在电力系统及各种工业生产中,异步电动机因其具有较高的性价比及良好的环境适应性,被作为主要的动力设备而得到了广泛的应用。异步电动机的运行状况直接影响到工业生产的正常进行。异步电动机发生故障和停止运行,不仅会损坏异步电动机本身,而且会影响整个系统的正常工作,甚至危及人身安全,造成巨大的经济损失。因而对异步电动机故障的早期诊断和预警要求日益紧迫,通过对异步电动机常见故障的诊断和分析,可以及早发现故障和预防故障的进一步恶化,减少突发事故造成的停产损失。因此,研究异步电动机故障诊断技术在电机故障早期发现故障并及时进行维修,具有重大的理论意义和社会经济效益,这已经成为国内外学者们一个研究热点课题。本文基于异步电机故障时的振动信号特征频率的能量值,提出了动态邻域粒子群优化最小二乘支持向量机的方法实现异步电动机常见故障的诊断。文章介绍了异步电动机各种故障及其产生的机理和故障的主要特征,针对异步电动机故障的复杂性和多样性,分析了异步电动机各种故障监测和诊断方法的特点和不足之处。确定了本文异步电动机振动的故障诊断采用基于振动信号能量谱分析的方法。阐述了基于小波技术的异步电动机故障信号处理。利用最优小波包基算法选定db3小波包对振动传感器测量得到的振动信号分解成高频部分和低频部分,然后通过对小波包基的每个节点上的分解系数进行阂值量化达到信号去噪的目的,在对去噪后的信号进行分解,抽取和故障相关的几个频带进行重构,剔除主振动分量和干扰项,提取各频段范围的信号,并计算各频段的信号能量形成特征向量,最后进行归一化处理得到适合异步电动机故障诊断的特征向量。针对异步电动机振动故障诊断的特点引入了动态邻域粒子群优化最小二乘支持向量机的算法,介绍了动态邻域粒子群优化算法的过程,并详细介绍了最小二乘支持向量机的分类方法,最终建立了故障诊断的模型,并对诊断模型中的参数优化进行了介绍。论述了基于动态邻域粒子群优化最小二乘支持向量机的异步电动机振动故障的诊断过程。根据异步电动机振动故障的特征,进行了大型异步电动机振动故障信号的采集、振动传感器的选型,并根据第3章所述的方法原理对异步电动机的振动信号进行去噪,提取了异步电动机振动故障的特征向量,建立了故障诊断的模型,利用带有动态邻域粒子群优化最小二乘支持向量机的方法对异步电动机振动故障进行诊断,并通过与其它诊断方法准确率进行比较,证明该方法的有效性。本文将小波技术、最小二乘支持向量机分类算法和粒子群优化算法等方法应用到异步电动机振动故障诊断中,有效地提高了异步电动机故障诊断的准确性和有效性。