1.一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，其特征在于，包括如下步骤：步骤A.基于空调机组上各指定工作属性分别沿时序的变化，构建空调机组上冷却盘管所对应各故障特征时序变化，进而获得冷却盘管所对应故障特征矩阵Xcc，并进一步针对故障特征矩阵Xcc，执行故障特征降维操作，获得冷却盘管所对应的主故障特征矩阵Occ，然后进入步骤B；

步骤B.根据冷却盘管所对应的主故障特征矩阵Occ，构建冷却盘管所对应的初始隐马尔可夫模型，并基于主故障特征矩阵Occ中的预设比例的训练数据，应用吉布斯采样法针对初始隐马尔可夫模型进行训练，估计隐马尔可夫模型参数，获得冷却盘管所对应的隐马尔可夫模型，然后进入步骤C；

步骤C.基于冷却盘管所对应主故障特征矩阵Occ中的预设比例测试数据、以及步骤B中所获隐马尔可夫模型参数，采用维特比算法获得对应时刻1至时刻K的状态估计值序列然后进入步骤D；

步骤D.针对冷却盘管所对应的状态估计值序列 应用基于P控制图的离散统计过程控制方法，滤除状态估计值中的错误估计，获得冷却盘管所对应的最终状态估计值序列 进而实现对空调机组上冷却盘管的故障诊断。

2.根据权利要求1所述一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，其特征在于：所述步骤B包括如下步骤B1至步骤B5；

步骤B1.基于冷却盘管所对应的主故障特征矩阵Occ作为观测，确定冷却盘管所对应的四种故障包括冷却盘管管道中出现沉积ftube,cc、冷却盘管肋片上有灰尘积压ffin,cc、冷却盘管冷冻水阀门卡死在全开状态fvlvso,cc、冷却盘管冷冻水阀门卡死在全关状态fvlvsc,cc，进而确定冷却盘管所对应的16个设备状态，实现冷却盘管所对应初始隐马尔可夫模型结构的确定；然后进入步骤B2；

步骤B2.基于冷却盘管所对应的初始隐马尔可夫模型结构，获得该隐马尔可夫模型的前向变量如下：αi(t)＝Pr(O(1),...,O(t),s(t)＝i|λ)其中，αi(1)＝πibi(O(1))， i＝1、…、N；j＝1、…、N；2≤k≤K，αi(t)表示冷却盘管在时刻t对应第i个状态的概率；由第i个状态转移至第j个状态的概率；aij表示冷却盘管由第i个状态转移至第j个状态的概率；s(t)表示冷却盘管在时刻t的状态；λ表示该隐马尔可夫模型的参数；Pr()表示概率函数；然后进入步骤B3；

步骤B3.针对该隐马尔可夫模型的参数划分为三类：分类1，初始概率向量π＝{πi}，πi表示在初始时刻分别属于不同状态i的概率；分类2，状态转移矩阵P＝{aij},i,j＝1、…、N；分类3，观测值的似然函数bi(O(t)),i＝1、…、N；t＝1,...,K，O(t)表示冷却盘管在时刻t的观测值；然后进入步骤B4；

步骤B4.基于分类1初始概率向量服从狄利克雷分布、以及分类2状态转移矩阵服从狄利克雷分布，分别获得初始概率向量的后验分布、以及状态转移矩阵的后验分布；同时，基于不同状态的观测值服从不同的正态分布，获得分类3观测值的似然函数的后验分布；然后进入步骤B5；

步骤B5.基于该隐马尔可夫模型中各参数的后验分布，分别针对各个参数作为待处理参数，通过固定其他参数，从待处理参数的后验分布中随机采样产生该参数值的方式，执行参数迭代收敛，实现应用吉布斯采样法针对初始隐马尔可夫模型进行训练，获得冷却盘管所对应的隐马尔可夫模型。

