针对往复机械振动信号具有复杂非线性、非平稳等特性，使用一种基于小波框架的自适应经验小波变换和以集合角度处理信号的形态学滤波来进行往复机械故障特征提取。首先使用自适应经验小波变换通过构造尺度空间曲线对傅里叶频谱进行划分，构造合适的正交小波滤波器组以提取具有紧支撑傅里叶频谱的AM-FM成分；然后根据往复机械振动信号冲击性的特点，基于信号本身特性构造形态学结构元素，对提取出的模态进行状态自适应形态学滤波；最后使用多尺度模糊熵对模态进行定量分析并对故障进行识别。将该方法应用到实测数据中，实验结果验证了该方法的有效性，该方法可以准确对往复压缩机气阀故障进行识别。

针对多尺度模糊熵(multi-scale fuzzy entropy，MFE)分析时间序列复杂性时捕捉不到高频组分信息的局限，提出一种新的基于小波包模糊熵(wavelet packet fuzzy entropy，WPFE)的故障特征提取方法。该方法利用小波包对信号的低频和高频成分进行分解，应用模糊熵对各频带分量进行量化得到特征向量，因而能提取更全面、准确的故障信。以往复压缩机传动机构为研究对象，将小波包模糊熵作为特征提取工具，通过振动信号提取不同位置轴承间隙大故障的特征向量，利用支持向量机作为分类器，与多尺度模糊熵进行对比分析，验证了该方法的有效性。

往复压缩机广泛应用于石油、化工生产行业，其滑动轴承常因磨损而出现间隙过大故障。针对往复压缩机振动信号的强非平稳和非线性特性，提出一种改进局部均值分解(LMD)方法，并将其应用于往复压缩机轴承间隙故障诊断。通过在极值点间加入极值对称点，使用单调三次Hermite插值(MPCHI)替代三次样条插值(CSI) 构造包络线，提高局部均值与包络估计函数的准确性，以此提出了改进LMD方法的算法与流程。以往复压缩机轴承故障振动信号为对象，通过与不同LMD方法比较，验证改进的LMD方法的优越性，并以PF分量幅值包络频谱实现轴承间隙大故障的准确诊断。