随着工业自动化技术日益提高,工厂设备之间的集成度日益增大,工业智能化的要求正在称为一种发展趋势。在复杂多变的工业生产环境中,电机在其中扮演着动力产生者和生产驱动者这一重要的角色,其故障与否直接影响整个系统的生产状态。对电机进行无损、不间断、快速的状态监测,通过采集其相关电信号,分析信号特征,提取相关特征参数,判断系统正常运行和预知潜在危害,是保证电机长久运行的一个重要手段。本文首先分析了电机故障常用的识别和分析方法,最终选定采用高阶统计量中的双谱结合频带熵的特征提取方法。其次,阐述了信号分析的一般方法,包含时域分析和频域分析,并结合仿真信号,分析了简单的时域特征了。在使用高阶统计量分析实验数据之前,针对高阶统计量的适用范围,结合几组实验信号论证了双谱分析对于带有白噪声信号的可行性,效果明显。同时,设计实验,对直流电机设置三种状态,包含两种故障,并简单分析其产生机理和造成的影响,对其工作时电场强度信号进行采样分析。首先进行初步时域特征分析,然后进行双谱分析,得到双谱三维图及对应的等高线平面图;其次,对其频率进行双谱相干性分析,找到故障信号与常规信号的耦合特性;最终,确定双谱值作为求取谱熵的输入值。最后,根据频带熵理论,结合双谱熵值的计算模型,求取全频率域内的双谱熵值,分为8个频段,将所采5组信号8个频段内的熵值作为特征量,输入BP神经网络的输入层,分别作为学习样本和待测样本进行学习和识别。实验结果表明,在对45组待测样本的识别的实验中,经过不断调整BP神经网络的结构,分析实验结果,最终确定该网络的结构。最终,识别正确38组,错误5组,存在歧义的识别有2组,准确率可以达到84.4%。考虑到其中可能存在的采样误差和计算误差等,本文最终确定高阶谱频带熵可以作为故障识别的参考特征量,可以成功对故障进行识别。