作为机械动力设备,电机是现代生产中最常见的设备之一,在农业机械、石油化工、船舶动力等领域应用广泛,其运行状况关系到设备安全。一旦电机出现故障,将会降低生产效率,甚至造成经济损失,引发危及生命财产安全的严重事故。然而电机内部结构复杂,工作状况不定,突发故障的可能性较大。因此,实时进行电机运行状态监测,明确电机有无故障,并在故障发生时及时诊断故障类型,对电机设备稳定和安全运行具有十分重要的意义。在电机故障诊断与监测领域中,利用其运行时产生的振动信号进行分析,是获取电机运行状态的有效途径。为此,论文提出一种基于振动信号小波变换的电机故障诊断方法。在掌握小波变换及其消噪技术的基础上,通过分析对比小波分解与重构法、小波阈值消噪、模极大值重构滤波消噪三种方法的优缺点,选择了小波阈值消噪法来进行滤波消噪。基于小波变换模极大值(WTMM)与Lipschitz指数的关系,对消噪后的信号进行奇异性分析,提取了合适的特征值,准确地反映了故障局部特征和奇异性成分。论文以某三相四极永磁同步电机为研究对象,搭建实验平台,在平台上模拟电机定子不同程度的匝间短路及基座松动故障,并设计了一套振动信号采集系统,实现了不同故障下对振动信号的实时采集。在理论分析基础上,对电机正常运行、基座轻微松动、基座严重松动以及电机发生10%、20%、30%匝间短路故障这六种运行状态的电机振动信号进行信号采集、小波消噪、奇异性分析和特征提取。用提取的特征值构建特征向量,将特征向量输入概率神经网络中创建网络模型,并进行故障诊断测试。结果表明:基于振动信号小波变换结合概率神经网络的诊断方法,可有效地对电机故障类型和故障的严重程度做出判断,在电机故障诊断研究中取得了良好的效果,同样地,该方法也适用于其他旋转机械设备的故障诊断。