一、基于神经网络的空气源热泵机组的故障诊断（论文文献综述）
孙煜光[1]（2021）在《基于图像处理技术的室外换热器脏堵诊断与磨损研究》文中进行了进一步梳理空气源热泵作为可再生能源利用技术之一,在清洁供暖的背景下得到广泛应用。管翅式换热器是空气源热泵常用室外换热器。暴露在室外的换热器工作时会出现积灰、脏堵、磨损等现象,尤其在西北地区常年多风沙等颗粒物,上述现象更加明显。颗粒物长时间在换热器表面的沉积与冲蚀,会形成脏堵与磨损,影响机组换热效率与运行安全,也与高效应用空气源热泵技术,为碳减排做贡献的初衷相违背,所以研究空气源热泵用翅片管式换热器脏堵与磨损具有重要的理论意义和实际应用价值。本文以空气源热泵用翅片管式换热器为研究对象,运用气固两相流理论,采用数值模拟的方法,计算了气相与离散相在换热器通道内的运动规律,分析了气流速度、颗粒物粒径、浓度与沉积和冲蚀之间的关系及其脏堵与磨损形成规律;同时在数值模拟与图像处理以及实际运行的室外换热器图像信息的基础下,提出适用于ASHP室外换热器脏堵程度的识别方法,并对其进行试验验证。主要研究结论如下:（1）颗粒物运动轨迹受曳力与惯性力的综合影响。小粒径颗粒物易受气流曳力影响,少部分小粒径颗粒物沉积在换热管迎风面的低压区域与背风面的涡流区域;大粒径颗粒物易受惯性力影响,沉积在换热器底部区域。随气流速度增加,湍流区域面积增大,湍流区域内小粒径颗粒物数量增多,颗粒物与换热器表面碰撞的概率增大。（2）换热管与翅片表面颗粒物沉积率,随气体流速增加呈先增大,后减小的趋势;翅片表面颗粒物沉积率小于换热管表面颗粒物沉积率;随颗粒物粒径的增大,翅片与换热管表面沉积率呈先增大,后减小,最后趋于平缓的趋势;换热管与翅片表面的平均沉积率随颗粒物浓度的增大而增大。（3）换热管与翅片表面平均磨损率,随气体流速的增大而增大;随着颗粒物粒径的增大,换热器表面平均磨损呈先增大后减小最后趋于平缓的趋势,颗粒物粒径为25μm时,换热管的磨损率出现峰值;随着颗粒物浓度增大,换热器表面平均磨损率呈线性递增;在上述三个影响因素中,大粒径颗粒物产生的冲蚀磨损受气流速度的影响大于粒径的影响,浓度的影响程度最小;小于峰值粒径的颗粒物引起的冲蚀磨损中,粒径大小对冲蚀的影响大于气流速度的影响。（4）通过对实际运行的室外换热器脏堵图像信息进行处理,得到换热器表面脏堵系数随运行时间的变化关系,提出ASHP室外换热器脏堵程度识别方法。根据积灰前期颗粒物组织分散且沉积速率增量最大为依据,确定脏堵程度达到4%时为最佳除垢时间点,此时对应实际运行天数为84天。
刘雨阳[2]（2020）在《基于KPCA-ANN的空气处理单元传感器故障检测研究》文中进行了进一步梳理暖通空调（Heating Ventilating and Air Conditioning,HVAC）系统作为改善室内环境质量和人体热舒适的重要设备,已在各领域得到广泛应用。随着科技发展与需求提升,人们对HVAC系统中的控制系统、监测系统和执行系统也提出了更高要求。在如此繁杂的系统中往往会发生各种故障,若未能及时快速地发现并解决系统中存在的故障,就会对整个系统造成难以预估的破坏,对能源也将造成巨大的损失。因此,HVAC系统故障检测与诊断（Fault Detection and Diagnosis,FDD）就显得格外重要。作为整个系统的“眼睛”——传感器在系统运行过程中起到至关重要的作用,本课题将针对HVAC系统中的传感器进行故障诊断研究。主要包括以下研究:首先,分析典型传感器故障并归纳四种典型传感器故障类型及数学模型。在分析变风量空调系统工作原理和空气处理机组运行特性的基础上,针对基于多变量统计的故障检测方法—主元分析法（Principal Component Analysis,PCA）和核主元分析法（Kernel Principal Component Analysis,KPCA）从基本原理、建模过程和故障检测三方面进行全面分析对比,并进行理论可行性分析。其次,应用PCA方法和KPCA方法对传感器不同程度的偏差故障和漂移故障进行故障检测研究,为了进一步提高故障诊断检测率,提出一种基于多目标粒子群（Multi-objective Particle Swarm Optimization,MOPSO）算法优化的混合核函数KPCA方法对传感器故障进行检测。应用MOPSO算法对KPCA中混合核函数参数进行优化及对三种目标函数进行寻优。实验研究表明,经过MOPSO算法优化的KPCA方法针对传感器微小故障不仅要比PCA方法故障检测率提高近20%,且在一定程度上消除误诊断。而且相较于应用单一核函数的KPCA方法,其故障检测率提高近10%。最后,利用贡献图法对上述检测出的不同类型、不同程度的传感器故障进行故障诊断研究。为进一步提高故障识别能力,本课题提出利用优化后的KPCA法和BP神经网络相结合的方法对传感器故障进行诊断,该方法是通过建立神经网络预测器,将实测值与预测值映射于神经网络之中利用预测误差实现故障识别。通过实验验证了该方法的正确性和可靠性且该方法的故障诊断效果要明显优于基于贡献图法的传感器故障诊断。通过对PCA、KPCA、MOPSO算法优化的KPCA以及KPCA与BPNN相结合方法的理论基础和应用于FDD的相关问题进行深入研究,再进一步利用上述方法对不同程度、不同类型的传感器故障进行实验。经过逐级对比,逐层优化的方法一方面验证的所提方法应用于故障诊断的有效性和可靠性,另一方面所提出方法对于传感器微小故障检测能力有一定提高,并在实验过程中得到检验。
王元[3]（2020）在《变风量空调系统故障检测与诊断策略研究 ——以AHU常见五种故障为例》文中认为变风量（Variable Air Volume,VAV）空调系统,目前在国内外高档大中型办公建筑中广泛应用。相比定风量空调系统,VAV空调系统结构和控制策略更加复杂,因此,其故障发生率较高。空调系统故障会影响室内空气品质和舒适性降低,甚至导致能耗增加。因此,有必要研究VAV空调系统故障检测与诊断技术,对故障进行预判并及时检测故障部位、判断故障严重程度,从而采取相应措施减小设备损耗和维护费用,使空调系统能够高效运行。以VAV空调系统的空气处理机组（Air Handling Unit,AHU）为对象,开展VAV空调系统故障检测与诊断技术的实验和仿真研究。归纳总结AHU常见故障类型;利用实验平台仿真空调系统AHU常见五种故障和正常运行工况数据,并进行数据挖掘将其作为数据样本。通过训练样本、隐含层层数及神经元节点数的确定,建立VAV空调系统的BP神经网络故障诊断模型,通过网络故障诊断模型可以成功识别AHU五种故障类型并验证该方法可靠性。针对VAV空调系统运行特性,除了模拟以上五种AHU故障类型外,增加了表冷器结垢故障工况,并建立了基于定性知识和定量分析的故障模式库。采用基于AHU故障模式的识别方法对未知故障进行检测,通过TRNSYS仿真验证得到正确的诊断结果。实验和仿真研究表明:基于BP神经网络和故障模式识别的VAV空调系统故障检测与诊断方法有效可行,能够成功检测出VAV空调系统的故障类型和发生原因,可有效指导运维人员及时发现和修复故障。
