1.一种基于EEMD-组合神经网络空气处理系统的故障检测方法，其特征在于，包括：获取实时采集的空气处理系统中的传感器参数，利用EEMD数据处理方法对采集的传感器参数进行降噪处理，得到传感器数据样本；

将传感器数据样本输入至基础神经网络和辅助神经网络构建的组合神经网络；

分别计算基础神经网络和辅助神经网络的绝对误差，并分别得到基础神经网络和辅助神经网络的相对误差；

利用基础神经网络和辅助神经网络的相对误差，构建组合神经网络的综合误差模型，并获得组合神经网络的综合误差值；

利用组合神经网络的综合误差值对空气处理系统故障信息进行判断，获取空气处理系统的故障检测结果。

2.根据权利要求1所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法，其特征在于，具体包括以下步骤：步骤1、获取实时采集的空调系统中的传感器参数，利用EEMD数据处理方法对采集的传感器参数进行降噪处理，得到传感器数据样本；

步骤2、将传感器数据样本中的传感器数据打乱，随机分组，得到基础神经网络数据组、辅助神经网络数据组及实验数据组；

步骤3、将基础神经网络数据组中的一部分传感器数据作为输出量，剩余部分传感器数据作为输入量，构建并训练基础神经网络，根据基础神经网络的输入得到基础神经网络的预测输出量；

步骤4、利用基础神经网络的输入量，构建输入量矩阵；其中，输入量矩阵中的列向量为同一类型的传感器数据；对输入量矩阵进行主元分析，得到第一主元分析矩阵Marx1，并获取第一主元分析矩阵Marx1中最大特征值对应的列向量的传感器数据类型；

利用基础神经网络的输入量及预测输出量，构建第一输入-预测输出量矩阵Mar1，得到基础神经网络的预测输出量的列特征值λ1,i及其列特征值的贡献量con1,i；

步骤5、将辅助神经网络数据组中的一部分传感器数据作为输出量，剩余部分传感器数据作为输入量，构建并训练辅助神经网络，根据辅助神经网络的输入得到辅助神经网络的预测输出量；其中，辅助神经网络的输出量对应的传感器数据类型与第一主元分析矩阵Marx1中最大特征值对应的列向量的传感器数据类型一致；

步骤6、利用辅助神经网络的输入量和预测输出量，构建第二输入-预测输出量矩阵；其中，第二输入-预测输出量矩阵的列向量为同一类型的传感器数据；对第二输入-预测输出量矩阵进行主元分析，得到第二主元分析矩阵Mar2；在第二主元分析矩阵Mar2中，获取辅助神经网络的预测输出量对应的列向量，计算得到辅助神经网络的预测输出量的列特征值λ2,j及其列特征值的贡献量con2,j；

步骤7、分别获取基础神经网络的输出量与预测输出量的绝对误差φ1及辅助神经网络的输出量与预测输出量的绝对误差φ2，并分别求得基础神经网络的相对误差φt1及辅助神经网络的相对误差φt2；

步骤8、利用基础神经网络的预测输出量的列特征值的贡献量con1,i及辅助神经网络的预测输出量的列特征值的贡献量con2,j，按照权重分配，构建组合神经网络的综合误差模型η；将实验数据组中同一时刻的某一组传感器数据作为组合神经网络的综合误差模型的输入量，计算对应时刻组合神经网络的综合误差值；

步骤9、将步骤8中的组合神经网络的综合误差值与预设阈值进行对比，获取空气处理系统的故障检测结果。

3.根据权利要求2所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法，其特征在于，步骤1中，传感器数据样本包括若干组传感器数据，每一组传感器数据包括新风温度、新风湿度、送风温度、送风湿度、回风湿度及回风温度。

4.根据权利要求3所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法，其特征在于，步骤3中和步骤5中，基础神经网络及辅助神经网络均采用BP神经网络，BP神经网络的输入层包括五个输入点，输出层包括一个输出点，隐含层包八个神经元；其中，将每一组传感器数据的新风湿度、送风温度、送风湿度以回风湿度作为输入量，回风温度作为输出量。

5.根据权利要求3所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法，其特征在于，步骤4中，基础神经网络的预测输出量的列特征值贡献量con1,i的数学表达式为：其中，n为传感器数据样本中传感器数据的组数；

步骤6中，辅助神经网络的预测输出量的列特征值的贡献量con2,j的数学表达式为：

6.根据权利要求2所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法，其特征在于，步骤7中，基础神经网络的输出量与预测输出量的绝对误差φ1的数学表达式为：φ1＝|yfr1-ytr1|

其中，yfr1为基础神经网络的预测输出量；

ytr1为基础神经网络的输出量；

辅助神经网络的输出量与预测输出量的绝对误差φ2的数学表达式为：

φ2＝|yfr2-ytr2|

其中，yfr2为辅助神经网络的预测输出量；

ytr2为辅助神经网络的输出量。

7.根据权利要求2所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法，其特征在于，步骤7中，基础神经网络的相对误差φt1的数学表达式为：其中，φstd1为历史正常数据测试下的基础神经网络95％置信度区间下的绝对误差；

辅助神经网络的相对误差φt2的数学表达式为：

其中，φstd2为历史正常数据测试下的辅助神经网络95％置信度区间下的绝对误差。

8.根据权利要求2所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法，其特征在于，步骤8中，组合神经网络的综合误差模型η的数学表达式为：

9.根据权利要求2所述的一种基于EEMD-组合神经网络空气处理系统的故障检测方法，其特征在于，步骤9中，组合神经网络的综合误差值与预设阈值进行对比时，当组合神经网络的综合误差值大于预设阈值时，判断空气处理系统的存在故障；当组合神经网络的综合误差值小于或等于预设阈值时，判断空气处理系统的无故障。

10.一种基于EEMD-组合神经网络空气处理系统的故障检测系统，其特征在于，包括数据采集模块、数据处理模块、样本输入模块、结果输出模块及故障预测模块；

数据采集模块，用于获取实时采集的空气处理系统中的传感器参数；

数据处理模块，用于利用EEMD数据处理方法对采集的传感器参数进行降噪处理，得到传感器数据样本；

样本输入模块，用于将传感器数据样本输入至基础神经网络和辅助神经网络构建的组合神经网络；

结果输出模块，用于计算基础神经网络和辅助神经网络的绝对误差，并分别得到基础神经网络和辅助神经网络的相对误差，构建组合神经网络的综合误差模型，并获得组合神经网络的综合误差值故障预测模块，用于利用组合神经网络的综合误差值对空气处理系统故障信息进行判断，获取空气处理系统的故障检测结果。