永磁同步电机（Permanent Magnet Synchronous Machine,PMSM）因具备启动力矩大、工作效率高、转矩密度高以及体积小等优点,现已被广泛应用于电动汽车及轨道交通的驱动系统中。电机作为驱动系统中实现能量转换的关键部件,其可靠性直接影响整个驱动系统工作状况的正常运行,因此,需要相应的状态监测以及故障诊断技术来确保电机运行时的可靠性和安全性。轴承故障是PMSM所有故障形式中发生概率最高的类型之一,其不仅会导致电机产生转矩波动,影响电机的输出特性,并且还会加剧电机其他部件的磨损和故障,因此,针对PMSM轴承的故障诊断和状态监测具有重要的实际意义。本文主要针对PMSM常见的轴承内圈故障、外圈故障、滚动体三种故障类型进行研究分析。首先,在电机实验平台采集轴承故障时振动信号以及定子电流信号,然后对信号进行噪声去除以及故障特征提取。其次,通过计算相应的特征值,并将其作为神经网络的特征输入,完成轴承故障类型识别。本文主要研究内容如下:（1）轴承故障特征的数学建模。PMSM轴承故障会导致电机的输出转矩和转速发生变化,从而引起电机的机械振动。此外,轴承故障还会使电机内部气隙产生变化,进而引起电机定子电流产生相应的故障特征。因此,本文首先研究轴承故障振动信号检测法的原理,并建立了振动信号故障特征的数学模型。然后基于轴承故障引起电机转子偏心和导致电机负载变化的理论,研究了轴承故障在电机定子电流中产生的故障频率特征,并建立其数学模型。（2）故障信号处理方法的研究。轴承故障引起的电机振动信号以及电流信号,属于非平稳信号,而传统的以Fourier变换为基础的信号处理方法对非平稳信号处理效果较差,短时傅里叶变换虽然能够解决信号的非平稳性,但无法同时在时域以及频域得到较高的分析精度,同时分析的结果受窗函数影响较大。其次,小波变换在一定程度上解决了窗函数的问题,但分解结果与小波基的选择以及分解层数的多少有关,而这些参数往往需要大量测试确定。针对以上问题,本文研究了局部均值分解方法（Local Mean Decomposition,LMD）,该方法的基本原理是将非平稳的复杂信号分解成一系列的单分量信号（Product Function,PF）,且每个分量为单一的纯调幅-调频信号,其瞬时幅值特性与瞬时频率特性的组合即为原始信号的时频特征。然后利用LMD算法对电机轴承故障时的振动信号以及电流信号进行分解,并利用瞬时频率法得到PF分量的频谱图,从而完成轴承故障特征分析。（3）故障信号的去噪和滤波。由于在采集电机振动信号过程中,易受到环境噪声的影响,导致信号中故障特征提取困难。此外,电机的电流信号主要以基频和奇次谐波成分为主,因此轴承故障特征在电流频谱中往往比较微弱且难以提取,因此较基于定子电流分析来实现轴承故障诊断。针对以上两个问题,本文研究了基于小波包分解的去噪方法,并用于处理所采集的振动信号以及电流信号。不仅可以消除原始信号中的噪声成分,同时减少LMD分解的计算量。其次,为了精准地得到原始故障信号中故障冲击特征所对应的频率范围,本文还研究了谱峭度算法,并对LMD分解后的PF分量进行峭度值计算,并利用其计算结果设计FIR滤波器,对PF分量进行滤波。最后对其进行包络谱分析,从而突出分量中的故障特征。（4）故障类型判别算法的研究。本文研究了利用BP神经网络对轴承故障判别的方法,探究作为神经网络特征向量输入的故障特征值类型,分别对轴承正常工况、轴承内圈故障、轴承外圈故障以及轴承滚珠故障构建特征向量。最后利用BP神经网络完成轴承故障类型的判别。