机械设备在运行过程中的任何异常状态都会给整个生产过程造成巨大损失。压缩机作为石油化工行业的重要设备,对其运行状态进行监测,不仅可以保证设备的安全可靠运行,更能有效避免重大事故的发生。因此,本文利用压缩机运行过程中产生的振动信号,基于神经网络方法实现对压缩机运行状态的在线监测。首先利用相空间重构技术,将一维时间序列振动信号扩展到高维空间,一方面可以更好地展现整个压缩机系统的运行特性;另一方面可以为神经网络输入神经元个数的确定提供技术支持,有效避免传统的人工随机选择过程造成的主观性、不确定性,提高监测结果的精度和可信度。针对传统的G-P算法中无标度区识别过于依赖人工经验的不足,本文提出了DBSCAN聚类与粒子群优化算法相结合的无标度区自动识别方法。根据双对数曲线数据分布特性,利用DBSCAN算法对双对数曲线上的点进行聚类分析,确定初始解集范围,并以相关性指标最大和残差平方和最小为目标建立无标度区识别优化模型,使用粒子群算法获得最优解,实现无标度区的自动识别。最后,通过经典Lorenz方程验证所提方法的有效性,并将其应用到压缩机状态监测中。准确获得振动信号预测值对压缩机异常状态预警信号的显示至关重要。针对实际生产中的时间序列数据,BP神经网络预测只依赖于当前输入,而RNN循环神经网络因具有强大的“记忆”功能,综合考虑了信号当前输入与过去输出共同作用的影响,预测结果更为精准。在此基础上,本文构建了基于相空间重构的RNN循环神经网络预测模型进行振动信号预测,并用实验证明其预测精度更高,对压缩机运行过程中的异常状态更为敏感。基于振动信号特征进行压缩机运行状态监测。针对传统神经网络无法实现多维特征时间序列模型建立问题,使用深层信念网络堆叠RBM的方式对多层特征进行学习,并通过反向微调过程提高模型泛化能力。将预测得到的基于时间序列的振动信号进行相空间重构,提取有量纲和无量纲参数分别进行状态监测。实验结果表明,不同特征对表征机械设备运行状态的角度不同,监测结果也各不相同,综合考虑多维特征参数进行状态监测可以取得更好的监测结果。最后,基于本文对压缩机振动信号的相关研究,设计了一个状态监测系统,实现对压缩机运行状态的实时显示。