往复压缩机作为石油、化工等行业的关键设备,在发生事故时所造成的巨大经济损失和人员伤亡的灾难性,决定了对其开展诊断的必要性。本文以往复压缩机滑动轴承磨损和气阀类典型故障为研究对象,从振动信号自适应分解处理的角度,深入分析故障机理与振动信号的响应关系、信号自适应分解的尺度特征、多重分形谱特征分析、关键部件性能衰退评估指标选择和混沌动力学预测模型适用性等问题,将变分模态分解(VMD)与多重分形谱分析相结合,从非线性信号精细化分析角度,基于往复压缩机振动信号对典型故障进行特征提取与模式识别,并通过建立奇异谱参数指标,对往复压缩机滑动轴承运行状态进行评估与预示研究,结合2D12型往复压缩机典型故障与运行周期,提出了一套完整的故障状态评估与预示方法。主要工作如下:往复压缩机滑动轴承故障因其隐蔽性和振动传递路径的复杂性,对其进行有效诊断十分困难。为提高较难识别的十字头滑履和连杆小头轴承间隙故障诊断准确率,结合VMD算法原理,并考虑算法在带通滤波中表现出的故障分离能力,通过分析振动响应与故障响应的关系,寻找敏感测点以提升信号可辨识性和采样一致性。从状态间特征可分性角度引入多重分形广义谱理论,采用瞬时频率与互相关信息结合的准则优选VMD分解个数,以变阶数整数寻优观点提取各状态模态分量的广义谱特征向量。在故障模式识别中,从不同模态分解层次的特征差异角度,分别引入了支持向量机法和建立在“层分”思想的增量学习K近邻模型(IKNNModel)法,通过故障模拟和实测数据分析与比较,证实优化的非监督分类IKNNModel算法有较好的适应性。VMD与多重分形广义谱相结合所提取的特征向量具有较好可分性,实现了敏感测点轴承故障特征的有效识别。气阀类故障是往复压缩机典型的多发性功能故障,多类型故障间的因果关系与微弱差异造成了故障类别间辨识的困难。考虑振动响应的高度非线性和波动表现,从阀片常见故障机理与振动信号波动特征的响应关系角度出发,提出了基于VMD与多重分形去趋势波动分析(MFDFA)的气阀故障征兆识别方法,VMD_MFDFA算法以最大相关最小冗余法(mRMR)统一各故障的VMD分解模态,结合奇异谱分析构造6维特征向量,基于分形分析提取各状态主模态的奇异谱特征值,并通过主分量分析提升模态间谱向量差异,降维的同时增加故障特征的类间可分性和鲁棒性。在模式识别中引入二叉树支持向量机和基于深度学习的卷积神经网络算法,证实了卷积神经网络适用于谱向量识别的同时,通过试验数据验证了VMD_MFDFA法对不同气阀故障具有较高的识别准确率。压缩机滑动轴承故障的高风险性和严重危害性,决定了以其为对象开展设备性能衰退与评估预测研究的重要性;同时,设备故障表现出的状态与过程共存的本质特征决定了故障预示研究应涵盖设备全寿命周期。基于VMD与多重分形分析方法,结合奇异值分解(SVD)和核模糊C均值聚类(KFCM)技术,引入分形奇异谱参数评估的思想,建立了基于奇异谱参数的评价指标与状态分类算法模型;通过VMD法保留主模态并构造连续截断型重构矩阵,应用SVD信噪分离原理,结合中心差商法降维求逆,提升故障间奇异谱参数指标的稳定性,以KFCM算法训练形成各状态谱参数聚类中心,经压缩机轴承故障模拟试验,优选谱参数,并结合模糊二叉树支持向量机算法实现滑动轴承磨损程度的分类识别和性能衰退状态评估。寿命预测是故障评估的延伸,并丰富了故障预示的内涵,往复压缩机典型故障诊断方法、预测与评估技术共同构成设备寿命周期分析。针对预测模型适应性和非线性系统初始敏感性,以多重分形奇异谱为预测参数,提出了基于最大预测可信尺度的改进K邻近动态预测模型;将信息熵饱和原理引入最大预测可信尺度,提高了预测结果的可信度,基于不同模态分量谱参数构建相空间重构型动态建模域,使预测模型反映复杂系统动力学演化的实时性特征,并突出各模态成分对预测的独立影响,通过拟合回归和误差分析验证了预测模型的有效性。