R290（丙烷）是当前制冷剂替代技术的重要技术路线之一,具有良好的热力学性能和节能潜力,但其可燃性成为大规模推广的主要障碍,因此针对R290制冷剂泄漏的精准识别乃至预测是行业研究重点。制冷系统故障直接影响系统运行参数,不同故障类型所引起的运行参数变化规律不一致,利用数据挖掘中的回归预测和分类预测方法,建立运行参数时间序列预测模型和不同类型故障分类器模型,并将二者耦合实现故障预测的目的,为R290制冷剂泄漏问题提供一种可行的解决方案。研究内容包括:首先设计搭建R290制冷剂泄漏实验样机并进行测试实验,采集各模式下的运行数据构成原始数据集,通过特征选择方法将原始的18个特征减少至5个,大大降低了数据冗余。其次基于预处理后数据集建立正常—泄漏故障诊断SVM模型（model1）和干扰故障诊断SVM模型（model2）,将各模式运行数据输入至model1模型中,输出为4个标签的预测得分,通过对预测得分的分析提出一种基于SVM预测得分的故障诊断策略,并结合model3构建故障诊断模型,可对不同的运行模式进行准确识别,准确率高达100%。此外,该模型能够有效降低未知故障的误诊率。随后针对以上SVM模型的特征参数集,利用LSTM建立多元时间序列预测模型并进行参数调优,使其在测试集上的均方根误差（RMSE）由最初的0.162降低至0.057,提高模型预测性能。将LSTM参数预测模型与故障诊断模型相结合,构建LSTM-SVM故障预测模型,使用预测模型输出值作为故障诊断模型的输入,提前判断系统运行模式,在测试集上的评估结果表明,该耦合模型相比普通模型能够提前2～4个时间步发现系统故障。最后基于Py Side2和My SQL等技术,设计并开发了制冷剂泄漏在线故障诊断平台,能够实现平台登录及注册、参数监控和故障监测等功能,使用本地数据模拟在线故障诊断,结果显示该平台能够及时发现系统故障并准确记录故障信息,为可燃制冷剂泄漏问题提供了一种解决方案。