于仙毅[4]（2020）在《基于数据挖掘的热泵系统节能运行及泄漏模式识别研究》文中指出暖通空调设备的节能高效运行是长期的研究目标。热泵空调系统将低品位热源转化为高品位热能,广泛应用于工程实际,从设计生产到长期运行各个阶段都会产生大量的数据。本文应用数据挖掘方式对热泵系统在热泵干燥和热泵热水系统上积累的大量数据,针对热泵干燥系统提炼节能高效运行状态规则,分析满足干燥指数前提下最佳运行方案;针对热泵热水系统提取故障表征特征,实现热泵空调设备的故障模式识别,对于热泵系统高效安全运行有理论和现实意义。首先,结合热泵系统在热泵干燥和热泵热水系统的故障诊断背景,从无监督类和监督类数据挖掘算法两方面进行阐述并建立基于数据挖掘的热泵系统节能运行及故障诊断识别研究的整体框架。其次,针对洗碗机热泵干燥系统的干燥性能影响因素和节能运行优化分析问题建立“预处理-关联规则挖掘-节能策略分析”的无监督类挖掘研究流程,筛选出餐具整体干燥性能和各类餐具性能之间的关联规则,并从数值数据角度来对比分析,验证了干燥指数间关联规则的可解释性;在干燥指数和各类影响因素间分析了热泵干燥系统状态参数和干燥性能之间的关联关系,提取了充注量、环境温度、供风方式三类外界影响因素和干燥指数的关联规则,分析了三个外界因素对干燥性能的影响。分析热泵系统制热性能和干燥性能之间的关联规则,结合各类影响因素与干燥性能影响关系,总结了洗碗机热泵干燥系统的节能运行策略,从热泵系统制热性能和热风与餐具换热两大类影响因素分析干燥性能与热泵节能的关系,得到完整的节能运行策略。最后,针对热泵系统的制冷剂泄漏及其他故障的诊断识问题建立了“特征提取-故障诊断识别”的基于监督类数据挖掘流程,通过实验的方式收集到模拟热泵系统实际制冷剂泄漏和其他故障的数据,原始数据预处理得到包含41个原始数据参数特征的数据集。利用用Reflief F特征选择方法和PCA方式进行泄漏及其他故障的特征提取,筛选得到泄漏故障相关性权重最高的10维新的参数特征,PCA特征提取方法将原始41维参数特征进行空间线性变换得到用于表征的泄漏故障或其他故障的特征。最后建立泄漏及其他故障诊断识别的PCA-SVM模型,分别在二分类和多分类识别模式下验证了PCA-SVM模型的识别精度,得到以Model-pca5模型为代表的泄漏识别准确率高达100%的模型。研究了不同故障和泄漏速率对模型的诊断识别性能的影响,并对经过Reflief F特征选择算法优化的PCA-SVM模型进行验证和对比,得到优化后的PCA-SVM模型。
王盟[5]（2020）在《小型地源热泵机组的远程监控技术研究》文中研究说明地热资源作为可再生能源已成为当前缓解能源紧张的重要支柱性能源之一。地源热泵技术是当前较为节能的新能源技术之一。它能以极少的电能获得更多的内能。因此热泵机组的使用也越来越为普遍。地源热泵机组的监控性能直接影响到能耗的节约程度,近年来对热泵机组的监控越来越注重控制精度和工作性能的提高。但是地源热泵机组在自动化程度、智能化程度和能耗节约程度等方面仍需要很大的改进。鉴于上述分析,本文在传统地源热泵机组远程监控的基础上,从信号降噪处理和温度控制两方面出发,对热泵机组的远程监控技术进行了研究。首先,对热泵机组的发展现状、无线信号传输方式、噪声处理方法和控制方法等展开分析。然后,根据热泵机组的工作原理,建立热泵机组模型。通过分析远程监控的主要监控点,确定相应控制算法的研究。对变流量温度控制的节能性进行论证,并分析了远程监控的技术要求。然后,考虑到工作环境的干扰性和控制方法的智能化需要,采用了PLC控制器结合STM32单片机的监控硬件设计方法。由STM32主要进行信号降噪处理和Wi Fi信号的收发。然后,分析了小波阈值、EMD和EEMD等降噪原理,对小波阈值函数进行改进,提出了一种基于改进小波阈值结合EEMD降噪的信号处理方法。并分别应用于热泵机组的机轴和压缩机气阀信号的降噪实验中,取得较好的实验结果。最后,分析了PID控制、神经网络PID控制和粒子群算法原理,针对各控制理论存在的不足,提出了一种基于改进粒子群优化径向基（RBF）神经网络优化PID的控制方法。采用MATLAB软件进行改进的神经网络PID温度控制仿真分析。实验结果表明,无论在正常工况下,还是有干扰的情况下,该方法都具有较高的稳态性和鲁棒性。通过搭建用于测试的远程监控平台,将上述研究内容应用到测试中。采用PLC和触摸屏构建现场控制和人机交互界面,采用组态王软件进行远程监控界面设计。从监控界面可查询机组各部件工作状态,从主界面数据可以直接了解气阀、机轴振动信号和流量变化等情况。系统测试各项性能效果良好,证明本技术方案具有一定的工程实用价值。
张震勤[6]（2019）在《基于特征集构建和机器学习的建筑冷热负荷预测研究》文中研究指明由于人口的增长以及对室内舒适性的更高需求,建筑内的冷热负荷需求在逐渐增加。合理选择模型输入和有效使用模型预测算法是提高预测精度的关键。本研究以天津市某高校一栋综合办公教学楼的实测数据为基础,对比了多种特征工程方法对特征集进行构建,并利用深度学习算法和提升算法在优化后的特征集上,建立最优的超短期的冷热负荷预测模型。本文对比分析了6类共计10种特征工程方法构造的特征集,并利用深度学习算法DNN和提升算法Cat Boost在特征集上建立超短期的冷热负荷预测模型。其中在作者搜索范围内,本文是Cat Boost算法在建筑冷热负荷预测领域内的首次应用。考虑了冷热负荷延迟特性和不确定性因素对负荷的非线性扰动,将各变量的历史时刻值和波动值加入特征集。本文采用了相关性分析筛选和冷热负荷相关的参数;采用主成分分析构建模型输入参数的主成分,剔除多重共线性的影响;采用K-means聚类突出了建筑数据结构规律;采用5种滤波算法剔除噪声信号的影响;采用离散小波变换和经验模态分解,对冷热负荷数据进行了层次分解滤除噪声信号。分析得除PCA之外,其余方法都会不同程度的提升预测性能,实现了拟合优度99%左右的预测准确性。文章分析了各变量对冷热负荷预测的影响并给出排序。结果表明以照度为代表的室内变量在冷负荷预测中产生主要影响。以温度为代表的室内变量在以采取灵活运行调节策略的供暖模式下的热负荷预测中,对预测结果产生主要影响。针对冷热负荷预测分别规定了最严格和宽松的最小特征集区分的拟合优度的分界值,分析了算法在冷热负荷预测时对应的最小变量集。结果表明对于Cat Boost和DNN算法的冷热负荷预测,只需调研3类-5类变量就可以达到满足工程需要的预测精度。
