电机作为工业和生活中重要设备,其运行状态的健康关乎到生产生活正常进行。因此对电机进行故障诊断和实时监测运行状态意义重大。本文以电机作为研究对象,提出嵌入式人工智能算法的电机故障在线诊断方法,主要运用信号处理和神经网络方法对电机多种故障类型进行识别,并部署到嵌入式平台上进行在线检测。分别对电机的数据预处理、特征提取、优化网络结构、故障响应时间等问题进行了研究。本文首先对电机常见故障进行了介绍;传统的电机故障诊断方法主要步骤为数据预处理、特征提取、故障诊断等。由于传统方法对于单一的故障检测任务已经有很好的效果;随着电机故障类型不断增多,应用传统方法对电机进行故障诊断往往难以选择特征提取方法;因此本文提出一种提取有效的故障信息利用BP神经网络进行数据融合方法,并且部署在嵌入式平台实现在线检测;利用数据采集系统同步采集振动信号和三个电机相电流信号,经过预处理后提取多个信号特征,融合成一个能有效区分多种电机状态的指示器。实验结果表明,所设计的方法对识别多类型电机故障有较高的准确率,并能在检测到紧急故障时对电机进行控制;在整个嵌入式系统中,信号采集、预处理、特征提取与融合、故障识别等步骤可以在0.25 s内完成,从而更好的体现了在线检测的实时性。为了在线识别更多本文未知的电机故障类型,采用现在较为高效的卷积神经网络对电机进行故障诊断;虽然卷积神经网络在电机故障诊断中得到了广泛的应用,然而,它们中的大多数是在计算机中处理离线信号,主要用于科学研究;在本文将一个增强的卷积神经网络模型部署到一个由树莓派和信号采集处理电路组成的嵌入式系统中,提出了一种电机故障的在线诊断方法。首先,详细介绍了系统的硬件结构、算法和计算框架;在电机试验台上验证了该方法的有效性。特别是在嵌入式系统资源有限的情况下,对算法的精度和执行时间进行了研究。通过分析不同信噪比的电机信号,进一步验证了所设计系统的鲁棒性。本文为了更好的实现在线检测和降低故障的响应时间,对嵌入式系统处理器选择做出了介绍;对于实时性要求较高,选择不支持操作系统的低功耗微控制器;对于计算量大,选择支持LINUX系统的微处理器,它支持更多复杂的计算框架;本文为利用人工智能技术在小型、灵活、成本较低的设备上实现电机故障的现场诊断提供了解决方案。