暖通空调系统容易产生各种设备故障和运行故障,造成大量能源浪费并影响运行安全。随着信息化发展,该领域所采集的数据越来越多。如何充分发挥数据价值,从中实时洞察出各种故障问题,目前缺少有效的理论方法和工具。其关键难题在于暖通空调系统形式复杂、个体差异性大,为具体系统开发针对性故障检测与诊断工具难度高且工作量大,难以满足实际需求。针对以上问题,本文提出了一套暖通空调系统通用性故障检测与诊断方法,从实现运行数据的自动理解分析、提高故障诊断模型的通用性和泛化能力、进行故障诊断模型的优化学习三方面出发,开展了以下工作:（1）针对如何实现运行数据自动理解分析的理论问题,提出了一种基于知识图谱的数据分析与异常检测方法,旨在理解暖通空调系统运行数据的物理意义并识别异常运行模式。首先,构建了面向暖通空调系统数据分析与异常检测的领域本体,用一种计算机能理解和推理的语言描述了领域常识知识。然后,基于形式化推理语言定义异常检测语义规则,能够适用于各式各样的运行场景。最后,建立实时数据分析与异常检测流程,基于本体生成反映系统实际运行的知识图谱并借助语义规则检测各种异常运行模式。结果表明,该方法能够实现复杂运行场景下的自动化数据分析与异常检测,具有较高的灵活性和通用性。（2）针对如何提高故障诊断模型通用性和泛化能力的理论问题,提出了一种基于多层次面向对象贝叶斯网络的故障检测与诊断方法,旨在通过标准化诊断单元的复用和连接为实际暖通空调系统提供因地制宜的故障诊断方案。首先,建立了贝叶斯诊断类的层次结构,类中定义了标准化贝叶斯网络诊断单元对特定类型的设备元件进行局部故障诊断。然后,引入类的继承机制,允许子类继承父类中定义的诊断单元,避免了相似设备诊断类的重复建模或冲突建模。最后,提出多层次面向对象贝叶斯网络的构建方法,通过诊断单元的实例化生成和连接形成系统级别诊断方案。结果表明,该方法能够为复杂系统提供系统级别故障诊断方案,而不需要繁琐的重复建模工作。所建立的贝叶斯诊断类具有较好的复用性、灵活性和可扩展性,适用于不同的系统形式。（3）针对如何进行故障诊断模型优化学习的理论问题,提出了一种数据驱动与知识引导的贝叶斯网络诊断模型学习方法,旨在从训练数据和诊断知识中自动学习高精度可解释的诊断模型。首先,利用概率矩阵对领域诊断知识进行数学表达,使其能够参与贝叶斯网络诊断模型的自动学习。然后,提出一种基于改进遗传算法的贝叶斯网络学习方法,以诊断知识为引导项、以训练数据为搜索域,迭代寻优得到最佳契合知识和数据的贝叶斯网络。最后,建立基于贝叶斯网络的故障诊断与解释框架,能够生成局部因果图对故障诊断结果进行机理解释。结果表明,该方法获得的贝叶斯网络在一个算法模型中融合了诊断知识支持的普适性故障征兆模式和样本数据反映的特殊性故障征兆模式,具有更高的诊断精度和可解释性。基于上述研究成果,建立了基于知识图谱和面向对象贝叶斯网络的通用性故障检测与诊断方法体系,并在实际供热项目上进行应用验证。针对具体供热系统,基于领域本体生成知识图谱反映系统实际运行,基于语义规则检测系统中发生的异常征兆,基于贝叶斯诊断类生成面向对象贝叶斯网络对异常征兆的故障根因进行溯源诊断。结果表明,该方法能够在供热系统运行场景变化、诊断信息缺失的情况下实现故障检测与诊断,满足实际应用需求。