中央空调系统在建筑领域发挥着重要的作用,一旦发生故障,势必会造成不必要的能源消耗,保证其高效稳定地运行对建筑节能至关重要。为此,本文以系统的历史运行数据为核心,以数据挖掘方法为手段,重点开展了中央空调系统故障智能诊断策略及其迁移应用研究,以多联机系统的制冷剂充注量故障诊断为出发点,逐渐向多系统多类故障的诊断演进,从特征选择方法和故障诊断策略两方面不断进行探索创新,应用集成学习思想解决了诊断模型稳定性差及同时诊断多种类型故障的难题,引入迁移学习方法实现在故障数据匮乏情况下不同系统间的故障诊断模型迁移,构建了一套较为完整的建筑中央空调系统故障智能诊断体系。本文的主要研究内容如下:针对多联机中央空调系统最常见的制冷剂充注量故障诊断问题,提出一种基于耦合特征选择的加权K近邻故障诊断模型。通过将多种单一特征选择方法进行耦合,得到了更优的故障关键表征变量集,以此建立的加权K近邻模型对不同严重水平的制冷剂泄漏和过充故障均呈现出较高的诊断精度,其有效性在其他四台不同型号的多联机系统上得到了较好的验证。为了更为精确地诊断出系统中制冷剂余量,进一步提出了制冷剂充注量故障自动寻优诊断策略,有效避免了因诊断模型原理差异带来的异常诊断表现,并能以更高的精度诊断出系统中的制冷剂余量。针对单一的故障诊断模型稳定性和通用性差的问题,提出一种两阶段集成诊断模型。采用模拟退火算法分别选择制冷剂充注量、阀门和压缩机故障的关键表征变量,在第一阶段集成过程中,采用boosting方法将多个组件学习器进行集成,有效提高了初步集成模型的诊断性能。为了进一步提高模型的稳定性和通用性,采用加权投票策略对初步集成模型的诊断结果进行集成。结果表明该过程可以有效整合各初步集成模型的优点。该两阶段集成模型在多联机制冷剂充注量故障、阀门故障和压缩机故障的诊断过程中均表现良好的诊断性能和稳定性,完美地规避了单一故障诊断模型可能因应用对象不同而出现性能大幅下降的缺陷。针对同时高效地诊断多种类型故障较为困难且不同特征选择方法容易得到局部最优的故障关键表征变量的问题,提出一种结合序列向前搜索集成特征选择方法的Light GBM多故障诊断模型。创新性地将集成学习思想引入多故障关键表征变量的选择过程,首先利用五种基础特征选择方法得到按重要性降序排列的特征子集,然后采用序列向前搜索策略在由各特征子集组成的特征空间中搜素最优的故障表征特征,并将Light GBM模型的诊断性能作为评价特征好坏的标准,可以有效避免得到局部最优特征子集,且最终选出的特征子集能更好地表征各类故障的症状。结果表明基于此建立的Light GBM诊断模型能很好地同时诊断多联机中央空调系统的八类常见故障。该方法的有效性和通用性在冷水机组的七类典型故障中得到了很好地验证。最后,针对在故障数据匮乏的情况下建立中央空调系统故障模型困难较大的问题,本文提出基于迁移学习方法的故障诊断策略。首先通过仿真模拟中央空调系统四种常见故障并得到了不同应用场景下的仿真系统的运行数据。基于此,研究了两种迁移学习方法在不同应用场景下的多故障诊断性能。通过将预训练模型作为特征提取器的迁移方法可以有效提取故障数据匮乏的目标建筑中央空调系统的瓶颈特征,而另一种通过对预训练模型进行微调的迁移学习方法在较好保留从源建筑学得的系统运行模式的同时,能更好地学习目标建筑中央空调系统的信息。基于两种迁移方法的中央空调系统故障诊断模型在不同场景下均表现出优异的诊断性能,有效解决了因故障数据匮乏而较难建立高效诊断模型的问题,实现了不同建筑不同空调系统间故障诊断模型迁移,具有较好的应用潜力。本论文提出耦合特征选择方法以提高多联机系统制冷剂充注量故障诊断模型的诊断精度和诊断效率,在此基础上,分析故障诊断模型稳定性的影响因素,提出了适用于不同类型故障的两阶段集成诊断模型。并进一步研究了多故障同时诊断策略,将集成学习思想成功应用于多故障关键表征变量的选择过程。针对不同建筑不同空调系统间的多故障诊断模型迁移问题,建立了基于迁移学习方法的多故障诊断模型,完善了建筑中央空调系统多故障智能诊断体系。