轴承是电机拖动系统的核心部件之一,同时也是最容易出现故障的部件。由电机轴承故障引发的事故常常会造成重大损失,因此研究电机轴承故障诊断技术对及早发现故障、预防事故的发生,减少经济损失和人员伤亡具有重要意义。故障诊断主要包括对故障机理和故障诊断方法的研究。非线性动力学是研究故障发生、发展及其破坏过程机理的基础。故障诊断方法研究的关键是在探求故障机理的基础上,选择合适的方法来识别故障的类型、数量、位置和严重程度等。本文首先从故障机理研究出发,建立了电机转子—轴承系统碰磨、不对中和碰磨—不对中耦合故障的非线性动力学模型,分析了不同故障程度下的系统动力学特性;建立了基于分数阶微积分的电机转子—轴承系统裂纹故障的非线性动力学模型,并分别分析了时域、频域及轴心轨迹等特性。借助时域波形分岔图,深入探讨了阶次的变化对其动力学特性的影响,并研究了最佳阶次的选择问题。然后,基于数学形态谱熵理论和高阶差分思想,进行了轴承故障损伤程度识别方法的研究。结合数学形态学梯度函数,提出了高阶差分的数学形态梯度谱熵的定义,并将其应用于电机轴承故障损伤程度的识别,仿真和实验结果表明,该方法不仅提高了运算速度,也提高了不同故障熵值的区分度。为提高电机轴承故障分类准确率,提出了基于经验模态分解、模糊熵、改进粒子群算法和支持向量机(CWPSO-SVM)的电机轴承故障诊断模型。采用经验模态分解和模糊熵提取滚动轴承振动信号特征,使用变化的学习因子和惯性权重改进粒子群优化算法,并用于优化支持向量机的模型参数,实验结果表明,该模型提升了故障诊断方法的泛化性和分类准确性。最后,针对CWPSO-SVM模型运算时间较长的缺陷,提出一种基于经验模态分解、模糊信息熵、改进粒子群优化算法和最小二乘支持向量机的电机轴承故障诊断模型。因模糊熵的计算效率较低,使用模糊信息熵取代模糊熵,在不影响模型分类准确率的前提下,提高模型的训练速度。采用经验模态分解和模糊信息熵提取振动信号特征;使用粒子变异策略、变化的学习因子和惯性权重改进粒子群算法,利用改进的粒子群算法对最小二乘支持向量机的参数进行优化。实验结果表明,在诊断准确率相近的情况下,该模型拥有更快的诊断速度。