伴随我国2035年远景目标和“十四五规划”等国家战略的施行,电机系统占据着越来越重要的地位。然而电机时常需要运行于复杂甚至极端工况环境下,这将导致制造生产低效,甚至造成严重的经济损失和人员安全问题,所以研究智能电机故障诊断方法具有十分重要的意义。目前大多数方法集中于一维信号在时、频、时频域的细节特征提取,缺乏对信号的全局高维信息特征的关注,故存在一定的局限。可以注意到,人类可以将视觉和听觉等信号融合为多维信息表达,从而实现对目标任务的高效学习、分析和推理。故本文以此为灵感,通过对多传感器信号实现信息融合以及高维表达,建立基于多维信息融合的电机智能故障诊断体系。本文重点研究内容包括:（1）对电机系统常见的故障类型以及诱因进行梳理,总结传统基于数据驱动的电机故障诊断流程,并对已搭建的故障诊断试验平台进行介绍,可实现对多类型电机完成振动、电流等信号的实时采集。（2）针对智能诊断算法在电机暂态工况下泛化能力受限的现象,提出了一种基于对称雪花图（Symmetric Dot Pattern,SDP）以及改进图注意力神经网络的电机故障诊断方法。通过SDP算法将固定工况下采集的一维信号表达为二维图像数据,再基于超像素分割法构成图结构数据表达,提出改进的图注意力网络实现多维空间数据特征学习,输出诊断结果。该方法实现单维信号进行图像的转换,丰富单一信号表达方式,证明了SDP方法在电机稳态、暂态下表达的一致性,证明所提出方法具有一定的泛化能力。（3）针对单一信号源包含信息有限而导致的诊断可靠性有限,和基于图像驱动分类效率较低的现象,提出了一种基于多传感器驱动和视觉特征融合的电机故障诊断方法。基于彩色对称点图案（Color Symmetric Dot Pattern,CSDP）方法对三维诊断信号进行信息融合并表达为彩色图像,再提出一种基于支持向量机（Support Vector Machine,SVM）的粗-细分故障诊断方法,基于颜色谱特征将易于分类的样本进行第一步分类,再通过GIST特征实现第二步细分任务,综合两个步骤得到最后诊断结果。该方法将三维信息映射到RBG颜色空间中,模型实现了在变工况、噪声下的电机故障准确率,且维持一定的效率。（4）针对数据驱动的故障诊断算法依赖于大量数据标签的现象,提出了一种基于条件随机场和图注意力网络半监督学习诊断方法。基于自适应邻居法以及快速傅里叶方法构建节点连接关系和节点特征表达,设计两个图注意力网络,分别进行节点表示建模与标签依赖性建模,利用期望最大化算法循环训练两个网络,最后利用表现性能最优的其中一个网络完成测试与诊断。该方法能将采集的数据转化为包含连接关系和属性信息的节点结构表达,在有限标签数据下实现故障诊断,是图结构数据及其半监督学习算法在故障诊断领域的新尝试与应用扩展。由以上内容可知,本文实现一维信号转换为图结构或图像的有效直观表达,有利于捕捉细节特征,掌控全局状态,实现单源信号或多源信号优化利用,为降低复杂电机系统维护成本、提高服役质量提供了理论指导与实际借鉴。