本發明屬于空調系統中冷水機組故障診斷領域，具體涉及一種基于融入距離拒絕的貝葉斯網絡(dr-bn)模型的冷水機組故障特征選擇方法。

背景技術：

冷水機組是空調系統中的主要耗能設備，通過冷水機組的故障診斷，及時發現故障、排除故障，對空調系統可靠運行及節約能源具有重要意義。

冷水機組故障診斷性能優劣，主要取決于冷水機組故障特征選擇是否合適，以及與所選故障特征匹配的冷水機組故障診斷方法是否合適。在已有的冷水機組故障診斷技術中，故障特征的選擇主要存在兩大局限性：

1)目前在現場應用中，冷水機組已有故障特征選擇，主要針對冷水機組硬故障(如高溫報警等)的診斷，因此，已有傳感器數據對軟故障(如某指標性能劣化)的表征并不合適，難以實現對冷水機組軟故障進行診斷；

2)而在實驗室中，冷水機組故障特征的選擇，雖然可以實現冷水機組軟故障的診斷，但故障特征選擇過多，導致對傳感器要求過高，這在現場應用時故障診斷系統價格過高，經濟上無法承受。

技術實現要素：

為解決現有技術中存在的上述缺陷，本發明提出了一種基于dr-bn模型的冷水機組故障特征選擇方法，根據該方法所確定的故障特征以及匹配的故障診斷方法，在現場冷水機組故障診斷應用中，既可以實現軟故障診斷，又可以大大提升現場應用的經濟性，從而有效克服目前故障特征選擇存在的主要局限性。

為了有效克服目前故障特征選擇存在的主要局限性，從現場應用的角度，提出了一種基于dr-bn模型的冷水機組故障特征選擇方法，包括：(1)對可保留的既有特征和增補特征進行提名的準則；(2)基于dr-bn模型的對特征選擇結果進行評價的方法。

實現本發明的目的的技術路徑是：首先對安裝在現場的冷水機組進行抽樣調查，以現場傳感器的安裝頻率高，對故障敏感和在線計算量小為準則，提名可保留的既有特征；其次使用基于dr-bn模型的故障診斷(fd)方法對提名的可保留的既有特征進行評價，去除這些特征之間的信息冗余后，得到保留的既有特征；然后，如果僅使用保留的既有特征不能使基于dr-bn模型的fd方法獲得期望的fd性能，需要增補額外的特征，即再以獲取成本低和對故障敏感為準則，提名增補特征；最后，再次使用同樣的fd方法在保留的既有特征的基礎上對這些提名的增補特征進行評價，從而確定增補特征及其增補的順序。

本發明是具體技術方案如下。

一種基于dr-bn模型的冷水機組故障特征選擇方法，包括下述步驟：

步驟1：對安裝在現場的冷水機組的傳感器安裝頻率進行統計，得到現場的冷水機組的傳感器安裝頻率；

步驟2：構建基于dr-bn模型的fd方法；

步驟3：依據提名準則，對可以保留的傳感器采集的用于故障診斷的既有特征進行提名，即提名可保留的既有特征；

步驟4：對這些提名的可保留的既有特征采用dr-bn模型的fd方法來進行故障診斷，即使用基于dr-bn模型的fd方法對這些提名的可保留的既有特征進行評價；

步驟5：對使用基于dr-bn模型的fd方法對這些提名的可保留的既有特征進行評價后確定的冗余特征進行去除，確定保留的用于故障診斷的既有特征；

步驟6：如果僅使用保留的用于故障診斷的既有特征使基于dr-bn模型的fd方法滿足期望的fd性能，則故障特征選擇結束；如果不滿足期望的fd性能，則需要增補額外的特征，進入下一步；

步驟7：依據提名準則，提名增補特征；再次使用同樣的基于dr-bn模型的fd方法在保留的用于故障診斷的既有特征基礎上對這些提名的增補特征進行評價，從而確定增補特征及其增補的順序；

