随着科技与工业的发展,往复式压缩机作为一种重要的机械设备,经常应用于石油、化工和天然气等行业。往复式压缩机的特点是零部件较多,结构较复杂。其安全性与可靠性将直接影响实际生产的经济效益;对其安全性与可靠性的研究一直都受到相关研究人员的高度重视;以往学者常对其热力性能和机械性能采用传统建模仿真的方法进行可靠性研究,而本文则是结合当下的数据应用思想来进行可靠性研究。研究时涉及到的数据类型较多,与往复式压缩机零部件相关的信息也较多,为了防止出现数据遗漏。以数据库理论为基础,结合实用性原则,开发出一套集数据录入、查询、修改和权限设置等功能于一体的专业性数据库管理系统。具备对往复式压缩机多种研究数据的可视化操作、方便快捷的优点。在往复式压缩机的研究数据中,有一类寿命型的故障数据,对其进行研究能得出平均故障间隔时间这一个可靠性指标。本文根据往复式压缩机零部件小样本数据特点,采用贝叶斯定理建立参数后验分布模型;并借鉴深度学习中的马尔科夫链-蒙特卡洛法求解参数的后验分布;通过算法程序和Python语言的联合使用,求解出威布尔分布下的零部件平均故障间隔时间491.64h,验证了模型的有效性。故障特征值数据作为往复式压缩机的另一种故障数据,对其研究可以实现故障模式识别与分类。本文对BP神经网络和模糊自适应神经网络进行了改进,建立了相应的故障诊断模型,分别应用于简单故障特征值数据和复杂故障特征值数据算例。前者诊断平均精度达到90.48%,后者在α=0.7,μ=0.55,ρ=0.85时有较好的诊断效果。本文从研究对象的数据特征入手,建立相应的算法模型,从而定量的研究往复式压缩机的可靠性问题。并且,所建立的可靠性数据分析模型和故障诊断模型能进行推广应用。