往复压缩机是一种广泛应用于石油石化、冶金等工业领域的通用设备,在生产中承担着繁重的生产任务,其工作介质往往具有易燃易爆、高温高压等特点,一旦发生故障,势必造成停产经济损失,甚至导致机毁人亡的重大事故。气阀是往复压缩机工作的关键部件,也是高频易损件,其工作状态好坏直接影响往复压缩机的运行效率和可靠性。因此,开展往复压缩机气阀故障诊断方法研究对保障设备连续安全运行具有重要意义。由于往复压缩机结构复杂,激励源多,振动信号表现出较强的非线性、非平稳及非高斯等复杂特性,基于非平稳的时频分析分析方法难以准确定量描述其故障特征规律,基于机器学习的故障诊断方法虽然能够自适应分类识别所对提取的特征,但仍然需要依赖专家经验知识,同时这类方法难以针对不同工况条件,故障类型和结构参数进行自适应诊断。特别是面对现场采集的海量振动数据中正常样本远大于故障样本,这类智能算法诊断效率和诊断精度未达到工业化应用条件。为解决上述难题,本文提出了一种基于通道注意力机制的多尺度卷积神经网络（Squeeze and Excitation Networks-Multiscale Convolution Neural Network,SE-MSCNN）和门控循环单元（Gate Recurrent Unit,GRU）融合的深度学习算法,该方法将特征提取和模式识别两个关键环节融合为一体,能够从大量的数据中提取潜在的故障特征,并摆脱专家经验知识和人工提取特征的依赖性,实现自适应特征提取的智能诊断。本文主要研究内容及成果如下:（1）针对传统卷积神经网络存在卷积核尺度单一,网络层结构特征冗余的问题,提出了SE-MSCNN故障诊断模型,该方法是在卷积神经网络基础上加以改进,添加的多尺度卷积核提取的多尺度特征不仅考虑了信号的全局基本特征,还提取了局部特征。对于MSCNN所提取的多尺度特征包含少量的冗余信息或是无关信息,在MSCNN中加入SE-Net,对多尺度特征进行重新校准,可以压缩无关信息,激发重要信息,增强模型的表征能力。结果表明:该方法在仿真数据集和轴承数据集上的识别率达到了99%以上。（2）针对往复压缩机振动信号的频率分布及结构随着时间不断的发生变化,尤其是随着故障程度的加深,其频率复杂特性也会发生改变,最终导致模型所提取的特征不具有规律性问题,提出了GRU故障诊断模型,该方法擅长提取时间特征,从而在仿真数据集上识别率达到了100%,在轴承实验数据集中有93.78%的识别率,网络性能显著的优于RNN和LSTM,还解决了梯度消失的问题。（3）针对SE-MSCNN模型不能提取时间特征的问题,提出了SE-MSCNN和GRU融合的故障诊断模型,该方法弥补了SE-MSCNN不能提取时间特征的不足,增强了模型的鲁棒性和特征提取能力。结果表明:该融合模型在仿真数据集中的准确率达到了99.20%,在轴承数据集的变工况实验中诊断率达到了98.98%。（4）为了进一步验证SE-MSCNN和GRU融合方法在往复压缩机实验数据中和迁移数据集中的表现,将SE-MSCNN和GRU融合的模型应用于往复压缩机气阀故障诊断。结果表明:在往复压缩机气阀数据集上识别率最高达到了100%,与GRU模型、MSCNN模型和MSCNN-GRU模型相比,提升了2.39%、0.56%和0.07%。在不同规模的数据集中表现最优秀,平均准确率达到了97.60%。在迁移实验中,经过微调后的SE-MSCNN和GRU模型在面对新的故障数据集有95.80%的识别率。