余华江[7]（2019）在《西安某小区污水源热泵系统故障智能诊断算法研究》文中进行了进一步梳理污水源热泵技术是一种政府大力推广的“零污染”绿色能源,具有广阔的应用前景。论文以西安万科金色悦城小区的污水源热泵系统为研究案例,该项目是西安市重点环保新能源建设工程。在参与该项目调研过程中发现,热泵系统运行过程中会发生故障,由于系统的复杂性,在出现故障后,需要维修人员根据故障的特征,测试热泵系统中的不同设备,进而定位故障点,耗时耗力,更重要的是在维修期间热泵系统无法正常工作,造成了大量的经济损失,同时还需要面对终端用户的投诉。热泵故障的产生是一个渐进的过程,为了解决以上工程中遇到的实际问题,关键在于如何在系统设备发生停机故障之前提前预警,并定位故障发生的位置,从而及时的进行维护。本文探索利用智能算法建立污水源热泵故障诊断模型,对系统故障进行诊断。首先,以20162019年供暖期间（每年的11月15日到次年3月15日）采集的污水源热泵系统数据为基础,选取“压缩机电磁阀故障”、“蒸发器结垢”和“板换结垢”常见的三种故障类型,并各提取100组训练数据作为样本,建立故障状态集,同时取100组“正常运行状态”数据进行对比。由于热泵系统的运行是一个动态变化的过程,系统内设备参数变化都存在着不同程度的关联性,本文借助系统内嵌的传感器反馈数据建立运行数据与运行状态之间的映射关系。其次,基于已建立的故障状态集,搭建相应BP神经网络结构模型,采用BP算法对热泵进行诊断,实验结果显示准确率为40%,为了提高实验效果,本文采用自适应权重粒子群算法（AWPSO）对BP模型的权值和阈值进行优化,并用带动量项的自适应学习训练算法训练该模型,实验结果表明,优化后的算法取得了更好的实验效果,故障诊断准确率达到了85%。然而,考虑到项目长期运行会出现海量数据,对实验有进一步改进的必要。经分析,样本数量有限对神经网络算法的影响较大,鉴于支持向量机（SVM）算法在小样本下有较好的表现,本文基于MATLAB平台,利用LIBSVM工具箱构建了SVM模型对热泵系统进行故障诊断,诊断准确率达到了95%。最后,在对以上实验结果深入分析时发现,尽管上述算法在定性层面上的诊断准确率已有了较大提升,但在定量分析层面上,以上单一智能算法得出的结果存在较大的潜在误报风险。本文的故障诊断结果是基于不同运行状态下隶属度值的大小进行判断,当某类状态下的隶属度值最大,则归属于该类型故障。然而以上算法在计算隶属度值时,部分输出结果显示,在不同状态类型下隶属度值差别不明显,如何提升诊断的置信度水平成为研究的重点。论文于第4章引入了基于D-S证据理论的多源信息融合方法,将BP、AWPSO-BP、SVM三种算法得出的结果转化为证据体进行融合分析。结果表明,信息融合方法建立的模型达到了理想的效果,不仅提升了诊断的置信度水平,而且将以上单一算法中部分误诊断的结果也给予了修正。综合以上论述,采用智能算法对污水源热泵系统进行故障诊断,可以达到在系统发生停机故障前预警目的,保证热泵系统正常高效运行,在热泵实际运维工作中能起到较好的指导作用。
苗雨阳[8]（2019）在《基于PCA的地源热泵系统传感器的故障诊断研究》文中研究指明目前,随着当今社会经济的持续发展,对建筑环境的要求也不断提高,使得建筑逐渐朝着大型化、多功能化和智能化发展。在自动控制系统在各行业愈加普及的今日,空调故障诊断系统作为智能建筑系统的重要部分,所占比重也逐渐增加,对这方面的研究也愈加重视。而传感器是空调监测系统的重要组件,它是否可靠关乎空调系统的实时调节和运行控制,进而影响到能源利用、室内的热湿环境和空气质量,所以对空调系统传感器的故障诊断进行研究是十分必要的,有着很强的应用价值。本文先简单讲述了主元分析法（Principle Component Analysis,PCA）的基本思想、数学证明方法、建模方法以及如何确定主元数目、故障检测方法、基于贡献图的故障分离方法等一整套故障诊断与检测的流程。然后对地源热泵系统及其故障进行介绍,包括地源热泵系统发展及应用、本实验采用的地源热泵系统、在空调系统中常见的四种传感器故障的特点与其数学模型,最后,根据现有系统的条件筛选系统变量。采用主元分析法对地源热泵系统传感器故障检测与诊断。从实际的地源热泵系统采集运行数据,分别对空调系统传感器的三种故障:偏差故障、漂移故障和精度降低故障,使用主元分析法进行故障诊断,来验证其诊断效果。这些数据表明,基于PCA法的传感器故障检测是有效的。但发生微小故障时,诊断效果并不理想。针对主元分析法存在的不足提出了两种改进方法,核主元分析法和动态核主元分析法。在核主元分析方法中,分析其核心理论可知,核主元分析法无需建立系统的精确数学模型,仅要分析各变量间相关性,而后使用核函数对原始数据进行非线性映射,便能以较准确地方式展现不同变量间的非线性,除此之外,还能提取系统的非线性特征,因此该方法适用于空调系统这类非线性系统的故障诊断。又进一步研究了指数加权动态自回归统计模型与等步长数据更新,针对过程数据的动态时变特性,提出了动态核主元分析法。通过使用加权因子,将新数据与旧数据结合,共同建立具有动态特性自适应的核主元模型。将这两种方法利用地源热泵空调系统进行验证,结果表明,两种方法均能提高诊断效果。最后,本文将三种诊断方法的诊断结果进行了详细的比较,这三种方法都是可行的方法,但有各自的特点和局限性:传统主元分析法有着灵敏度较低但不会出现误诊情况的特点;核主元分析方法则有着较高的灵敏度,但也有较低的精度;动态核主元法则各项指标都很均衡。综合来看,在大多数空调的使用场合,动态核主元分析法是相对较好的方法。
