1.一种基于DR-BN模型的冷水机组故障特征选择方法，其特征在于，包括下述步骤：步骤1：对安装在现场的冷水机组的传感器安装频率进行统计，得到现场的冷水机组的传感器安装频率；

步骤2：构建基于DR-BN模型的FD方法，使用该方法对冷水机组的故障特征选择的结果进行评价；

步骤3：依据提名准则，对可以保留的传感器采集的用于故障诊断的既有特征进行提名，即提名可保留的既有特征；

步骤4：对这些提名的可保留的既有特征采用DR-BN模型的FD方法来进行故障诊断，即使用基于DR-BN模型的FD方法对这些提名的可保留的既有特征进行评价；

步骤5：对使用基于DR-BN模型的FD方法对这些提名的可保留的既有特征进行评价后确定的冗余特征进行去除，确定保留的用于故障诊断的既有特征；

步骤6：如果仅使用保留的用于故障诊断的既有特征使基于DR-BN模型的FD方法满足期望的FD性能，则故障特征选择结束；如果不满足期望的FD性能，则需要增补额外的特征，进入下一步；

步骤7：依据提名准则，提名增补特征；再次使用同样的基于DR-BN模型的FD方法在保留用于故障诊断的既有特征基础上对这些提名的增补特征进行评价，从而确定增补特征及其增补的顺序；

步骤8：确定保留的用于故障诊断的既有特征和增补特征；

所述步骤2中，构建基于DR-BN模型的FD方法包括下述过程：

2a)确定DR-BN模型结构：

DR-BN的结构包括二层，第一层故障层；第二层为征兆层；

2b)确定DR-BN模型的参数

需要确定的参数包括第一层故障层的已知故障Fk的两个状态true和false的先验概率，给定Fk＝true时的描述连续型节点X的高斯分布的两个参数，均值向量μk和协方差矩阵∑k，给定Fk＝false时的表示距离拒绝的系数c；其中，true和false分别表示故障发生和故障未发生；

2c)基于DR-BN模型的FD方法进行故障诊断：

进行故障诊断的规则如下：

若 则 否则，x∈NF

式中， 表示n种已知故障模式中P(Fk＝true|x)的最大值，NF表示一种新故障，x表示传感器采集的一组特征。

2.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法，其特征在于，所述步骤2中，构建基于DR-BN模型的FD方法包括下述过程：

2a)确定DR-BN模型结构：

DR-BN的结构包括二层，第一层故障层，Fk表示一种已知故障，k∈[1,n]；第二层为征兆层，X∈Rm，由m个故障特征组成；

2b)确定DR-BN模型的参数

需要确定的参数如下：

Fk X

true X～N(μk,∑k)

false X～N(μk,c×∑k)

包括第一层故障层的已知故障Fk的两个状态true和false的先验概率，给定Fk＝true时的描述连续型节点X的高斯分布的两个参数，均值向量μk和协方差矩阵∑k，给定Fk＝false时的表示距离拒绝的系数c；其中，true和false分别表示发生和未发生；

第一层故障层的已知故障Fk的两个状态的先验概率可由专家经验或通过对维修服务的历史记录统计其发生频率确定；

第二层征兆层中的连续型节点X的均值向量μk和协方差矩阵∑k通过对历史故障数据进行极大似然估计得到，系数c＞1，由下式(1)、(2)确定：式中：CL表示T2统计量的控制限，m′表示连续型节点X的维数，N表示样本数，Fα(m″,N-m″)表示自由度为m″和N-m″的F分布的上α分位点，α控制着DR的程度；

2c)基于DR-BN模型的FD方法进行故障诊断：

对于传感器采集的一组特征x，它们是步骤2b)中的连续型节点X的其中的一组数据。

3.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法，其特征在于，所述步骤3中，提名准则为现场传感器的安装频率高，对故障敏感和在线计算量小；所述安装频率高为现场传感器的安装频率不低于80％；所述对故障敏感为故障能引起特征的显著变化；所述在线计算量小为传感器直接测量量或通过不多于2步的简单数学运算计算得到。

4.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法，其特征在于，步骤5中，确定保留的用于故障诊断的既有特征，通过下述方法实现：

5a)通过实验或现场存储的历史数据获得故障历史数据；

5b)使用已有的稳态过滤方法对原始的故障历史数据进行稳态过滤；

5c)确定选择的可保留的既有特征数i，据此确定全部的 种特征组合，其中，A表示步骤3中提名的可保留的既有特征的总个数；

5d)对应全部的 种特征组合将稳态过滤后的数据随机划分为训练集和测试集；

5e)根据步骤2a)确定DR-BN模型的结构，根据步骤2b)确定DR-BN的参数，即使用训练集数据或根据维修服务的历史记录统计出的故障发生频率确定DR-BN的参数；

5f)使用测试集数据对构建好的对应每个已知故障的DR-BN模型进行测试，依据步骤

2c)确定的诊断规则输出诊断结果，将i从1循环到A，就获得了匹配的FD方法的FD性能随选择的可保留的既有特征数的变化规律。

5.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法，其特征在于，所述步骤6中，根据基于DR-BN模型的FD方法是否能够获得期望的FD性能来判断是否增补额外的特征；所述期望的FD性能为所有故障的诊断正确率不低于70％。

6.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法，其特征在于，所述安装在现场的冷水机组的传感器包括温度、压力、流量和功率传感器。

7.根据权利要求6所述的一种基于DR-BN模型的冷水机组故障特征选择方法，其特征在于，所述步骤7中，提名准则为获取成本低和对故障敏感，所述获取成本低为由温度传感器和压力传感器获得的特征；所述对故障敏感为故障能引起特征的显著变化。

8.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法，其特征在于，步骤7中，确定增补特征及其增补的顺序通过下述方法实现：

7a)使用与步骤5a)相同的故障历史数据；

7b)使用与步骤5b)相同的已有的稳态过滤方法对原始的故障历史数据进行稳态过滤；

7c)在步骤5f)确定的保留的既有特征的基础上再增加j个提名的增补特征，j从1循环到B，B表示步骤7中确定的提名的增补特征的总个数，使用a表示保留的既有特征的个数，a≤A；

7d)根据步骤7c)确定的选择的提名的增补特征数j，确定全部的 种特征组合；

7e)对应全部的 种特征组合将稳态过滤后的数据随机划分为训练集和测试集；

7f)根据步骤2a)确定DR-BN模型的结构，根据步骤2b)确定DR-BN的参数，即使用训练集数据或根据维修服务的历史记录统计出的故障发生频率确定DR-BN的参数；

7g)使用测试集数据对构建好的对应每个已知故障的DR-BN模型进行测试，依据步骤

2c)确定的诊断规则输出诊断结果，将j从1循环到B，就获得了匹配的FD方法的FD性能随选择的增补特征数的变化规律。

9.根据权利要求1所述的一种基于DR-BN模型的冷水机组故障特征选择方法，其特征在于，步骤7中，确定增补特征及其增补顺序的准则是：

1)增补特征能提高故障诊断的正确率；

2)在满足故障诊断正确率不低于70％的要求下，增补特征的数量要少。