异步电动机因结构简单,性能可靠,维护方便,在工农业生产中应用非常广泛,在生产生活中起着重要的作用,但常常因为设计制造、绝缘老化、运行条件、环境恶劣以及维护工作的不到位,电机故障时有发生,导致经济的重大损失,甚至危及人身安全。因此,对电机进行早期故障诊断就显得特别重要,具有重要的经济价值和社会意义。本文简要介绍了电机工作原理,对电机常见故障机理作了分析,即定子故障、转子故障、轴承故障等,对一些典型故障做了基于振动法和基于电流法的分析,并给出了具体诊断方法。论述了信号处理方法,即傅里叶、短时傅里叶、小波和小波包分析,指出了它们的优缺点,并对小波包消噪有效性做了分析,由于小波变换只对低频信号分解,而不能对高频信号进行分解,本文采取了对信号分解更加合理的小波包分解方法。本文在试验的基础上,采集了电机轴承在正常和故障状况下的振动信号,并用小波包方法提取了信号在各个特征频率段的能量值,从电机正常和故障时的特征频段的能量值的变化可以判断电机的故障。应用经验模式分解可以很好地提取信号的特征频率,在本文中简要介绍了经验模式分解方法,并应用经验模式分解法提取了电机轴承故障时的特征频率。神经网络是近年来研究的一个热点,本文采用了神经网络对电机故障进行诊断,在进行故障诊断之前先对神经网络进行了设置,即根据提取信号的特征频率段数和输出的故障类型,确定了输入和输出层神经元的个数,并根据经验公式确定了隐含层神经元的范围,选择了训练函数、学习函数,性能函数,确定了训练函数的步长、学习速率等参数。用小波包对采集的数据处理后,作为神经网络的输入,神经网络采用了两种小波神经网络,首先用训练样本对小波神经网络进行训练,由于是有教师的网络训练,在网络的训练中给出了目标样本,神经网络训练完成后,用测试样本对神经网络的电机故障模型进行了测试,经测试表明,采用神经网络诊断电机故障是切实可行的。神经网络存在局部极小点、过学习、欠学习及网络结构难于选择等问题,针对神经网络存在的问题,还选择了支持向量机进行电机故障诊断,向量机是建立在统计学习理论的VC维理论和结构风险最小化原则上的,可有效避免局部极小点和过学习,其推广性和分类精确性较好,已成为智能和机器学习领域的新热点。文中使用训练样本对向量机进行了训练,并用测试样本对训练好的向量机进行测试,测试结果表明向量机能很好完成故障诊断任务。