Predictive maintenance (PdM) has become a major issue in system health monitoring, as machines are operating under more complex and diverse conditions nowadays. Besides minimizing the risk of a catastrophic failure, a proper maintenance scheme can amplify system yield as well as largely reduce production and maintenance costs. This paper presents a comprehensive study of a permanent magnet brushless DC (BLDC) motor’s fault diagnosis using vibration signals. Based on the degree of deviation from the normal operating condition, three health states are chosen from the entire lifecycle of motor. Acquired signals are decomposed using ensemble empirical mode decomposition (EEMD) and the appropriate intrinsic mode function (IMF) is selected based on the similarity index. Later, selected IMF is analyzed in time-frequency domain by using continuous wavelet transform (CWT) for better localization of fault frequencies. Several statistical features that indicate the health state of the motor are also extracted to diagnose different fault states. Later, feature dimensions were reduced using principal component analysis (PCA) technique and classified using a supervised machine learning technique named k-nearest neighbor (KNN). Extracted IMF from EEMD provides significant fault related information to detect and diagnose different fault states. Proposed method is effectively used to diagnose fault at the incipient stage as well as classify different fault states at incipient stage and severe stage.

预测性维护（PdM）已成为系统运行状况监视中的主要问题，因为当今机器在更复杂和多样的条件下运行。除了最大程度地减少灾难性故障的风险外，适当的维护方案还可以扩大系统的产量，并大大降低生产和维护成本。本文对使用振动信号的永磁无刷直流（BLDC）电动机的故障诊断进行了全面的研究。根据与正常运行条件的偏离程度，从电动机的整个生命周期中选择三种健康状态。使用集成经验模式分解（EEMD）分解获取的信号，并根据相似性指标选择适当的固有模式函数（IMF）。后来，通过使用连续小波变换（CWT）在时频域中分析选定的IMF，以更好地定位故障频率。还提取了一些指示电动机运行状况的统计特征，以诊断不同的故障状态。后来，使用主成分分析（PCA）技术缩小了特征尺寸，并使用称为k最近邻（KNN）的有监督机器学习技术对其进行了分类。从EEMD中提取的IMF可提供重要的故障相关信息，以检测和诊断不同的故障状态。所提出的方法可以有效地用于初期阶段的故障诊断，并对初期和严重阶段的不同故障状态进行分类。还提取了一些指示电动机运行状况的统计特征，以诊断不同的故障状态。后来，使用主成分分析（PCA）技术缩小了特征尺寸，并使用称为k最近邻（KNN）的有监督机器学习技术对其进行了分类。从EEMD中提取的IMF可提供重要的故障相关信息，以检测和诊断不同的故障状态。所提出的方法可以有效地用于初期阶段的故障诊断，并对初期和严重阶段的不同故障状态进行分类。还提取了一些指示电动机运行状况的统计特征，以诊断不同的故障状态。后来，使用主成分分析（PCA）技术缩小了特征尺寸，并使用称为k最近邻（KNN）的有监督机器学习技术对其进行了分类。从EEMD中提取的IMF可提供重要的故障相关信息，以检测和诊断不同的故障状态。所提出的方法可以有效地用于初期阶段的故障诊断，并对初期和严重阶段的不同故障状态进行分类。从EEMD中提取的IMF可提供重要的故障相关信息，以检测和诊断不同的故障状态。所提出的方法可以有效地用于初期阶段的故障诊断，并对初期和严重阶段的不同故障状态进行分类。从EEMD中提取的IMF可提供重要的故障相关信息，以检测和诊断不同的故障状态。所提出的方法可以有效地用于初期阶段的故障诊断，并对初期和严重阶段的不同故障状态进行分类。