随着现代化工过程日趋复杂化,生产规模也不断扩大,为企业带来更高效益的同时,过程发生故障的概率也逐步增加。冷水机组作为暖通空调主要耗能部分,一旦发生故障不能及时发现,便会造成能源的大量浪费,甚至会造成严重事故。然而,因冷水机组故障导致的暖通空调非正常工况频繁出现,因此对其进行准确及时的故障诊断成为当前研究热点。在信息采集系统应用不断扩展的情况下,化工过程状态监测的广度和深度也不断加强,采集到的数据特征海量般的增多,并且具有复杂、高维、非线性等特点。另外,对于传统模式识别故障诊断方法,大量有标签数据是训练有效模型的必要条件,但在工业应用场景下采集足够多且有标签数据几乎难以实现。因此,急需建立针对无标签样本自学习的故障智能诊断算法,这已成为当前的研究热点之一。针对以上问题,本文主要对以下内容展开研究:（1）针对传统的化工过程故障诊断都是基于时间序列数据,特征只在时域或频域进行一维学习,很少将其时频域特征变换为二维图像进行综合考虑。为此,本文将冷水机组原始数据利用小波变换转化为时频图像进行特征提取,使其不仅能表征数据时域上的变化,还能反映其频域上的变化,获取更多故障信息。（2）针对传统图像特征提取方法中特征提取器依赖人工设计,需要有大量经验知识,且诊断正确率低,泛化能力差等问题,本文应用具有强大特征提取能力的深度卷积神经网络（Convolutional neural network,CNN）对冷水机组的故障时频图进行特征提取。CNN主要是数据驱动进行特征提取,根据大量样本的学习能够得到深层的数据集特定表示,其对数据集的表达更高效和准确,所提取的抽象特征鲁棒性更强,泛化能力更好。（3）针对样本不完备问题,本文将CNN与基于相似度度量的孪生结构相结合,提出一种基于小波变换的孪生卷积半监督神经网络（WT-Siamese neural network,WT-SCNN）并将其应用于冷水机组故障诊断。此算法首先将小波变换得到的故障时频图作为网络输入;之后利用两个完全一致的CNN卷积层和池化层,通过权值共享构建孪生结构;最后将成对的时频图输入网络,对其进行特征提取,将提取到的特征映射到低维空间,通过计算目标空间内未知样本和已知样本的欧式距离来判断未知故障是属于已知故障还是新故障,实现故障的自动识别与自主学习过程。采用冷水机组的仿真实验对所提算法进行验证,实验结果表明,该方法对无标签故障数据能够进行诊断,实现新故障自学习和故障库的自增长,具有一定的智能性。（4）根据大量实验结果仿真可知,所提算法当故障判别达到六类时,网络的训练时间长达60000多秒,算法运行时间过长,需要改进。针对此问题,本文提出了孪生非对称卷积半监督神经网络（WT-Siamese Asymmetric Convolutional neural networks,WT-SACNN）并对其改进后的性能进行了测试。该改进算法不改变WT-SCNN的整体结构,而是将其中传统CNN结构改为非对称卷积核结构。在不影响算法性能的前提下,构造的非对称结构可有效减少权重参数的个数和卷积层总参数量,进而加快网络特征提取效率,缩短训练时间。最后采用仿真实验对改进算法进行验证,实验结果表明,此算法在没有改变其诊断正确率的情况下使得网络训练速度提升20%以上,使网络的实时性得到一定的改善。