近年来,机械设备故障诊断技术在国内外得到了较大的发展,在国民生产中起到了重大的作用。离心压缩机作为机械设备领域的一部分,由于其结构复杂,激励源多,对其实施故障诊断比较困难,尽管人们已对其开展了不少研究并取得了一些研究成果,但总的诊断水平还不是很高,这与其在生产中的应用现状是极不相符。本文在吸取前人研究成果的基础上,结合实际,并根据离心压缩机转子信号的非平稳特性,引入了智能诊断方法,对离心压缩机转子系统较好地的进行了故障诊断。本文根据离心压缩机信号具有随机信号、周期信号、冲击信号等混杂在一起的特点,以及信号特征难以提取等问题,研究了离心压缩机转子系统振动信号的特征提取方法。通过小波变换技术对时域和频域同时具有良好的局部化性质,可以聚焦到信号的任意细节,对突变信号和非平稳信号具有很强的识别能力,利用小波包变换对离心压缩机转子典型故障的振动信号进行特征提取,并以“能量”为元素,构造离心压缩机故障信号的特征向量,以便神经网络识别。本文还研究了基于BP神经网络的离心压缩机故障诊断方法。人工神经网络由于具有处理非线性和自学习以及并行计算能力,且具有在线诊断能力,强大的函数逼近能力和模式识别能力,在非平稳时间序列故障诊断领域得到了广泛的应用,但BP神经网络由于存在极易陷入局部极小点和收敛速度慢等缺点限制其应用,为此在本文中利用RBP神经网络从模式识别角度对离心压缩机转子系统进行故障诊断,对小波包分解后构造的特征向量进行训练,获得较好的效果,证明了该方法的有效性。