往复式压缩机在工业生产中应用非常广泛,其运行状态直接影响工业生产的效率,因此,往复式压缩机的故障诊断一直受到重视。振动信号分析是往复式压缩机故障诊断最常用,也是最行之有效的方法。由于往复式压缩机的振动信号具有明显的非线性、非平稳、强冲击特性,使得有用的信息常常淹没在噪声中,这为振动信号的分析带来了一定的困难。以短时傅里叶变换、Wigner-Ville分布和小波变换为代表的时频分析法具有时间和频率定位功能,是处理频率随时间变化的非平稳信号的有效手段。短时傅里叶变换对信号加时间窗处理,将窗内的信号进行傅里叶变换,加宽时间窗能提高频率分辨率,但损失了时间分辨率;反之,同理。即短时傅里叶变换很难兼顾时间分辨率和频率分辨率,另外,加窗也容易引起“栅栏效应”。Wigner-Ville分布因为其具有时移和频移不变性、时频伸缩相似性等优良的性质,是处理线性调频信号的有效手段。但Wigner-Ville分布不满足叠加性质,两个信号相加会产生交叉项,影响分析。虽然采用加时间窗等方式能一定程度地抑制交叉项,但是同时也会损失一些优良的性质,如边缘特征。相比之下,小波变换有更好的窗口自适应特性和平移功能,以及“变焦”性质,因此应用最为广泛。Morlet小波是最常用的连续小波基之一,但在确定波形参数和尺度参数时,通常的方法计算复杂而且缺乏物理意义,对此,本文提出了改进办法。传统的BP神经网络的学习算法具有收敛慢,容易陷入局部最优解等缺点,而粒子群算法具有收敛快,精度高,容易实现的优点,是应用较为广泛进化算法之一。但在更新速度向量和位置向量时,有些粒子会为了当前的群体最优往不利于自身寻优的方向运动,从而导致算法收敛变慢,对此,本文提出一种新的算法,即分别计算粒子加入群体最优向量、个体最优向量,以及两者都加入后的适应函数,如果加入群体向量的适应函数最优,则将个体最优向量置零,此时粒子的寻优方向仅由群体最优方向决定,反之,同理。将改进的粒子群算法与神经网络结合用于往复式压缩机的故障诊断,不仅能加快学习过程,而且能取得很好的诊断结果。