电机是日常生活和工业机械的重要设备,关系到生活与工业生产的许多方面,电机的轴承故障诊断是当前研究的热点领域。本文以滚动轴承为对象,研究从信号降噪算法方向、故障识别方向和在线诊断方向,对轴承含噪信号进行研究。本文提出基于变分模态分解和循环平稳分析的电机轴承故障诊断方法和一种基于循环平稳分析的自适应最优增强包络谱的电机轴承故障在线诊断算法。（1）针对滚动轴承早期故障信号容易受到噪声干扰、信噪比较低的问题,提出了基于变分模态分解和循环平稳分析的滚动轴承故障诊断方法。首先,使用包络熵与平方包络谱峭度的组合作为遗传算法的适应度函数对变分模态分解的参数进行寻优,以得到最优的模态分量个数和惩罚因子组合;然后,对轴承故障信号使用最优参数组合进行变分模态分解,得到若干模态分量;最后,选择最小适应度值对应的最优模态分量进行基于循环平稳的增强包络谱分析以识别轴承故障类型。研究结果表明,该方法相比传统方法输出信噪比平均提升了5.94 d B,对于全寿命轴承退化数据能够提前600分钟识别出轴承的早期故障。该方法具有输出信噪比高、适应性好等优点,对于轴承的微弱信号检测和早期故障识别具有较好的应用前景。（2）诊断算法的实用性也是当前研究重点。然而,当前算法很多是在计算机上运行,它们是利用提前采集的信号进行运算。为了使循环平稳算法应用范围变广和诊断结果更优秀,提出基于循环平稳分析的在线诊断算法。该方法采用脉冲因子作为衡量准则,可自适应的计算循环谱密度的最佳谱频率范围,进而生成信噪比更高的结果。通过采集轴承声信号和电机霍尔信号,通过C语言在MCU中实现算法处理,最后把该算法结果显示在LCD上,以实现边缘计算。该算法为在嵌入式设备上进行电机轴承诊断提供了一种简单、灵活、有效的解决方案。以一个无刷直流电动机为例验证了该算法的有效性。