制冷设备是现代化大型机房主要设备装置之一,在工业生产、人民生活、国防安全等领域发挥着重要作用。但制冷设备结构错综复杂且各部件间关联性较大,因此,对结构复杂、影响因素众多的制冷设备进行在线故障诊断与预警,对保障大型机房的安全运行具有重要意义。本文在全面分析制冷设备的组成原理基础上,重点探讨了制冷设备的关键部件冷水机组故障诊断技术和故障预警技术,并设计实现了制冷设备运行状态实时监测与异常情况预警系统。论文的主要工作包括:1)对制冷设备的基本组成和工作原理进行详细研究,总结了制冷设备故障模式,分析了关键部件的重要特征及其故障阈值范围,为后续故障诊断和预警提供依据。2)提出一种基于多维时序特征的制冷设备故障诊断方法。针对传统统计分析方法在面对高维、小样本数据时诊断准确率不高的缺陷,首先基于业界广泛采用的、涵盖丰富故障类型的公开数据集(RP-1043)对离心式冷水机组故障数据进行分析,通过升维和数据增强预处理,以及加入学习率降低策略和dropout层,构建了基于BP(Back Propagation,BP)神经网络的故障诊断模型。与传统的SVM、PCA降维的SVM的诊断方法和只升维的BP神经网络诊断方法相比,该模型将故障诊断准确率提高了2%～9%。进一步,针对实际应用中样本数量不平衡问题,在提出模型的基础上,融入降采样方法,实现了基于多维时序特征的冷水机组故障诊断,进一步验证了本文提出模型的实用性。3)提出一种改进的长短时记忆网络(Long-Short Term Memory,LSTM)多维时序特征的故障预警方法。首先采用LSTM模型对冷水机组的每维特征进行了多周期的故障预测;然后针对传统LSTM记忆模块选择有限、输入序列长度不宜过大的弊端,提出了改进型LSTM模型(E-LSTM),通过数据预处理、相关性分析、模型训练和模型评估建立改进型多维时序特征的制冷设备故障预警模型。实验结果表明,所提出的算法与主流模型线性回归、SVR、GRU、RNN、LSTM等模型相比,具有更高的预测精度。4)设计并构建了基于多维时序特征的故障诊断与预警系统,实现了人员信息管理、设备信息的管理及数据的查询、故障诊断和预警等功能,并通过系统测试验证了各个功能模块的可靠性,为大型机房的智能监控提供了技术支持。