供暖、通风和空调（Heating Ventilating and Air Conditioning,HVAC）的及时故障检测与诊断对于建筑节能,设备维护和室内舒适度至关重要。基于规则的空调故障检测方法,其阈值的选取,通常是基于某种已有成功运行空调系统的专家经验。当前存在以下两个问题急需解决:（1）随着运行时间的推移,系统的性能有所下降,这些基于专家经验的判定阈值可能会失效;（2）由于物联网和智能建筑技术的发展,可采集和存储到的空调系统运行数据量越来越庞大,如何挖掘并分析这些数据、以提高基于规则方法的故障检测率。因此,如何获取合理的判别阈值具有极其重要的研究意义。同时,HVAC系统是一个高度非线性系统,大型复杂设备的不确定性或关联性等因素导致系统的联合故障诊断变得非常困难,如何建立计算简单的、并且能够准确描述空调系统运行性能特征的故障诊断模型已成为迫在眉睫的严峻问题。采用一种在线阈值训练策略,根据不同空气处理机组（air handling unit,AHU）的运行模式选择对应专家规则进行阈值训练。通过控制器、物联网网关及无线网络等设备实现在线数据采集,计算实测值与参照值的残差,设置置信水平以训练基于规则故障检测方法的阈值。以故障检测率与无故障检测率作为训练阈值可靠性的评价指标,对在线阈值训练策略进行验证。采用基于先验知识的模糊故障诊断方法对合适置信水平下的训练阈值进一步检验。该故障诊断方法采用模糊规则集来判断空调系统或设备的故障症状,并根据其故障引起相关症状的先验知识构建故障-症状先验知识表,诊断出相应的故障类型。以ASHRAE1312项目定静压与某总风量变风量AHU为例,在线训练夏、冬季无故障历史运行数据,获取基于规则故障检测用的阈值,并对比了85.00%、90.00%、95.00%置信水平下的训练阈值。采集两类变风量空调的故障及无故障运行数据,以AHU新风阀卡死、排风阀卡死和冷水阀卡死为例进行故障测试与无故障测试。并与tstudent法训练阈值及固定阈值的测试结果进行了对比。最后将阈值应用于基于先验知识的模糊故障诊断方法中,利用变风量空调的夏季运行数据进行故障与无故障诊断测试。研究结果表明:阈值训练时置信水平设置越大,系统故障检测率越低,而无故障检测率越高。相对于其它方法,90%置信水平训练出阈值的无故障检测率和故障检测率较合理,检测性能较好。其平均检测率最高,推荐作为故障诊断的阈值训练方法。基于先验知识的模糊诊断方法在90%置信水平的训练阈值下,能够缩小故障排查的范围,有效诊断出新风阀卡死、排风阀卡死和冷水阀卡死等故障。