空调系统作为人们生产生活场所的重要设施,由故障造成的能源效率及舒适度下降甚至设备损坏等重大问题成为了设备厂商和相关研究人员关注的热点。目前的空调系统故障检测与诊断策略在知识驱动与数据驱动的结合以及实际环境中复杂工况下的鲁棒性提升等方面的研究仍十分欠缺,对此,本研究以多联机空调系统为研究对象,在对其典型故障数据分析的基础上进行了以下研究。在故障诊断策略优化方面,考虑模型的可解释性及不完全信息下模型的可用性,提出了以集成特征集的注意力模型为核心的故障诊断策略。在输入端通过3σ和指数加权移动平均降低了测量不确定性的影响,并基于相关性分析、信息增益比和关联规则提出了特征选取策略和集成特征集构建策略。在输出端通过注意力机制和集成模型的故障概率输出实现了诊断的可解释性和诊断不确定性量化。经测试,模型在部分传感器缺失和读数漂移时的诊断准确率依然能保持在90%以上。此外,考虑了实验数据集工况涵盖有限问题,提出了泛化性验证思路。分别对不同温度、负荷率、故障等级的未知数据进行了测试和模型结构优化,分析了不同输入特征数和模型参数对泛化性的影响,对比了不同机器学习模型的泛化性能,最终故障诊断模型的平均泛化性达到了88.1%。最后,对两台多联机系统的故障诊断迁移学习进行了研究,结果表明在目标域的故障数据样本较少时,通过迁移学习能够加速模型收敛并提升模型性能。