往复压缩机在石油、化工领域,主要用于危险气体的压缩与传输,如果其发生重大故障,危险气体外泄,不只会导致巨大的经济损失,而且可能造成人员伤亡事故。所以,为了避免事故的发生,很有必要开展往复压缩机故障诊断和监测的研究。但往复压缩机不仅结构复杂,而且工作环境恶劣,振动信号具有非平稳、非线性特性,因此,怎样从如此复杂的信号中分离出关键性的故障信息,成为了往复压缩机故障诊断与监测研究的重点,也是近年来科研工作者要解决的难题。本文针对往复压缩机振动信号特点,提出了一种基于形态分量分析(MCA)与复合多尺度模糊熵(CMFE)结合的往复压缩机故障诊断方法。在传统MCA算法中,稀疏字典都是固定不变的,不具备自适应性。一旦稀疏字典与信号成分不匹配,就会极大的影响MCA的分解结果,导致无法分离出关键故障信息,因此,本文提出一种基于峭度优选稀疏字典的MCA分解方法。通过峭度优选的小波稀疏字典能很好的匹配冲击分量,利用优选的小波稀疏字典和离散正余弦字典重构故障冲击成分和干扰成分,能实现故障冲击信号与噪声等干扰信号有效分离。多尺度模糊熵(MFE)是结合了多尺度分析概念和模糊熵理论而提出的。相比于模糊熵,MFE可以反映时间序列在不同尺度因子下的复杂性与自相似性。但在普通MFE算法中,不同尺度因子下MFE被定义为尺度因子下第一个粗粒化时间序列的模糊熵。这样,对于短时间序列分析,MFE在较大时间尺度下往往会引起未定义模糊熵值,为弥补这个不足,本文提出复合多尺度模糊熵(CMFE)来提高算法精度。本文方法利用MCA对往复压缩机轴承振动信号进行分解,得到包含故障特征的冲击分量,然后对冲击分量进行CMFE定量计算,提取故障特征向量,最后将故障特征向量输入支持向量机(SVM)中进行识别和分类,判断故障类型。实验结果证明,该方法可以准确的提取故障特征信息,诊断出故障类型。首先,查阅相关文献,了解往复压缩机结构及故障机理,掌握国内外往复压缩机故障诊断现状和发展趋势。其次,研究MCA的原理和实现步骤,针对传统MCA固定稀疏字典不具备自适应性的缺点。提出利用峭度来优选小波稀疏字典的MCA算法,能够使故障冲击与干扰成分有效分离。模拟信号及往复压缩机实测振动信号的实验结果表明,改进的MCA分解方法可准确、高效的分析非平稳信号。然后,阐述了样本熵、模糊熵以及多尺度模糊熵原理及算法流程,针对多尺度模糊熵对于短时间序列分析在较大时间尺度下往往会引起未定义的熵值的问题,提出复合多尺度模糊熵,以提高多尺度模糊熵的算法精度。最后,以2D12型往复压缩机为研究对象,对该往复压缩机结构组成,工作原理,轴承和气阀故障机理及测点布置进行介绍,给出故障诊断方法与具体流程。首先对故障信号进行优选稀疏字典的MCA,然后对分解所得的故障冲击分量进行CMFE定量计算,构建特征向量,最后利用SVM进行分类和识别。实验结果证明,本文提出的基于MCA与CMFE的故障诊断方法能够对往复压缩机轴承常见故障进行准确诊断。