+1个小波系数集合如公式(4)和(5)所示：其中： 为分解的低频信息，近似部分， 为分解的高频信息，细节部分，func为选用的小波基函数，m为分解层数；

步骤3.2.2：经过步骤3.2.1小波分解后，通过选取合适的阈值和阈值函数对小波系数进行处理；大于阈值的小波系数被认为是由信号产生的，应予以保留，小于阈值的则认为是由噪声产生的，置为0以达到去噪的目的；最后得到阈值处理后的小波系数如公式(6)所示：其中：value为阈值；

步骤3.2.3：将经过步骤3.2.2阈值化处理后的小波系数 进行小波重构得到小波去噪后的信号数据 如公式(7)所示：其中：func为与步骤3.2.1中相同的小波基函数。

5.根据权利要求1所述的一种基于声音与振动信号的设备故障检测方法，其特征在于，所述步骤4，具体实现包括以下子步骤：步骤4.1：将步骤3得到的去噪后的信号S_process_ti按照正常状态与故障状态进行划分，从正常状态的数据中随机抽取数据组成正常数据集Nomal_set，从故障状态的数据中随机抽取数据组成故障数据集Fault_set；

步骤4.2：从步骤4.1得到的正常数据集Nomal_set中随机抽取部分正常数据，组成训练数据集Train_set，剩余部分正常数据集合记为Nomal_residue_set；

步骤4.3：将从步骤4.1得到的故障数据集Fault_set与步骤4.2中的Nomal_residue_set组合后，得到测试数据集Test_set。

6.根据权利要求1所述的一种基于声音与振动信号的设备故障检测方法，其特征在于，所述步骤6，具体实现包括以下子步骤：步骤6.1：将测试数据集Test_set中每个信号样本数据输入步骤5训练得到的模型中，通过计算获得每个样本数据的测试拟合误差损失Test_Lossj；

步骤6.2：将步骤5.2获得的Train_Loss和步骤6.1获得的Test_Lossj进行计算，获得每个样本数据的测试误差损失Test_rangej，如公式(13)所示：Test_rangej＝abs(Test_Lossj‑Train_Loss)； (13)步骤6.3：以步骤5.4中获得的Normal_range作为基准误差范围，若Test_rangej超出该基准范围Normal_range，说明该振动信号不在正常范围之内，则该振动信号被视为故障状态。