到目前為止，制冷系統故障診斷方法已經產生很多種，概括起來主要有三大類：基于分析的方法，基于知識的方法和基于數據驅動的方法。基于分析的方法主要獲得制冷系統的數學模型，通過殘差來檢測和診斷故障。如果存在殘差且很大，則系統很可能存在故障；這種方法需要精確的數學模型，在實際的制冷系統故障診斷中往往很難獲取準確可靠的數學模型；基于知識的方法主要通過因果關系建模，該方法不需要獲取制冷系統的數學模型，需要獲得專業領域知識或根據制冷系統的典型故障癥狀的詳細描述來診斷故障。但是這種方法往往需要專業知識和豐富的經驗，不能廣泛應用；基于數據驅動的方法主要對設備運行過程或實驗過程中傳感器所采集的大量數據加以利用，這些數據包含著設備正常和各種故障發生的數據，通過對這些數據加以分析處理，完成制冷系統故障的檢測和診斷。該類方法要求獲得系統的數學模型，也無需大量領域經驗和知識，適用性廣。

在大數據和傳感器技術的發展的背景下，數據驅動的方法展現了它的優勢，越來越多用于制冷系統的故障檢測與診斷，鑒于此，采用基于機器學習方法對制冷系統過充電和欠充電故障診斷，采用紅外熱圖像數據，運行環境為MATLAB 2021B。

擅長領域：現代信號處理，機器學習，深度學習，數字孿生，時間序列分析，設備缺陷檢測、設備異常檢測、設備智能故障診斷與健康管理PHM等。

% Parameter settings
opts.tf    = 2;     
opts.kfold = 10;    
opts.k     = 3;     % k-value in KNN% Load data
load iris.mat;% Classification
ML = jml('knn',feat,label,opts);% Accuracy
accuracy = ML.acc; % Confusion matrix
confmat  = ML.con;% Parameter settings
opts.tf    = 1;     
opts.ho    = 0.3;       
opts.fun   = 'r';     % radial basis kernel function in SVM% Load data
load iris.mat;% Classification
ML = jml('msvm',feat,label,opts);% Accuracy
accuracy = ML.acc; % Confusion matrix
confmat  = ML.con;
% Parameter settings
opts.tf     = 3;          
opts.nSplit = 50;    % number of split in DT % Load data
load iris.mat;% Classification
ML = jml('dt',feat,label,opts);% Accuracy
accuracy = ML.acc; % Confusion matrix
confmat  = ML.con;代碼和數據通過知乎學術咨詢獲得：
https://www.zhihu.com/consult/people/792359672131756032?isMe=1