3.根据权利要求1所述一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，其特征在于：所述步骤D中针对冷却盘管所对应的状态估计值序列 执行如下步骤D1至步骤D10，获得冷却盘管所对应的最终状态估计值序列 进而实现对空调机组上冷却盘管的故障诊断；

步骤D1.针对冷却盘管所对应的状态估计值序列 获得时刻1至时刻K中各时刻分别所对应移动窗口的状态估计值，然后进入步骤D2；

步骤D2.根据如下公式：

结合 获得各状态i分别所对应移动窗口的宽度Li，其中pi表示状态i被误报为其他状态的概率，xi表示移动窗口中状态i被错误估计的比例，γ表示各移动窗口中至少存在一个状态估计转移点的概率，Li表示状态i所对应移动窗口的长度；然后按L＝max{Li},i＝1,...,N，获得移动窗口宽度L，并进入步骤D3，max(·)表示取最大值函数；

步骤D3.基于状态估计值序列 中预设比例长度的训练数据序列，根据该训练数据序列的长度Ktrain，以及单个移动窗口的长度L，获取该训练数据序列中Ktrain‑L+1个移动窗口分别所对应移动窗口W(l)的状态估计值，然后进入步骤D4；其中，1≤l≤Ktrain‑L+1；

步骤D4.基于当前时刻l所对应移动窗口W(l)的状态的先验估计为i，则在该移动窗口W(l)中偏离其先验估计的状态估计的个数Yi服从二项分布如下：然后进入步骤D5；其中，yi表示在移动窗口W(l')中状态i被估计为其他状态的点的个数，1≤l'≤Ktrain‑L+1；pi表示状态i被误报为其他状态的概率；

步骤D5.获得Yi所服从二项分布的数学期望如下：

以及方差如下：

然后进入步骤D6；

步骤D6.获得移动窗口W(l)中状态i被错误估计的比例xi的公式为 然后进入步骤D7；

步骤D7.根据如下公式：

分别获得比例xi的期望值μi的模型和方差 的模型，然后进入步骤D8；

步骤D8.基于P控制图，按如下公式：

确定xi的控制下限LCLi、以及控制上限UCLi，然后进入步骤D9；

步骤D9.由训练数据序列 中提取各个状态i分别对应的状态估计值，并比对训练数据序列 与实际状态序列s(1:Ktrain)，按如下公式：获得每个状态被错误估计为其他状态的概率作为pi，然后进入步骤D10，其中，yi(l)表示在移动窗口W(l)中状态i被估计为其他状态的点的个数；

Si是对应于状态i的移动窗口的集合；δi(l)是克罗内克脉冲函数；

步骤D10.针对冷却盘管所对应的状态估计值序列 获得移动窗口W(l)中各个状态i分别被错误估计的比例xi，结合[LCLi,UCLi]，若xi＞UCLi，则判定冷却盘管对应当前移动窗口偏离前一个移动窗口状态估计的点，是由设备的状态转移引起；若xi＜LCLi，则判定冷却盘管对应当前移动窗口偏离前一个移动窗口状态估计的点，是由模型误差或者测量噪声引起的，并将该错误估计用其先验估计进行替代。

4.根据权利要求1所述一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，其特征在于，所述步骤A包括如下步骤A1至步骤A5：步骤A1.采集空调机组冷冻水流量 送风流量 分别对应时刻1至时刻K的时序变化 与 分别作为空调机组上的故障特征时

序变化；

同时，采集空调机组送风温度Ta,sup与其预设值Tsup,spt之间差值对应时刻1至时刻K的时序变化ΔTsup,spt(1)、…、ΔTsup,spt(K)，作为空调机组上的故障特征时序变化，然后进入步骤A2；

步骤A2.构建训练冷却盘管所对应以冷冻水流量 混风流量 以及混风温度Ta,mix与冷冻水送水温度Tchw,sup差值为输入，以冷却盘管的换热量估计值 为输出的反向传递神经网络，并应用 Ta,mix‑Tchw,sup分别对应时刻1至时刻K的时序变化，获得换热量估计值 对应时刻1至时刻K的时序变化；

