冷水机组的长期运行不可避免的会出现机组性能下降和出现故障。前期对冷水机组的研究主要侧重于建立故障诊断模型,提高模型的性能,并没有研究不同故障严重水平下,冷水机组故障诊断模型的诊断性能,而且前期冷水机组的故障诊断模型对于数据质量和特征信息提取这一方向关注较少。本文研究了四种故障诊断策略应用于不同的严重水平下的冷水机组故障,采用ASHRAE 1043-RP数据进行验证。采用神经网络模型进行冷水机组故障诊断研究,结果表明神经网络的弱泛化能力并不能对冷水机组进行故障诊断。为了提高冷水机组模型的故障诊断能力,采用贝叶斯归一化对BP(Back Propagation)神经网络进行优化。优化后的模型不仅提高了各个故障水平下冷水机组的平均诊断精度,而且故障初期就能以很高的精度完成对油过量和冷却水流量减少故障进行诊断。虽然优化后的模型从单个故障诊断性能和平均诊断精度均得到了提高,但是当冷水机组处于故障初期时,冷凝器结垢和制冷剂泄露故障诊断效率偏低,并且没有超过60%,而且模型的平均诊断精度偏低。为了进一步提高模型的精度,作者从数据质量的角度出发,采用小波去噪提高数据质量水平,剔除数据噪声。将优化后的数据建立冷水机组的故障诊断模型,结果表明,在不同的故障水平下的冷水机组故障诊断模型的精度均得到了不同程度的提高,尤其在故障水平一下,模型的平均精度提高了11%。以上三种故障诊断策略均手动选取八个故障特征变量完成冷水机组的7个故障诊断,为了能够进行故障特征信息智能提取,本文同时也研究了PCA(Principal component analysis)对冷水机组的特征变量进行特征提取。完成了从故障诊断的智能识别到故障分类的全部过程。结果表明,主元个数和冷水机组故障诊断模型精度成正比,但是PCA并没有去噪能力,因而在主元个数和特征变量个数相同的情况下,相比结合小波去噪和贝叶斯神经网络模型的故障诊断策略而言,诊断性能略有下降。本文提出的四种故障诊断策略,逐步提高冷水机组故障诊断模型的精度和特征信息智能提取能力。在冷水机组的故障智能检测与诊断中,具有一定应用价值与意义,值得进一步研究。