电机作为机器运转的动力源泉,若运行中发生故障,故障不但损坏电机本身,并且影响整个生产系统,造成巨大的经济损失和恶劣的社会影响。电机断条是电机常见故障,若电机断条后继续使用,其它导体的应力将会增大,这将进一步损坏电机的整个笼条结构,严重时甚至发生“扫膛”现象,损坏电机其它部位,加剧整个电机损坏程度。因此本文主要探究了不同工况下电机断条故障振动特性与电流特性,并在此基础上实现了基于集合经验模态分解的电机断条故障的特征提取与智能诊断。首先,本文分析了异步交流电机断条故障的电流与振动信号特征,针对电机断条故障特征频率与基波频率幅值相差较大,易导致故障特征频率被基频或噪声淹没的问题,提出基于集合经验模态分解(EEMD)与希尔伯特(Hilbert)包络解调相结合的电机断条故障诊断方法。EEMD分解相当于带通滤波,可减少噪声干扰;利用Hilbert包络解调分析可将故障特征频率统一转化为故障调制频率,突出故障特征信息。如电机断条的振动信号,经Hilbert包络解调分析后,机械振动与电磁振动叠加,增强了振动信号故障特征的调制特征。同时为进一步研究电机断条故障作用下的电流与扭矩响应问题,本文通过Ansoft/Mxawell有限元仿真软件建立了异步电机的仿真模型,利用该模型仿真了三根断条状态下电机不同的物理特征变化,并验证了EEMD分解与Hilbert包络解调结合的方法在断条电机电流诊断的有效性。在此基础上,分别对电机不同断条根数的电流特征进行仿真,仿真结果表明:电机断条越严重,电流信号的调制现象越明显。其次,在转子综合试验平台上进行实验模拟,分别设置了以下六种实验工况:电机空载正常、电机空载断条、电机负载正常、电机负载断条、电机断条-负载轴承故障、电机断条-电机轴承故障,通过数据采集系统分别获得六种不同工况下电机的振动与电流信号,采用EEMD分解与Hilbert包络解调结合的方法对六种工况下的电机电流与振动信号进行分析,通过实验数据的对比分析,得出不同工况下电机电流与振动信号识别断条故障效果的优劣性。最后,研究了电机断条故障的智能诊断方法,采用EEMD分解与SVM相结合的智能诊断方法对电机断条故障程度与电机断条故障类型进行模式识别。运用网格选优法优化了四分类器核函数参数。通过比较电机不同工况下振动信号与电流信号频带能量特征的稳定性,得出基于振动信号的电机断条故障诊断效果优于电流信号。同时,设计了基于电流与振动的多信息融合的电机断条故障识别分类器,实现了电流信号与振动信号在电机断条故障智能诊断中的有效融合与诊断。