工业现场对使用的电机轴承往往提出苛刻的要求,必须减少停机时间、尽可能长时间的运转。因此,对于电机的维护工作是十分重要的,尤其是一些重要的系统和设备部位。近些年来,轴承故障诊断得到了长足发展,领域内出现了许多新的研究方法。信号分析法,如傅立叶变换和小波变换已经被广泛应用,但是有些方法往往仅擅长于线性、平稳的信号的分析。事实上,它们并不都能很好的适应非线性、非平稳的轴承振动信号。本文开篇即简述了研究对象和方法,并综述了国内外故障诊断领域的发展历程以及研究现状。本文的首要目标就是为了要检测并且区分不同类型的故障,得到一种针对电机轴承故障的集合型诊断方法。这一诊断系统还要可以同步记录数据,并且依据这一数据给出正确的诊断结果。经验模态分解具备很强的非平稳信号分解能力,可以将信号分解成一系列频率自高到低的各成分;使用固定点迭代算法对于信号特征提取能力较强,适用于非高斯的电机轴承的振动信号。增量概率神经网络使用在线的增量法对概率神经网络进行优化,对参数进行训练,并具有较强的分类能力。综合考量各方法的特点,提出了基于EMD-FICA-IPNN的电机轴承集合型故障诊断方法,通过凯斯西储大学的轴承数据进行了故障诊断实验。结果表明改进的方法对轴承信号有较好的精确性、适应性、快速性。实验平台的建设分软件和硬件两部分。硬件部分采用了多功能数据采集板卡PCI-1710HG和加速度传感器LC0159等设备、器材。此外,基于Lab VIEW软件平台还制作了相应的实验数据采集以及故障诊断软件。根据实验验证,集合型方法比传统的神经网络要具备更好的适应性、准确性以及快速性。