然后根据冷冻水比热容cpw、以及冷冻水回水温度Tchw,rn，应用如下公式：获得换热量Qcc对应时刻1至时刻K的时序变化，进而按 获得ΔQcc对应时刻1至时刻K的时序变化ΔQcc(1)、…、ΔQcc(K)，作为空调机组上的故障特征时序变化，并进入步骤A3；

步骤A3.应用灰箱模型、以及无迹卡尔曼滤波方法，获得空调机组上冷却盘管上管壁内径估计值 与肋片面积估计值 分别对应时刻1至时刻K的时序变化与 然后进入步骤A4；

步骤A4.获得冷却盘管所对应故障特征矩阵Xcc如下：

然后进入步骤A5；

步骤A5.针对故障特征矩阵Xcc，分别执行PCA主成分分析法，针对故障特征降维操作，获得冷却盘管所对应的主故障特征矩阵Occ。

5.根据权利要求4所述一种基于隐马尔可夫模型和离散P控制图的冷却盘管故障诊断方法，其特征在于，所述步骤A3包括如下步骤A3‑1至步骤A3‑3：步骤A3‑1.构建冷却盘管所对应包含管壁内径dtube,in与肋片面积Afin的灰箱模型如下：其中，Ea,mix＝(1.006Ta,mix)+Wa,mix(1.84Ta,mix+2501),Ea,sup＝(1.006Ta,sup)+Wa,sup(1.84Ta,sup+2501),LMTD＝(ΔTsup‑ΔTrn)/(lnΔTsup‑lnΔTrn)，τ＝(Afin+Atube,out)/Atube,in，αa,e＝αa[1‑Afin(1‑ηfin)/(Atube,out+Afin)]，其中，Wa,mix和Wa,sup分别表示空调机组混风的湿度、以及经过降温的送风的湿度、Ea,mix和Ea,sup分别表示空调机组混风的焓值、以及经过降温的送风的焓值，δtube表示冷却盘管管道的厚度，λtube表示冷却盘管管道的导热系数，Rf表示冷却盘管因灰尘造成的热阻，Atube,in表示冷却盘管管道的内表面积，Atube,out表示冷却盘管管道的外表面积，ΔTsup＝Ta,sup‑Tchw,sup,ΔTrn＝Ta,mix‑Tchw,rn，Ta,sup表示送风温度，Tchw,rn表示冷却盘管中冷冻水回水温度，αa表示肋片的对流换热系数，ηfin表示肋片效率，A表示物性系数， 表示冷却盘管中冷冻水流速，ψ表示热流密度；然后进入步骤A3‑2；

步骤A3‑2.将管壁内径dtube,in与肋片面积Afin作为滤波框架中的状态，构建冷却盘管所对应的无迹卡尔曼滤波框架如下：冷却盘管状态方程：xcc(t+1)＝xcc(t)+vcc(t)其中，xcc(t+1)表示冷却盘管对应t+1时刻的状态，xcc(t)表示冷却盘管对应t时刻的状态，冷却盘管的状态包括管壁内径dtube,in与肋片面积Afin，vcc(t)表示冷却盘管对应t时刻的过程噪声，过程噪声包括管壁内径的过程噪声与肋片面积的过程噪声；

冷却盘管测量方程：zcc(t)＝h(xcc(t))+wcc(t)其中，

其中，wcc(t)表示冷却盘管对应t时刻的测量噪声，然后进入步骤A3‑3；

步骤A3‑3.基于冷却盘管状态方程和冷却盘管测量方程，采用无迹卡尔曼滤波方法，基于前一时刻的状态估计、以及含有噪声的传感器当前的读数的加权平均，从公式中估计出空调机组上冷却盘管上管壁内径 与肋片面积 分别对应时刻1至时刻K的时序变化与