电机是现代工业生产中广泛应用的机械设备,其运行状态关系着整个系统的安全性和稳定性。轴承作为电机的核心部件,其故障不仅影响生产效率,还可能引发安全事故。针对电机轴承的故障诊断方法进行研究,在轴承发生故障的初期及时准确地做出诊断,对确保电机稳定运行、保障工业安全生产具有重大意义。电机轴承发生故障时振动信号复杂度增加,论文提出基于排列熵的电机轴承故障检测方法,根据切比雪夫定理设置合理的故障阈值,将故障信号与正常信号根据排列熵值准确区分开,从而及时检测出轴承是否存在故障。考虑电机轴承振动信号存在非平稳、非线性的特性,提出一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）和排列熵的电机轴承故障特征提取方法,自适应地分析故障信号的时频域特征。由于EEMD分解后的本征模态函数（Intrinsic Mode Function,IMF）分量存在无法描述特征信息的虚假分量,通过计算各IMF分量与原始信号的相关系数,筛选出相关性较高的IMF分量。结合排列熵算法度量信号复杂度的特性,提取高相关IMF分量的排列熵值作为电机轴承故障特征向量。由于电机轴承存在典型故障数据难以大量获取的问题,选取适合小样本问题的支持向量机（Support Vector Machine,SVM）实现电机轴承的故障识别。为确保SVM具备最优的分类性能,提出基于三种改进策略的混合灰狼优化（Hybrid Gray Wolf Optimization,HGWO）算法优化SVM模型参数,包括基于佳点集理论的种群初始化策略、基于Sigmoid函数的非线性控制参数策略和基于教与学优化算法的位置更新策略,解决了灰狼优化算法中存在的早熟收敛、收敛精度不高等问题。针对SVM作为二元分类器无法识别电机轴承多种故障的问题,提出基于有向无环图的多分类HGWO-SVM模型实现电机轴承的故障诊断。选取凯斯西储大学的轴承数据样本进行仿真实验,提取EEMD算法分解振动信号的高相关IMF分量排列熵作为故障特征向量,输入HGWO-SVM中训练学习,构建多分类HGWO-SVM模型。诊断测试的实验结果表明,所提出的基于优化SVM的电机轴承故障诊断方法可以有效地诊断电机轴承的故障类型和受损程度,且具有较高的准确率。