刘文[9]（2019）在《基于特征识别模型的中央空调系统性能诊断方法研究》文中提出暖通空调系统经常会出现由于设备老化、自然磨损、设计不合理、调控不合理或维护不够而导致的故障,造成系统运行效率和室内空气品质下降。空调系统故障一般分为硬故障和软故障,硬故障指使设备仪表等无法运行、完全失效的故障,软故障即性能故障,是指使设备仪表等性能逐渐下降、部分失效的故障。性能故障一般是逐渐产生的,不易被察觉,但其对系统性能的影响是长期的,危害较大。因此,研究空调系统性能故障的诊断评价,对保持系统高效节能运行、降低运行维护成本具有重要意义。本文基于美国采暖、制冷与空调工程师学会1043号研究项目（ASHRAE 1043-RP）数据,建立基于特征识别的空调系统仿真模型,利用该模型研究了冷水机组性能故障和输配系统性能故障的诊断方法,实现了在无需获得空调系统各设备结构参数和海量实测数据的条件下,利用少量实测数据,便可建立空调系统性能故障诊断模型,实现冷水机组和输配系统性能故障的检测与诊断,最后利用某项目空调系统实测数据验证了所建立性能故障诊断模型的准确性和可靠性。论文主要工作如下:（1）建立基于特征识别的空调系统仿真模型。本文对组成空调系统的各部件进行深入机理分析,通过理论分析与推导,将各部件未知结构参数集总形成特征参数,并利用少量实测数据求取特征参数,建立了一种基于特征识别的中央空调系统仿真模型,该模型无需结构参数、通用性好、仿真精度较高,可适用于空调系统性能故障检测诊断。（2）提出基于特征识别模型的冷水机组性能故障诊断策略。基于特征识别模型研究了冷水机组在故障下各性能指标的偏离程度和偏离趋势,分析故障对各指标的影响机理,利用箱线图研究不同工况下诊断指标偏离程度的分布情况,由此确定出物理意义明确、诊断正确率高的故障判定规则表和故障判定策略,形成基于特征识别模型的冷水机组故障检测与诊断流程,并利用ASHRAE 1043-RP故障数据验证了所提出的故障诊断策略具有较高的诊断成功率,在达到故障等级3后诊断成功率可达88%-100%。研究了冷水机组性能指标（制冷量或COP）随主要诊断指标的整体分布情况,确定出机组在一定程度性能衰减时各诊断指标的偏离程度,作为冷水机组故障诊断指标的阈值。（3）提出基于特征识别模型和模式搜索优化算法的中央空调输配系统性能故障诊断策略。结合模式搜索优化算法和空调系统仿真模型进行空调系统运行工况寻优,对比当前运行工况和最优工况的冷冻水、冷却水流量及系统综合效率COPs,诊断输配系统流量不匹配的性能故障,研究发现,在典型工况下,通过输配系统性能故障诊断并及时调节输配系统排除该性能故障,可使系统COPs提升10%以上。（4）利用所提出的空调系统性能故障诊断方法诊断某实际中央空调系统冷水机组和输配系统存在的性能故障,验证了该方法在实际空调系统性能故障诊断中的有效性。
向鹏程[10]（2019）在《基于智能算法的自动化霜控制研究》文中指出冷库运行过程中库门频繁开关使得大量外界热湿空气得以进入库内。入库货物在降温和保存过程中也存在着大量热湿交换。湿空气携带的水汽在经过风机和翅片管表面时会凝结成霜。随着霜层的积累,换热器的换热性能逐渐下降,这意味着达到相同温度,系统需要运行更长时间,消耗更多能源。为了防止这种运行现象的出现,最常采用的办法是定时融霜。对于运营管理水平较先进的冷库,在一些情况下本不需要融霜,却因为这种定时执行的机制而停机融霜,这变相增加了冷库的能耗。因此,为了实现“按需除霜”,对除霜起始点和除霜持续时长的研究就显得尤为重要。本文针对翅片管换热器除霜的控制策略问题进行实验和建模研究。由于实验时间较短时难以通过称取融霜水的重量来准确测量结霜量问题的存在,决定采用析湿量累加的方法来近似计算结霜量。首先,利用“微元法”的思想,将结霜过程转化为以分钟为单位时间的、湿空气析出水分过程的叠加。当累计析湿量达到预设值时,系统可发出化霜信号,执行一次化霜操作。接着,利用能量守恒定律和质量守恒定律建立了翅片管换热器结霜过程的集中参数模型,包括换热模型和霜层生长模型两部分。在特定工况下,通过对数平均温差法和二分法,计算了湿空气通过控制单元时换热量。根据进口空气参数,可进一步计算出湿空气在单位时间内的析湿量,并给出了在一段时间内析湿量累加的结果。同时,介绍了BP神经网络的基本原理与实现流程、数学表达及其在制冷系统领域的应用情况。针对本文涉及到的除霜起始点和化霜持续时长两个问题,分别建立结霜量预测模型和化霜时长预测模型,并以流程图的形式展示了模型的训练过程,提出了模型的评价指标及必要的优化措施。其次,介绍了低温风洞实验台的相关情况,包括温湿度控制系统、被试机系统、数据采集系统等,并对实验用的换热器进行了校核计算。随后,实验研究了在不同的空气温度、相对湿度和风速的情况下,在不同的制冷系统工况下,翅片管换热器的结霜过程。实验过程中主要采集了湿空气的温度、相对湿度、风量、进出口含湿量等参数,也记录了实验持续的时长和化霜持续的时长,为训练神经网络模型做准备。最后,利用清洗后的实验数据确定网络隐藏层节点数并分别训练、测试两个模型。通过训练过程性能曲线图、回归分析、数据统计、测试数据结果对比等手段分析了网络的性能,并给出了在最优解情况下,神经网络的权值矩阵。针对两个网络的特点,分别提出了优化方向。本文神经网络模型训练部分得到以下结论:（1）随着训练过程的进行,两个神经网络模型的性能曲线呈下降趋势,表明模型在逐渐收敛。结霜量预测模型在第25385次训练后收敛,此时的均方误差值为0.00070588,小于训练设定值0.01。该数据反归一化后为5.138,表示神经网络的计算值与实测值之间的均方误差值为5.138克。其标准差占实测平均析湿量的百分比约为11.21%。化霜时长预测模型在第139次训练后收敛,此时的均方误差值为0.0011469,小于训练设定值0.005。该数据反归一化后为3.992,表示神经网络的计算值与实测值之间的均方误差值为3.992分钟。（2）结霜量预测模型中,在训练数据集、验证数据集和测试数据集上,实测值与神经网络计算值之间的回归系数R分别为0.96125、0.97197、0.96443,均超过96%。在用于测试的1062组数据中,误差在10%以内的数据为758组,占71.37%;误差在20%以内的数据有979组,占比92.18%;所有测试数据的平均误差为10.1061%。化霜时长预测模型中,在训练数据集、验证数据集、测试数据集和全体数据上,实测值与神经网络计算值之间的回归系数R分别为0.99158、0.99783、0.98618、0.99077,均超过98%。用于测试的4组数据的误差值分别为0.0047%、-3.59%、-7%和-4.21%,均在可接受范围内。综合以上数据,可以得出结论:本文提出的两个神经网络模型的预测精度均在可接受范围内,可以用来预测结霜量和化霜时长。
二、基于神经网络的空气源热泵机组的故障诊断（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于神经网络的空气源热泵机组的故障诊断（论文提纲范文）
（1）基于图像处理技术的室外换热器脏堵诊断与磨损研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 积灰脏堵的形成机理研究现状 |
