涡旋压缩机作为工业生产和日常生活中广泛使用的关键机械设备,一旦在运行过程中出现异常状态或突然故障,将直接影响整个机械系统的正常运行,造成巨大的经济损失,甚至危及人身安全。因此,深入开展涡旋压缩机状态监测和故障诊断技术的研究,对保证机械设备安全平稳地运行具有重要的现实意义。本文以涡旋压缩机为研究对象,在研究变分模态分解的基础上,将其分别与奇异值分解、1.5维能量谱、多尺度排列熵以及支持向量机等方法相结合实现涡旋压缩机的故障诊断,并通过Lab VIEW平台建立故障诊断系统。主要研究内容如下:1、针对传统自适应分解方法存在缺乏理论基础、模态混叠等问题,将变分模态分解（VMD）引入故障特征提取中,深入研究VMD的算法原理并分析VMD分解性能的影响因素。针对算法中分解层数和惩罚因子两个参数影响信号分解效果的弊端,提出能量占比法与包络熵优化VMD以确定最佳分解参数,并通过仿真信号验证改进方法的有效性。2、针对涡旋压缩机信号成分复杂,在强噪声的背景下难以有效提取故障特征的问题,提出了一种基于改进变分模态分解、奇异值分解、1.5维能量谱相结合的故障诊断方法。该方法先对故障信号进行改进变分模态分解,利用峭度和相关性筛选最优分量;然后将其与奇异值分解结合,采用奇异值能量标准谱确定信号重构阶次以还原信号,提高信噪比;最后对降噪信号进行1.5维能量谱解调,提取故障特征。将该方法应用到仿真信号与实测信号中,并与多种方法进行对比分析,从诊断结果来看,该方法降噪和特征提取效果更佳。3、针对实际复杂工况下涡旋压缩机的状态识别问题,研究了一种基于变分模态分解的多尺度排列熵与参数优化支持向量机（SVM）相结合的故障识别方法。该方法先以多尺度排列熵量化变分模态分解的分量,构建特征向量;然后将新型的麻雀搜索优化理论（SSA）应用至SVM参数优化过程,建立SSA-SVM模型;最后将特征向量输入到SSA-SVM中进行涡旋压缩机状态的识别。经实例验证发现,该方法的故障诊断效果良好,能有效区分涡旋压缩机不同的故障类型,具有较高的识别精度。4、结合理论方法的研究,开发了基于Lab VIEW的涡旋压缩机故障诊断系统,实现涡旋压缩机的在线监测和离线诊断功能,并将系统应用于实际工程中。从现场试验结果来看,该系统的各功能模块能有效地诊断出压缩机的运行状态和故障类型,达到了预期目标。