往复压缩机设备在石化企业生产中非常重要,其结构组成复杂,很多零部件易发生损坏,出现故障的几率大,且不易被工作人员发现,常常给企业带来不可估量的经济损失,甚至会造成人员伤亡。为减少经济损失和人员伤亡,对其实施设备状态评估势在必行。传统的设备状态评估大多依据数据驱动模型,假设训练数据集和测试数据集满足概率同分布;而往复压缩机运行工况不稳定导致振动信号呈现多变性,数据不满足同分布假设,从而降低了评估模型的稳定性和适应性。本文以往复压缩机气阀为对象,采用关联规则、迁移成分分析、模式识别等技术,对多工况特征变化规律、多工况状态评估模型及模型稳定性进行了深入研究,提出了基于迁移学习的往复压缩机多工况气阀泄漏状态评估方法,主要工作为:（1）提出了多工况气阀泄漏信号的等概率关联规则特征挖掘方法。通过等概率划分区间的方式将特征数据映射到不同的区间等级,并对各区间等级进行符号化处理,然后利用增加约束条件的Apriori算法进行挖掘,发现特征与状态之间的关联规则,画出状态-特征关联图谱,直观展示特征随工况、特征随故障程度变化呈现出的分布规律。实例分析中,挖掘出多工况气阀泄漏特征及特征随状态变化所表现出的规律。（2）提出了基于迁移成分分析的多工况气阀泄漏状态评估方法。以一种工况下的数据作为训练数据,另一种工况下的数据作为测试数据,通过迁移成分分析法对两种工况特征进行特征选择,将数据投影到潜在空间,减小不同工况下数据分布差异,提高模型状态评估准确率。实例分析中,对不同工况下的气阀运行状态进行识别,所提方法准确率达到了84.2%,明显优于直接使用SVM进行识别等三种对比方法,实现了不同工况下气阀运行状态的准确评估。（3）提出了目标域工况辅助数据的模型定量分析方法。在训练数据集中加入不同比例的目标工况下“优”状态数据和少量带标签的数据,观察依靠不同训练数据集所建立模型的状态评估结果。并建立迁移贡献率评价指标,对状态评估模型的稳定性和适应性进行定量分析。研究结果表明,基于迁移成分分析的状态评估模型迁移效果最好,评估准确率在85%-100%间稳定变化,迁移贡献率达85%以上,具有优良的稳定性和适应性,能够有效利用历史数据。