节约能源是我国能源发展的基本国策之一，随着暖通空调系统的应用场景越来越广泛，其能耗开销也愈加严重。在运行过程中，暖通空调系统由于自身或外在的原因，往往会发生故障，进而产生不必要的能耗，因此及时的故障诊断意义重大。基于数据驱动的方法可以有效利用系统的在线与离线数据建立模型，并实现对参与模型训练过程的已知类型故障的诊断，在暖通空调领域的节能方面有着极大的潜力。但对于未参与模型训练过程，对于模型来说是未知的故障数据，此时无法保证模型的有效性。因此本文提出了针对模型已知与未知类型故障的诊断策略。
　　本文采用多联式空调机组实验获得的制冷剂充注量故障数据对所提策略进行验证。首先从正常运行和故障运行的对比实验中获取充分的数据，为诊断模型的建立提供数据可靠性。然后由数据随时间的波动性以及数据中存在的异常值，进行变量与样本的剔除，以减少数据中包含的无效信息，进而确定故障诊断模型的输入与输出。最后将所有故障数据样本划分为针对模型的已知与未知类型故障，并构建训练、验证、测试数据集。
　　本文基于集成学习思想的启发，提出了一种模型融合的方法，在利用BP神经网络输出为向量的特性进行未知类型故障诊断的同时，为减小已知类型故障的误诊率并提升泛化性能，进一步采用了CART决策树，进行已知类型故障诊断。首先利用训练数据集分别建立BP神经网络与CART决策树模型，并对比两模型在验证数据集上对已知类型故障的诊断结果。然后基于BP神经网络，提出了区分阈值策略与向量相似策略，在测试数据集上进行未知类型故障诊断。最后利用模型融合方法得到融合模型，进行综合诊断，提升模型整体的鲁棒性。
　　结果表明，在验证数据集上，CART决策树相比BP神经网络的诊断正确率，提升了近10%，CART决策树模型对于已知类型故障有着更好的诊断性能。在测试数据集上，区分阈值策略与向量相似策略整体的诊断正确率分别为95.20%与96.63%，对于未知类型故障的诊断正确率为94.47%与97.44%，两策略在不影响模型整体诊断性能的前提下，实现了针对模型的未知类型故障诊断。