随着我国经济的快速发展,办公建筑的能源消耗在迅速增长。由于建设体量大、能耗占比高、节能潜力巨大等特征,办公建筑已经成为建筑节能研究的重点。作为办公建筑的主要耗能部分,暖通空调系统经常因冷水机组故障而导致非正常工况频繁出现,从而造成大量能量损失和严重事故。因此,将故障诊断技术应用到办公建筑冷水机组设备对于维持暖通系统安全运行和降低因故障引起的能耗具有重要意义。为此,本文针对办公建筑中冷水机组设备,从典型故障原理分析与建模、故障数据仿真、实验平台搭建、机器学习方法驱动、办公建筑现场应用等几个方面开展研究工作,通过自动机器学习、联合平台仿真、故障诊断系统开发等技术,以期实现办公建筑冷水机组的智能故障诊断,从而降低能源消耗。本文的主要研究工作包括:（1）针对办公建筑冷水机组可用于机器学习方法训练的故障数据较少,易导致诊断模型过拟合的问题,搭建了基于典型故障建模的冷水机组联合仿真平台。结合现有的实验条件,首先选取5类典型故障作为主要研究对象,进行故障原理分析和过程建模,然后利用联合仿真平台模拟了 20种故障实验以获取研究所需要的数据基础。最后,利用动态仿真数据去验证提出方法的有效性。（2）机器学习技术严重依赖专家调参经验以及人工干预,而自动机器学习能够针对研究对象的任务情况实现数据处理、模型生成和参数寻优等一系列程序的自动化运作,简化模型构建过程。因此,针对冷水机组故障诊断过程中特征冗余度高、参数寻优困难、人工干预过多、算法模型复杂度高不易实际应用等问题,提出了一种基于自动机器学习理论的故障诊断方法。在AutoKeras自动机器学习框架下,首先采用最大相关和最小冗余算法（mRMR）从训练数据中自动有效地提取重要特征信息,减少特征冗余;然后,利用长短时记忆（LSTM）网络模型保存机组数据之间的时序关联信息,并用高效神经架构搜索算法（ENAS）对模型进行训练和优化,自动获取最优的神经网络结构和超参数配置,实现模型的自动化构建与便捷应用。实验结果表明,基于LSTM的自动机器学习方法在低故障严重度和混合故障严重度情况下均提供了显著的性能改进。（3）针对方法模型在实际应用方面的必要性,本研究开发了一种冷水机组故障诊断系统,包括人员信息管理、设备信息管理、历史数据查询和设备故障诊断等功能。为了验证系统的实用性与可靠性,本研究将其应用于实际项目中济南某办公建筑冷水机组设备,并获得了有效分析数据和诊断故障的显著效果。