传感器采集的信号直接影响空调系统的工作,其准确性是确保空调系统功能正常发挥的关键。空调系统结构复杂、参数相互耦合,传感器在运行过程中容易发生各种故障,因此故障检测与诊断（Fault Detection and Diagnosis,FDD）至关重要。虽然FDD现已相当成熟,但针对传感器微小故障的检测研究还不够深入。若微小故障没有被及时发现,可能会影响空调系统的运行,甚至导致室内空气质量的下降和能源的浪费。若能在故障初期及时检测出,可为后续的诊断、修复创造条件,避免故障加剧对空调系统的损害。为了提高空气处理机组（Air Handing Unit,AHU）传感器微小漂移和偏差故障检测的正确率,进行传感器微小故障检测方法研究。首先,针对提取AHU传感器故障特征参数的冗余度过高的问题,提出核主元相关分析法（Kernel Principal Component Correlation Analysis,KPCCA）提取传感器故障特征。通过探究核主元分析（Kernel Principal Component Analysis,KPCA）原理,发现核参数能够直接影响故障特征提取的性能。因此,结合信息熵的原理,提出基于相关法的核参数粒子群寻优算法,并将寻优到的最优核参数用于KPCA提取空调系统相关变量的主成分,称此方法为KPCCA。其次,针对传感器微小故障的时间特性,提出双层双向长短期记忆网络（Double Layer-Bidirectional Long Short-Term Memory,DL-Bi LSTM）故障检测方法。利用滑动窗口将KPCCA提取的微小故障特征数据转换为具有时间功能的序列。结合故障的时间相关性,提出双层双向长短期记忆网络结构。此结构包含两层的正向和反向传播的双循环网络结构,在保证获取双向信息的同时增强鲁棒性,另外,此结构中设有丢弃层,防止深度学习过拟合化。最后,为了能够及时准确地检测出AHU系统传感器微小故障,提出核主元相关分析双层双向长短期记忆（KPCCA-DL-Bi LSTM）故障检测的新方法。将该方法与KPCA分别在5%、10%、15%、20%程度下的漂移故障进行对比,其准确率分别提高了30.66%、29.00%、28.00%、27.00%;将该方法与标准的LSTM分别在5%、10%、15%、20%程度下的漂移故障进行对比,其准确率分别提高了16.66%、17.34%、16.67%、17.33%。实验结果表明,KPCCA-DL-Bi LSTM对传感器的微小漂移故障具有较好的故障检测正确率和稳定性。