已有的基于音频的机械故障识别方法，大多是使用二维神经网络和音频信号的某个单一特征(如功率谱)进行故障检测，然而单一的音频特征在提取过程中可能会存在关键信息丢失的现象，且往往只能提取音频特征的单一维度(如空间上)信息，这极大限制了现有设备故障音频算法的有效性.为了探究解决上述问题的方法，本文提出一种包含不同音频特征的三维特征构建方式，利用不同的音频特征弥补特征提取过程中的关键信息；并且构建了三维扩张残差网络模型(DR-3DCNN),采用空洞卷积的方式增大模型对全局的关注，同时获取不同尺度的特征信息；充分利用不同特征之间的相关性，建立特征与原始音频数据的深层次关联；最后，采用公开的故障工业机器调查和检查数据集(MIMII)进行实验.实验结果表明，三维特征和DR-3DCNN相组合的方式，其机械故障识别分类效果有了显著提升，分类准确率好于以往单一音频特征的识别算法.