往复压缩机是石油、化工等领域中核心的关键设备,承担着繁重的生产任务,其工作介质通常具有高温高压、有毒有害、易燃易爆、易腐蚀等特点。一旦发生故障,轻则会导致停产停机和经济损失,重则引起重大事故和人员伤亡,因此,亟需开展往复压缩机故障诊断研究工作。由于往复压缩机结构复杂,运行形式多样,其振动信号表现为较强的多源冲击、非线性、非平稳复杂特征,传统信号处理方法难以对其进行有效的故障特征提取。针对上述问题,本文提出了一种基于自适应参数调节的变分模态分解（VMD）与精细化复合多尺度加权多维特征熵（RCMWMFE）融合的往复压缩机故障诊断方法。该方法可以更准确地提取故障特征信息,与其它方法相比有更高的故障诊断准确度。（1）针对往复压缩机振动信号具有强多源冲击、非平稳性的问题,本文提出了一种自适应参数调节的变分模态分解算法,该方法利用经验模态分解-均值排列熵（EMD-APE）算法用于VMD参数K的寻优,确定K后再采用均值排列熵（APE）算法对α进行优化,并结合希尔伯特变换对信号进行时频分析。通过仿真信号以及美国凯斯西储大学滚动轴承轴承故障信号实例分析表明,所提方法能够更准确地提取出故障特征。（2）针对往复压缩机振动信号具有非线性复杂程度的定量描述问题,本文提出了一种RCMWMFE算法,该方法融合了精细化复合多尺度散布熵（RCMDE）、精细复合多尺度模糊熵（RCMFE）和精细复合多尺度排列熵（RCMPE）等三种熵信息,得到更为全面的振动信号表征。通过仿真信号对比分析表明,所提方法的特征区分度相对只采用单一熵的特征区分度更好,能够为振动信号非线性度量化描述奠定了良好基础。（3）为了同时兼具处理往复压缩机振动信号非平稳性和非线性特征提取的问题,本文将上述两种方法进行了有机融合,首先对原振动信号进行自适应参数调节的VMD分解,以最小公倍数的层数为准确定各IMF分量,经相关系数法进行筛选,得到主要的IMF分量;然后定量计算各IMF分量的RCMWMFE值,构建特征向量;最后利用卷积神经网络（CNN）进行分类和识别。通过对往复压缩机不同故障信号的200、500和2000个混合样本集的对比实验结果表明,与其他方法相比,VMD-RCMWMFE在三个数据集上的精度最高,分别为96.50%、100%和100%,验证了所提方法的有效性,为往复压缩机故障诊断提供了一种新途径。