直流电动机在现代工业生产扮演至关重要的作用,它被广泛的应用在机械、化工、材料等诸多研究领域中,若一旦电机本身某一部分损坏,轻则导致整个运行系统瘫痪,重则无法保障工厂财产和人身安全。鉴于上述原因,如何确保直流电机稳定运行尤为重要。研究表明,直流电机运行产生的振动信号蕴含丰富的故障信息,深入研究设备早期故障产生振动信号,能够准确的预测故障位置,有效的识别故障类型,并依据相应的故障类型对设备进行维修。对保障系统安全可靠运行,减少工业资产损失具有重大深远意义。多数直流电机的振动信号存在连续、非平稳特性且运行环境噪声背景过大等现象,导致信号蕴含的丰富故障信息无法直接体现出来。如何在噪声环境下准确选取特征信息是提取故障信息关键,近年来,专家提出经验模态分解、聚合经验模态分解、经验小波变换、变分模态分解、非线性模态分解、自适应局部迭代滤波等自适应去噪分解信号算法。虽然这些算法能够在分解过程中提取到振动信号故障信息,但这些方法都会出现无法解决的缺陷。基于上述研究,本文深入研究直流电机INV1618振动信号特征提取与状态识别。首先,对目前存在分解算法EMD、EEMD、EWT、VMD算法进行深入探讨。相较于其它传统方法,VMD能较好地将故障信息提取出来,但存在参数不宜确定的问题,论文提出一种基于多尺度排列熵(MPE)优化VMD方法,采用预设阈值法确定VMD模态参数K,通过对比传统VMD算法,本文提出MPE-VMD算法能够避免出现模态混叠或过分解现象。然后,为了提高信噪比,参考CEEMD在信号中加入高斯白噪声的方法,向待分解信号中加入正负白噪声,本文采用向原始信号中加入正负白噪声,通过仿真与实验分析可知,正负高斯噪声在消除信号重构误差和背景噪声,促进噪声相互中和具有显著效果重。进一步量化信号的时频特性,在时频分析的基础上,论文提出了两种改进特征提取方法:多尺度熵法、改进的奇异值分解特征方法。与传统的特征提取方法相比,两种特征提取方法能较好反应信号的时频特性。多尺度熵是基于样本熵改进,相比于传统样本熵,多尺度熵能够将信号所有特征完全提取并分离。改进的奇异值算法能提取振动信号所有重要特征,并将不相干特征提出,使得信号提取更加准确。最后,针对直流电机早期故障样本缺乏,论文提出一种基于布谷鸟搜索算法优化支持向量机,相较于粒子群算法,网格算法,遗传算法,布谷鸟算法不易陷入局部极小值,较好的搜索全局最优值。该方法对不同核函数进行分类学习,寻找全局最优核函数,实验数据表明:该算法克服了支持向量机因参数选择不确定性带来的误差,具有泛化能力强,模型学习能力好等优点,对直流电机早期故障分类具有较强的稳定性和泛化推广能力。