电机故障诊断一直是设备诊断领域的研究热点,由于电机结构复杂、运行环境恶劣,使故障特征受干扰因素较多,基于传统方法无法准确地从原始数据获取故障特征,从而导致诊断结果的准确度较低。随着信号处理技术的日益成熟以及人工智能方法的快速发展,原本难以获取的故障信息可以利用先进的方法被有效提取。本文针对电机故障数据特征,基于信号处理和智能方法进行故障诊断方法研究,重点研究内容如下:首先对电机故障进行建模,通过机理分析机械和电气故障特征。对于机械类故障主要引起振动信号产生谐波分量,对于电气类故障主要引起电流信号变化。在电机运行状态稳定情况下,利用机理特征可以有效识别故障类型。然而实际上电机常常处于转速波动不稳定状态,利用传统的傅立叶变换无法准确提取故障频率特征。本文针对该问题研究了等角度重采样方法,通过实验验证在转速波动情况下该方法依然能够有效提取故障特征频率,进而准确识别电机故障类型。然后研究变分模态分解方法,对于电机转子断条故障,特征频率和电源基频十分靠近,基于傅里叶变换和经验模态分解无法有效地将两个频率分离,本文通过变分模态分解原始信号,可以准确地将两者分离。由于选择不同变分模态参数导致分解结果差异很大,因而通过仿真分析模态参数对分解结果影响。进一步为了减少手动调节变分模态参数,利用遗传算法进行优化,并将优化后的参数代入模型可以得到较好的分解结果。最后针对电机转子断条故障进行仿真,验证该方法可以准确分离故障特征频率和电源基频,提高诊断结果精确度。其次研究了相关向量机,利用相关向量机对电机多个故障进行分类,并研究了核函数对分类性能影响。由于电机故障特征复杂,不同故障特征所表达的含义不相同,为了选择合适特征作为分类器的输入,通过实验进行分析,结果表明频率特征和小波能量特征作为分类器输入诊断准确性最高。在初期,故障样本数量少,相关向量机与支持向量机分类模型都适用于小样本数据,但是后者不能直接输出概率值,且核函数受Mercer限制。相关向量机克服了该缺点,最后通过实验对比两者分类效果,结果表明相关向量机的分类精度高、稀疏性好。最后,设计了故障诊断系统平台,并利用MFC开发软件。