家用空调室外机是空调噪声的主要噪声源,空调室外机的噪声与其振动有着直接的关系。在空调出厂前,空调生产商根据空调室外机的振动对其进行故障检测。在生产线上,主要是依靠人工检测的方法对空调室外机进行故障诊断。为此,本文设计研发了一套非接触式的空调室外机故障诊断系统。本文首先对空调室外机的振动激励源和振动传递路径进行了分析,为后续振动信号采集点的选取奠定了基础。提出了一种六维振动检测方法,结合激光多普勒测振仪和激光位移传感器实现了空调的六维振动检测,通过对比实验证明其可行性。模拟了空调七种不同的工作状态,作为故障信号的来源。针对传统变分模态分解降噪方法存在难以选择噪声分量的缺点,综合利用能量集中比和相关系数,提出了一种基于变分模态分解的改进振动信号降噪方法,并通过仿真信号和实验信号分析证明其有效性。运用经验模态分解结合支持向量机和变分模态分解结合支持向量机两种方法对空调室外机进行故障诊断,通过实验证明两种故障诊断方法在空调室外机故障诊断中的不足。实验结果表明,在对信号进行特征提取时,两种故障诊断方法都存在特征向量维度难以统一的问题,且模型识别正确率不够高。针对以上两种故障诊断方法的不足,提出运用基于堆叠自动编码器和softmax分类器结合的深度学习网络对空调室外机进行故障诊断的方法,通过实验分析了深度学习网络的隐层层数、节点数、预训阶段和微调阶段模型训练参数对模型正确率的影响。实验结果表明,在空调室外机的六维振动信号中,检测面法向方向振动信号的识别正确率最高,正确率为99.86%。训练深度学习模型的过程中,微调阶段训练参数对模型正确率的影响比预训练阶段训练参数对模型正确率的影响更大。批量处理样本个数控制在总样本的10%以下,模型的正确率较高。不论是在预训练阶段还是在微调阶段,较小的学习率、指数衰减、Dropout都能提高模型的正确率。而正则化在预训练阶段对模型正确率有正影响,在微调阶段有负影响。最后,利用LABVIEW和MATLAB混合编程技术编制了空调室外机六维振动检测故障诊断软件,利用深度学习实现了空调故障诊断。软件具有加速度、速度和位移的实时显示、实时故障诊断、信号滤波、离线分析、激励成分分析、相关性分析、倍频分析等功能。