永磁体的退磁故障是影响永磁同步电机可靠性的关键问题。南京航空航天大学的研究团队提出了一种基于改进集合经验模式分解（EEMD）和粒子群优化支持向量机（PSO-SVM）的均匀退磁故障诊断方法，成果发表于《南京航空航天大学学报（自然科学版）》。
该方法通过对电机运行信号的智能分析，能够在不改变电机基础结构的前提下，精确定量化诊断出永磁体故障的位置和严重程度。研究中，改进的EEMD算法有效解决了传统经验模式分解中的模态混叠问题，能够更准确地提取故障特征信息。随后，引入分形盒维数对特征进行量化，最后采用粒子群优化的支持向量机实现故障类型的智能识别。
该技术的创新之处在于能够将故障信号反馈至控制系统，实现在线实时诊断，对于保障电机安全、实现预测性维护具有重要意义。研究得到国家自然科学基金面上项目（52175097）的支持，为永磁同步电机的健康管理和智能运维提供了有效技术路径。
随着工业4.0和智能制造的发展，这种结合信号处理和机器学习的故障诊断方法将成为电机系统可靠运行的重要保障，有助于降低维护成本、避免非计划停机带来的损失