La detección automática de fallos y diagnósticos (AFDD) de calefacción, ventilación y aire acondicionado (HVAC) utilizando minería de datos y modelos de aprendizaje automático ha recibido recientemente una atención sustancial por parte de investigadores y profesionales. A lo largo de los años, se han desarrollado varios modelos para AFDD de HVAC completo o de sus subsistemas. Sin embargo, las complejidades del HVAC, que en parte tienen raíces en su naturaleza de acoplamiento cercano y dependencias interrelacionadas, significan que entender la relación entre fallos y la idoneidad de las técnicas sigue siendo una pregunta sin respuesta. El análisis de la literatura y la visualización interactiva de los datos recopilados de la implementación pasada de modelos AFDD pueden proporcionar información útil para explorar más a fondo esta cuestión aplicando inteligencia artificial (IA). Este artículo utiliza minería de reglas de asociación (ARM), empleando el algoritmo de crecimiento de patrones frecuentes (FP) para generar conjuntos de fallos frecuentes para los fallos más comunes de HVAC a partir del conjunto de modelos AFDD desarrollados en la literatura para representar el estado actual. Se desarrolla un nuevo modelo para los fallos comunes de HVAC y las técnicas más utilizadas para detectarlos y diagnosticarlos. Se desarrolla un sistema de recomendación utilizando el modelo ARM para extraer conocimiento del cuerpo de conocimiento de AFDD basado en datos de HVAC en forma de conjuntos de reglas que reflejan las asociaciones. Los hallazgos de este artículo de revisión pueden ayudar significativamente a ingenieros civiles y de edificios, así como a gerentes de instalaciones, en una mejor gestión de los sistemas HVAC de los edificios.