针对往复机械振动信号具有复杂非线性、非平稳等特性,使用一种基于小波框架的自适应经验小波变换(Empirical wavelet transform,简称EWT)和以集合角度处理信号的形态学滤波来进行往复机械故障特征提取。经验小波变换通过构造合适的正交小波滤波器组对频谱进行划分,提取具有紧支撑傅里叶频谱的调频调幅成分,再使用Hilbert变换对信号进行时频分析。经验小波变换由于其建立在小波变换的框架上,有严格的数学证明,而且计算过程没有迭代等优点,在进行处理非线性非平稳信号时具有数学解释合理、经验模态分量分隔清晰、计算量小等优点。但在实际的往复压缩机故障诊断中,存在着分隔经验模态分量过多、得到的非单组分经验模态分量无法进行Hilbert变换的问题。因此本文从实际出发,以实验数据为基础,对经验小波方法进行改进,使其可以适用于往复压缩机的故障诊断。首先对经验小波变换的频谱分隔方法进行改进,在基于尺度空间理论的频谱分隔方法基础上,通过理论分析与大量数据的对比,优选了分隔经验模态分量效果最优的尺度变换参数,并使用皮尔逊相关系数和峭度对经验模态分量进行优选,实测信号表明改进的经验小波变换是一种稳定有效的信号分解方法。其次,针对实测信号得到的非单组分经验模态分量无法进行Hilbert变换的问题,提出使用基于数学形态学的方法对经验模态分量进行滤波和故障特征提取。该方法通过能量指标判断信号所处的状态,之后,根据信号所处的不同状态自适应构造结构元素对经验模态分量进行形态学滤波,使滤波更有针对性。再次,介绍了形态谱熵这一故障特征提取方法,振动信号处于不同形状特征时,其形态谱特征不同,而形态谱熵正是通过多尺度形态学计算得到的可以定量描述形态谱值的指标。使用该方法对实测信号进行处理,结果表明形态谱熵可以明确地识别故障,并具有良好的稳定性。最后提出了基于经验小波变换与状态形态学滤波的故障特征提取方法,该方法使用改进的经验小波变换进行经验模态分量划分,再经过状态形态学滤波后计算其形态谱熵,从而进行故障识别。利用所提方法对往复压缩机故障数据进行分析,结果表明该方法可以有效提取故障特征,实现不同故障类型的诊断。