中文摘要：

往复式压缩机在多种工业过程中都起着关键作用，其微小故障就会造成整个机电系统瘫痪，并带来灾难性后果和严重的经济损失。因此，研究先进的往复式压缩机故障诊断技术具有十分重要的实际意义。然而，在往复式压缩机运行状态的监测数据中，影响参数多、故障成因复杂等因素导致很难对其故障进行准确诊断。本质上，机械故障的特征表示和判别可归结为聚类分析问题。集成学习作为机器学习领域中近年来新兴的一种学习范式，在解决该问题上具有显著优势。本项目将以往复式压缩机为研究对象，以实现其故障的内在机理分析和故障类型的准确诊断为目标，采取理论分析与应用研究相结合、数值模拟与物理实验相结合的方式，将聚类集成学习方法用于故障数据的内在特征分析，探索故障形成的共性因素，进而设计可有效诊断往复式压缩机故障的新算法。项目的所获结果不仅对完善集成学习方法的理论基础具有重要意义，也将为往复式压缩机的故障诊断提供一种新途径和新方法。

结论摘要：

往复式压缩机在多种工业过程中都起着关键作用，其微小故障就会造成整个机电系统瘫痪，并带来灾难性后果和严重的经济损失。因此，研究先进的往复式压缩机故障诊断技术具有十分重要的实际意义。然而，在往复式压缩机运行状态的监测数据中，影响参数多、故障成因复杂等因素导致很难对其故障进行准确诊断。本质上，机械故障的特征表示和判别可归结为聚类分析问题。集成学习作为机器学习领域中近年来新兴的一种学习范式，在解决该问题上具有显著优势。本项目以往复式压缩机为研究对象，以实现其故障的内在机理分析和故障类型的准确诊断为目标，采取理论分析与应用研究相结合、数值模拟与物理实验相结合的方式，力图将聚类集成学习方法用于故障数据的内在特征分析，探索故障形成的共性因素，进而设计可有效诊断往复式压缩机故障的新算法。项目取得的研究成果如下1. 为充分利用关系图模型能够表达对象间错综复杂关系的能力，设计了非时序压力信号采集系统，构建了基于压力监测数据的关系图模型，借助流形学习方法研究了压力信号采集系统的特性对关系图的影响。结果表明，关系图模型能容忍压力信号采集系统的非线性和零点漂移带来的系统误差。2. 在关系图模型基础上，提出并研究了最小生成树的序列表示，通过研究数据模式与最小生成树拓扑结构之间的关系，发现了一重要规律，提出了一种改进传统的基于最小生成树的聚类诊断算法。3. 将六种具有代表性的分类集成方法应用于往复式压缩机故障诊断中所收集的非时序压力信号数据，结果表明随机森林算法诊断效果最好，这主要归因于该算法能充分利用数据提供的信息，并同时降低了单个分类器的偏差和方差。以两级往复式压缩机这一典型工业系统为平台，考查了以上所获成果的实用性。结果表明新的聚类诊断方法具有较强的早期故障诊断能力，为开展早期故障诊断与预示提供了重要基础。随机森林算法能够对非时序压力信号数据正确分类，实现了基于压力信号的故障类型诊断。