轴承作为电机最为关键的部件,其运行状态直接决定着设备能否安全和可靠运行。但由于轴承内圈、外圈和滚动体间承受高频、变应力的作用,其工作条件十分复杂,成为电机中故障敏感多发部件,一旦发生故障,故障就会快速发展,若不及时发现故障并采取相应措施,在短时间内会造成热轴、燃轴、切轴,导致机破、停运、停产等事故,造成重大的经济损失。因此,开展电机轴承故障智能诊断方法的研究,及时发现轴承故障,具有重要的理论意义和应用价值。本文结合国家自然科学基金项目,以电机轴承为研究对象,将经验模态分解、模糊熵、改进粒子群算法和支持向量机引入到故障诊断中,提出一种电机轴承故障诊断新方法。首先,采用经验模态分解(EMD)方法,对电机轴承振动信号进行分解,获取若干个基本模态分量(IMF),再利用模糊熵技术有效提取振动信号的特征,并进行归一化处理。通过改进粒子群算法(PSO)的学习因子和惯性权重,并引入自适应粒子变异策略,提出一种改进的粒子群优化算法,用于优化支持向量机(SVM)的核函数和惩罚参数,构建了一种具有较强泛化能力的数据分类模型,以提高分类精度,进而建立一种基于经验模态分解、模糊熵、改进粒子群算法和支持向量机相结合的电机轴承故障诊断方法。最后,通过实际电机轴承振动数据,对提出的改进粒子群算法和故障诊断方法进行了有效性的验证。实验结果表明,改进粒子群算法具有较强的优化能力,能有效提高支持向量机的分类精度,获得较高的电机轴承故障诊断准确率。因此该研究为电机故障诊断提供了一种新的方法,也为旋转机械故障诊断提供了一种新思路。