步驟8：確定保留的用于故障診斷既有特征和增補特征。

所述步驟2中，構建基于dr-bn模型的fd方法包括下述過程：

2a)確定dr-bn模型結構：

dr-bn的結構包括二層，第一層故障層fk；第二層為征兆層x；

2b)確定dr-bn模型的參數

需要確定的參數包括第一層故障層的已知故障fk的兩個狀態true和false(分別表示發生和未發生)的先驗概率，給定fk＝true時的描述連續型節點x的高斯分布的兩個參數，均值向量μk和協方差矩陣∑k，給定fk＝false時的表示距離拒絕的系數c；

2c)基于dr-bn模型的fd方法進行故障診斷：

進行故障診斷的規則如下：

若p(fk*＝true|x)＞p(fk*＝false|x)，則x∈fk*，否則，x∈nf

式中，表示n種已知故障模式中p(fk＝true|x)的最大值，nf表示一種新故障。

進一步，所述步驟3中，提名準則為現場傳感器的安裝頻率高，對故障敏感和在線計算量小；所述安裝頻率高為現場傳感器的安裝頻率不低于80％；所述對故障敏感為故障能引起特征的顯著變化；所述在線計算量小為傳感器直接測量量或通過不多于2步的簡單數學運算(即：加、減、乘、除)計算得到。

進一步，步驟5中，確定保留的用于故障診斷的既有特征，通過下述方法實現：

5a)通過實驗或現場存儲的歷史數據獲得故障歷史數據；

5b)使用已有的穩態過濾方法對原始的故障歷史數據進行穩態過濾；

5c)確定選擇的可保留的既有特征數i，據此確定全部的種特征組合，其中，a表示權利要求3中提名的可保留的既有特征的總個數；

5d)對應全部的種特征組合將穩態過濾后的數據隨機劃分為訓練集和測試集；

5e)根據步驟2a)確定dr-bn模型的結構，根據步驟2b)確定dr-bn的參數，即使用訓練集數據或根據維修服務的歷史記錄統計出的故障發生頻率確定dr-bn的參數；

5f)使用測試集數據對構建好的對應每個已知故障的dr-bn模型進行測試，依據步驟2c)確定的診斷規則輸出診斷結果，將i從1循環到a，就獲得了匹配的fd方法的fd性能隨選擇的可保留的既有特征數的變化規律。

進一步，所述步驟6中，根據基于dr-bn模型的fd方法是否能夠獲得期望的fd性能來判斷是否增補額外的特征；所述期望的fd性能為所有故障的診斷正確率不低于用戶的具體要求，比如70％。

進一步，所述安裝在現場的冷水機組的傳感器包括溫度、壓力、流量和功率傳感器。進一步，所述步驟7中，提名準則為以獲取成本低和對故障敏感；所述獲取成本低為由溫度傳感器和壓力傳感器獲得的特征；所述對故障敏感為故障能引起特征的顯著變化。

進一步，步驟7中，確定增補特征及其增補的順序通過下述方法實現：

7a)使用與步驟5a)相同的故障歷史數據；

7b)使用與步驟5b)相同的已有的穩態過濾方法對原始的故障歷史數據進行穩態過濾；

7c)在步驟5f)確定的保留的既有特征的基礎上再增加j個提名的增補特征，j從1循環到b，b表示步驟7中確定的提名的增補特征的總個數，使用a表示保留的既有特征的個數，a≤a；

7d)根據步驟7c)確定的選擇的提名的增補特征數j，確定全部的種特征組合；

7e)對應全部的種特征組合將穩態過濾后的數據隨機劃分為訓練集和測試集；

7f)根據步驟2a)確定dr-bn模型的結構，根據步驟2b)確定dr-bn的參數，即使用訓練集數據或根據維修服務的歷史記錄統計出的故障發生頻率確定dr-bn的參數；