| 1.2.2 冲蚀磨损的形成机理研究现状 |
| 1.2.3 积灰、磨损对运行性能的影响研究现状 |
| 1.2.4 积灰脏堵故障检测与诊断研究现状 |
| 1.3 本文研究内容 |
| 第二章 颗粒物沉积与冲蚀数值模拟理论基础 |
| 2.1 两相流理论基础 |
| 2.2 颗粒物沉积理论基础 |
| 2.3 冲蚀磨损理论基础 |
| 2.4 颗粒物运动力学分析 |
| 2.5 数值模拟模型 |
| 2.5.1 连续相及离散相模型 |
| 2.5.2 几何模型及边界条件 |
| 2.5.3 计算域与网格 |
| 2.5.4 颗粒物沉积率及冲蚀率 |
| 2.5.5 网格无关性验证与流体计算模型验证 |
| 2.6 本章小结 |
| 第三章 颗粒物沉积与磨损的数值模拟 |
| 3.1 气相流场模拟结果与分析 |
| 3.2 颗粒物运动轨迹与分析 |
| 3.3 沉积率影响因素分析 |
| 3.3.1 气流速度对沉积率的影响 |
| 3.3.2 颗粒物粒径对沉积率的影响 |
| 3.3.3 颗粒物浓度对沉积率的影响 |
| 3.4 冲蚀率影响因素分析 |
| 3.4.1 气流速度对冲蚀磨损的影响 |
| 3.4.2 颗粒物粒径对冲蚀磨损的影响 |
| 3.4.3 颗粒物浓度对冲蚀磨损的影响 |
| 3.5 本章小结 |
| 第四章 基于图像信息的脏堵识别系统搭建及实验测试 |
| 4.1 图像处理技术基本理论 |
| 4.2 采集系统及试验台介绍 |
| 4.2.1 采集系统组成 |
| 4.2.2 试验台组成 |
| 4.3 测试结果及分析 |
| 4.3.1 换热器表面积灰过程 |
| 4.3.2 换热器表面脏堵系数 |
| 4.3.3 换热器表面除垢时间点确定 |
| 4.4 本章小结 |
| 结论与展望 |
| 结论 |
| 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
| 个人简历 |
（2）基于KPCA-ANN的空气处理单元传感器故障检测研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 故障诊断方法综述 |
| 1.2.1 故障诊断流程 |
| 1.2.2 故障检测与诊断方法 |
| 1.3 国内外研究现状及发展方向 |
| 1.3.1 传感器故障诊断研究现状 |
| 1.3.2 系统故障诊断研究现状 |
| 1.3.3 存在问题 |
| 1.4 论文研究内容 |
| 2 变风量空调系统及其传感器典型故障 |
| 2.1 引言 |
| 2.2 变风量空调系统 |
| 2.2.1 变风量空调系统介绍 |
| 2.2.2 变风量空调系统原理及特点 |
| 2.2.3 空气处理机组介绍 |
| 2.3 传感器典型故障 |
| 2.3.1 传感器故障类型 |
| 2.3.2 传感器故障数学模型 |
| 2.4 实验平台 |
| 2.4.1 实验平台介绍 |
| 2.4.2 数据采集 |
| 2.4.3 数据处理 |
| 2.5 小结 |
| 3 基于混合核函数优化的KPCA方法故障检测研究 |
| 3.1 引言 |
| 3.1.1 主元分析法(PCA) |
| 3.1.2 核主元分析法(KPCA) |
| 3.2 基于多变量统计的故障检测方法研究 |
| 3.2.1 基于PCA的故障检测 |
| 3.2.2 基于KPCA的故障检测 |
| 3.3 检测流程及仿真结果分析 |
| 3.3.1 PCA故障检测建模过程 |
| 3.3.2 KPCA故障检测流程 |
| 3.3.3 主元数目确定 |
| 3.3.4 仿真结果与分析 |
| 3.4 核函数的提出 |
| 3.5 单一核函数参数优化 |
| 3.5.1 高斯径向基核函数参数优化 |
| 3.5.2 多项式核函数参数优化 |
| 3.6 混合核函数参数优化 |
| 3.6.1 多目标粒子群算法基本原理及算法流程 |
| 3.6.2 优化模型及求解算法 |
| 3.6.3 优化结果及分析 |
| 3.7 小结 |
| 4 基于KPCA和 BP神经网络的传感器故障诊断研究 |
| 4.1 引言 |
| 4.2 基于贡献变量的故障识别 |
| 4.2.1 贡献图法 |
| 4.2.2 仿真结果 |
| 4.3 神经网络与神经网络预测器 |
| 4.3.1 BP神经网络 |
| 4.3.2 神经网络预测器 |
| 4.4 神经网络预测器仿真实验 |
| 4.5 小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 硕士研究生阶段研究成果 |
| 附录 |
| 图表索引 |
| 致谢 |
（3）变风量空调系统故障检测与诊断策略研究 ——以AHU常见五种故障为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 故障检测与诊断方法 |
| 1.3 研究现状 |
| 1.3.1 空气处理机组的故障检测与诊断研究 |
| 1.3.2 传感器的故障检测与诊断研究 |
| 1.4 本文主要工作 |
| 第二章 变风量空调系统及实验平台 |
| 2.1 VAV空调系统介绍及其常见故障 |
| 2.1.1 VAV空调系统概述 |
| 2.1.2 变风量空气处理机组故障 |
| 2.1.3 变风量空调末端装置故障 |
| 2.2 变风量空调系统实验平台 |
| 2.2.1 实验平台概述 |
| 2.2.2 实验平台控制及数据采集 |
| 2.3 本章小结 |
| 第三章 基于BP神经网络故障检测与诊断 |
| 3.1 人工神经网络 |
| 3.1.1 神经网络模型 |
| 3.1.2 人工神经网络学习过程 |
| 3.1.3 神经网络的开发环境 |
| 3.2 BP分析法的概述 |
| 3.2.1 BP分析法简介 |
| 3.2.2 BP网络的结构 |
| 3.2.3 BP网络的优点 |
| 3.3 BP神经网络建模 |
| 3.3.1 基于BP神经网络的故障诊断原理 |
| 3.3.2 训练样本集 |
| 3.3.3 故障检测与诊断网络的拓扑结构设计 |
| 3.3.4 网络仿真模拟 |
| 3.3.5 网络性能测试 |
| 3.4 实验方案 |
| 3.4.1 控制策略 |
| 3.4.2 BP神经网络故障检测与诊断步骤 |
| 3.4.3 实验设计 |
| 3.5 故障检测与诊断实例 |
| 3.5.1 数据来源 |
