电机故障诊断一直是设备诊断领域的研究热点,由于电机结构复杂、运行环境恶劣,使故障特征受干扰因素较多,基于传统方法无法准确地从原始数据获取故障特征,从而导致诊断结果的准确度较低。随着信号处理技术的日益成熟以及人工智能方法的快速发展,原本难以获取的故障信息可以利用先进的信号处理方法被有效提取。本文针对电机故障数据特征,重点研究内容如下:首先对电机故障进行建模,通过机理分析机械和电气故障特征。对于机械类故障主要引起振动信号产生谐波分量,对于电气类故障主要引起电流信号变化。然后研究变分模态分解（VMD）,对于电机转子断条故障,故障特征频率和电源基频十分靠近,基于傅里叶变换和经验模态分解无法有效地将两个频率分离,本文通过VMD分解原始信号,可以准确地将两者分离。在电机运行状态稳定情况下,利用机理特征可以有效识别故障类型,然而实际上电机常常处于转速波动不稳定的状态。针对变工况问题,本文提出基于变分模态分解的能量特征熵的分析方法,实现对电机轴承健康系数的有效估计。以凯斯西储大学实验台滚动轴承为实验对象,研究变工况运行条件下轴承内圈的磨损情况,并对比小波包Renyi熵以及频域特征的分析结果,验证变工况条件下VMD-Renyi熵值法的有效性。电气故障往往是0-1判断,不存在中间状态。而轴承等电机部件在运行过程中会发生磨损,可以用一个健康系数来表征轴承的故障程度。其次构建支持向量机（SVM）信息融合多类分类器,并对电机轴承的故障状态进行识别。然后分别选取无量纲时域特征、小波包能量特征的SVM分类器作为参照,采用测试样本分类正确率来分析对比,验证了信息融合SVM分类器的有效性。最后利用冯诺依曼结构改进的鲸鱼优化算法（WOA）对分类器的参数优化,进一步提升分类器的推广泛化能力。最后,利用MFC开发软件设计了故障诊断系统平台。本研究为实际工业环境的电机故障检测提供了技术支持以及理论指导。