伺服电机系统传动链广泛应用于风力发电、数控机床、重型机械等领域,但实际场合中由其故障带来的设备不能正常运转的现象屡见不鲜。近年来,“智能制造工程”的推进对设备的可靠性及安全性提出了更高要求,可以说电机系统传动链健康监测及故障辨识能力已成为下一代高档伺服驱动器的显著标志之一。因此,故障诊断与健康维护技术也迎来了新的发展契机。基于电机驱动系统的诊断方法,利用电机驱动器自身作为智能传感器,通过驱动系统获得的电流、电机转速、辨识得到的机械参数等信号作为故障载体,实现对电机系统传动链运行状态的监测及诊断,是该领域最新的研究热点。该方法无需额外安装传感器,可以有效降低成本;同时,基于电机驱动系统的诊断方法属于无介入式的故障诊断方法,不会损害设备,更不会影响其可靠性及使用寿命。本论文针对电机系统传动链三大典型故障——传动齿轮、电机轴承、电机安装不对中进行系统性研究,旨在充分挖掘基于电机驱动系统的诊断方法潜力。从稳态下最优故障载体选取、故障特征提取优化、不依赖于健康数据的故障判断等关键技术入手,改善基于电机驱动系统诊断方法的性能;并将诊断算法扩展到位域下,实现暂态条件下的电机系统传动链故障诊断,进一步提升其工业应用价值。具体研究内容包括:针对基于电机电流特征分析法（Motor Current Signature Analysis,MCSA）的齿轮局部式故障诊断中故障特征提取这一难点,本论文提出了基于人工蜂群算法的双重参数优化共振稀疏分解（Resonance-Based Sparse Signal Decomposition,RSSD）方法。在建立电机、齿轮一体化机电系统模型的基础上,分析了齿轮局部式故障对电机相电流的影响。针对故障特征分量受电流基波、啮合频率等相关分量的复合调制存在于不同频带范围内这一问题,提出了相电流共振稀疏分解方法来提取故障特征。与此同时,为了避免人为选取RSSD参数的影响,提出了基于人工蜂群算法（Artificial Bee Colony,ABC）的双重参数优化方法,进一步改善MCSA齿轮局部式故障诊断的效果,扩大算法有效的适用范围。在实验室搭建典型的断齿故障诊断平台,验证了算法的有效性。为了提高较为微弱的电机本体轴承局部式故障的诊断效果,开展故障载体选取、故障特征提取、驱动算法预处理方案的研究。从故障载体的角度出发,建模分析MCSA及电机转速特征分析法（Motor Speed Signature Analysis,MSSA）轴承局部式故障诊断的机理。在此基础上,采用谱峭度方法提取轴承局部式故障带来的高频冲击分量,并在实验室搭建的轴承裂纹诊断平台上对二者进行综合对比。实验结果与理论分析一致,即MSSA性能优于MCSA,故选取MSSA进行后续研究。提出了基于集合经验模态分解算法（Ensemble Empirical Mode Decomposition,EEMD）的自适应信号重构方法,对传统谱峭度算法进行了改进,实现了转速降噪,进一步改善MSSA轴承局部式故障诊断的性能。最后,针对电流采样误差等其它故障带来的周期性转速脉动分量降低了MSSA信噪比这一问题,提出了结合驱动算法的预降噪方案,利用改进的驱动算法实现了对噪声分量的主动抑制。针对安装不对中故障往往发生在初始安装环节、无健康数据参照这一问题,提出了基于MSSA的电机初始安装不对中检测方法。首先建模分析平行不对中、角度不对中故障对电机转速信号的影响。在此基础上,采用模型系数辨识方法提取转速信号中由不对中故障带来的周期性脉动分量,避免了由非同步采样引起的FFT结果不准确问题。接着,分析安装不对中故障特征分量随电机转速变化的规律,将该变化规律与故障分量占比等指标相结合,实现了基于MSSA的不依赖于健康数据的初始安装不对中故障检测及类型判断。最后,通过仿真与实验,验证了初始安装不对中故障诊断技术的有效性。针对暂态过程中故障特征分量失去重复性导致常规诊断算法失效的问题,在位域下对三种典型故障的诊断算法进行了研究,并按算法复杂性展开。首先分析了暂态下常规方案失效的机理,并利用故障特征始终是角度周期性函数这一特点,研究位域重采样算法以恢复故障特征的周期性。在此基础上,针对暂态齿轮故障诊断,开展位域运动误差信号同步平均方案的研究;结合转速阶比谱分析,诊断安装不对中故障;并对谱峭度算法进行改进,提出阶谱峭度方法,实现了暂态下的轴承故障诊断。在各故障诊断平台上进行暂态过程实验测试,验证了所提方案的有效性,成功实现了暂态运行条件下的故障特征提取。