1、空調(diào)制冷系統(tǒng)的應(yīng)用已滲透至社會的各個領(lǐng)域，系統(tǒng)本身及自控系統(tǒng)的規(guī)模逐年增大，主要部件、輔助配件、控制元件的選擇具有多樣性，系統(tǒng)中循環(huán)物質(zhì)具有一定的復(fù)雜度，在系統(tǒng)運行過程中，不可避免會出現(xiàn)各種故障，此時系統(tǒng)輸出與預(yù)期不相符，即喪失了原設(shè)計所規(guī)定的功能，影響系統(tǒng)運行的可靠性和安全性，對空調(diào)制冷系統(tǒng)進行實時的故障診斷，以確保系統(tǒng)的正常運行，及時發(fā)現(xiàn)并進行維修，降低損失，具有一定的現(xiàn)實意義。
　　針對目前空調(diào)制冷系統(tǒng)故障診斷大多采用監(jiān)督式

2、學(xué)習(xí)，依賴人工專業(yè)經(jīng)驗，所提取的特征非線性程度較低等現(xiàn)狀，提出運用稀疏自編碼器實現(xiàn)非監(jiān)督式故障特征提取，并與已有的特征提取方法進行對比分析。對診斷模型所采用的人工神經(jīng)網(wǎng)絡(luò)分類原理、支持向量機分類器原理、主成分分析算法、稀疏自編碼器算法做簡要分析，對空調(diào)制冷系統(tǒng)及其常見故障進行分析，了解典型故障發(fā)生原理，簡要介紹ASHRAE資助實驗，以該制冷機組實驗數(shù)據(jù)作為歷史數(shù)據(jù)，進行空調(diào)制冷系統(tǒng)故障診斷模型建立。
　　運用稀疏自編碼器、主成分分

3、析法提取故障特征，并將特征作為分類器的輸入，進行空調(diào)制冷系統(tǒng)的故障診斷，比較兩個模型的性能，稀疏自編碼器進行特征提取的模型準確率、召回率和精確率等均有所提高，尤其是對于具有較高復(fù)雜度的故障（故障偏離程度較低的情況，故障判別較難的情況如全局故障:制冷劑、潤滑油不足或過量，正常情況），證明對于本文的數(shù)據(jù)對象，稀疏自編碼器所提取的特征故障敏感程度優(yōu)于主成分分析法所提取的特征。對稀疏自編碼器網(wǎng)絡(luò)結(jié)構(gòu)進行調(diào)優(yōu)，如改變隱藏層層數(shù)和節(jié)點數(shù)等，建立最優(yōu)

4、診斷模型。調(diào)整訓(xùn)練樣本數(shù)據(jù)量，分析稀疏自編碼器特征學(xué)習(xí)能力，可知其對訓(xùn)練樣本數(shù)據(jù)規(guī)模的要求較低，泛化能力較強，對大規(guī)模數(shù)據(jù)也具有高效優(yōu)勢。利用稀疏自編碼器可有效地優(yōu)化分類器的診斷性能。
　　分析對比了稀疏自編碼器、主成分分析、人工神經(jīng)網(wǎng)絡(luò)和人工故障特征提取的特點，稀疏自編碼器特征提取優(yōu)勢在于，不依賴于標簽數(shù)據(jù)與人工專業(yè)經(jīng)驗，適用于非線性程度及復(fù)雜度較高的數(shù)據(jù)，多隱藏層自學(xué)習(xí)最優(yōu)的多維特征，對訓(xùn)練樣本數(shù)據(jù)規(guī)模要求較低，所提取的特征故