电机--作为机电能量转换的核心驱动执行部件,是机电产品的重要组成部分。随着现代工业及科学技术的迅猛发展,电机己被广泛应用于工业系统的各个领域以及家用电器中,电机运行状态的监测有着绝对重要性。目前电机故障诊断大多采用传统检测手段,本文针对电机声频进行分析诊断,具有快速方便、成本低、占空少等优点。　　 由于电机发生故障时,故障信号中往往含有大量的时变、短时冲击、突发性质的成分,小波变换作为时频分析方法,通过时频窗的灵活变换来突出信号的不同频率成分,具有表征信号局部特征的能力。故本文采用基于小波分析原理的消噪方法,并对消噪后的信号进行多层分解与重构,提取特征参数,结合神经网络进行分类。　　 针对目前电机声频故障诊断单传感器信号分析可靠性不足的缺点,采用基于多源信息融合理论,通过设置多个传感器采集电机声频信号,构建多传感器故障诊断系统。本文详细介绍了Dempster-Shafer证据推理理论的基本概念、合成规则与决策规则,详细阐述了D-S理论中最核心部分--获取基本可信度分配的算法,并在此基础上用实例验证了该算法的可行性。　　 最后,本文结合具有从征兆空间到故障空间的复杂非线性映射能力的小波神经网络与具有不确定性分析特性的D-S证据理论,构建了电机故障声频多源信息诊断系统模型,并对此模型进行了验证,取得了良好的诊断效果。