电机作为机、电、磁复杂耦合系统,是各行各业的动力之源,其服役质量在一定程度上决定了许多核心装备和高端产品的品质。近年来,电机朝着大型化、高速化、集成化发展,其运行表现行为更为复杂、作业环境更为极端,导致电机服役质量降低,不利于高效制造生产。这对于一些要求“近零故障”运行的工业设备,将会带来严重的经济损失和重大灾害。因此,打造信息化、智能化且与生产需求节奏相匹配的故障诊断与预测系统,是降低复杂电机系统维护成本、提高服役质量的关键,且具有重要的理论价值与现实意义。目前,电机系统在种类繁多、结构复杂以及诊断预测困难等问题,传统的故障诊断与预测方法研究集中于单维信号时域、频域细节特征信息的提取与分析,对不同信号展现的全局多维信息特征关注不够,具有很大的局限性。多维信息融合与多维信息可视化是目前大数据与人工智能算法的重要研究趋势。人脑能将视觉和听觉等信号融合形成多维信息实现对目标物体或任务的高效学习、洞察、分析和推理,获取知识,故本文以此为灵感,实现对传感器信号的视觉知识表达和多维信息融合。本文将单维时域数据扩展到高维信息空间,建立基于多维信息知识的电机智能诊断与预测体系。本研究面向工程实际应用问题,聚焦学科前沿技术,结合创新理论方法和实际工程应用,对电机系统可靠运行和安全服役具有重要的理论指导和工程实践意义。本文重点研究内容包括:（1）提出了基于注意机制和多源单维信息融合的改进Ada Boost的电机故障诊断方法。该方法利用一维信号处理方法对多种测量信号进行一维特征信息提取,将多种一维信息分析融合后构成多维信息空间对电机系统不同健康状态进行描述表达,利用多维信息之间的互补性可大幅度提高不同电机故障诊断准确率。该方法动态评估了不同类型检测信息对不同故障的灵敏度,在提取了多种异构信号的一维信息的基础上融合形成多维信息空间,建立了多种单维异构信号数据之间的贡献映射,将低维信号数据通过信息融合的方法扩展至高维信息空间。（2）提出了基于不变点特征的视觉知识提取电机故障诊断方法。利用SDP算法将一维信号表达为二维图像数据,利用SIFT图像不变特征提取算法实现高维空间数据处理和数据挖掘,结合两种算法建立了实际故障与图像直观特征之间的映射关系。该方法从二维图像视觉知识的角度对采集单维信号进行有效直观表达,能实现电机健康状态全局表达的同时捕捉其细节局部特征,完成信号的信息高丰富度提取和优化利用,降低了对传感器数量和种类的需求。（3）提出了利用图像视觉信息与词袋模型的电机故障智能诊断方法。在结合之前工作基础上,该方法通过Dense-SIFT与词袋模型的方法将二维视觉知识与人工智能算法结合,充分利用和融合图像冗余特征得到电机健康状态与故障信息之间的智能映射,解决了图像特征信息难以被一般机器学习算法直接理解和利用难题,这为机器视觉系统未来也能像人一样敏锐地观测、认知和预测电机的运行情况提供参考。（4）提出了基于时空图结构信息的电机故障诊断与预测方法。该方法通过马尔科夫转移场图结构信息从另外一种多维知识形式表达电机健康状态,利用多时空序列图神经网络对图结构信息进行时空相关性特征提取和学习。在充分利用监测信号局部空间状态信息和全局时间演化信息的基础上,对电机健康状态进行长期和短期故障预测。该方法能将采集的数据转化为包含多维结构和属性信息的多个节点结构表达,能模拟其动态图结构数据空间和时间方面的相关性和异质性,是多维视觉信息知识的新型尝试与应用扩展。本文紧密围绕我国工业制造和民生经济对高端技术装备安全性和稳定性的重大共性需求,面向现代制造业中广泛应用的复杂电机系统,以状态信号不同维度信息表达、融合、学习、推理为基础,初步建立了电机运行状态感知-数据-信息-知识整条链路,结合以不变特征提取为代表的视觉知识表达方法以及相应机器学习等知识处理办法,提出了有效的故障诊断与预测方法,拓展了电机系统在不同应用领域的广度和深度,为降低复杂电机系统维护成本、提高服役质量提供了理论指导与实际借鉴。