多联机作为暖通空调系统的主要形式之一,具有安装方便、设计灵活、控制智能化、运行稳定等优点,已被广泛应用于各种大型建筑中。随着多联机系统的推广及普及,其节能和安全问题也将受到广泛关注。由于在实际运行状态下工况变化的复杂性,多联机系统会发生各种典型故障,从而影响其工作性能,导致能耗增加,还会产生昂贵的维修费用,甚至发生重大安全事故。因此,对多联机系统的常见故障进行及时的检测与诊断是十分有必要的,本文运用数据驱动方法对多联机制冷剂充注量故障进行深入研究。本文根据样本数量及对应制冷剂充注量范围,将多联机制冷剂充注量原始制热数据分为5类故障水平,并对应的标上故障水平标签,分别为L₁、L₂、L₃、L₄、L₅。接着,利用箱线图分析法找出其中的异常值,并将异常值所在的样本全部删除,同时采用最大信息系数和斯皮尔曼相关性分析法进行特征选择,筛选出最终的特征子集。然而,这些数据直接采自于测量现场,往往包含大量噪声,会降低模型的故障诊断率,因此本文在最终建模之前,采用基于经验模态分解（EMD）的去噪方法对筛选出的特征变量进行去噪处理,以消除数据中的噪声,提高数据质量。最后,将去噪后的特征子集作为模型输入,建立多联机制冷剂充注量故障诊断模型,并采用整体故障诊断率、个体故障诊断率及诊断用时3个指标来评价模型。结果显示,结合最大信息系数和斯皮尔曼相关性分析的特征选择可以有效降低特征维度,减少变量冗余,缩短诊断时间。相比于传统的BPNN模型,ELM模型具有更佳的故障诊断性能,使得制冷剂充注量的整体故障诊断率从79.83%提高到了83.88%,而诊断用时从205s减少到了22s。而基于EMD的去噪算法进一步提高了模型的性能,相比于去噪前的BPNN和ELM模型,EMD-BPNN和EMD-ELM复合诊断模型的整体故障诊断率分别提高了4.48%和9.44%,其中EMD-ELM模型的整体故障诊断率最高,达到93.32%,诊断用时也仅为21s。此外,EMD-ELM模型在各个故障水平的诊断率上都高于ELM模型,其中L₄故障水平提升最大,达到31.5%。总之,EMD算法确实可以提高数据质量,有助于模型的故障诊断性能的改善。本文提出的基于EMD去噪的多联机制冷剂充注量故障诊断模型具有一定的研究与应用价值。