近年来,智能故障诊断是往复压缩机状态监测和健康管理的研究热点。在实际工业生产中,由于往复压缩机工作环境复杂,运行过程中产生的振动信号通常掺杂着多种多样复杂的现场噪声,采集到的振动信号通常带有较强的噪声干扰。传统的信号处理方法对设备的特征提取及故障诊断能力较差,而深度学习能够通过多层非线性变换对数据之间的复杂关系进行建模,因此将深度学习用于往复压缩机故障诊断的研究具有重大意义。本文以往复压缩机为对象,研究了基于信号处理和深度学习的特征提取及故障诊断模型,主要内容如下:(1)针对系统信号与噪声信号在频带上相互混叠,且传统振动信号降噪如小波分析、经验模态分解等方法,在分离混叠信号时存在较大局限性的问题,提出局部均值分解和独立分量分析相结合的信号降噪方法。通过对振动信号进行分解及重组构建虚拟噪声通道,将虚拟噪声通道与振动信号作为独立分量分析的输入,有效分离噪声信号和有效信号。对往复压缩机气阀振动信号进行降噪,降噪后的信号信噪比最大、均方根误差最小、互相关系数最大,最大程度保留了原始数据的内部信息,降噪效果明显优于传统的局部均值分解+小波去噪以及经验模态分解+独立分量分析的降噪方法。(2)针对堆栈降噪自编码的神经网络结构复杂、节点数较多,且目前网络超参数大多是通过多次试验进行确定、缺乏自适应性等问题,提出遗传算法优化的深度堆栈降噪自编码模型。通过遗传算法良好的全局搜索能力和快速的收敛能力,对堆栈降噪自编码网络超参数进行自适应选取。实例中利用遗传算法对往复压缩机故障诊断模型进行优化处理,诊断效果明显优于未经过优化的模型和传统方法优化的模型。(3)针对传统信号处理方法人工特征提取时主观性较强,且传统的机器学习分类算法只能学习样本的低维浅层特征、学习能力较低、缺少必要的泛化能力等问题,提出局部均值分解和堆栈降噪自编码相结合的故障诊断模型。利用往复压缩机气阀数据集来验证所提方法的故障诊断效果,结果表明在信噪比为-10d B的情况下,分类正确率可以达到92.72%,相比于局部均值分解+深度置信网络等故障诊断方法提高了5个百分点,表明了该方法的有效性和鲁棒性。