暖通空调系统(Heating Ventilation and Air Conditioning,HVAC)被广泛应用在各种建筑物中,为人们的舒适生活提供了必要的保障。HVAC系统具有复杂的结构,在运行时需要消耗大量的能源。据研究表明,HVAC系统每年所消耗的能源占全球建筑总能耗的40%以上,并且该比例在逐年上升。运行在故障条件下的HVAC系统会消耗更多能源,有研究显示维持HVAC系统的正常运行可以节约30%的建筑总能耗,因此有大量针对HVAC系统的故障检测和诊断方法(Fault Detection and Diagnosis,FDD)被开发出来以维持建筑物的能源利用效率。得益于楼宇自动化系统中收集到的大量历史数据与机器学习领域的蓬勃发展,数据驱动的FDD方法逐渐获得了研究人员的青睐。然而总体上HVAC系统运行在故障状态下的时间要少于运行在正常状态下的时间,这也导致收集到的故障数据数量要远远少于正常数据的数量,而过少的故障数据对数据驱动的FDD方法的研究与应用带来了困难。本文提出一种基于特征选择的HVAC系统故障诊断方法,该方法首先通过特征选择获得一组低冗余度的特征,然后在这些特征的基础上采用少量数据训练出具有较强泛化能力的学习器,最后用训练好的学习器完成对HVAC系统的FDD。本方法通过特征选择提升了学习器的泛化能力,从而可以在仅具有少量训练数据的情况下获得较高的故障诊断准确率。具体的,本文首先采用谱聚类算法对分散在各个子特征空间中的时间序列进行聚类,再对子特征空间中的结果进行汇总以获得总的聚类结果。然后依据不同时间序列的熵值大小从聚类结果中得出初始特征集合并对聚类簇进行排序,然后以加入该特征后故障诊断的准确率为标准在聚类簇中进行特征选择以得到结果特征集合,再基于该特征集合对学习器进行训练,并用训练好的学习器对HVAC系统进行故障诊断。为了验证本文提出的FDD算法的性能,本文采用了从现实世界中收集的HVAC系统运行数据集来对所提出的算法进行测试。实验结果表明,本文方法在故障诊断时具有较好的泛化能力,在训练数据占总数据2%时仍能获得90%以上的诊断准确率,相对对比文献最大获得了30%以上的提升,当训练数据占总数据的5%时,本文方法最高可获得99.3%的诊断准确率。上述实验说明本文所提出的方法可以较好地解决故障数据过少的问题。