多联机系统控制策略较为复杂,在长期运行后容易出现设备故障,从而增加设备能耗。数据驱动技术由于不需要停机检修与具有专业知识的修理人员,所以在应用方面更为有效便捷,本文以数据驱动模型为切入点,以多联机制冷剂充注量故障为对象,使用深度自编码模型对多联机数据特点、多联机故障数据模型诊断效果和模型泛化能力进行多方面的深入研究,对此本文展开了以下的工作。首先,本文针对焓差实验室的多联机运行数据进行研究分析,将实验中不同工况下的制冷制热运行模式的运行数据采集后进行了分类,其包括了63.43%到130%共九种制冷剂充注量水平的标签类别。在对数据进行了异常值剔除和归一化处理操作后,分别使用了最大互信息数（MIC）、主元分析法（PCA）和深度自编码模型（DAE）对数据进行降维处理。在初步分析了降维后不同标签的数据分布后,发现深度自编码模型在降低数据维数的同时,可以在效降低数据维数的同时尽可能减少原始数据的信息丢失。当对多联机原始数据缩小至6维时,信息丢失仅为0.067,远优于PCA的信息损失（0.394）。本文又在获取降维数据的基础上分别使用诊断准确率和F1分数来评价使用这些降维数据后的BP分类结果。并针对深度自编码模型的特点引入了模型微调和网格搜索技术来对模型和参数方面进行优化,最终获得了较为优异的诊断模型。在调整模型和参数后,DAE-BP模型的诊断性能得到了显着提高,诊断准确性从71.4%提高到96.8%。最后,为了进一步分析模型的泛化能力,本文将不同运行模式下的数据样本作为训练集去对其他运行模式下的数据进行诊断性能测试,并尝试从数据端和模型端进行优化。结果表明,制冷和制热运行模式下数据差异较大,会导致其诊断性能大幅度下降,并且这种情况无法通过添加Dropout层来优化。但是,将制冷和制热模式下的运行数据同时用作训练集来构建DAE-BP诊断模型时,该模型对两种运行模式下的诊断效果均超过92%。类似情况也出现在MIC-BP和PCA-BP模型中。针对这种现象,本文提出了一种基于区块链技术的多联机在线数据流通方案。研究表明,该方案可以使多联机运行数据突破个人,企业之间的信任差距,实现绝对真实、完全可信和不可篡改的多联机关键数据的流通与存储。而且由于没有交易数据,因此存储成本远小于传统的区块链平台,并且单个多联机数据组的存储成本不到两千字节。