| 3.5.2 激活函数的确定与隐含层层数的确定 |
| 3.5.3 样本数据归一化 |
| 3.5.4 BP神经网络故障诊断模型的验证及结果分析 |
| 3.6 本章小结 |
| 第四章 故障模式的识别与诊断 |
| 4.1 仿真软件简介 |
| 4.2 空调区域仿真模型的建立 |
| 4.2.1 建筑模型的建立 |
| 4.2.2 VAV空调系统模型的建立 |
| 4.3 故障模式分析 |
| 4.3.1 故障工况分析 |
| 4.3.2 故障模式的识别 |
| 4.4 故障诊断实例 |
| 4.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
（4）基于数据挖掘的热泵系统节能运行及泄漏模式识别研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 数据挖掘在制冷空调领域研究现状 |
| 1.2.1 制冷空调行业数据挖掘流程框架 |
| 1.2.2 制冷空调设备能耗模式及节能运行分析研究现状 |
| 1.2.3 制冷空调设备故障检测诊断研究现状 |
| 1.2.4 热泵空调系统数据挖掘研究现状 |
| 1.3 本文的主要工作 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文研究创新点 |
| 第二章 数据挖掘技术基础与应用框架 |
| 2.1 数据挖掘理论 |
| 2.1.1 数据挖掘技术概要 |
| 2.1.2 数据挖掘技术功能 |
| 2.2 热泵空调系统节能运行及故障诊断识别数据挖掘路线框架 |
| 2.3 本章小结 |
| 第三章 数据挖掘在热泵干燥系统节能运行优化的应用 |
| 3.1 热泵干燥系统数据挖掘研究背景 |
| 3.1.1 热泵干燥系统项目介绍 |
| 3.1.2 热泵干燥系统干燥性能指标 |
| 3.1.3 基于关联规则挖掘算法的热泵干燥系统节能运行分析策略 |
| 3.2 热泵干燥项目数据描述及预处理 |
| 3.2.1 数据集成 |
| 3.2.2 数据清洗 |
| 3.2.3 数据离散化 |
| 3.3 干燥性能影响因素的关联规则分析 |
| 3.3.1 关联规则挖掘方法介绍 |
| 3.3.2 热泵干燥项目整体事项集关联规则挖掘结果 |
| 3.3.3 干燥指数影响因素事项集关联规则挖掘结果 |
| 3.4 热泵干燥系统运行特性优化分析 |
| 3.5 本章小结 |
| 第四章 热泵系统制冷剂泄漏故障特征提取 |
| 4.1 暖通空调系统制冷剂泄漏故障特征概述 |
| 4.2 热泵系统制冷剂泄漏特征提取实验 |
| 4.2.1 实验系统 |
| 4.2.2 实验工况与过程 |
| 4.2.3 实验数据描述与预处理 |
| 4.3 热泵系统制冷剂泄漏故障特征提取 |
| 4.3.1 基于Reflief F特征选择算法的制冷剂泄漏特征选取 |
| 4.3.2 基于主成分分析(PCA)的制冷剂泄漏特征提取 |
| 4.3.3 特征提取结果 |
| 4.4 本章小结 |
| 第五章 基于SVM的热泵系统泄漏故障模式识别 |
| 5.1 概述 |
| 5.2 热泵系统制冷剂泄漏故障诊断识别的SVM方法应用 |
| 5.3 热泵系统制冷剂泄漏诊断识别模型评价 |
| 5.3.1 泄漏识别模型 |
| 5.3.2 模型评价指标 |
| 5.3.3 PCA-SVM模型识别结果 |
| 5.3.4 Reflie F特征选择后的PCA-SVM泄漏识别结果 |
| 5.3.5 特征选择前后识别结果对比 |
| 5.4 多故障类中SVM泄漏识别模型的应用与评价 |
| 5.5 泄漏速率对泄漏故障诊断识别性能影响 |
| 5.5.1 泄漏/非泄漏模式下的速率影响研究 |
| 5.5.2 多分类模式下的速率影响研究 |
| 5.6 本章小结 |
| 结论与展望 |
| 研究成果 |
| 研究展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（5）小型地源热泵机组的远程监控技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 热泵机组的发展及远程监控方法的研究现状 |
| 1.2.1 热泵机组的国内外发展状况 |
| 1.2.2 通信方式研究 |
| 1.2.3 信号降噪方法研究 |
| 1.2.4 自动控制方式研究 |
| 1.3 研究内容 |
| 1.4 本章小结 |
| 第二章 热泵机组远程监控技术分析 |
| 2.1 热泵机组运行原理 |
| 2.1.1 热泵机组介绍 |
| 2.1.2 地源热泵机组 |
| 2.1.3 热泵机组模型建立 |
| 2.2 地源热泵机组主要监控点研究 |
| 2.3 热泵机组温度控制策略分析 |
| 2.3.1 变流量控制分析 |
| 2.3.2 温差变流量节能性分析 |
| 2.4 地源热泵监控技术要求 |
| 2.5 本章小结 |
| 第三章 远程监控系统的软硬件设计 |
| 3.1 远程监控总体硬件设计 |
| 3.1.1 监控终端设计 |
| 3.1.2 PLC选型及I/O口配置 |
| 3.1.3 各主要元件选型 |
| 3.1.4 无线中转模块硬件设计 |
| 3.2 远程监控总体软件设计 |
| 3.2.1 监控终端软件设计 |
| 3.2.2 PLC程序设计 |
| 3.2.3 无线中转模块的软件设计 |
| 3.3 本章小结 |
| 第四章 地源热泵机组的振动信号去噪算法研究 |
| 4.1 振动信号降噪算法研究 |
| 4.1.1 小波阈值算法 |
| 4.1.2 EMD降噪 |
| 4.1.3 EEMD降噪 |
| 4.1.4 改进小波阈值算法 |
| 4.1.5 信号降噪处理方法 |
| 4.2 电机轴承降噪仿真实验 |
| 4.3 压缩机气阀降噪仿真实验 |
| 4.4 本章小结 |
| 第五章 热泵机组变流量温度控制算法研究 |
| 5.1 基于改进粒子群优化神经网络PID的控制器设计 |
| 5.1.1 PID控制器 |
| 5.1.2 基于神经网络的PID控制方法 |
| 5.1.3 粒子群算法 |
| 5.1.4 改进粒子群算法 |
| 5.1.5 改进粒子群优化神经网络PID方法 |
| 5.2 温度控制仿真实验 |
| 5.3 本章小结 |
| 第六章 系统运行测试 |
| 6.1 系统现场控制端测试 |
