电机是最主要的机电能量转换设备,不论是在国民经济中的各种能源、制造领域里,还是在人们的日常生活中,电机都有着无可替代的地位。电机故障诊断技术的研究具有重大的经济意义和社会意义,经历了几十年的发展,电机故障诊断技术取得了长足进步,不论是在信号处理方面还是在诊断方法上与发展之初相比都己不可同日而语,然而,目前普遍采用的基于单参数、单特征的电机故障诊断系统在诊断过程中仍存在很大的不确定性,有时往往难以保证诊断的精确度,在此基础上,本文构建了一种基于多传感器信息融合技术的电机故障诊断方法。本文以电机故障诊断为研究对象,首先介绍了电机故障诊断技术的背景、意义及发展,分析了电机故障诊断技术的发展趋势,同时对多传感器信息融合技术进行了简介,并对电机定子故障、转子故障、轴承故障及气隙偏心故障等常见故障进行了分析。在信号处理及特征提取方面,针对希尔伯特-黄变换的核心内容经验模态分解中存在的模态混叠以及虚假分量问题进行了改进。通过仿真实验,验证了集合经验模态分解在抑制模态混叠现象时的可行性；采用了利用灰色关联度进行虚假分量识别的方法,通过与相关系数法的对比仿真,证明了灰色关联度在识别虚假分量时的有效性。并在此基础上,利用各固有模态函数能量构造故障特征向量。在故障局部诊断方法上,采用了目前应用最为广泛、理论最为成熟的BP神经网络,介绍了神经网络的基础知识、原理、结构及学习过程,利用神经网络的优良特性为后续的基于D-S证据理论的信息融合方法提供精度和可靠性更高的输入信息。在信息融合算法方面,对D-S证据理论的基本概念及D-S合成规则进行了介绍和分析,在基本可信度分配函数的构成上,利用神经网络局部诊断结果作为基础综合考虑误差因素,不仅解决了D-S证据理论中如何构建基本可信度分配函数的难点,同时也避免了D-S合成规则难以处理冲突证据的缺陷,将神经网络与D-S证据理论有效结合起来。最后,本文构建了基于多传感器信息融合技术的电机故障诊断系统模型,并选择电机故障中最为常见的轴承故障作为实验对象,对诊断系统进行了实验验证和数据分析。通过试验,验证了本文所构建的基于多传感器信息融合的电机故障诊断系统具有可行性、正确性和有效性。