作为数据中心制冷系统的关键设备,冷水机组的主要作用是为数据中心提供冷源,保证机房环境质量、机房设备的可靠性、安全性。此外,冷水机组在实际运行中的故障多以渐变故障为主,从产生到具有明显故障征兆需要很长一段时间,这种带障运行会额外增加制冷系统的能耗。本课题针对以上问题,设计并实现了一种高性能的冷水机组故障诊断与健康状态评估系统。本研究的主要工作和成果如下:首先,针对现有冷水机组故障诊断方法特征提取能力一般、泛化能力差的问题,提出了一种高性能的故障诊断方法。该方法融合了一维卷积神经网络的速度与门控循环单元的高精度。首先,利用随机排序的历史数据训练一维卷积神经网络,提取故障的局部特征;然后,将一维卷积神经网络训练好的参数设置到本研究新提出的混合神经网络模型(1D-CNN＿GRU)中,从而保留数据之间的长期依赖关系特征。实验结果表明,与其他主流方法相比,1D-CNN＿GRU不仅具有良好的泛化能力,而且在公开数据集RP-1043和数据中心真实数据集上都具有更好的性能,不同故障级别的诊断精度都达到了90%以上。其次,针对冷水机组健康状态量化评估过程中特征提取困难、量化算法复杂度高等问题,提出了一种基于LSTM编解码器与欧式距离相结合的健康度评估方法。针对故障特征提取困难的问题,本研究仅利用正常状态的特征数据无监督训练LSTM编解码器,并构建正常样本特征空间;引入欧式距离,度量真实状态监测向量与特征空间之间的退化距离,衡量冷水机组的退化程度,解决了健康度量化算法复杂度高的问题。实验结果表明,本研究提出的方法所计算的健康度与故障退化程度相一致,具有较好的工业量化评估价值。最后,在上述研究成果的基础上,设计并实现了基于当前主流Web应用框架——Spring Boot的冷水机组设备健康管理系统。该系统以数据中心实时传感器数据为数据源,通过其内部的BIM接口将其传入数据库并进行结构化转换;系统通过调用Apache ECharts开源可视化库对状态监测结果以及模型训练结果进行可视化展示。此外,系统还包含代码生成、表单管理等模块,不仅减少了重复写代码的工作量,还为运维人员提供了技术支持,从而节省了维护成本。本课题的实现对保证机房环境安全、排查早期故障、减少设备损耗和创建“绿色数据中心”具有重要的研究价值与现实意义。