冷水机组发生故障会影响室内热舒适、增加系统能耗,开展冷水机组的故障预诊方法研究,及时有效地判断出冷水机组将要或可能发生的故障,视情维修,是减少运行维护费用、保持冷水机组高能效运行乃至实现整个HVAC系统和建筑节能的一个重要途经。过去的几十年间,人们对故障检测与诊断技术进行了大量的研究工作,但是对预诊的研究却较少。随着对系统安全性和可靠性要求的进一步提高,人们不仅希望在系统发生故障后对其进行诊断,更加希望在只有微小异常征兆出现时就能够预测故障,判断故障发展趋势及设备的性能退化程度,避免引起重大的经济损失及安全事故。在故障预诊的研究中,专家系统、模糊逻辑、神经网络等方法已被提出。但是鉴于冷水机组系统及故障的复杂性、传感器采集数据的高维及非线性、故障与征兆之间映射关系的不确定等因素,本研究采用贝叶斯网络（BN）来实现冷水机组故障预诊。BN是不确定性知识表达的强有力工具,灵活性好,并能融合各种有价值的信息,因此在故障预诊领域具有很大的优势和良好的应用前景。BN不易处理连续值,且高斯假设并不总是符合实际,因此,本研究将离散化技术引入到了基于BN的故障预诊中,用于离散连续值。本文首先介绍了冷水机组系统及典型故障。其次,对引入的4种典型离散化算法进行了阐述及对比分析。然后建立了离散型的BN故障发展趋势预测模型和设备性能退化程度预测模型。同时,在现场实际应用中,对于精度较低的模型,可通过结合人工观测信息,提升至较高水平。最后,利用ASHRAE RP-1043数据对文中提出的方法进行验证。结果表明:在所构建的故障发展趋势预测模型中,基于最小描述长度离散化的贝叶斯网络预测模型（MDLP-BN）的效果最好,其故障的平均预测精度为75%,高于其他方法,可实现故障发展趋势的有效预测。对于所提出的设备性能退化程度预测模型,其性能良好,在冷却水流量不足、冷冻水流量不足、不凝性气体三种故障模式下,预测精度均达到了85%以上。