空调制冷系统的应用已渗透至社会的各个领域,系统本身及自控系统的规模逐年增大,主要部件、辅助配件、控制元件的选择具有多样性,系统中循环物质具有一定的复杂度,在系统运行过程中,不可避免会出现各种故障,此时系统输出与预期不相符,即丧失了原设计所规定的功能,影响系统运行的可靠性和安全性,对空调制冷系统进行实时的故障诊断,以确保系统的正常运行,及时发现并进行维修,降低损失,具有一定的现实意义。针对目前空调制冷系统故障诊断大多采用监督式学习,依赖人工专业经验,所提取的特征非线性程度较低等现状,提出运用稀疏自编码器实现非监督式故障特征提取,并与已有的特征提取方法进行对比分析。对诊断模型所采用的人工神经网络分类原理、支持向量机分类器原理、主成分分析算法、稀疏自编码器算法做简要分析,对空调制冷系统及其常见故障进行分析,了解典型故障发生原理,简要介绍ASHRAE资助实验,以该制冷机组实验数据作为历史数据,进行空调制冷系统故障诊断模型建立。运用稀疏自编码器、主成分分析法提取故障特征,并将特征作为分类器的输入,进行空调制冷系统的故障诊断,比较两个模型的性能,稀疏自编码器进行特征提取的模型准确率、召回率和精确率等均有所提高,尤其是对于具有较高复杂度的故障(故障偏离程度较低的情况,故障判别较难的情况如全局故障:制冷剂、润滑油不足或过量,正常情况),证明对于本文的数据对象,稀疏自编码器所提取的特征故障敏感程度优于主成分分析法所提取的特征。对稀疏自编码器网络结构进行调优,如改变隐藏层层数和节点数等,建立最优诊断模型。调整训练样本数据量,分析稀疏自编码器特征学习能力,可知其对训练样本数据规模的要求较低,泛化能力较强,对大规模数据也具有高效优势。利用稀疏自编码器可有效地优化分类器的诊断性能。分析对比了稀疏自编码器、主成分分析、人工神经网络和人工故障特征提取的特点,稀疏自编码器特征提取优势在于,不依赖于标签数据与人工专业经验,适用于非线性程度及复杂度较高的数据,多隐藏层自学习最优的多维特征,对训练样本数据规模要求较低,所提取的特征故障敏感度更高,具备一定的数据降维能力,特征提取速度快。