往复压缩机结构复杂,激励源较多,振动信号表现为较强的非线性和非平稳性,对其进行故障特征提取较为困难,目前还缺乏成熟的诊断方法,针对这种状况,本文提出了基于图像识别的智能诊断方法,该方法以往复压缩机振动参数图形为研究对象,绕开图像内包含的复杂故障信息,直接转换为故障图像之间的差异区别,通过提取图像中的纹理特征参数,采用模糊核聚类的方法对含有纹理特征的故障样本进行诊断识别,实现故障的智能分类。围绕其中的关键技术:信号处理方法、图像特征提取方法、人工智能分类算法展开研究,内容包括以下方面:1.针对往复压缩机振动信号的非线性和非平稳性特征,分别采用时域分析方法、频域分析方法和时频分析方法进行研究,得到相应的时域波形图、功率谱图和平滑伪维格纳尔分布时频图,对处理效果比对分析后,最终选择平滑伪威格纳尔分布时频图,作为图像特征提取的研究对象。2.本文讨论了图像纹理及其特征提取方法,研究了灰度直方图、灰度共生矩阵和灰度-梯度共生矩阵的纹理特征提取方法,提出了基于灰度-梯度共生矩阵的往复压缩机故障诊断方法。该方法准确地描述往复压缩机振动参数图形的灰度分布概率、统计相关性、图像内各像素点梯度的分布规律及图像纹理特征,有效地提取了图像中纹理特征信息。3.利用BP神经网络从图像识别角度对往复压缩机振动信号进行故障诊断,介绍了神经网络的基本理论,研究了BP网络结构及设计、BP学习算法,并将BP神经网络应用于往复压缩机气阀故障诊断,最终实现对气阀故障的智能诊断。4.本文提出基于模糊核聚类的往复压缩机故障诊断方法,以往复压缩机振动时频图为研究对象,将得到的图像纹理特征量作为样本输入空间,通过非线性映射将其映射到高斯特征空间后,在高维特征空间中进行聚类,得到了较高的精度。