1、往復(fù)壓縮機(jī)是用于壓縮和輸送氣體的機(jī)械設(shè)備，已成為石油化工領(lǐng)域必不可少的關(guān)鍵設(shè)備。隨著社會對安全生產(chǎn)重視程度的日益提高，對其實施故障診斷已勢在必行。往復(fù)壓縮機(jī)結(jié)構(gòu)復(fù)雜，激勵源眾多，對其故障診斷方法進(jìn)行深入研究顯得尤其重要。本文以往復(fù)壓縮機(jī)傳動機(jī)構(gòu)滑動軸承的間隙故障為對象，采用多體動力學(xué)仿真、信號自適應(yīng)分解、非線性信號定量描述和智能模式識別等方法，對故障診斷過程的數(shù)據(jù)獲取、特征提取和模式識別與估計三個階段進(jìn)行深入研究，提出了一套完整的往復(fù)壓

2、縮機(jī)軸承間隙故障診斷與狀態(tài)評估方法。主要工作如下：
　　為解決難以開展多類型故障試驗以致狀態(tài)數(shù)據(jù)獲取不足問題，進(jìn)行了含間隙運(yùn)動副的往復(fù)壓縮機(jī)軸承故障狀態(tài)多體動力學(xué)仿真方法研究。間隙運(yùn)動副模型參數(shù)是影響系統(tǒng)動力學(xué)響應(yīng)的關(guān)鍵因素，使用設(shè)計參數(shù)值進(jìn)行建模時，仿真與實測數(shù)據(jù)差異顯著，為此提出以實測與仿真數(shù)據(jù)相似性為目標(biāo)，利用遺傳算法對間隙運(yùn)動副模型參數(shù)進(jìn)行優(yōu)化，提高多體動力學(xué)模型仿真準(zhǔn)確性。不同間隙下模型參數(shù)關(guān)系是模型優(yōu)化參數(shù)推廣的基礎(chǔ)，

3、為此分析了間隙變化對模型參數(shù)的影響，得出了同一運(yùn)動副不同間隙下模型參數(shù)關(guān)系，以此將模型優(yōu)化參數(shù)推廣至軸承不同間隙狀態(tài)數(shù)據(jù)的仿真中，實現(xiàn)了更多狀態(tài)數(shù)據(jù)的獲取。
　　針對往復(fù)壓縮機(jī)軸承隨連桿運(yùn)動以致振動傳遞路徑復(fù)雜，且信號呈現(xiàn)非線性問題，提出了基于多重分形與奇異值分解的軸承故障位置特征提取方法。鑒于振動信號傳遞路徑復(fù)雜，單傳感器數(shù)據(jù)難以全面觀測狀態(tài)信息，提出以多傳感器數(shù)據(jù)作為信息源，擴(kuò)展觀測范圍。此外，振動信號呈現(xiàn)非線性特性，多重分形

4、能夠更精細(xì)刻畫非線性信號的局部尺度行為，提出利用多重分形中廣義分形維數(shù)對多傳感器數(shù)據(jù)進(jìn)行定量描述，形成多傳感器廣義分形維數(shù)矩陣，并通過奇異值分解對矩陣壓縮，提取矩陣奇異值作為狀態(tài)特征向量。以支持向量機(jī)作為模式識別器，經(jīng)試驗與仿真故障數(shù)據(jù)測試，該方法所提取特征向量具有更高的識別準(zhǔn)確率，實現(xiàn)了不同位置軸承故障特征的有效提取。
　　針對往復(fù)壓縮機(jī)振動信號呈現(xiàn)非線性、強(qiáng)非平穩(wěn)性以及多分量耦合特性，提出了基于局部均值分解（LMD）與多尺度熵

5、（MSE）的軸承故障程度特征提取方法。LMD方法適用于具有非平穩(wěn)性與多分量耦合特性的信號分析，但傳統(tǒng)LMD方法因?qū)?qiáng)非平穩(wěn)信號包絡(luò)精度低而出現(xiàn)分解結(jié)果失真問題，為此提出以形狀可調(diào)的有理 Hermite方法構(gòu)造極值包絡(luò)線，并以極值對稱點優(yōu)選包絡(luò)線的插值方法，提高了局部均值函數(shù)與包絡(luò)估計函數(shù)擬合精度，試驗與仿真數(shù)據(jù)驗證了該方法的有效性。多尺度熵具有尺度特性，適合于LMD各PF分量的非線性定量描述，但各狀態(tài)PF分量存在隨尺度因子不同而熵值差不

6、同問題，為此提出以特征向量具有最大平均類間距離為目標(biāo)，以各PF分量對應(yīng)的尺度因子為變量，利用遺傳算法優(yōu)選特征向量的方法。通過故障仿真數(shù)據(jù)測試，所提取特征向量具有良好的可分性，實現(xiàn)了不同程度軸承故障特征的有效提取。
　　為實現(xiàn)往復(fù)壓縮機(jī)故障診斷與評估的智能化，進(jìn)行了基于二叉樹支持向量機(jī)（SVM）的模式識別與狀態(tài)評估方法研究。二叉樹SVM多類算法的推廣能力依賴于二叉樹層次結(jié)構(gòu)，而類的可分性測度是有效設(shè)計層次結(jié)構(gòu)的基礎(chǔ)，結(jié)合類間距離和類

7、內(nèi)分布兩種標(biāo)準(zhǔn)設(shè)計了一種帶權(quán)值的新型可分性測度，以此提出了改進(jìn)二叉樹SVM的層次結(jié)構(gòu)構(gòu)建方法。此外，二叉樹SVM整體性能取決于各SVM子分類器性能，針對二叉樹SVM參數(shù)優(yōu)化過程，提出了各SVM子分類器分別進(jìn)行參數(shù)優(yōu)化的獨(dú)立參數(shù)優(yōu)化算法。經(jīng) UCI標(biāo)準(zhǔn)數(shù)據(jù)集和軸承故障特征樣本集測試，改進(jìn)二叉樹SVM具有更優(yōu)越的性能。根據(jù)SVM對同類樣本集分類結(jié)果具有概率統(tǒng)計的特性，建立了基于 SVM的軸承間隙故障狀態(tài)評估模型，經(jīng)仿真故障特征樣本集測試，該