1.一种冷水机组故障检测方法，其特征在于，包括如下步骤：

(1)获取冷水机组正常工作时的数据，选择用于表征冷水机组健康状态的特征，构建标准训练集，并通过标准训练集得到标准训练集矩阵；

(2)对标准训练集矩阵进行基于PCA的数据分解，得到标准训练集矩阵在R子空间的得分矩阵；

(3)构建BN模型；所述BN模型包括状态层和征兆层，其中状态层包括一个节点，该节点设有正常状态和故障状态；所述征兆层包括一个连续型节点，该节点的数据服从高斯分布，其均值向量和协方差矩阵在状态层节点为正常状态时，根据标准训练集矩阵在R子空间的得分矩阵得到；

(4)获取冷水机组运行时的实时数据，经过特征选择后，对实时数据进行零均值化，得到实时数据在R子空间的得分矩阵；

(5)将实时数据在R子空间的得分矩阵输入构建好的BN模型，根据BN模型状态层中正常状态和故障状态的后验概率，判断冷水机组是否出现故障。

2.根据权利要求1所述的一种冷水机组故障检测方法，其特征在于，所述步骤(1)中获取冷水机组正常工作时的数据后，首先进行稳态滤波，然后再构建标准训练集。

3.根据权利要求1所述的一种冷水机组故障检测方法，其特征在于，得到标准训练集后，经过零均值化处理得到所述标准训练集矩阵。

4.根据权利要求1-3任意一项所述的一种冷水机组故障检测方法，其特征在于，所述基于PCA的数据分解包括：计算标准训练集矩阵的特征值及对应的特征向量；

使用累积方差贡献率确定PC的数量；

根据PC的数量，将各特征向量组成的矩阵进行空间分解，得到标准训练集矩阵在R子空间中的载荷矩阵；

根据载荷矩阵求解标准训练集矩阵在R子空间的得分矩阵。

5.根据权利要求4所述的一种冷水机组故障检测方法，其特征在于，所述使用累积方差贡献率确定PC的数量，是指将标准训练集矩阵的特征值从大到小排列，如果前n个特征值的贡献率之和大于设定贡献率，且前n-1个特征值的贡献率之和小于设定贡献率，则PC的数量为n。

6.一种冷水机组故障检测系统，包括存储器和处理器，所述存储器上存储有用于在处理器上执行的计算机程序；其特征在于，所述处理器执行计算机程序时，实现如下步骤：(1)获取冷水机组正常工作时的数据，选择用于表征冷水机组健康状态的特征，构建标准训练集，并通过标准训练集得到标准训练集矩阵；

(2)对标准训练集矩阵进行基于PCA的数据分解，得到标准训练集矩阵在R子空间的得分矩阵；

(3)构建BN模型；所述BN模型包括状态层和征兆层，其中状态层包括一个节点，该节点设有正常状态和故障状态；所述征兆层包括一个连续型节点，该节点的数据服从高斯分布，其均值向量和协方差矩阵在状态层节点为正常状态时，根据标准训练集矩阵在R子空间的得分矩阵得到；

(4)获取冷水机组运行时的实时数据，经过特征选择后，对实时数据进行零均值化，得到实时数据在R子空间的得分矩阵；

(5)将实时数据在R子空间的得分矩阵输入构建好的BN模型，根据BN模型状态层中正常状态和故障状态的后验概率，判断冷水机组是否出现故障。

7.根据权利要求6所述的一种冷水机组故障检测系统，其特征在于，所述步骤(1)中获取冷水机组正常工作时的数据后，首先进行稳态滤波，然后再构建标准训练集。

8.根据权利要求6所述的一种冷水机组故障检测系统，其特征在于，得到标准训练集后，经过零均值化处理得到所述标准训练集矩阵。

9.根据权利要求6-8任意一项所述的一种冷水机组故障检测系统，其特征在于，所述基于PCA的数据分解包括：计算标准训练集矩阵的特征值及对应的特征向量；

使用累积方差贡献率确定PC的数量；

根据PC的数量，将各特征向量组成的矩阵进行空间分解，得到标准训练集矩阵在R子空间中的载荷矩阵；

根据载荷矩阵求解标准训练集矩阵在R子空间的得分矩阵。

10.根据权利要求9所述的一种冷水机组故障检测系统，其特征在于，所述使用累积方差贡献率确定PC的数量，是指将标准训练集矩阵的特征值从大到小排列，如果前n个特征值的贡献率之和大于设定贡献率，且前n-1个特征值的贡献率之和小于设定贡献率，则PC的数量为n。