暖通空调(Heating,Ventilation and Air Conditioning,HVAC)是包含温度、湿度、空气清净度以及空气循环的控制系统。作为HVAC系统中的关键环节,空气处理单元(Air Handling Unit,AHU)由多个子系统组成,与这些子系统相关的硬件故障或控制器错误都有可能导致AHU系统异常,从而影响HVAC系统的整体性能。近年来,以人工神经网络为核心的深度学习领域发展迅猛,其中反向传播神经网络(Back Propagation Neural Network,BPNN)因其良好的分类和预测能力而被运用于AHU系统的故障诊断中,然而卷积神经网络等更前沿的人工神经网络却未能在该领域得到充分引入。由于卷积神经网络具有出众的特征提取能力,可以对变量中的异常予以学习和捕捉,且在应对变量测量值中携带的噪声方面具有良好的鲁棒性,因此利用卷积神经网络对AHU系统中的故障进行检测和诊断具有研究价值。本文提出了一种基于一维卷积神经网络(One-Dimensional Convolutional Neural Network,1-D CNN)和小波聚类分析的AHU系统故障诊断方法。在了解AHU系统运作方式以及不同器件之间关联性的基础上,本文从AHU系统中选取一个关键子环节送风温度控制环路作为研究对象用以对所提出的方法予以实施和验证。通过深入研究送风温度控制环路中因PID控制而导致的多变量关联,选取四个关键变量作为查验变量。利用1-D CNN的特征提取能力对单个查验变量中的异常予以捕捉,对各个查验变量的异常检测结果进行组合,得到一个综合异常捕捉结果,并使用小波聚类对其进行分析。然后,建立线性空间,对小波聚类后生成的指示簇在线性空间中进行相对位置分析以确定故障源。最后,通过引入T_c判决以降低错检。本文基于Keras深度学习框架搭建了1-D CNN模型,并利用含时间窗的标签序列对其进行训练以使之能够捕捉单变量中发生的异常。论文基于TRNSYS仿真对AHU系统中送风温度控制环路进行建模,并基于仿真数据对所提出的方法进行验证。验证结果表明,所提出的方法能够成功检测并诊断出送风温度控制环路中的四种传感器故障,包括三个监督量传感器和一个被控量传感器。T_c判决有效地降低了FAR和FDR,而MDR仅仅是略有增加,并且在T_c=0.85时可以获得FAR和MDR之间的最佳平衡。鲁棒性评估结果表明,在6 dBm~13 dBm的噪声范围内,噪声对MDR和FAR几乎没有影响,展现出了良好的抗噪能力。