随着社会的发展、科技的进步,空调在人们日常生活和工作中变得不可或缺。然而,空调的大量使用导致能耗的不断增加,并且由于空调系统的日益复杂,各种故障问题也接踵而至,造成的能耗损失也日益严重,因此,对空调系统故障诊断的研究被作为了节能的重点。然而,空调系统由于子系统众多、结构复杂,同时由于经验性和主观性的存在,使得直接对空调系统故障诊断问题进行奖赏设定变得相当困难,这在一定程度上也导致了奖赏的稀少,使得算法的学习效率低下、难以收敛,而逆强化学习算法则可以通过对专家示例的学习,很好地解决奖赏难以设定的问题。随着人工智能技术的兴起与不断发展,越来越多的人工智能技术被应用于建筑领域,并很好地体现了其应用价值,逆强化学习与空调系统故障诊断问题的结合也是顺应建筑智能化的发展趋势。本文将逆强化学习方法应用于空调系统的故障诊断问题,并对其展开研究,针对专家样本数据稀少的问题,利用生成对抗网络训练生成更多的专家样本数据,有效地解决了逆强化学习的奖赏稀少问题;将改进的基于生成对抗网络的最大熵逆强化学习算法用于空调系统参数状态预测,进行故障诊断;针对空调系统参数状态较多,逐一对每个任务恢复奖赏代价较大的问题,引入终身学习,进行任务之间奖赏函数的迁移,可以进行多个空调系统故障的诊断。主要内容包括以下三部分:（1）针对专家样本稀少导致学习速率慢的问题,出一种基于生成对抗网络的最大熵逆强化学习算法。在学习过程中,结合专家样本训练优化生成对抗网络,生成虚拟专家样本,在此基础之上利用随机策略生成非专家样本,构建混合样本集,结合最大熵概率模型,对奖赏函数进行建模,并利用梯度下降方法求解最优奖赏函数。基于所求解的最优奖赏函数,利用正向强化学习方法求解最优策略,并在此基础之上进一步生成非专家样本,重新构建混合样本集,迭代求解最优奖赏函数。将所出的算法与Max Ent IRL算法应用于经典的Object World与Mountain Car问题,实验表明,该算法在专家样本稀少的情况下可以较好地求解奖赏函数,具有较好的收敛性能。（2）将第（1）部分所出的GAN-MaxEnt IRL算法用于空调系统故障预测诊断,将空调系统的初始状态作为该算法的输入,通过该算法求解出最优状态预测的奖赏函数,基于所求解的奖赏函数,最后利用正向强化学习TD算法进行状态预测,将预测状态对应的状态值函数与设定的阈值比较,实现对空调系统故障的诊断。仿真结果表明,该方法可以有效地进行空调故障的诊断,很好地降低了因空调故障导致的成本损失和能耗损失,创造了经济效益和实现了建筑节能。（3）针对空调系统复杂、故障种类繁多,逐一进行每个参数状态最优预测的奖赏函数恢复成本较大的问题,引入终身学习的思想,通过对多个任务进行学习,构建一个可以近似表示更多任务的奖赏函数模型,并通过在不断的学习训练中,不断修正和完善该奖赏函数,使之可以应用于更多相关联的任务,可以进行更多的故障预测诊断。