压缩机故障检测是故障诊断技术的重要组成部分,并且在压缩机技术研究领域中得到了广泛的关注,由于压缩机故障将会导致经济受损和威胁人们的生命财产,因此发展压缩机故障检测技术是十分必要。压缩机故障检测是采用压缩机在运行过程中所产生的信号,利用相关的信号去查找有故障的压缩机。传统的方法是采用BP神经网络的检测方法,利用从压缩机语音信号中提取的识别特征来预测压缩机故障类型,该方法具有良好的可行性,但是BP神经网络存在陷入局部最优值的问题,从而导致了预测结果的稳定性较差和预测精度较低的问题。针对BP神经网络在压缩机故障检测中所存在的问题,本文做了如下研究:首先,本文提出了IBFOA和BP神经网络的压缩机故障检测算法,利用改进的细菌觅食算法去对BP神经网络的权值和阈值进行深度寻优,寻优后的权值和阈值赋值给BP神经网络。首先采用混沌序列的方法产生初始菌群,从而保证个体较为均匀的分布在搜索范围中,其次将复制操作和迁徙操作结合,将复制操作中一半死亡个体采用迁徙操作和混沌序列的方法,并且采用自适应步长,从而有效的加强全局搜索的能力,在后期采用选择最优方向,步长与适应值变化量相关联,复制操作中一半被淘汰的个体,重新生成在较优个体邻近,从而将有效的加强局部开发能力,使得寻优结果的精度更高,最终将改进的细菌觅食算法和BP神经网络的模型应用到压缩机故障检测中。其次,本文提出了IWOA和BP神经网络的压缩机故障检测算法。首先通过优化鲸鱼优化算法中的搜索猎物被执行的概率和包围猎物向最优个体聚集的过程,从而提高了鲸鱼优化算法的全局搜索能力和收敛速度,其次将改进的鲸鱼优化算法对BP神经网络的权值和阈值进行深度寻优,将最优鲸鱼个体解码且赋值给BP神经网络,从而完成BP神经网络的结构构建。最后,将改进的优化算法和BP神经网络相结合的模型,通过压缩机故障检测实验,与其他文献的模型相比,再利用测试误差、训练误差和相对误差等衡量指标,证明改进的优化算法和BP神经网络具有预测精度高和稳定性好等优点。