研究电机断条故障信号检测，有利于设备的安全高效运行。为了准确检测电机断条故障，提出了一种基于改进布谷鸟优化搜索路径方法和差量分析的故障检测算法。改进布谷鸟算法克服了转子断条故障易发生误判且检测效率低下的问题。差量分析能够消除基波分量等对故障谐波的干扰，简化频谱分析。结合两者的优点，将健康信号与故障信号相位差最小准则作为改进布谷鸟搜索算法的约束条件．估算出基波参数及相应表达式并将其进行消除。模拟和实测数据的处理结果表明，所提方法有助于断条故障的准确检测。与传统分析检测方法相比，断条故障检测识别性能得到提高。

研究电动机轴承故障信号准确识别问题，有利于电机设备的安全稳定运行。由于采集的电机轴承故障信号中故障特征频率往往被噪声淹没难以准确识别，而传统小波去噪方法中小波基函数选择困难、阈值选取不确定。传统EMD去噪方法不能有效保留有用信息，提出一种基于果蝇算法优化阈值的EMD去噪方法，并为了进一步平衡其收敛速度和全局搜索能力，提出一种改进的自适应步长的果蝇算法。提出的方法参照小波阈值去噪方法。结合仿生学的全局优化参数选取算法．以信噪比为目标函数，可以快速搜索到最佳阈值，最终实现良好的去噪效果。对正弦信号、blocks信号以及电机轴承外圈故障模拟信号进行去噪，仿真结果表明。改进果蝇算法优化阈值的EMD去噪方法与其它方法相比效果更优。

为了实现电机轴承故障的准确诊断，必须提取更加准确有效的故障特征。针对上述问题，提出基于小波包分解（WPD）和希尔伯特黄变换（HHT）的故障特征提取方法，并用神经网络进行诊断验证。小波包分解对信号突变检测优于HHT，HHT在低频检测部分比小波包分解更加有优势。结合两种算法的优点，采用小波包分解提取高频段能量特征。并利用HHT对小波包重构的低频信号进一步分析得到低频段能量特征。仿真结果表明，上述算法能够准确诊断出故障类型，提高了轴承故障诊断的准确率。通过与常见的倒频谱分析、WVD方法对比，验证了所提算法的有效性和优越性。