冷水机组是暖通空调系统的核心部件之一。冷水机组的故障运行,直接影响到系统能耗和室内环境。因此开展冷水机组故障的检测诊断研究具有重要意义。国内外学者的研究多集中于单一诊断模型的开发和优化方面,而由于冷水机组故障的复杂性和诊断模型算法的局限性,导致单一模型的诊断结果在不同种类故障和低水平故障方面表现出差异性。据此,本文提出基于随机森林算法的综合诊断模型,将单一诊断模型的结果进行融合,旨在进一步提高诊断准确率。本文首先分析模型法解决冷水机组故障诊断问题时,影响准确率的五个因素:输入参数、回归模型、特性参数、故障阈值和诊断规则。通过分析冷水机组工作原理和热力特性,选择可以综合反应冷水机组运行状况的三个参数作为模型的输入参数。分析故障发生时的表现特征,确定特性参数和故障诊断规则。选择EWMA方法,分析特性参数的残差,确定特性参数的故障阈值,并通过控制虚警率<0.1,对故障阈值进行优化。通过文献分析,综合考虑建模复杂程度、模型精度和使用频率,选择三种回归模型。建立多项式回归诊断模型、BP神经网络诊断模型和支持向量回归诊断模型,作为三种单一的故障诊断模型。利用ASHRAE RP1043项目数据,分别使用三种单一诊断模型对四个不同严重等级下的五种故障,进行检测和诊断。结果表明,对于冷却水减少故障、冷冻水减少故障、制冷剂过多和冷凝器结垢故障,多项式回归诊断模型的诊断准确率最高。对于制冷剂不足故障,BP神经网络诊断模型的诊断准确率最高。对于同一类型的故障,不同的诊断模型呈现出较大的差异性。在单一诊断模型的基础上,提出基于随机森林算法的冷水机组故障综合诊断方法。用单一故障诊断模型的诊断结果建立综合诊断模型训练矩阵,训练随机森林算法,通过5折交叉验证,得到综合诊断模型的诊断结果,并分析对于不同类型故障和同一故障的不同严重等级,综合诊断模型的优势。结果表明,对于五种故障,综合诊断模型的诊断准确率分别为:100%、100%、88.89%、99.07%、87.96%。对于不同类型的故障,综合诊断模型的诊断准确率均优于单一诊断模型。此外,在低水平故障时,综合诊断模型也优于单一诊断模型。综合诊断模型可以显著提高故障检测与诊断的准确率。本文的研究成果,可以为冷水机组故障诊断和建筑机电系统运维提供理论指导。