在现今的生产活动和日常生活中,电机已是非常重要的生产动力和驱动装置。如果电机发生任何故障或是无法正常运行,会对电机本身会造成损害,也会对整个运行系统造成一定的影响,甚至会引发人员伤亡等各种社会性问题。电机故障诊断技术可以在故障的初期发现电机故障问题,从而能够及时进行针对性的检修,节省了大量时间以及用于故障维修的资金,在避免发生生产停顿的同时也提高了经济效益。特征优化作为故障诊断的一个有效的预处理步骤,可以减少数据中不相关和冗余的信息,提取出相关且更有效的信息,不仅可以减少计算复杂度,而且可以获得更好的诊断效果。目前,已有很多经典的特征优化方法,例如局部线性嵌入法、主成分分析法、线性判别分析和深度学习等。本文着重研究了主成分分析法、线性判别分析和深度学习的几种算法及其在电机系统故障诊断中的应用。主要研究内容如下:1.研究了常见的变频调速电机的五类常见的故障并进行了机理分析和特征总结;2.阐述并且总结了主成分分析算法和线性判别分析算法的原理,在此基础上对线性判别分析算法进行了改进,其中,对于奇异性问题,通过引入奇异值分解算法来改善该问题,对于相近类不易分离的问题,采用了重新定义类间散度矩阵的方法来改善;最后,将改进的线性判别分析算法和主成分分析算法结合,得到新的混合降维算法来优化故障特征;3.研究并详述了目前较为常见且应用较为广泛的四类深度学习模型的原理和建模方法,比较了这四类深度学习模型的优缺点(深度置信网络、自编码网络、卷积神经网络、循环神经网络)。并将其中的卷积神经网络算法和长短时记忆算法应用于电机故障诊断;4.利用MATLAB/simulink仿真模拟基于特征优化的电机故障诊断,设计并搭建了实验平台,利用仿真和实验结果验证了提出的特征优化算法的有效性。