电机轴承在工业生产中扮演着重要角色,其运行可靠性直接关系企业安全生产及经济效益,对其进行故障诊断可给电机正常运行提供可靠保障。本文以电机轴承振动信号为研究对象,分别对电机轴承故障特征提取及故障特征模式识别两个阶段进行了研究,并提出了两种电机轴承故障诊断方法,最后搭建嵌入式平台作为本文所提方法的硬件实现。主要研究内容如下:介绍了电机轴承结构、故障演化过程及常见失效形式,并对电机轴承故障诊断常用方法及国内外研究现状做了大致阐述,对其中的故障特征提取方法及特征模式识别方法做了详细介绍。在电机轴承故障特征提取中:针对EMD(Empirical Mode Decomposition)方法的模态混叠问题,使用EEMD(Ensemble Empirical Mode Decomposition)和相关系数法进行故障特征提取及特征向量构造;针对时域参数诊断能力各有优缺点、随机性较大的问题,使用多参数组合法进行时域特征向量构造。在故障特征模式识别中:分别针对传统随机森林算法中决策树算法在连续特征属性值数目过大时,算法复杂度高、易过拟合等缺陷及简单投票法忽略了强弱分类器间差异、未考虑漏报率等问题,提出了改进的C4.5、CART决策树算法和新的集成投票方法,进而提出了改进随机森林算法。使用通用数据集分别对EEMD-改进随机森林算法及时域特征-改进随机森林算法进行算法功能验证,并将传统随机森林算法、MLP(Multi Layer Perceptron)多层感知器算法作为模式识别对比算法,对比结果表明本文提出的改进随机森林算法可通用于多种特征提取方法且相较于对比算法诊断准确率高、漏报率低。搭建了以树莓派3B+为主控节点的嵌入式电机轴承故障诊断系统,并使用该系统进行电机轴承现场诊断,对EEMD-改进随机森林算法及时域特征-改进随机森林算法进行了二次验证;验证结果表明在采集样本数较少情况下,改进随机森林算法相对于其余两种算法诊断准确率高、漏报率低,且随着采集样本数的增加,改进随机森林算法更早达到高精度、低漏报率。