在现代大型工业生产中,直流电机以其良好的调速性能和起动性能、较大的制动转矩、较高的过载能力而广泛用于轧钢机、卷扬机、起重机、机床和电力机车等设备中。为了实时在线监测这些电机设备的运行状态和故障情况,改进以往故障诊断工作存在的缺陷,本文研究了一种实用简便的直流电机在线故障诊断方法。针对在线故障诊断中全面性和准确性的要求,提出了一种全面的直流电机故障类型划分方法。为了实现在线故障诊断的实时性和简便性,提出了一种基于电流信号分析的在线故障诊断方法。以易于采集和监测的直流电机电枢电流信号为基础,利用傅里叶分析等信号处理方法提取了故障特征参量,实现了基于人工智能方法的在线故障诊断。以人工神经网络和灰色关联分析算法为基础,建立了基于电枢电流信号分析的直流电机在线故障诊断数学模型。确定了电机输入电压U、电机启动过程中电枢电流峰值im、电枢电流峰值点附近的电流最大下降速率K、电机稳态运行时电枢电流Ia、幅值最大的谐波对应频率f等5个故障诊断特征参量。对直流电机正常运行状态、四类单个故障状态、三类多重故障状态以及电压和负载扰动时的运行状态分别进行了仿真分析。通过各种故障状态的特征参量变化特征阐释了BP神经网络对于各类故障的辨识能力,证明了神经网络算法对于直流电机在线故障诊断的正确性和有效性。解决了电压扰动和负载扰动对故障诊断模型的干扰问题。以直流电机的实际数据对四种类型的故障分别举例进行了特征参量数据提取和故障机理分析。分析了仿真状态下和实际状态下直流电机故障特征参量的变化特征,证明了本文的故障诊断模型的正确性和通用性。以实际故障样本进行神经网络训练和故障诊断,对不同的故障类型,分别训练并优化了不同的神经网络。通过对比发现,优化后的神经网络故障诊断正确率都有很大幅度的提高,平均正确率达到91.4%。说明本文确定的直流电机在线故障诊断模型对于直流电机故障诊断是实际可靠的,能帮助用户实时在线监测直流电机状态变化。本文提出的直流电机在线故障诊断方法克服了已有诊断方法的诸多缺点,只需要采集电机的电流和电压信号,不需其他机械性和温度类信号,硬件和软件实现简单,对原本电机系统影响小,成本低,可靠性强。在诸如轧钢厂等大型电力拖动生产场合具有广泛的应用前景。