水源热泵系统以故障状态运行,会导致能耗增加以及部件寿命缩短,额外增加运行维护成本。若对故障做到及时发现、及时处置,能有效降低设备带故障运行时的能耗损失,减少设备因故障带来的零部件损耗。本文以水源热泵机组的智能故障诊断方法为研究目标,运用人工神经网络技术对人为制造的水源热泵系统热力故障进行故障诊断实验和研究。本文首先通过筛选,提出了基于BP、PNN、SOFM三种人工神经网络技术路线的水源热泵智能诊断方法。其次,利用水源热泵试验台人为制造6种常见的热力故障,分别为膨胀阀开度过大、膨胀阀开度过小、冷却水管路阻塞、系统含不凝性气体、制冷剂泄露与制冷剂充注过量。利用试验台进行若干次实验,记录机组带故障运行时的运行参数,将收集到的参数进行归纳整理,通过筛选获得了204组有效数据。提取数据部分特征值制作成数据集,将数据集划分为训练集合与测试集合用于网络训练和故障诊断实验。通过对上述数据进行分析,制作水源热泵系统故障规则表。本文利用MATLAB搭建了BP神经网络、PNN神经网络、SOFM神经网络。且针对BP神经网络,采用了四折交叉验证加traindx算法、随机划分数据集加traindx算法两种优化方式进行网络优化,以解决数据过拟合与收敛速度慢的问题。针对PNN神经网络,通过引入决定系数R~2确定网络最佳SPREAD值,使网络性能最佳。针对SOFM神经网络,通过改变网络训练次数,平衡训练时间和网络聚类性能的关系,使网络性能最佳。在最后,本文引入正确率、误报率、虚警率、漏警率和诊断时间共五个指标对三种神经网络最终的故障诊断结果进行横向比较。通过对比发现,四折交叉验证加traindx算法优化的BP神经网络诊断用时10.125秒,迭代569次,总正确率94.1%;无故障虚警,故障诊断综合误报率2%,综合漏报率4%。随机划分数据集加traindx算法优化的BP神经网络诊断用时4.28秒,迭代185次,总正确率45%;无故障漏报;故障诊断综合虚警率20.9%,综合误报率33.9%。PNN神经网络诊断用时2.85秒,总正确率93.5%;无故障漏报;故障诊断综合虚警率3.2%,综合误报率3.2%。SOFM神经网络诊断用时10.14秒,总正确率96%;无故障虚警;无故障虚警;故障诊断综合漏报率3.9%,综合误报率3.9%。由上述结果可知,在误报率方面,采用四折交叉验证加traindx算法的BP神经网络最低,PNN神经网络和SOFM神经网络表现相近,采用随机划分数据集方式的BP神经网络表现最差。在漏报率方面,PNN神经网络和采用随机划分数据集方式的BP神经网络均无漏报发生,而其余两者表现相近。在虚警率方面,采用随机划分数据集方式的BP神经网络虚警率最高,虚警样本数量占测试集样本数量的近五分之一,而PNN神经网络仅为3.2%。四种神经网络之中,随机划分数据集加traindx算法的BP神经网络正确率最低,PNN神经网络正确率其次,四折交叉验证加traindx算法的BP神经网络正确率排名第二,SOFM神经网络正确率高,是一种适合水源热泵故障诊断的智能新方法。