往复压缩机是石油、化工领域的核心设备,其一旦发生故障,不仅会给企业对来重大的经济损失,同时会给员工的人身安全带来严重危害,因此,往复压缩机故障诊断技术成为人们研究的重点。由于往复压缩机振动信号具有非线性和非平稳特性,以傅里叶变换为代表的传统时频分析方法对其进行分析存在一定的局限性。局部均值分解(Local mean decomposition,简称LMD)是一种自适应分解方法,其在非平稳信号处理方面具有独特的优势。本文将LMD方法引入往复压缩机故障诊断领域,将其与多尺度模糊熵结合,提出了一种新的往复压缩机故障诊断方法,并对所提方法在往复压缩机故障诊断中的应用进行了一系列研究工作。首先,通过大量查阅往复压缩机故障诊断相关文献,对往复压缩机的结构、工作原理以及常见故障机理进行了概述,并阐述了往复压缩机故障诊断技术的发展历程和常用故障诊断方法的研究现状。其次,在对LMD方法理论进行深入研究的基础上,针对原始LMD方法滑动平均迭代次数过多、三次样条LMD方法出现“过包络”与“欠包络”现象致使分解失真等问题,本文提出了一种改进LMD方法。该方法采用单调三次Hermite插值构造包络线,并通过增加极值对称点的方式提高了包络线拟合精度。仿真信号和实测信号实验结果表明,改进LMD方法可以准确提取信号特征,是一种有效的非平稳信号分析方法。再次,介绍了多尺度模糊熵这一故障特征识别方法。多尺度模糊熵可以衡量信号在不同尺度下的复杂性,相比于单一尺度的模糊熵,其提取的故障特征信息可以更全面的反映故障本质。利用仿真信号与多尺度熵进行了对比,结果表明多尺度模糊熵具有良好的相对一致性,其熵值曲线变化更加平稳,参数选择比较自由。往复压缩机轴承故障实验验证了多尺度模糊熵在特征提取方面的优越性。最后,针对往复压缩机振动信号的非平稳、非线性特性,提出了一种基于改进LMD和多尺度模糊熵(MFE)的往复压缩机故障诊断方法。该方法采用改进LMD方法将各状态振动信号分解为若干PF分量,计算其多尺度模糊熵形成特征向量,并通过支持向量机进行分类识别。在提取状态特征的过程中,利用欧式距离对特征向量进行了优选,使各状态的区分更加明显。利用所提方法对往复压缩机轴承和气阀故障数据进行分析,结果表明其可以有效提取故障特征,实现不同故障类型的诊断。