往复压缩机是石油化工领域至关重要的设备,主要用于乙烯、天然气等易燃易爆气体的压缩与输送,如果其发生故障,就可能会造成灾难性事故。因此,对往复压缩机进行故障诊断研究显得尤为必要,也是最近几年国内外研究的热点之一。往复压缩机零部件众多,往往一个小的零件损坏就可能导致整机的停机,给企业生产带来巨大的经济损失。如果可以将先进的振动信号测试技术和计算机强大的数据分析处理能力相结合,对往复压缩机故障位置振动信号进行采集与分析处理,找出原因,及时准确的对隐含故障进行预报与诊断,就能极大的挽救损失。但往复压缩机不仅结构复杂而且工作环境恶劣,其振动信号通常表现出强烈的非平稳性和非线性特点,传统的信号处理技术很难从如此复杂的信号中分离出有用的故障信息。本文针对往复压缩机信号的特点,研究和分析了国内外相关的研究成果,提出一种基于多重共振稀疏分解(Multiple resonance-based sparse signal decomposition,MRSSD)与复合多尺度符号动力学熵(Composite multi-scale symbolic dynamic entropy,CMSDE)相结合的往复压缩机故障诊断方法。该方法根据往复压缩机的信号特征,利用MRSSD对故障信号进行分解,得到最终包含故障特征的低共振分量,然后对低共振分量进行CMSDE定量计算,提取故障特征向量,最后将故障特征向量输入支持向量机(Support vector machine,SVM)中进行识别和分类,判断故障类型。实验结果证明,该方法可以准确的提取故障特征信息,诊断出故障类型,并且与其它方法相比能有效的提高故障诊断的准确度。首先,查阅相关文献,了解往复压缩机结构及故障机理,掌握国内外往复压缩机故障诊断现状和发展趋势,总结和分析往复压缩机常用的特征提取方法和智能识别方法。然后,对信号共振稀疏分解理论和算法进行了分析,发现传统共振稀疏分解方法需要人为选择高、低品质因子的值,导致其分解结果存在不准确性,尽管可以利用遗传算法来优化选取高、低品质因子,但遗传算法的效率不高。针对这些问题,提出了多重共振稀疏分解的方法,该方法通过设定阈值,判断每次共振稀疏分解所得高共振分量峭度值是否满足要求,从而决定是否继续对低共振分量进行分解,得到最终的低共振分量。模拟信号及往复压缩机实测振动信号的实验结果表明,该方法能有效实现故障信息的有效分离。接着,在研究多尺度符号动力学熵的过程中发现,传统的多尺度粗粒分析方法缩短了时间序列的长度,对于短时间序列的分析,多尺度符号动力学熵在较大时间尺度下可能会产生不精确和可疑的熵估计,针对此问题,提出了复合多尺度符号动力学熵方法。通过改变粗粒化的方法,在同一个尺度因子下计算所有符号动力学熵值,然后再取平均值,该方法能显著提高多尺度符号动力学熵的精确度。最后,以2D12-70型往复压缩机为研究对象,对该往复压缩机结构组成,工作原理,轴承和气阀故障机理及测点布置进行介绍,给出故障诊断方法与具体流程。首先设置高、低品质因子的取值范围,求出能表示故障冲击成分的低品质因子值,对故障振动信号进行共振稀疏分解,形成高、低共振分量。然后根据高共振分量的峭度值大小来评定分解结果,若其峭度值小于设定阈值,则改变高品质因子值,继续对低共振分量进行共振稀疏分解;若大于或等于设定阈值时,终止分解。计算最终得到的低共振分量的复合多尺度符号动力学熵,构建特征向量;最后利用支持向量机进行分类和识别,诊断故障类型。结果证明,本文提出的基于MRSSD与CMSDE的故障诊断方法能够对往复压缩机轴承和气阀的常见故障进行准确诊断。