据统计,我国建筑能耗大约占了社会总能耗的30%,在建筑能耗中,暖通空调能耗占据40%以上,如果空调设备“带故障运行”,其能耗大约会增加20%。及时发现故障状态,采取必要的维修措施,可以提高设备能源利用效率,降低设备故障停机造成的风险和损失,制冷系统故障诊断技术正逐步成为研究的主要热点之一。本文旨在研究基于数据驱动的制冷系统故障检测、诊断方法,提出基于距离特性的神经网络故障诊断方法,采用ASHRAR RP-1043故障样本数据仿真验证并进行实验验证。具体工作如下:（1）故障诊断特征提取环节通常采用欧氏距离进行运算,并不能忠实地反应样本位于非线性流行上的相似关系。针对这一问题,将传统的t-SNE算法进行改进,提出基于信息熵加权马氏距离（EMt-SNE）的故障检测方法。仿真实验结果表明:从可视化角度将EMt-SNE降维处理后的数据进行投影,比传统的特征提取算法具有更好的区分度;不同特征提取方法与同一分类器的分类结果对比,可以证明本文方法的有效性。（2）传统神经网络训练过程中存在参数选择困难,网络模型复杂等缺点,本文提出将门控循环单元（GRU）作为蒸汽压缩式制冷系统故障诊断模型,诊断结果与常见制冷系统故障诊断方法:极限学习机（ELM）、支持向量机（SVM）进行对比。仿真表明:对于轻微等级故障Level1的8000个样本数据,本文算法的诊断准确率为96.56%,比对照组高出5.62%,其中4种单发局部故障的准确率为100%。误报率指标相比对照组分别减少了6.97%、5.99%和6.31%,漏报率分别减少了4.41%、0.64%和2.58%,验证本文方法的有效性。（3）为了验证所提方法的实际应用效果,依托标准焓差实验室,利用C#语言设计数据采集系统,实现对小型风冷热泵机组运行数据采集,实验设计了2种常见单一故障,和两者同时并发的故障。对于轻微等级故障Level1的仿真结果,EMt-SNE+GRU模型诊断准确率为97.5%,对照组准确率ELM为92.5%,SVM为95.5%,GRU为95.5%,对于其余故障等级的诊断情况,所提方法的结果亦均优于对照组。