往复压缩机广泛应用于石油、化工领域,主要负责煤化气、天然气、乙烯等危险气体的压缩与运输,其内部一旦出现故障不仅会造成重大的经济损失,同时还会对人身安全造成严重威胁,因此对往复压缩机的故障诊断与检测成为人们研究的热点。往复压缩机结构复杂,内部激励源众多,振动信号呈现强烈的非平稳、非线性和多分量耦合的特性,加之往复压缩机工作环境复杂,振动信号中常伴有噪声信号,振动状态信息淹没在这些复杂的振动信号中,因此如何从复合信号中筛选出有用的故障信息,是往复压缩机故障诊断的重点,也是一直以来人们研究的难点。本文针对往复压缩机故障提取方面的不足,提出了一种基于最优品质信号共振稀疏分解与层次模糊熵结合的故障诊断方法。与传统的频带划分信号分解方法不同,信号共振稀疏分解方法根据品质因子的不同,构建不同的小波基函数,然后利用形态学分析方法建立稀疏分解的目标函数,再通过迭代的方式得到相应系数,可实现中心频率相近且频带相互重叠的信号有效分离,形成高、低共振分量。将本文的方法应用于往复压缩机故障诊断中,并利用支持向量机(SVM)进行故障的识别、分类。结果表明,该方法能够准确的表达故障信息,有效的诊断往复压缩机故障。首先查阅文献,了解往复压缩机的结构、工作原理和常见故障机理,阐述往复压缩机故障诊断的发展历程和研究现状,了解信号共振稀疏分解的算法流程及实现步骤。其次,通过深入研究信号共振稀疏分解理论,针对传统手动选择品质因子信号分解效果不佳的问题,提出了遗传算法与粒子群算法结合的分层混合优化算法。该算法采用分层结构,底层使用遗传算法,贡献全局搜索能力;顶层采用粒子群算法,加快收敛速度。往复压缩机故障振动信号中夹杂大量干扰信息,分层混合优化方法通过自适应的选择品质因子,可实现故障冲击与噪声等干扰成分的有效分离。仿真实验和实测数据表明,最优品质因子信号共振稀疏分解方法可有效分析非平稳信号。再次,介绍层次模糊熵(HFE)的基础理论和算法步骤。层次模糊熵通过层次划分与粗粒化分析,可衡量信号在不同节点处的复杂性。该算法充分考虑了粗粒化对频谱划分的影响,将时间序列按频谱特征有效分割,既可以分析信号的低频成分又可以分析信号的高频成分,避免了因构造不当造成的信息遗漏。往复压缩机故障振动信号频谱分布复杂,从单一角度往往无法准确描述信号特征,层次模糊熵通过构造信号不同频段信息,计算每个节点得到的层次化序列的模糊熵值,再对同一节点不同分段的熵值进行优化,可准确、全面的描述信号特征。往复压缩机故障实验数据表明了层次模糊熵在特征提取方面的优越性。最后以2D12型往复压缩机为例,分别模拟轴承和气阀故障,利用本文提出的最优品质因子信号共振稀疏分解和层次模糊熵的故障诊断方法进行诊断识别,该方法首先采用分层结构优选品质因子,并进行信号共振稀疏分解,计算低共振分量的层次模糊熵,构建特征向量,然后利用支持向量机进行分类、识别。结果表明本文的方法具有较高的识别准确率,可以有效诊断不同故障。