| 6.2 远程监控界面测试 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（6）基于特征集构建和机器学习的建筑冷热负荷预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 负荷预测模型的输入特征集 |
| 1.2.2 负荷模型的算法 |
| 1.3 研究的目的和意义 |
| 1.4 研究内容 |
| 第2章 超短期负荷预测模型的研究和设计 |
| 2.1 特征集构建 |
| 2.2 特征工程 |
| 2.2.1 相关性分析CA |
| 2.2.2 主成分分析PCA |
| 2.2.3 K-means聚类 |
| 2.2.4 滤波算法 |
| 2.2.5 离散小波变换DWT |
| 2.2.6 经验模态分解EMD |
| 2.3 预测算法 |
| 2.3.1 Cat Boost算法 |
| 2.3.2 DNN算法 |
| 2.4 评价指标 |
| 2.5 本章小结 |
| 第3章 案例建筑基本信息及调研测试 |
| 3.1 测试目的 |
| 3.2 案例建筑基本信息 |
| 3.3 调研工作内容 |
| 3.4 测试仪器 |
| 3.5 调研周期和间隔 |
| 3.6 本章小结 |
| 第4章 超短期热负荷预测模型开发 |
| 4.1 超短期热负荷预测模型输入特征集 |
| 4.2 特征集构造技术对预测精度的影响 |
| 4.3 变量对热负荷影响程度的分析 |
| 4.4 算法对应的最小特征集 |
| 4.5 本章小结 |
| 第5章 超短期冷负荷预测模型开发 |
| 5.1 超短期冷负荷预测模型输入特征集 |
| 5.2 特征集构造技术对预测精度的影响 |
| 5.3 变量对冷负荷影响程度的分析 |
| 5.4 算法对应的最小特征集 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（7）西安某小区污水源热泵系统故障智能诊断算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外现状 |
| 1.2.2 国内现状 |
| 1.3 研究内容 |
| 1.3.1 研究关键点—软故障的故障诊断 |
| 1.3.2 结构体系 |
| 2 污水源热泵系统工作原理及相关故障 |
| 2.1 项目介绍 |
| 2.1.1 工程概况 |
| 2.1.2 设计参数及主要设备 |
| 2.1.3 系统传感器布设 |
| 2.2 污水源热泵工艺 |
| 2.2.1 污水性质分析 |
| 2.2.2 污水源热泵特点 |
| 2.3 污水源热泵运行原理 |
| 2.3.1 热泵循环热力学原理 |
| 2.3.2 污水源热泵工作原理 |
| 2.3.3 污水源热泵系统设计工况 |
| 2.4 热泵系统相关故障分析 |
| 2.4.1 传热系数经验计算公式 |
| 2.4.2 污垢分析 |
| 2.4.3 压缩机运行分析 |
| 2.5 本章小结 |
| 3 基于单一智能算法的污水源热泵系统故障诊断 |
| 3.1 BP算法的热泵系统故障诊断 |
| 3.1.1 BP算法基本思想 |
| 3.1.2 污水源热泵系统故障诊断BP模型 |
| 3.1.3 实验结果及分析 |
| 3.2 粒子群算法对热泵系统故障诊断 |
| 3.2.1 AWPSO算法基本思想 |
| 3.2.2 实验结果及分析 |
| 3.3 SVM模型的热泵系统故障诊断 |
| 3.3.1 SVM算法基本思想 |
| 3.3.2 污水源热泵系统故障诊断SVM模型 |
| 3.3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 基于多源信息融合方法的污水源热泵系统故障诊断 |
| 4.1 故障特征敏感度分析 |
| 4.1.1 基本思想 |
| 4.1.2 降维实现步骤 |
| 4.1.3 实验结果及分析 |
| 4.2 多源信息融合 |
| 4.2.1 获取基本概率赋值(BPA)方法 |
| 4.2.2 基于D-S理论故障特征决策融合 |
| 4.3 基于多源信息融合的污水源热泵故障诊断模型 |
| 4.4 实验结果及分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 创新点 |
| 5.3 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 读硕士期间发表论文及参与科研项目 |
（8）基于PCA的地源热泵系统传感器的故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 空调系统的故障类型 |
| 1.3 空调系统的故障诊断与研究现状 |
| 1.3.1 空调系统的常见故障 |
| 1.3.2 故障诊断的基本流程与方法 |
| 1.3.3 国内外研究现状 |
| 1.4 研究内容 |
| 第二章 主元分析法的故障检测 |
| 2.1 主元分析法的基本思想与数学证明 |
| 2.1.1 主元分析法的基本思路 |
| 2.1.2 主元分析法的数学证明 |
| 2.2 主元分析法的建模过程 |
| 2.3 主元分析法的故障检测与识别 |
| 2.3.1 主元分析法的故障检测 |
| 2.3.2 主元分析法的故障识别 |
| 第三章 地源热泵系统及其故障 |
| 3.1 地源热泵系统介绍 |
| 3.2 传感器故障 |
| 3.2.1 传感器故障类型 |
| 3.2.2 传感器故障的数学模型 |
| 3.3 系统测量变量的选取 |
| 第四章 地源热泵系统传感器故障检测与诊断 |
| 4.1 实验设计 |
| 4.2 建立模型 |
| 4.3 诊断结果与分析 |
| 4.3.1 偏差故障 |
| 4.3.2 漂移故障 |
| 4.3.3 精度降低故障 |
| 4.4 本章小结 |
| 第五章 主元分析法的改进 |
| 5.1 核主元分析法的故障诊断 |
| 5.1.1 核主元分析法的基本思想与建模过程 |
| 5.1.2 核主元分析法的故障检测与故障识别 |
| 5.2 动态核主元分析法的故障诊断 |
| 5.2.1 动态核主元分析法的基本思想与建模过程 |
| 5.2.2 动态核主元分析法的故障检测与故障识别 |
| 5.3 两种改进方法的建模 |
| 5.4 核主元分析法诊断结果 |
| 5.4.1 偏差故障 |
| 5.4.2 漂移故障 |
| 5.4.3 精度降低故障 |
| 5.5 动态核主元分析法诊断结果 |
| 5.5.1 偏差故障 |
| 5.5.2 漂移故障 |
