冷水机组是制冷空调系统的核心设备,冷水机组传感器的故障检测、诊断对于保证制冷空调系统正常运行具有重要意义。近些年,许多学者针对空调传感器故障检测、诊断问题给予很多关注,并取得了一定的进展。然而对于冷水机组传感器偏差故障和渐变故障的检测效果并不理想。长短期记忆网络(Long Short-Term Memory,LSTM)是由Schmidhuber&Sepp Hochreite针对RNN在处理非线性时间问题上存在梯度爆炸和梯度消失的问题,提出的一种时间递归神经网络,该网络被广泛应用于处理和预测高维、强耦合、高度时间相关性数据。针对上述问题,结合LSTM网络的特点,本文分别从分类和预测两个角度进行考虑,提出基于改进LSTM网络的深度学习方法用于冷水机组传感器偏差故障和渐变故障的检测及诊断。针对传感器偏差故障,将传感器故障检测看作多分类问题,不同故障传感器对应于不同类别,该方法将传感器故障检测、诊断合二为一,可以直接定位故障传感器。现场采集风冷冷水机组传感器数据,输入到改进的LSTM网络中进行训练。通过仿真实验分析得出,不同类型传感器检测效率不同。将检测结果与自动编码器(Auto encoder)、主元分析法(PCA)、标准的LSTM三种方法的检测结果进行比较,表明该方法在冷水机组传感器偏差故障检测中检测效果明显优于其他三种方法,并且针对同一传感器相同大小、不同正负的偏差故障,该方法的检测效率具有更好的对称性。针对传感器渐变故障,从预测角度考虑,各个传感器读数间具有强相关性,每个传感器读数可根据其他传感器读数预测得到。利用Person相似度描述不同传感器之间的相关性,选择合适的传感器读数作为待预测传感器模型的输入,以待预测传感器读数作为输出,建立各个传感器读数的改进LSTM网络预测模型,并以预测误差阈值为评判标准,判断是否存在故障传感器。将检测结果与主元分析法(PCA)的检测结果进行对比得出,本文所提方法能更早的诊断出传感器的渐变故障。