离心压缩机作为空分和炼化等流程行业的核心设备,要求安全高效地运行。在设备运行过程中对故障的预警和诊断显得尤为重要。离心压缩机中两个重要的旋转部件为转子和齿轮箱,本文通过支持向量机算法对转子和齿轮箱分别建立故障诊断模型。收集离心压缩机转子振动故障的历史样本数据,分析转子振动故障的特征频率,提取振动信号特征频率内的最大振幅作为故障诊断的特征向量,结合专家打分和BP神经网络拟合特征向量的隶属度函数,利用支持向量机构建转子单故障和多故障的诊断模型,得到较好的识别率。为了建立齿轮箱运行状态识别模型,对齿轮箱4个测点,6种运行状态的振动数据进行去趋势项和去噪处理,对振动信号分别从时域、能量和样本熵3个维度提取特征向量。利用误差棒图对各特征向量的有效性进行初步分析。对每一测点的振动信号,分别采用时域、能量、样本熵和综合特征建立故障诊断的支持向量机模型,其中利用综合特征建立的模型识别精度最高。综合4个测点的所有特征参数组成齿轮箱运行状态识别模型的特征向量,运用最大相关最小冗余算法对特征向量进行降维处理,最后利用支持向量机建立运行状态识别模型,在测试样本中取得良好的分类结果。