7g)使用測試集數據對構建好的對應每個已知故障的dr-bn模型進行測試，依據步驟2c)確定的診斷規則輸出診斷結果，將j從1循環到b，就獲得了匹配的fd方法的fd性能隨選擇的增補特征數的變化規律。

進一步，步驟7中，確定增補特征及其增補順序的準則是：

1)增補特征能提高故障診斷的正確率；

2)在滿足故障診斷正確率不低于70％的要求下，增補特征的數量要少。

本發明的有益效果是：

本發明提出的冷水機組故障特征選擇方法所確定的故障特征是由現場普遍可獲得的特征和增補的少量的獲取成本低的特征組成，這大大提升了故障診斷系統現場應用的經濟性；本發明確定的與所選擇的故障特征匹配的fd方法是基于dr-bn模型的方法，該方法具有診斷軟故障的能力。因此，本發明有效克服了目前故障特征選擇存在的主要局限性。

附圖說明

圖1為本發明進行故障特征選擇的技術路線圖；

圖2為dr融入故障fk的dr-bn模型的結構和參數；

圖3為對選擇的可保留的既有特征進行評價的流程；

圖4為在保留的既有特征的基礎上對提名的增補特征進行評價的流程；

圖5為基于dr-bn的fd方法的性能隨選擇的可保留的既有特征的個數的變化規律；

圖6(a)-(d)分別為四種情況下的基于dr-bn的fd方法的性能隨選擇的增補特征的個數的變化規律。

具體實施方式

下面結合附圖和實施例對發明作進一步的詳細說明，但并不作為對發明做任何限制的依據。

參照附圖1所示，對本發明提出的基于dr-bn模型的冷水機組故障特征選擇方法的具體實施步驟說明如下：

步驟1：對安裝在現場的冷水機組進行抽樣調查，以了解現場的冷水機組安裝的傳感器現狀，進而確定現場傳感器的安裝頻率。統計的現場的冷水機組的傳感器包括溫度、壓力、流量和功率傳感器。

步驟2：構建基于dr-bn模型的fd方法，使用該方法對故障特征選擇的結果進行評價。構建dr-bn的模型的具體步驟如下：

(2a)確定dr-bn的結構。

通常依據變量間的因果關系確定bn的結構。本發明構建的dr-bn的結構見附圖2，它由兩層組成：第一層為故障層，fk表示一種已知故障，k∈[1,n]；第二層為征兆層，x∈r^m，由m個表征故障的特征組成。

(2b)確定dr-bn的參數。

需要確定的參數如下：

bn的參數包括根節點的先驗概率和子節點的條件概率。附圖2中，第一層故障層的已知故障fk的狀態有兩個：true和false，分別表示發生和未發生，其先驗概率可由專家經驗或通過對維修服務的歷史記錄統計其發生頻率確定；第二層故障層中的征兆節點x為連續型節點，假設其服從m維條件高斯分布，給定fk＝true時的描述分布的兩個參數(均值向量μk和協方差矩陣∑k)通過對歷史故障數據進行極大似然估計得到。為了獲得fk＝false時的x的高斯分布，本發明假設給定fk＝false時的x與fk＝true時有著同樣的μk但更大的∑k，這就是dr的機制，其本質是數理統計中假設檢驗中的小概率拒絕思想。

附圖2顯示了將dr融入到故障fk的情形，其中，系數c表示dr，c＞1，由公式(1)和公式(2)確定。

式中：cl表示t²統計量的控制限，m表示征兆節點x的維數，n表示樣本數，fα(m,n-m)表示自由度為m和n-m的f分布的上α分位點。α控制著dr的程度，α值越大，dr的程度越大。實際確定α值時，需要多次嘗試確定，以找到診斷正確率最高時的α值。

(2c)基于dr-bn的fd方法使用如下的規則來診斷故障：

對于傳感器采集的一組特征x，它們是步驟2b)中的征兆節點x的其中的一組數據；令表示n種已知故障模式中p(fk＝true|x)的最大值；若p(fk*＝true|x)＞p(fk*＝false|x)，則x∈fk*，否則，x∈nf，nf表示一種新故障。

