往复压缩机是一种通用动力机械,具有流量范围宽、压力范围广和压缩效率高等优点,在石油化工、天然气储运及冶金制冷等国民经济领域应用广泛。传动机构连杆轴承作为往复压缩的重要连接部件,运行环境高温高压、高速重载,常因碰撞摩擦、装配误差问题出现间隙过大故障导致振动超标,严重威胁设备安全。连杆轴承间隙故障诊断因机组结构复杂,激励源众多,振动信号呈现强时变非平稳、低信噪比特性,传统熵值分析存在易受噪声干扰、参数敏感和熵值突变问题,其故障诊断应用有待进一步提升。本文通过开展高维映射理论研究,提出基于高维映射熵（HDME）及其多尺度算法的熵值分析方法,融合信号预处理及智能优选策略实现精细化特征提取,进行模式识别以实现往复压缩机轴承不同故障的准确诊断。面向强背景噪声信号,开展高维空间映射降噪理论研究,提出高维映射熵的非线性定量分析方法。针对传统熵值方法特征提取存在参数敏感和噪声抑制不足,基于核函数高维映射理论,论证空间变换后干扰因素的抑制原理,提出向量高维空间核函数映射实现抗干扰降噪凸显特征思想,在样本熵中融入高维向量空间复杂性度量步骤,形成高维映射熵算法;进一步开展多尺度高维映射熵（MHDME）及精细复合多尺度高维映射熵（RCMHDME）算法研究;应用于仿真信号表明,提出方法显著降低了参数敏感性,提升熵值平稳性和准确性。针对信号受噪声干扰严重、多分量耦合特性,构建基于多尺度高维映射熵（MHDME）与自适应分解的故障状态特征优选策略。匹配适于信号特性的自适应分解降噪,确定主要分量筛选依据;研究基于多尺度高维映射熵量化的故障特征集构建方案,针对特征集维数升高导致信息冗余、分类耗时问题,设计智能优化算法,优选特征集元素,构建简约且可分性良好的故障特征向量,提升分类性能。以往复压缩机传动机构连杆轴承为研究对象,开展基于多尺度高维映射熵的故障诊断应用研究。开展轴承间隙故障机理分析,进行不同位置轴承间隙过大故障实验研究,采用多尺度高维映射熵定量分析故障信号,优选不同故障信号状态特征向量,将其输入分类识别器,对比其他特征提取方法的效果,结果分析表明提出的方法具有较高的故障识别准确率。