利用机器学习算法对空调系统进行查错和诊断,能够及时有效地对空调的故障进行检测排查,保障系统有效运行并减少能源消耗。但空调设备复杂,故障原因种类繁多,机器学习算法在空调故障诊断适用性上还有待提高。当前研究尚未解决的问题包括:如何能够及时判断出空调系统中的可能存在的故障,如何在不易获取标记样本时拓宽诊断方法的应用范围,如何将实验状态与工程设计中的实际问题相结合。为解决上述问题,本文展开针对空调故障诊断的特征选择和机器学习算法研究,主要内容如下:(1)提出了利用多种特征选择方法对空调故障数据进行特征选择。针对目前冷水机组故障诊断过程中的不足,采用不同的特征选择方法对冷水机组故障数据进行特征选择,并利用支持向量机完成分类,通过对比分析获取冷水机组故障诊断中重要的特征子集。最终得到的结果能够更有效率地对冷水机组进行故障诊断。(2)通过扩展序列前向选择算法,提出一种结合代价敏感和序列前向选择算法的故障检测方法,使用反向跟踪序列前向特征选择算法,选择出次序排列且考虑代价敏感的特征,实验结果表明,该实验算法所得的分类准确率均高于同等文献工作结果,同时,这项工作实现了实验设计和工程实际问题的有效结合,弥补了理论冷水机组故障诊断和现实空调系统之间的差距。(3)针对训练集中带标记故障样本少的状况,提出一种基于半监督学习的空调故障诊断方法。使用少量的带标记样本训练支持向量机,从未标记样本中选择每个类别置信度高的样本扩增至训练样本集,利用未标记样本中有利于支持向量机的信息,提高分类器性能。结果表明,该混合算法能够在故障标记样本比较少的情况下,通过半监督学习,达到90%以上的故障诊断率。