隔膜泵是矿浆管道输送的核心动力设备,它的运行状态直接影响矿物原料输送效率和企业生产效率。单向阀是隔膜泵的核心零件之一,具有良好的密封性和承压性,它的安全稳定运行保障了隔膜泵的运行效率及安全。恶劣的运行环境和频繁的往复运动导致单向阀极易损坏,且它的故障与结构、材质、矿浆特性和泵的工况等因素有关。冶金企业采用的单向阀故障诊断方法及维修更换策略依赖于主观经验,可靠性不高。此外,采集到的单向阀振动信号是由故障信号、多零件振动信号和噪声组成的非线性信号,且受到矿浆特性和工况变化的影响信号具有非平稳性,给单向阀故障诊断带来挑战。信息熵能有效度量非线性信号的复杂性,孪生支持向量机（Twin Support Vector Machines,TSVM）在非线性分类中性能良好,因此基于熵和TSVM研究单向阀的特征提取及故障诊断方法。主要工作有:（1）针对传统方法难以确定单向阀的运行状态和维修更换时间的问题,提出基于滑动散布熵（Sliding Dispersion Entropy,SDE）和自适应变分模态分解（Variational Mode Decomposition,VMD）的单向阀故障检测方法。首先引入滑动窗降采样和映射函数来提高单向阀的SDE特征的趋势性和表征性能,然后通过循环更新SDE特征和状态预警线,初步确定故障预警点,最后从振动信号能量和相关性的角度构造自适应VMD模型,进一步检测预警点附近单向阀的故障状态。SDE能跟踪单向阀的故障状态演化过程,并能更早地检测出故障预警点,自适应VMD能有效确定预警点处单向阀的故障状态。（2）针对单向阀故障特征提取中多尺度排列熵（Multiscale Permutation Entropy,MPE）存在信息丢失和抗噪性差的缺陷,以及TSVM模型精度不高的问题,提出改进多尺度加权排列熵（Improved Multiscale Weighted Permutation Entropy,IMWPE）的单向阀特征提取方法,并构建最小二乘孪生支持向量机（Least Squares Twin Support Vector Machines,LSTSVM）模型。首先引入复合粗粒度和排列模式加权的思想来解决单向阀信号的信息丢失问题,接着改进VMD并将其作为前置滤波器来提高特征的抗噪性能,最后提取单向阀的IMWPE特征并通过LSTSVM实现单向阀的故障诊断。仿真实验和单向阀故障诊断结果表明,IMWPE解决了MPE的信息丢失及抗噪性差的问题,提高了单向阀特征的稳定性及抗噪性能,LSTSVM提高了故障诊断精度。（3）针对单向阀的IMWPE特征存在的等值问题和效率低的问题,用散布模式替代排列模式并提取单向阀的多尺度散布熵（Multiscale Dispersion Entropy,MDE）特征。为了提高单向阀MDE特征的稳定性和精度,提出改进多尺度波动Rényi散布熵（Improved Multiscale Fluctuation Rényi Dispersion Entropy,IMFRDE）的单向阀特征提取方法,并构建最优二叉树（Optimal Binary Tree,OBT）LSTSVM诊断模型。首先通过改进粗粒度方法来提高单向阀熵值特征的稳定性,然后引入Rényi熵提高熵值特征的精度,最后提取单向阀的IMFRDE特征并通过OBT LSTSVM提高单向阀故障诊断精度。仿真实验和单向阀故障诊断结果表明,IMFRDE克服了IMWPE的缺陷,提高了单向阀MDE特征的稳定性和精度,OBT LSTSVM进一步提高了单向阀故障诊断精度。（4）针对噪声和状态模糊过渡等导致单向阀特征样本中存在离群点的问题,以及故障诊断模型泛化性能不佳的问题,提出模糊正则LSTSVM（Fuzzy Regularization Least Squares Twin Support Vector Machine,FRLSTSVM）模型,并与IMFRDE结合提高单向阀故障诊断的可靠性。首先提取单向阀的IMFRDE特征,其次将L2范数正则项引入LSTSVM的目标函数来提高模型的泛化性能,然后基于支持向量域描述（Support Vector Domain Description,SVDD）构造隶属度函数S3来解决样本离群点问题。与LSTSVM模型相比,在故障诊断中FRLSTSVM得到的平均精度提高,精度标准差减小,而且最小精度显著提高。结果表明,基于SVDD离群点检测和隶属度S3的FRLSTSVM模型的泛化性能和抗离群点能力更强,对参数的敏感性更低,可靠性更高。本文以矿浆管道输送中的隔膜泵单向阀为对象,完成了单向阀故障特征提取方法和故障诊断方法研究,为冶金行业机械零件的故障诊断提供了新方法。