步驟3：依據提名準則，對可以保留的傳感器采集的用于故障診斷的既有特征進行提名，即提名可保留的既有特征。

提名可保留的既有特征。由安裝在現場的既有傳感器產生的直接測量參數和它們的二次計算參數有很多，本發明將這些參數稱為既有特征。窮盡所有的既有特征組合顯然是不現實的。因此，本發明首先提名可保留的既有特征，提名準則是：現場傳感器的安裝頻率高，對故障敏感和在線計算量小。安裝頻率高為現場傳感器的安裝頻率不低于80％；對故障敏感為故障能顯著引起特征的變化；在線計算量小為傳感器直接測量量或通過不多于2步的簡單數學運算(即：加、減、乘、除)計算得到。

步驟4：對這些提名的可保留的既有特征采用dr-bn模型的fd方法來進行故障診斷，即使用基于dr-bn模型的fd方法對這些提名的可保留的既有特征進行評價。

評價提名的可保留的既有特征。使用步驟2構建的基于dr-bn的fd方法對提名的可保留的既有特征進行評價，以獲得匹配的fd方法的fd性能隨選擇的可保留的既有特征的個數的變化規律，根據這一規律可回答如下兩個問題：

1)可保留的既有特征之間是否存在信息冗余？

2)僅使用保留的既有特征(去除信息冗余之后的可保留的既有特征)對匹配的fd方法獲得優良的fd性能是否足夠？

步驟5：對使用基于dr-bn模型的fd方法對這些提名的可保留的既有特征進行評價后確定的冗余特征進行去除，確定保留的用于故障診斷的既有特征；對可保留的既有特征進行評價的流程見附圖3，附圖3中，f1,f2,…,fn表示n種冷水機組故障，i表示選擇的可保留的既有特征的個數。結合附圖3，對提名的可保留的既有特征進行評價的詳細過程說明如下：

5a)通過實驗或現場存儲的歷史數據獲得故障歷史數據；

5b)將原始的故障歷史數據進行穩態過濾；

5c)確定選擇的可保留的既有特征數i，據此確定全部的種特征組合，a表示提名的可保留的既有特征的總個數。比如a＝11，i＝5時，對應的特征組合有462種；

5d)對應每一種特征組合將穩態數據隨機劃分為訓練集和測試集；

5e)根據步驟(2a)確定dr-bn的結構。根據步驟(2b)確定dr-bn的參數，即使用訓練集數據和專家經驗或根據維修服務的歷史記錄統計出的故障發生頻率確定dr-bn的參數；

5f)使用測試集數據對構建好的對應每個已知故障的dr-bn模型進行評價，依據步驟(2c)確定的診斷規則輸出診斷結果。將i從1循環到a，就獲得了匹配的fd方法的fd性能隨選擇的可保留的既有特征的個數的變化規律。

確定保留的既有特征。確定保留的既有特征的準則是去除存在于可保留的既有特征之間的信息冗余。過量的信息冗余不僅會造成故障診斷正確率的下降，而且會增加在線fd過程的計算量。通過對可保留的既有特征進行評價，如果這些特征之間存在著信息冗余，應當去除它。去除信息冗余之后的特征就是保留的既有特征。保留的既有特征屬于現場普遍可獲得的特征。而當僅使用保留的既有特征不足以使基于dr-bn的fd方法獲得優良的診斷性能時，需要增補額外的特征。

步驟6：如果僅使用保留的用于故障診斷的既有特征使基于dr-bn模型的fd方法滿足期望的fd性能，則故障特征選擇結束；如果不滿足期望的fd性能，則需要增補額外的特征，進入下一步。

