随着西气东输等国家重大工程建设的推进,中国天然气年消费量持续增长,燃气供应系统已经成为必不可少的基础设施之一。燃气调压器作为燃气管网的核心组成部分,其安全稳定的运行已成为城镇居民日常生活和工业持续发展的重要保证。由于燃气管网规模庞大,燃气调压器的日常维护和检修工作量巨大且繁琐,燃气管网中任何一处燃气调压器的故障都可能会带来燃气泄漏甚至爆炸的危险。因此需要一种高效、快捷的燃气调压器故障诊断方法。在燃气管网中,燃气调压器出口压力信号的稳定性是反映其性能和工作状态的重要参数,同时也是其故障诊断的关键。但由于受燃气管道中各种干扰因素的影响,燃气调压器所采集到的信号往往表现出非线性和非平稳性,无法对其进行简单识别。因此本文提出了一种将完全集合自适应噪声经验模态分解（CEEMDAN）和模糊c均值聚类（FCM）相结合的故障诊断方法,对燃气调压器常见的故障类型进行诊断。本文首先使用CEEMDAN方法将调压器出口压力信号分解为一系列本征模函数（IMF）;然后根据IMF构建的希尔伯特谱组建故障压力数据的特征向量;通过收集典型故障类型的压力数据,使用FCM聚类算法来构建各个故障类型的聚类中心;最后采集居民住宅的燃气压力数据,通过计算样本数据与聚类中心之间的隶属度来对故障种类进行识别。除此之外,本文还综合对比使用了经验模态分解（EMD）和短时傅里叶变换（STFT）对燃气调压器出口压力信号进行故障特征提取,以验证本文所提出故障诊断方法的优越性。实验结果显示,使用STFT方法对燃气调压器进行诊断的故障识别率为79.6%;使用EMD方法的故障诊断识别率为87.0%;而使用本文所提出的基于CEEMDAN的故障诊断方法,所有测试样本的故障类型都被正确的识别出来,且得到的测试样本和对应故障类型之间的隶属度基本稳定在0.9～1。与支持向量机（SVM）和人工神经网络（ANN）等源于机器学习的方法相比,本文的方法是数据驱动的,不需要基本模型,所需数据量少,训练时间短,训练成本低。