建筑故障检测与诊断方法怎样分类
“AI 能诊断故障”经常把检测异常、定位根因、预测寿命和生成维修建议混成一个能力。FDD 文献把它们分成不同任务，因为每一步需要的模型、数据和验收证据不同。
先定义 F 和 DD
故障检测判断系统是否偏离正常状态。诊断进一步判断故障类型、位置和可能原因。预测则估计故障发展趋势或剩余可用时间。
一个平台能发现“COP 低”不等于知道“冷却塔风机故障”。检测结果应标明证据和不确定性，不能把异常分数自动写成维修结论。
主要方法路线
定量模型方法比较实测值与物理模型预测值。定性方法使用专家规则、故障树或符号关系。数据驱动方法使用统计、分类、聚类或机器学习。
方法选择取决于可获得的数据、故障标签、系统复杂度和解释要求。没有故障标签时，监督学习无法直接训练；工况变化大时，固定阈值容易误报。
FDD 与数字孪生的关系
数字孪生可以提供设备关系、实时状态和模拟基线，帮助 FDD 跨设备诊断。但孪生模型的误差也会进入诊断结果，因此需要数据质量与模型置信度。
2023 年建筑运行数字孪生 FDD 综述显示，相关研究增长很快，但真实运行、可重复证据和长期维护仍是短板。
FDD 的终点不是报警
完整闭环包括发现、确认、工单、处置、恢复验证和知识更新。没有工单反馈，模型很难区分真实故障与误报。
平台应记录误报、漏报、人工确认结果和维修结果。这些数据比单纯增加算法数量更能提高长期可用性。
文献依据与适用范围
下列文献用于约束本文的技术边界。文章为工程解读，不复制论文全文，也不把论文实验值换算成智枫昊元的项目承诺。
- Methods for Fault Detection, Diagnostics, and Prognostics for Building Systems - A Review, Part IKatipamula, S.; Brambley, M. R. · HVAC&R Research · 2005对建筑系统自动故障检测、诊断和预测方法进行分类，并比较定量、定性及数据驱动路线。
- Methods for Fault Detection, Diagnostics, and Prognostics for Building Systems - A Review, Part IIKatipamula, S.; Brambley, M. R. · HVAC&R Research · 2005继续讨论建筑与 HVAC&R 故障检测、诊断和预测方法及其工程限制。
- Digital Twin for Fault Detection and Diagnosis of Building Operations: A Systematic ReviewHodavand, F.; Ramaji, I. J.; Sadeghi, N. · Buildings · 2023系统综述数字孪生在建筑运行故障检测与诊断中的应用和证据缺口。
- ASHRAE Guideline 36-2024 High-Performance Sequences of Operation for HVAC SystemsASHRAE · ASHRAE · 2024面向常见 HVAC 系统的高性能标准控制序列，强调可复用的顺序、联锁和故障处理。
常见问题
FDD 和报警系统有什么区别？
传统报警多按单点阈值触发；FDD 更强调跨测点、跨设备和跨时间的异常检测、根因诊断及工单闭环。
AI 可以自动诊断所有故障吗？
不能。AI 可辅助识别模式和排序原因，但根因通常需要设备关系、维修记录和现场确认。
数字孪生能提高 FDD 吗？
可以提供状态、结构和模拟基线，但也引入模型误差，需要与实测和人工反馈结合。
本文相关专业问答
本文只用于解释公开文献和工程方法。项目设计、医疗感控、安全联锁和正式节能量结论，应以合同、现场资料、现行标准及有资质机构意见为准。