根據基于dr-bn模型的fd方法是否能夠獲得期望的fd性能來判斷是否增補額外的特征；所述期望的fd性能為所有故障的診斷正確率不低于70％。

步驟7：依據提名準則，提名增補特征；再次使用同樣的基于dr-bn模型的fd方法在保留用于故障診斷的既有特征基礎上對這些提名的增補特征進行評價，從而確定增補特征及其增補的順序。

確定增補特征及其增補順序的具體步驟如下：

7a)提名增補特征。首先提名可增補的傳感器，提名準則有兩個：1)成本低；2)獲得的特征對故障敏感。獲取成本低為由溫度傳感器和壓力傳感器獲得的特征；所述對故障敏感為故障能引起特征的顯著變化。

7b)評價提名的增補特征。使用基于dr-bn的fd方法，在保留的既有特征的基礎上對提名的增補特征進行評價，以獲得匹配的fd方法的fd性能隨選擇的增補特征的個數的變化規律，根據這一規律可回答如下的問題：當僅使用保留的既有特征不足使匹配的fd方法獲得優良的fd性能時，需要增補哪些特征？在保留的既有特征的基礎上對選擇的增補特征進行評價的流程見附圖4。它與附圖3基本相同，唯一的區別在于，附圖4顯示的流程是在保留的既有特征的基礎上再增加j個選擇的增補特征，j從1循環到b，b表示步驟7a)中提名的增補特征的總個數。附圖4中，a表示保留的既有特征的個數，a≤a。

7c)確定增補特征及其增補順序。

確定增補特征及其增補順序的準則是：1)增補特征能提高故障診斷的正確率；2)在滿足故障診斷正確率不低于70％的要求下，增補特征的數量要少。增補少數量的特征不僅能減少傳感器的數量，從而降低傳感器的投資，而且有利于降低在線fd過程的計算量，這對fd系統的現場應用有著重要意義。

下面通過具體實施例進一步闡述本發明提出的基于dr-bn模型的冷水機組故障特征選擇方法的具體實施和驗證本發明的有益效果：

實施例：本實施例使用的歷史故障數據來源于ashraerp-1043故障實驗，為一臺90冷噸(約316kw)的離心式冷水機組，蒸發器和冷凝器均為殼管式換熱器，水在管內流，制冷劑為r134a，使用熱力膨脹閥，通過特殊設計的試驗臺測試了7種冷水機組典型軟故障，分別是冷卻水量減少(fwc)，冷凍水量減少(fwe)，制冷劑充注不足(rl)，制冷劑充注過量(ro)，冷凝器結垢(cf)，存在非凝性氣體(nc)和存在過量的油(eo)。獲得了7種典型軟故障在4個劣化等級下的64個參數的測試數據，數據采集間隔為10s。

步驟1：對安裝在現場的冷水機組進行抽樣調查。

為了了解現場的冷水機組安裝的傳感器現狀，對位于陜西省的西安、楊凌、咸陽、渭南、商洛和漢中的冷水機組機房進行了抽樣調查，隨機選擇了22個冷水機組機房，其服務的建筑類型包括住宅和辦公，設備廠家包括國產和進口，設備開始使用時間從2003年到2016年，設備制冷量從375kw到3,285kw，所選調研的機組基本可反映目前安裝在現場的冷水機組的傳感器的現狀。調研結果見表1。結果顯示：編號1～8的8個傳感器的存在頻率為100％，它們是現場普遍被安裝的傳感器，存在于調研的所有機房中，它們是：tei，teo，tci，tco，tre/pre，trc/prc，p_in，tr_dis，其中，由于tre和pre之間存在著一一對應的關系，因此可認為它們是等價的，trc和prc也是如此。

表1現場冷水機組安裝傳感器統計結果

步驟2：構建基于dr-bn模型的fd方法。

本實施例確定dr-bn的結構見附圖2；使用ashraerp-1043通過維修服務記錄統計出的故障發生頻率作為構建的dr-bn中的各故障的先驗概率，見表2。通過對步驟3確定的訓練集數據進行極大似然估計確定征兆節點x的均值向量和協方差矩陣(附圖2中的μk和∑k)。

