暖通空调系统的平稳运行对维持建筑热湿环境稳定具有重要意义。各类故障,尤其是发生于冷水机组中的故障,不仅会导致暖通空调系统对室内环境的控制能力下降、徒增能耗,还会缩短设备的寿命甚至造成高昂的损失。冷水机组是暖通空调系统中最重要的设备之一,目前已有众多致力于冷水机组的故障诊断的研究模型,但它们往往存在着建模参数选取主观、使用范围较窄以及无法提前预测故障等不足。在前人的研究基础上,本文提出了一种基于支持向量机（Support Vector Machine,SVM）和灰色模型（Grey Model,GM）的冷水机组故障预诊模型,该模型可以实现对近未来可能出现的故障的探测,故而称之为预诊。本文的预诊模型由两部分构成,一是基于SVM的故障诊断模型,二是基于灰色预测的机组运行参数预测模型。SVM在小样本、非线性分类问题上具有诸多优势,如精度较高、计算速度快以及原则上不会出现过拟合问题。这些特性构成了故障诊断模型的基础。结果证明,SVM模型可以实现冷水机组多种故障共用同一个联合诊断模型;使用降维、降噪和滤波手段处理样本数据可以提升故障诊断模型性能;只需用少部分核心数据,即可实现对大量数据的诊断;高斯径向基函数（RBF）和有向无环图（DAG）组合建立的故障诊断模型性能表现稳定,模型性能最好;暖通空调的跨系统诊断是可行的。GM在一维序列预测中的性能已得到广泛验证,其具有与SVM相似的小样本特性,只需少量的数据即可完成建模,当系统内各参数之间耦合机理未知,或数学描述过于复杂时,可以直接将各参数视为独立的灰色参数,直接对参数的发展趋势进行预测而无需考虑其他参数的影响,这一思路为简化预测步骤提供了前提。结果证明,不同的单特征GM适用范围不同,对于同一个特征,设定的预测时长不同,其最适用的GM也不尽相同;多特征GM考虑了不同特征之间的灰色相关性,因而可用于弥补单特征GM对少数特征预测性能不佳的缺陷并显著提高预诊模型性能。相比其它方法或多或少具有的事后诸葛亮的意味,本文提出的预诊思路在实际工程中具有更多的实用价值。