在我国加速推进城镇化建设的进程中,小城镇的天然气需求量迅速增加,天然气建设方面的问题也日益凸显,因此完善城镇燃气输配终端的基础设施建设是发展的重中之重,而燃气调压设备正是燃气输配终端的最重要一环,更是保障用户用气平稳最关键的一环,随着数字化技术的发展,燃气管网系统越来越智能化,也逐渐应用在燃气调压设备的管理上。出口压力作为燃气调压器的调节对象,也同时是监测调压器运行状态的重要指标,当调压器运行状态改变,出口压力会随着时间的推移呈现不同的波动情况,从而引起不同频段能量的变化。针对此特征,本文选取能够较好处理时间序列数据的长短期记忆网络与深度学习网络建立中低压燃气调压器故障诊断模型,并与目前较常用的支持向量机诊断模型做对比,同时利用仿真平台对故障状态进行模拟,观察不同故障状态下出口压力变化情况,以此对故障进行定性分析,主要内容如下:首先,本文对燃气调压器运行机理、评价指标、常见故障等方面进行了详细分析,运用机械运动方程、气体状态方程与孔口流动方程建立了燃气调压器数学模型,通过仿真平台将数学模型转化为物理模型,对其动态特性与故障状态进行仿真模拟,利用最大偏差、过渡时间等指标对其动态特性进行评价分析,通过出口压力特征对不同故障进行区分。结果表明,一定范围内,可适当增大皮膜承压面积,以提高调压器性能;弹簧刚度与阀座直径在较小的尺寸时,调压器表现了更好的动态特性,而低压腔体积的大小对动态特性并无太大影响;当调压器发生信号管堵塞、皮膜老化、弹簧疲劳故障时,调压器出口压力分别在不同压力范围内波动,当实际运行中出现了相应的压力波动,可利用此特征优先排查是否为对应故障。针对目前调压器故障诊断方法落后等问题,以某调压站RTZ-50/0.4FQ型调压器的喘振、冰堵与正常运行状态数据为基础,首先利用经验模态分解法进行特征提取,将分解后得到的IMF分量能量矩作为故障诊断模型的输入数据,以此建立了长短期记忆网络、深度神经网络与支持向量机故障诊断模型,并采用准确度、精确率、召回率、F1值、Kappa系数等指标对模型进行评价。通过对比,在本文研究条件下,长短期记忆网络故障诊断模型性能最优,深度神经网络次之,支持向量机模型性能略低于上述两种模型,由此表明,深度学习算法在燃气调压器故障诊断领域具有可行性,且在诊断效果上有一定优势。