表2ashraerp-1043通過維修服務記錄統計出的故障發生頻率

步驟3：確定保留的既有特征。具體的步驟如下：

(3a)提名可保留的既有特征。

依據提名準則，即：現場傳感器的存在頻率高，對故障敏感和在線計算量小，根據表1呈現的現場冷水機組安裝傳感器的統計結果，提名可保留的既有特征見表3，共11個可保留的既有特征，其中編號1～8為現場存在頻率高的傳感器的直接測量參數，編號9～11為它們的二次計算參數。雖然像cop和lmtd(對數平均溫差)這樣的二次計算參數有著較強的物理含義，但是它們對故障敏感的程度可能低于直接測量參數，這是因為它們融合了太多的降低故障敏感程度的信息，而且它們需要較多額外的計算量，這在一定程度上增加了在線fd過程的計算量，故將它們排除在外。

表3提名的可保留的既有特征

(3b)評價提名的可保留的既有特征。結合附圖3，此步驟又可具體分為如下的步驟：

(3b-1)使用已有的數據預處理方法對故障歷史數據進行穩態檢測；

(3b-2)確定選擇的可保留的既有特征數i，據此確定全部的種特征組合，比如i＝5時，對應的特征組合有462種；

(3b-3)經過穩態篩選后，對包含全部劣化等級下的每種典型故障，分別隨機選取1,500個樣本，然后隨機劃分為1,000個樣本的訓練集和500個樣本的測試集。因此，共計7,000個樣本的訓練集和3,500個樣本的測試集。

(3b-4)依據對訓練集數據進行極大似然估計確定征兆節點x的均值向量和協方差矩陣(附圖2中的μk和∑k)。通過多次試算，本實施例選擇顯著性水平α＝0.025，至此，對應每個已知故障的dr-bn模型就構建完成。

(3b-5)使用測試集數據對構建好的對應每個已知故障的dr-bn模型進行評價，依據具體實施步驟中的步驟(2c)確定的診斷規則輸出診斷結果。將i從1循環到11，就獲得了匹配的fd方法的fd性能隨選擇的可保留的既有特征的個數的變化規律。

(3c)確定保留的既有特征。

根據附圖3顯示的對選擇的可保留的既有特征進行評價的流程，匹配的fd方法的fd性能隨這些特征的個數的變化規律呈現在附圖5中，其中，cr表示正確率，為特征數i所對應的種特征組合中7種典型故障正確率之和的最大值，此時，7種典型故障的總體診斷性能最佳。

由附圖5，可以得出：1)可保留的既有特征之間存在信息冗余。由附圖5，當特征數5≤i≤11時，隨著特征數的增加，fwc、fwe、ro和nc故障的cr保持不變，而eo故障的cr逐漸下降；rl和cf故障的cr在特征數5≤i≤8時緩慢上升，在8≤i≤11時，基本保持不變。這說明11個可保留的既有特征之間存在信息冗余。這種冗余不會對診斷fwc、fwe、ro、nc、rl和cf故障的cr產生負面的影響，但對eo來說，是一種會對診斷過程產生負面影響的干擾。因此，當去除可保留的既有特征之間存在的信息冗余后，得到的保留的既有特征的個數是5,6,7或8；2)僅使用保留的既有特征表征故障對準確診斷fwc、fwe、ro、nc和eo故障是足夠的，而對有效診斷rl和cf故障是不足夠的，它們需要增補額外的特征。由附圖5，當保留的既有特征數i＝5時，診斷故障fwc、fwe、ro、nc和eo的cr超過90％，這5個特征分別為表3中的tei，teo，tci，tco和trc。而即使當保留的既有特征數i＝8時，診斷rl和cf的cr也僅約為50％。

