Para aprovechar al máximo la rica información de estado y fallo incrustada en las señales acústicas de una bomba de émbolo hidráulico, este artículo propone un método de diagnóstico inteligente basado en el análisis de señales sonoras. Primero, se recopilaron señales acústicas en condiciones normales y de varios fallos. Luego, se extrajeron e integraron cuatro características acústicas distintas: Coeficientes Cepstrales de Frecuencia Mel (MFCCs), Coeficientes Cepstrales de Frecuencia Mel Inversa (IMFCCs), Coeficientes Cepstrales de Frecuencia Gammatone (GFCCs) y Coeficientes Cepstrales de Predicción Lineal (LPCCs) en una nueva característica cepstral híbrida llamada MIGLCCs. Esta fusión mejora la capacidad del modelo para distinguir tanto características de alta como de baja frecuencia, resistir la interferencia del ruido y capturar picos de resonancia, logrando una ventaja complementaria. Finalmente, el conjunto de características MIGLCC se introdujo en una red de memoria a largo y corto plazo de doble capa (DLSTM) para permitir el reconocimiento inteligente de los estados operativos de la bomba de émbolo hidráulico. Los resultados indican que el método MIGLCC-DLSTM logró una precisión de diagnóstico del 99.41% en condiciones de prueba. La validación en el conjunto de datos de rodamientos de CWRU y los datos operativos de un servomotor de alta presión en un sistema de turbina arrojaron precisiones de reconocimiento generales del 99.64% y 98.07%, respectivamente, demostrando la robustez y el amplio potencial de aplicación del método MIGLCC-DLSTM.