压缩机组是天然气长输管道上的关键动力设备,同时也是天然气管道系统中的薄弱环节。由于压缩机组是由多个子系统组成的,需要将其作为整体,考虑机组中各子系统间的关联性,系统地解决机组中出现的关联故障问题。提前对压缩机组中可能发生的故障进行识别和预警,能够有效节省故障事故处置成本并降低由故障造成的影响。机组安全性和可靠性的提高将为人们带来显著的经济效益和社会效益。本文围绕压缩机组中不同子系统的关联预警机理、安全预警模型、机组运行参数的相关性以及状态参数聚类分析四大主题开展了深入的研究,主要内容如下:1、结合压缩机组的工艺构成和工作特性,采用BWRS方程和N-S方程对压缩机组中气体状态的关联机理进行了分析,建立了不同入口流量条件下压缩机转速与出口压力、温度相对应的压缩机工作特性曲线,更为直观地表示了压缩机出口压力和温度的变化范围及趋势;在机组子系统关联特性方面,分别对干气密封系统、润滑系统与压缩机本体间的关联进行了分析,为机组关联故障预警模型的研究提供了理论依据。2、基于深度神经网络和隐马尔可夫模型提出了压缩机组DNN-HMM预警算法。通过将预警算法分为预处理、训练和测试三个阶段,可直接采用机组运行状态参数并将其输入到由多层受限玻尔兹曼机堆叠形成的深度神经网络中,以输出的特征值作为隐马尔可夫模型的输入,通过隐马尔可夫模型最终能够得到机组的隐状态。3、采用Erdem相关系数用于求解机组中各状态参数间的关联程度,并提出了用于计算Erdem最大相关系数的邻域极值求解法,通过合成控制图表数据库验证了该方法的有效性。通过对现场数据信号采用经验模态分解法降噪,将降噪后的运行信号进行相关性分析由此得到机组参数间的相关性图谱,为后续聚类分析工作提供分析条件。4、应用基于密度峰值聚类方法对运行参数进行聚类分析,引入信息熵增量并结合基于密度峰值聚类的特点,提出了以密度峰值信息熵增量作为聚类中心数量的选择依据。通过对比K均值聚类算法的结果验证了该方法的合理性。根据该方法对现场参数进行聚类,得到了具有相对独立性的运行状态参数组合作为预警模型的指标参数。5、应用现场数据对基于DNN-HMM算法的预警模型进行了测试,结果表明该模型能够对压缩机组中出现的关联故障做出准确的判断;通过对比SVM方法,验证了该预警模型在泛化能力方面的优势使得在大量训练样本的条件下仍然保持着较高的准确率和较低的误报率。