根據上述的分析，去除表征故障fwc、fwe、ro、nc和eo的可保留的既有特征之間的信息冗余后，保留的既有特征的個數a＝5，考慮到故障cf和rl的診斷cr，保留的既有特征的個數a＝8。選擇保留的既有特征的個數a分別為5,6,7,8，并分為4種情況進行進一步的考察，這4種情況分別對應case1～case4，它們所對應的具體的保留的既有特征顯示在表4中。

表4四種情況所對應的具體的保留的既有特征

步驟4：確定增補特征。確定增補特征的具體步驟如下：

(4a)提名增補特征。

通過向銷售人員的咨詢，溫度、壓力和流量傳感器的平均價格見表5。顯然，相比于流量傳感器，溫度和壓力傳感器為低成本傳感器。依據提名準則，即：成本低和獲得的特征對故障敏感，提名4個可被增補的傳感器，它們是trc_sub，t_suc，to_sump和po_feed，由它們可產生5個特征，顯示在表6中，這5個特征就是提名的增補特征。

表5溫度、壓力和流量傳感器的平均價格

備注：上標1：fr表示滿量程；上標2：mv表示測量值。

表6提名的增補特征

(4b)評價提名的增補特征。

根據附圖4顯示的在保留的既有特征的基礎上對提名的增補特征進行評價的流程，四種情況下的匹配的fd方法的fd性能隨選擇的增補特征的個數的變化規律顯示在附圖6(a)-(d)中，其中，cr表示正確率，為選擇的增補特征數j所對應的種特征組合中7種典型故障正確率之和的最大值。根據評價結果，對于選擇的不同數量的增補特征，四種情況下的補充的具體的增補特征顯示在表7中。

表7四種情況下的補充的具體的增補特征

(4c)確定增補特征及其增補順序。

表7顯示四種情況下的增補的具體特征完全相同，則由此確定5個提名的增補特征的增補順序為：po_feed(no.1),trc_sub(no.2),tsh_suc(no.3),t_suc(no.4),to_sump(no.5)。由附圖6(a)-(d)和表7，可以得出：1)四種情況下的診斷fwc、fwe、ro、nc和eo故障的cr基本不隨選擇的增補特征數變化；2)補充po_feed的特征后，診斷cf故障的cr顯著上升，從約40％上升到約98％，這說明po_feed是能顯著提高cf故障的cr的關鍵特征。而在補充po_feed的特征后，診斷cf故障的cr不再變化；3)依次增加po_feed,trc_sub,tsh_suc(j＝1,2,3)的特征后，診斷rl故障的cr持續升高，而之后保持不變。明顯地，特征t_suc和to_sump對7種典型故障來說都是不需要的；4)隨著保留的既有特征的個數a的增加(case1到case4)，fwc、fwe、ro、nc和eo故障的cr基本不變，cf故障的cr在增加po_feed的特征后也基本保持不變，而rl故障的cr則稍微升高。在增加po_feed,trc_sub,tsh_suc(j＝3)的特征后，四種情況下的rl故障的cr分別為62％(case1)，65％(case2)，66％(case3)和70％(case4)。

根據上述的分析，確定增補特征(增補順序)為po_feed(no.1),trc_sub(no.2),tsh_suc(no.3)。使用上述3個增補特征和case4中的8個保留的既有特征表征故障時，7種典型軟故障的cr見表8。表8顯示，使用本發明提出的冷水機組故障特征選擇方法所確定的故障特征是由現場普遍可獲得的特征和增補的少量的獲取成本低的特征組成；結果同時顯示，與所選擇的故障特征匹配的fd方法，即基于dr-bn的fd方法，能夠有效診斷冷水機組典型軟故障。

表8使用3個增補特征和case4中的8個保留的既有特征表征故障時各典型軟故障的cr。

本發明并不局限于上述實施例，在本發明公開的技術方案的基礎上，本領域的技術人員根據所公開的技術內容，不需要創造性的勞動就可以對其中的一些技術特征作出一些替換和變形，這些替換和變形均在本發明的保護范圍內。