往复压缩机凭借其压力范围分布广、压缩效率高和适应性强等优点,被广泛用于石油、炼化等行业。然而,往复压缩机的动部件众多,且长期受到往复惯性力作用,导致其动、静部件频繁的发生相互碰撞与摩擦,一旦某个零部件发生故障,若诊断不及时,轻则导致生产中断,重则造成机毁人亡。因此,开展往复压缩机故障诊断方法研究对保障其安全、稳定和高效运行具有重要意义。由于往复压缩机振动信号呈现强非平稳、非线性的特征,导致传统的信号处理技术用于往复压缩机故障诊断时存在一定的局限性。欠定盲源分离（Underdetermined Blind Source Separation,UBSS）作为一种新颖的信号处理技术,不需要依赖先验知识,可以直接从传感器采集到的混合信号中分离出源信号。为此,本文将UBSS技术引入到往复压缩机故障诊断领域,提出一种基于稀疏成分分析（Sparse Component Analysis,SCA）的往复压缩机轴承故障振动信号欠定盲源分离方法,具体研究内容如下:首先,现场调研了往复压缩机的服役环境和作业过程。在此基础上结合相关文献,深入研究了往复压缩机的构造、工作原理和故障发生的机理,掌握了往复压缩机故障诊断技术的发展现状,总结了故障诊断领域中常用的信号处理技术及其存在的不足。其次,从理论方法和工程应用两个角度出发,分析了盲源分离技术中超定盲源分离、正定盲源分离和欠定盲源分离三者的数学模型及其求解方法,论证了基于欠定情形的盲源分离技术更加符合工程实际需求这一结论。在此基础上,总结了用于求解欠定问题的SCA算法一般流程和基础理论。然后,针对K-means算法初始聚类中心的随机选取和聚类结果易受到异常值干扰这两大缺陷,易导致混合矩阵估计精度低,进而降低源信号恢复精度的问题,提出一种结合层次聚类和K-means的二次聚类算法。具体而言,所提的加强的二次聚类算法其核心思想是在聚类前对混合信号进行预处理,以提高信号的稀疏性和聚类效率,在二次聚类过程中引入余弦距离,剔除偏离初始聚类中心的异常值,以期达到提高混合矩阵估计精度的目的。仿真和轴承故障实验表明,所提方法估计出来的混合矩阵比传统的聚类算法估计出的混合矩阵精度更高,源信号的分离效果亦更好。最后,结合基于最小二乘法的源信号恢复算法,将所提的SCA算法应用于往复压缩机轴承故障振动信号欠定盲源分离。具体而言,借助欠定盲源分离技术手段,将故障源从传感器采集到的混合信号中单独提取出来,以实现源信号的分离,为往复压缩机的故障特征提取和诊断提供保障。实验结果表明所提方法比传统的信号处理技术在处理混合信号方面更具有优势。