Экспериментально подтверждена эффективность современных инструментов машинного обучения для решения задачи бессенсорной диагностики синхронных электродвигателей. Многие из представленных методов продемонстрировали способность строить высокоточные модели в рамках сформулированной задачи. Важным в проведенном анализе являются преимущества примененной предобработки электрических сигналов с помощью метода эмпирической модовой декомпозиции. Эта предобработка во многом обусловила высокие показатели диагностических моделей. Сравнительное исследование различных инструментов машинного обучения показало, что наиболее точные результаты продемонстрировали методы: деревьев решений, случайного леса и ближайших соседей (точность диагностики более 99,78%). Вместе с тем, при использовании тех или иных методов следует учитывать, что несмотря на высокие результаты метода ближайших соседей для его реализации потребовалось почти в 100 раз больше временных ресурсов. С другой стороны, хотя методы деревьев решений и случайного леса построили модели примерно одинаковой точности, модель случайного леса оказалась на два порядка более ресурсоемкой при её формировании и на порядок более ресурсоемкой при её использовании. The effectiveness of modern machine learning tools for solving the problem of sensorless diagnostics of synchronous electric motors has been experimentally confirmed. Many of the presented methods have demonstrated the ability to build high-precision models within the framework of the formulated task. Important in the analysis are the advantages of the applied preprocessing of electrical signals using the method of empirical mode decomposition. This preprocessing largely caused the high performance of diagnostic models. A comparative study of various machine learning tools showed that the most accurate results were demonstrated by the methods of: decision trees, random forest and nearest neighbors (diagnostic accuracy is more than 99.78%). At the same time, when using certain methods, it should be borne in mind that despite the high results of the nearest neighbors method, its implementation required almost 100 times more time resources. On the other hand, although the methods of decision trees and random forest built models with approximately the same accuracy, the random forest model turned out to be two orders of magnitude more resource-intensive when it was formed and more than an order of magnitude more resource-intensive when it was used.