微型电机结构简单、生产成本低、使用方式简单,在工程实际中得到了广泛的应用。随着自动化技术的发展,微型电机的产量也会逐年提升,因此出厂质量检测尤为重要。一旦发生漏检或检测失误等情况,轻则设备不能正常运行,重则会引起大型事故,给生命财产安全造成损失。目前电机生产厂家,主要依靠工人对电机进行故障诊断工作。其诊断结果易受主观因素及诊断环境的影响。因此有必要提出一种智能化微型电机故障诊断方法,应用于电机的出厂检测,提高微型电机的故障诊断准确率。本文所做的主要工作如下:（1）在信号分析与特征提取方面,本文从微型电机的电流信号入手,根据其结构特征推导出电机在稳态且空载的情况下的电枢电流表达式。当电机发生故障时,电流会出现异常变化。在此基础上分析电机的时域及频域特征,选择9个时域特征及4个频域特征。利用总体经验模态分解,得到了IMF分量的样本熵特征及能量特征,所有特征一起构建了监测指标特征集。为了筛选优质特征,舍弃相关性低的特征,利用拉普拉斯分值算法进行特征选择。经实验验证,特征选择后,故障诊断准确率得到了明显的提升。（2）在故障诊断方面,在确定所使用的特征参数后,将特征集分别放入BP神经网络、SVM、极限学习机、KELM中进行训练。从算法原理上分析,KELM的诊断综合性能最强,但仍需实验进行验证。为了寻找4种不同的分类器下、诊断准确率最高的机器学习算法,保证原始数据及实验条件一致,经过对比分析实验结果,KELM在微型电机故障诊断方面准确率最高。（3）在算法优化与效果验证方面,利用蝙蝠算法进行KELM的优化。蝙蝠算法具有很多优点,它的模型简单、方便实现、参数较少,十分适合优化KELM的核参数及惩罚因子,提出一种BA-KELM算法。随后将数据放入分类器中进行训练,改变原始电流的大小并且对信号进行加噪。通过与其他模型对比:BA-KELM算法在微型电机故障诊断方面,准确率高于其他机器学习算法,稳定性强,运算时间短,效果突出。