| 5.5.3 精度降低故障 |
| 5.6 三种故障结果的分析与比较 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 图表目录 |
| 致谢 |
| 附录 |
| 作者简历 |
（9）基于特征识别模型的中央空调系统性能诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障检测与诊断技术发展 |
| 1.2.2 空调系统性能诊断方法研究 |
| 1.2.3 空调系统仿真模拟方法研究 |
| 1.3 论文研究内容 |
| 第二章 基于特征识别的空调系统仿真模型建立 |
| 2.1 冷水机组模型 |
| 2.1.1 压缩机模型 |
| 2.1.2 冷凝器模型 |
| 2.1.3 蒸发器模型 |
| 2.1.4 节流阀模型 |
| 2.2 流体输配系统模型 |
| 2.2.1 泵与风机性能模型 |
| 2.2.2 输配管路性能模型 |
| 2.3 本章小结 |
| 第三章 基于特征识别的空调系统仿真模拟与实验验证 |
| 3.1 ASHRAE1043-RP介绍 |
| 3.1.1 实验系统 |
| 3.1.2 测试方法 |
| 3.2 各部件特征参数确定 |
| 3.2.1 冷水机组特征参数确定 |
| 3.2.2 水泵特征参数确定 |
| 3.3 模型验证与结果分析 |
| 3.4 本章小结 |
| 第四章 空调系统性能故障诊断方法研究 |
| 4.1 基准数据与性能指标 |
| 4.2 冷水机组故障工况下指标偏离趋势 |
| 4.2.1 制冷剂泄漏故障 |
| 4.2.2 制冷剂过量故障 |
| 4.2.3 不凝性气体故障 |
| 4.2.4 冷凝器结垢故障 |
| 4.2.5 故障对诊断指标的影响规律 |
| 4.3 冷水机组故障工况下指标相对偏差分布情况 |
| 4.3.1 箱线图介绍 |
| 4.3.2 制冷剂泄漏故障 |
| 4.3.3 制冷剂过量故障 |
| 4.3.4 不凝性气体故障 |
| 4.3.5 冷凝器结垢故障 |
| 4.3.6 冷水机组故障判定规则表 |
| 4.3.7 冷水机组故障诊断策略 |
| 4.4 冷水机组故障诊断指标阈值确定 |
| 4.4.1 制冷剂泄漏故障 |
| 4.4.2 制冷剂过量故障 |
| 4.4.3 不凝性气体故障 |
| 4.4.4 冷凝器结垢故障 |
| 4.5 输配系统故障诊断研究 |
| 4.5.1 典型工况一 |
| 4.5.2 典型工况二 |
| 4.5.3 典型工况三 |
| 4.5.4 输配系统故障诊断策略 |
| 4.6 本章小结 |
| 第五章 空调系统性能诊断工程应用 |
| 5.1 中央空调系统概况 |
| 5.1.1 项目背景 |
| 5.1.2 空调系统概况 |
| 5.2 空调系统仿真模型验证 |
| 5.3 空调系统性能诊断 |
| 5.3.1 冷水机组故障诊断 |
| 5.3.2 输配系统性能诊断 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的成果 |
（10）基于智能算法的自动化霜控制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 霜层结构及模型的研究 |
| 1.2.2 影响霜层生长因素的研究 |
| 1.2.3 除霜方式及其控制的相关研究 |
| 1.3 本文的主要研究工作 |
| 1.4 本章小结 |
| 第二章 结霜机理及BP神经网络理论 |
| 2.1 翅片管换热器的结霜机理 |
| 2.2 翅片管换热器结霜量模型的建立 |
| 2.2.1 换热模型 |
| 2.2.2 霜层生长模型 |
| 2.3 数值模拟及结果分析 |
| 2.3.1 数值模拟求解流程 |
| 2.3.2 数值模拟结果及分析 |
| 2.4 人工神经网络概述 |
| 2.5 BP神经网络基本过程及其数学表达 |
| 2.5.1 前馈传播过程 |
| 2.5.2 学习过程 |
| 2.5.3 反向传播过程 |
| 2.6 模型优化方法及评价指标 |
| 2.7 神经网络除霜控制模型 |
| 2.8 本章小结 |
| 第三章 翅片管换热器的结霜实验 |
| 3.1 实验装置 |
| 3.1.1 风洞及其控制系统 |
| 3.1.2 制冷系统 |
| 3.1.3 翅片管换热器传热计算 |
| 3.2 实验设计 |
| 3.3 实验步骤 |
| 3.4 本章小结 |
| 第四章 神经网络建模及性能分析 |
| 4.1 神经网络模型的建立 |
| 4.1.1 数据预处理 |
| 4.1.2 隐藏层节点数的确定 |
| 4.1.3 其他参数 |
| 4.2 神经网络模型结果分析 |
| 4.2.1 结霜量预测模型的训练结果 |
| 4.2.2 化霜时长预测模型的训练结果 |
| 4.3 误差分析及优化方向 |
| 4.4 模型使用方法概述 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 展望 |
| 参考文献 |
| 发表论文及参加科研情况说明 |
| 附录一 翅片管换热器总装图 |
| 致谢 |
四、基于神经网络的空气源热泵机组的故障诊断（论文参考文献）
- [1]基于图像处理技术的室外换热器脏堵诊断与磨损研究[D]. 孙煜光. 内蒙古工业大学, 2021(01)
- [2]基于KPCA-ANN的空气处理单元传感器故障检测研究[D]. 刘雨阳. 西安建筑科技大学, 2020(07)
- [3]变风量空调系统故障检测与诊断策略研究 ——以AHU常见五种故障为例[D]. 王元. 长安大学, 2020(06)
- [4]基于数据挖掘的热泵系统节能运行及泄漏模式识别研究[D]. 于仙毅. 华南理工大学, 2020(02)
- [5]小型地源热泵机组的远程监控技术研究[D]. 王盟. 上海工程技术大学, 2020(04)
- [6]基于特征集构建和机器学习的建筑冷热负荷预测研究[D]. 张震勤. 天津大学, 2019(01)
- [7]西安某小区污水源热泵系统故障智能诊断算法研究[D]. 余华江. 西安建筑科技大学, 2019(06)
- [8]基于PCA的地源热泵系统传感器的故障诊断研究[D]. 苗雨阳. 苏州科技大学, 2019(01)
- [9]基于特征识别模型的中央空调系统性能诊断方法研究[D]. 刘文. 东南大学, 2019(06)
- [10]基于智能算法的自动化霜控制研究[D]. 向鹏程. 天津商业大学, 2019(07)