当前，变风量(Varriable Air Volume，VAV)空调系统在建筑楼宇中得到了日益广泛的使用，而学者们提出的各种先进优化控制策略也开始在变风量系统中逐步得到应用，以实现节能的目标。变风量系统及其优化策略的成功实施必须有一个前提：系统无故障。但是，变风量空调系统经过长期运行后，总会存在这样那样的问题，各类故障或性能降低等问题会造成空调系统能耗增加、室内热舒适性下降、设备寿命减少甚至运行事故等严重后果。尤其传感器、控制器和执行器等故障一旦发生，必然会误导控制系统，导致先进控制策略的目标无法实现。因此，在变风量空调系统中融入有效的故障诊断策略，对于空调系统的高效运行乃至建筑节能均具有重要意义。　　 本文首先对变风量空调系统的故障特性进行了研究，通过分析不同故障在控制回路中对其他部件或变量产生的影响，分析了变风量空调系统故障的传递控制特性，并分析了不同故障对变风量空调系统的运行、舒适性和能耗的影响。　　 变风量空调系统是一个庞大且复杂的系统，涉及众多的部件、传感器、控制器和执行器。因此，精准的数学物理模型很难构建，而且难以应用于各个不同的实际系统，即诊断模型的通用性受到限制。故本文提出了一种基于数据的方法：神经网络，用于变风量空调系统故障的诊断。　　 虽然神经网络是一种出色的模式识别方法，可用于系统状态的预测与判别。但是，神经网络在数据处理与分析方面，其能力就十分有限。既然变风量空调系统中涉及了数目众多的变量，长时间运行后的数据量是非常庞大的。显然，仅靠神经网络是无法胜任数据处理并诊断的任务的。因此，本文提出了小波神经网络的诊断方法，把小波分析作为神经网络的辅助方法。通过三层小波分析，对数据矩阵进行有效的分析，剔除干扰因素，提取主要信息。经过小波处理后的数据再进行神经网络的预测与诊断，从而大幅提高了方法的诊断能力。　　 此外，由于小波或神经网络的数学方法对系统物理意义的描述能力比较弱，因此，本文利用变风量空调系统中的物理平衡模型，分别建立了基于多个平衡模型的数据群，将具有较强控制相关性的变量归为一类，以提高小波神经网络的诊断效率。　　 以变风量空调系统仿真器为平台的试验表明，基于平衡模型的小波神经网络方法具有很好的故障诊断能力，由于该方法并不受限于特定系统，可推广应用于形态各异的实际系统，因而具有较好的通用性。