内嵌式永磁同步电机(Interior Permanent Magnet Synchronous Motor,IPMSM)由于其具有高输出转矩、动态性能好、结构简单、易于维护等诸多优点被广泛用于电动车的驱动电机。电动车工况下,由于电机安装空间狭小,散热条件差,IPMSM容易出现退磁故障。此外,电动车在行驶过程中,常出现急停、频繁启动等行为会导致电机出现大转矩,引发电枢反应,从而导致退磁故障。受车身环境、路况等因素影响,电动车在行驶过程中会经常出现抖动,甚至是剧烈碰撞等,容易导致电机机械故障。因此,电动车用IPMSM容易出现退磁、偏心等故障。为提高电动车行车安全,IPMSM的故障诊断和监测技术是必不可少的。但现有的监测和诊断算法无法较好地适用于电动车工况下的电机故障诊断。为此,本文提出了一种基于深度学习和图像识别的故障诊断方法。这种方法能同时实现多种IPMSM故障的诊断,而且适用于电机稳态和非稳态下的故障诊断。本文首先分析了现有的PMSM退磁故障及偏心故障的诊断方法,比较了各种诊断方法的优劣性;其次,对各种常用电机建模方法进行了分析比较,选择最精确的有限元法建立了IPMSM模型及不同程度的故障模型,并采用有限元软件Flux和MATLAB-Simulink联合仿真的方法对IPMSM的有限元模型进行在环仿真分析;然后,介绍了卷积神经网络(Convolutional neural network,CNN)的结构、特点、衍生网络及构建方法,以及本文搭建的两种深度学习平台;之后,阐述了本文所提出的基于深度CNN和图像识别的IPMSM偏心及退磁故障诊断方法,以及运行电流数据转换成灰度图像的算法,并将联合仿真中各种电机的电流数据转换成图像,制作成用于CNN训练、验证和测试的图像集;最后,设计了CNN的网络结构。经过对CNN进行训练并测试,设计的CNN模型对IPMSM故障诊断的精确率达到98.62%。