空调系统的故障会引起设备性能下降或者设备失效,进而引起能源浪费、室内热舒适性降低及设备使用寿命缩短等一系列问题,因此本文重点开展了空调系统的故障检测与诊断研究。多联机空调系统由于其自身的特点及优点,近年来在中小型建筑中得到了广泛应用,且目前关于多联机空调系统故障检测与诊断的研究较少,因此多联机空调系统为本文的研究对象。因为多联机系统自动化程度高,机组本身携带了大量的传感器,并且部分多联机具有数据收集和传输能力,这为采用数据驱动方法的多联机空调系统故障诊断研究奠定了数据基础。且机器学习和数据挖掘方法在图像识别及语音识别等领域已经得到了快速发展,因此数据驱动方法将是解决空调系统故障检测与诊断问题的一种有效途径。本文重点研究了多联机系统的传感器故障、室内机故障及室外机故障,针对运行数据波动、室内机数量多、特征变量选择及深度学习应用等问题,采用SG方法、主元分析、关联规则挖掘、神经网络及深度信念网络等数据驱动方法,开展了一系列故障检测与诊断研究,主要工作如下:由于多联机系统采集的原始数据存在锯齿形波动问题,会影响传感器故障检测与诊断效果,因此本文提出了一种基于SG算法的数据平滑优化方法,对数据进行优化,然后利用主元分析方法建立了SG-PCA传感器故障检测与诊断模型。为了确定SG方法中多项式阶数与滑动窗口宽度两个参数设置,提出了一种参数优化指标,该指标通过平滑数据的信噪比、标准差和自检测效率计算得到。然后引入不同程度的故障到实际运行数据中来验证模型的效果,结果表明与传统的PCA模型相比,SG-PCA模型可以显著提高传感器故障检测与诊断性能。针对多联机空调系统具有多个室内机的特点,本文提出了一种模块化PCA模型故障检测策略,该策略不仅可以检测出故障,同时可以判定故障的室内机位置。首先使用模块化PCA方法分别建立室内机和室外机在各种模式下的故障检测模型,然后利用六个特征变量开发了基于专家知识的多变量解耦故障诊断策略。采用四种故障对本文提出的故障检测与诊断策略进行评估,包括两个室内机故障(电子膨胀阀故障和室内机换热器脏污)、一个室外机故障(四通阀故障)和一个系统级故障(制冷剂充注量不足)。通过结果分析表明,基于模块化PCA故障检测方法和多变量解耦故障诊断策略对上述四种故障是有效的。针对特征变量优化选择问题,提出了一种基于数据挖掘方法的故障诊断模型特征集优化选择方法。首先利用相关性分析方法去除冗余变量,然后采用关联规则挖掘方法优化特征集选择。通过特征选择优化,共选择出了五个特征变量集(FS1-FS5)。FS1是原始特征集,FS2是去除冗余变量后的特征集,FS3-FS5为关联规则挖掘出的特征集。利用上述的特征集分别建立了基于神经网络方法的故障诊断模型,并采用室外机换热器脏污故障、四通阀故障、制冷剂充注量不足和过量故障对模型性能进行了评估。结果表明相关性分析方法可以有效剔除冗余变量,并且关联规则挖掘方法可以优化特征变量集。采用FS5时的故障诊断模型具有最好的故障诊断结果,其故障诊断正确率从88.71%提高到了96.40%,且四种故障的命中率均高于90%。最后,本文提出了一种基于深度学习方法(深度信念网络)的故障诊断策略,研究了其在空调故障诊断领域的应用潜力。针对深度学习方法参数多及选择困难的问题,本文分析了各个参数对模型性能的影响,并提出了一种参数优化选择方法。利用制热模式下四种故障对深度信念网络模型进行了测试,结果表明深度信念网络模型可以应用于空调系统的故障诊断问题。通过参数优化选择,优化后模型的故障诊断正确率达到了97.70%,比具有初始参数的故障诊断模型提升了5.05%。另外,深度信念网络模型隐含层深度优化选择为2层,表明对于多联机故障诊断问题可能不需要非常深层的模型。此外,对比分析了深度信念网络模型与上述神经网络模型性能,结果表明深度学习模型具有更好的故障诊断效果。