往复压缩机是我国石油化工、天然气等国民经济支柱产业的核心设备之一,具有排气压力高、热效率高、排气量比较稳定等优点,应用非常广泛,作用亦十分关键。尤其对于石油化工行业,它的运转状态直接关乎企业的经济效益。由于往复压缩机结构精密,易损部件多,工作时安全可靠性要求比较高,尤其是众多关键零部件结构复杂,且长期工作在高温高压的恶劣环境下,并受交变载荷的作用等原因,往复压缩机在使用过程中经常发生故障,无法正常运行,不仅影响了企业的安全生产,也给国家带来了一定的经济损失。往复压缩机故障类型纷繁复杂,与其它零部件相比,气阀最为脆弱,故障发生频繁。据统计,往复压缩机有至少40%的故障发生在气阀上因此,气阀工作状态的好坏,是往复压缩机正常运行的核心问题之一。在第一时间发现并判断出气阀故障的问题所在,并实施及时有效的维护手段,在保障安全生产及避免经济损失方面具有重要意义。由于往复压缩机故障诊断的复杂性,其故障诊断的难度也随之加大,使用单一参数难以确定故障,往往需要多种手段相结合,共同进行诊断。本文将小波阈值去噪与经验模态分解(EMD)方法相结合,按照频率将信号分解并去除噪声成分和其它干扰信息、,同时引入统计学中的“归一化复杂度”,作为往复压缩机排气阀故障诊断的识别因子,该因子能够将信号的复杂程度农达为0到1之问的某个数,以实现不同故障信号的区分此外,本文还采用小波包分解方法提取信号特征频段能量,并构造了能量比参数,通过分析各故障状态不同频带能量比的变化,来识别故障类型。综合应用归一化复杂度及能量比,结合其他时域特征参数,提出了基于神经网络的往复机械故障智能诊断方法,实现了往复压缩机排气阀典型故障的智能诊断,并将目前常用的两种神经网络方法的诊断结果进行了对比。