随着电力电子技术、微电子技术、计算机信息技术等高速发展，人工智能、大数据时代的来临，各国对现代船舶提出更多更高的要求。电力推进船舶逐步变为船舶行业未来发展的方向。推进电机作为电力推进系统的最为关键设备，其运行状态基本可以决定船舶是否可以的安全运营，需要更加先进的智能故障诊断方法为其保驾护航。主要研究内容和研究成果包括以下几个方面：
　　(1)选用故障树分析法对电力推进系统的故障模式进行相应的故障树模型。电力推进船舶工作环境复杂多变，且自身部件众多，结构精密。推进电机故障模式错综复杂，故障征兆、故障数据与故障原因之间存在复杂的映射关系。首先对电力推进系统的结构和工作原理进行学习了解，收集电力推进系统相关的案例；然后进一步的对电力推进系统主要组成部件的故障模式进行分析，最后确定采用故障树分析法对电力推进系统进行故障模式的分析，根据故障树分析法的相关规则，建立船舶电力推进系统相应的故障树模型。
　　(2)基于改进EMD的振动信号小波降噪及LPP特征提取。由于电力推进系统的故障信号往往是由各激励源经过不同传递途径的混合、衰减、相互作用的复杂卷积而形成，所以在对原始信号进行特征提取之前必须除去其中的无效、冗余信息。利用经验模态分解理论处理非平稳、非线性信号的优势，结合小波阈值法提出一种对船舶电力推进系统推进电机表面振动信号的分解降噪方法。首先使用改进经验模态分解方法将振动信号作分解，获得有限阶IMF分量；然后采用小波阈值法将分解得到的各阶IMF分量作降噪处理；最后从时域、频域以及时频域三个方面，采取局部保持投影算法对重构信号进行特征提取及降维。结果表明，不同故障工况间的区别更加明显，特征数据更加简明。
　　(3)采用AdaBoost-PSO-SVM对推进电机作故障识别。针对支持向量机算法初始准确度不高、自身学习能力较弱、不适于多分类的缺点，提出网格搜索法、遗传算法和粒子群算法3种寻优算法分别结合支持向量机算法对故障特征数据进行故障识别，对比3种寻优算法结合SVM的诊断结果对比分析，选择出最优方案。最后采用集成学习的思路和“一对一”的多分类思想优化模型的结构，将多个二分类器组合建立为一个新的多分类复合算法模型。使得原始只能针对二分类小样本的分类算法更加适应于多分类大样本数据，利用新的多分类复合算法模型获得精度更高的故障诊断结果。