随着制冷系统系统复杂程度的提高,如何建立切实可行、高效的制冷系统状态监测系统已成为该领域研究热点。本文针对制冷系统状态监测中所涉及到的故障检测、故障诊断及故障状态下系统性能预测问题展开研究,主要工作体现在以下几个方面:首先,在对制冷系统故障调查、总结和结合现有实验的条件基础上,选取4种常见的突变故障和8种渐变故障作为本文研究对象。实验模拟了这12种故障,获得了研究所需的样本数据,总结了各种故障与其征兆之间的关系。针对制冷系统中渐变故障和突变故障的不同特性、对系统和设备造成的不同影响以及故障检测系统的要求,提出了基于数据滑动窗口小波包变换(Wavelet Packet Transformation, WPT)突变故障先兆性检测和基于主元分析(Principle Component Analysis, PCA)渐变故障检测的制冷系统故障检测策略。对小波包信号分解和小波信号分解在检测突变故障性能上进行了对比分析和验证,对基于PCA分析渐变故障检测进行了实验验证。结果表明,WPT信号分解更适合制冷系统突变故障检测,PCA方法能够较好地检测出制冷系统中发生的早期故障。针对实验中数据样本中变量繁多,变量间共线性严重,直接用测试参数建立故障诊断模型,其诊断性能较差的问题,提出了对样本数据进行主元分析提取其主要信息作为诊断模型所需的输入特征向量的方法。对典型人工智能方法在建立故障诊断模型时的性能做了理论研究与应用分析,确定了以支持向量机算法(Support Vector Machine, SVM)为基础的故障诊断模型,由此,提出了PCA-SVM组合故障诊断模型。针对SVM不能直接解决多元分类问题,探讨和分析了各种多类支持向量机算法,并就几种典型的多类支持向量机算法在建立制冷系统故障诊断模型上的性能进行了研究。对PCA-SVM组合诊断模型诊断的结果,利用模糊聚类(Fuzzy C-Means Clustering)和欧氏距离测量方法量化了同一类型不同程度的故障对系统的影响程度。结果表明,基于PCA-SVM制冷系统故障诊断系统具有良好的性能,诊断率更好,所需时间更短;基于模糊聚类和欧氏距离的故障等级划分方法可以较好的量化故障程度。针对采集样本中某些特征缺失,无法为已有故障诊断模型所使用的问题,建立了基于相似特征转换和支持向量机的不完整描述故障诊断测量。相似特征转换将样本中未知特征用已知相关特征来表示,通过测量目标检索向量与历史数据库中的样本之间的相似度,检索出最优相似的样本,利用相关数据处理方法将该样本中的相应特征赋予不完整样本中的缺失特征形成新的完整描述的样本,从而为已有诊断模型使用。对该策略中的样本规模、样本特征值分布及未知特征处理方法等各关键点展开了深入的分析和探讨。结果表明,该系统能够解决采集样本中特征缺失的问题,具有较高的故障诊断率。针对制冷系统非线性特征、时变性及测试参数易受干扰,使用传统方法建预测模型性能较差的问题,建立了基于SVM及ARIMA-SVM的制冷系统性能预测和时序型预测两种类型的模型。将基于SVM预测模型应用于蒸发器结霜故障时蒸发器性能预测问题,与传统的多元非线性回归模型进行了对比分析,并就该模型的抗噪声干扰及单因素敏感性进行了深入的分析。将基于ARIMA-SVM混合时序预测模型应用于蒸发器结霜时蒸发器性能预测问题,与独立的ARIMA和SVM时序预测模型就预测性能指标、预测性能走向趋势及模型捕捉“转向点”等性能做了对比分析。结果表明,基于SVM预测模型具有较好的预测性能;基于ARIMA-SVM混合时间序列预测模型,不仅具有良好的预测精度,同时能够较为精确地刻画出时间序列变化的趋势。