本论文研究的目的旨在寻找一种适合于空气压缩机的、高效可行的故障诊断方法。本文从空气压缩机的工作原理、机械构造、故障类型以及故障机理出发,总结了空气压缩机的主要故障特点,并归纳了空气压缩机故障诊断系统应满足的实现要求。在寻找合适的故障诊断算法时,本文将重点放在如何解决空气压缩机故障检测变量过多和检测变量之间存在高相关性的问题上。为解决这一问题,本文采用了主元分析技术(Principal Components Analysis, PCA)作为检测数据的预处理算法。该算法通过分析数据样本在高维空间内的分布情况,可以找出数据在高维空间内的主要变动方向和趋势,从而提取出包含有原始数据绝大部信息的特征向量来代替高维的、高相关性的原始数据。在以PCA技术作为数据预处理算法的基础上,本文先后提出了基于PCA技术结合径向基函数(Radical Basis Function, RBF)神经网络的空气压缩机故障诊断方法和基于PCA技术结合D-S证据理论的空气压缩机故障诊断方法。基于PCA技术与RBF神经网络的空气压缩机故障诊断方法,是通过建立空气压缩机运行状态的主元模型来处理采集到的庞大、高相关的原始数据集,利用特征提取的方法简化原始数据,并使用简化后的样本数据训练RBF神经网络,最后通过训练好的RBF识别网络实现空气压缩机的故障分类。该方法可以充分发挥PCA技术在数据降维、除相关性上的优势,极大的简化复杂的检测数据。同时,PCA的降维作用也为RBF网络的训练和识别减化了大量的运算过程,从而可以提高神经网络训练和识别的速度,同时神经网络处理数据维数的降低,不仅避免了RBF网络在训练过程中由于处理数据维数过高可能发生崩溃的危险,而且还提高了神经网络的分辨率。基于PCA技术与D-S证据理论的空气压缩机故障诊断方法,是一种基于信息融合思想的故障诊断方法,该方法从空气压缩机不同运行状态的角度(即不同证据)进行观察,通过分析检测数据在各证据下呈现的特征信息对压缩机的运行状态进行判断,最后以D-S组合规则将各证据下的判别结果融合成一个综合的结果,从而实现空气压缩机运行状态的最终判别。该方法可以更加全面分析检测数据的信息,具有较快的处理速度和抗干扰能力强的特点,可以实现高精确度的故障分离和判别。