随着现代社会不断发展,石油和化工行业在国民经济中地位不断提升。作为该领域的核心设备,往复压缩机以其热效率高、工作介质广泛等优点得到广泛应用,主要负责乙烯、天然气等易燃易爆气体的压缩和输送等工作,一旦发生故障,可能会造成无法挽回的损失。故研究适用于往复压缩机的故障诊断方法成为当今国内外研究热点之一。往复压缩机结构复杂、工作环境恶劣、内部激励源众多、故障类型较复杂多样,振动信号呈现强烈的不平稳、非线性、多分量耦合的特点,且常伴有强噪声。如何从中筛选出有用的故障信息,准确判断故障类型是往复压缩机故障诊断工作的研究重点和难点。本文针对往复压缩机以上特性,在国内外相关研究成果的基础上,根据往复压缩机振动信号的共振特性,选择基于粒子群优化共振稀疏分解方法对振动信号进行分解,得到高低共振分量和残余分量,再利用粒子群算法优选多尺度排列熵参数,根据最优参数组合对低共振分量进行多尺度排列熵分析,提取特征向量,并利用支持向量机进行模式识别与分类。结果表明,该方法能准确提取故障信息,有效提高往复压缩机故障诊断精度。首先查阅文献,了解国内外往复压缩机故障诊断现状及发展趋势,提出信号分解方法;对往复压缩机常用特征提取方法和智能识别技术进行研究与概括。其次,对信号共振属性和共振稀疏分解算法流程进行研究,针对传统共振稀疏分解方法中人为选择高低品质因子导致分解效果不佳的问题,将粒子群算法应用于共振稀疏分解的高低品质因子选择,以低共振分量的峭度为目标函数,对品质因子进行优化。模拟信号和往复压缩机实测振动信号的实验结果证明,该方法可有效实现故障信息的分离。再者,在研究多尺度排列熵算法理论的基础上,分析多尺度排列熵参数优化的必要性,以多尺度排列熵偏度的平方函数作为目标函数,采用粒子群算法对多尺度排列熵参数进行优化,在各参数取值范围内通过粒子群算法求得各状态最优参数组合,提取故障特征。最后,对2D12型往复压缩机结构组成、工作原理、常见故障及机理,轴承及气阀的测点布置进行介绍,确定故障诊断方法和诊断流程。该方法首先利用粒子群算法优选品质因子组合,并利用其进行信号共振稀疏分解,提取包含主要故障信息的低共振分量,再利用粒子群算法优选多尺度排列熵最优参数组合,根据最优参数组合对低共振分量进行多尺度排列熵分析,提取故障特征,最后利用SVM进行故障分类。结果表明,该方法具有较好的识别准确率,能准确区分往复压缩机轴承及气阀的主要故障类型。