随着科技的不断发展,机电设备如电动缸等机构在车辆装备、智能制造等领域中应用的越来越广泛,电机作为机电设备中常用的执行机构,其轴承发生故障会对设备整体造成重大的损失。为了进行实时的状态监测,采集设备关键位置的振动信号,对于需要采集很多位置信息的大型设备,会对数据传输和储存造成巨大压力。通过基于压缩感知原理的压缩采样技术能够在采集信号的同时进行压缩,本文以电机轴承为研究对象,提出了一种基于压缩采样模型和移不变字典的故障诊断方法,并对故障辨识的精度进行了仿真验证。本文首先对电机轴承的主要故障形式和故障振动机理进行了分析,说明了轴承的振动信号在压缩感知理论中的适用性,建立了基于压缩感知理论的实际采样仿真模型,对其数学理论模型进行了推导,提取出用于信号重构的投影矩阵。接着,针对含有背景噪声信号的重构问题,结合了移不变字典学习算法和小波包阈值降噪方法,对训练数据进行降噪预处理,再通过字典学习得到了含有纯净故障冲击特征的基函数,将基函数进行时移扩展得到用于信号重构的过完备字典。通过仿真分析对不同压缩采样率下的重构信号进行对比,结果表明只需要采集少量的数据就能够对原始信号中的故障特征波形进行较为精确的重构,并且重构出的信号含有的噪声也较少。然后对电机轴承的特征提取方法进行研究,本文提出一种直接对稀疏系数进行处理的方法,计算出重构信号在不同基函数上的能量特征,并使用Relief F算法进行特征选择。为了进行对比,采用模态分解方法对重构出的完整信号波形进行处理,得到模态函数后,分别采用峭度值和模糊熵作为特征向量。结果表明本文提出的方法能够更好的区分不同故障。最后,本文建立了电机轴承故障诊断模型,采用支持向量机分类算法,对于超参数采用粒子群算法寻找最优值,并对几种常用的核函数得到的故障辨识成功率进行对比分析。以对不同故障识别成功率的平均值作为指标,采用凯斯西储数据集进行验证,结果表明当压缩采样率较高时,两种方法都能够取得很好的效果,当采样率偏低时,基函数能量特征方法精度更高,在压缩采样率为0.1时就能够有98%的辨识成功率。然后对复合故障的情况进行验证,通过基函数能量特征方法依旧能够有较高的精度。