| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-20页 |
| 1.1 研究背景和意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 制冷机组故障检测的研究 | 第12-13页 |
| 1.2.2 可拓学在故障检测的研究 | 第13-15页 |
| 1.2.3 制冷机组故障检测与诊断研究的发展趋势 | 第15-18页 |
| 1.2.4 研究评述 | 第18页 |
| 1.3 研究主要内容 | 第18-20页 |
| 2 制冷机组故障诊断研究 | 第20-31页 |
| 2.1 制冷机组制冷工作过程 | 第20-23页 |
| 2.1.1 制冷压缩机 | 第21-22页 |
| 2.1.2 冷凝器 | 第22页 |
| 2.1.3 蒸发器 | 第22-23页 |
| 2.1.4 节流元件 | 第23页 |
| 2.2 制冷机组故障类型 | 第23-25页 |
| 2.3 制冷机组故障类型描述 | 第25-29页 |
| 2.3.1 不可凝气体 | 第25页 |
| 2.3.2 冷冻水流量超限 | 第25-26页 |
| 2.3.3 冷却水流量超限 | 第26-27页 |
| 2.3.4 蒸发器结垢 | 第27-28页 |
| 2.3.5 冷凝器结垢脏污 | 第28页 |
| 2.3.6 压缩机内部故障 | 第28-29页 |
| 2.4 制冷机组故障诊断步骤 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 BP神经网络故障诊断模型 | 第31-46页 |
| 3.1 BP神经网络模型 | 第31-38页 |
| 3.1.1 神经元模型 | 第31-34页 |
| 3.1.2 BP神经网络的拓扑结构 | 第34-35页 |
| 3.1.3 BP神经网络误差的返传过程 | 第35-37页 |
| 3.1.4 BP神经网络的传递函数 | 第37-38页 |
| 3.2 故障诊断下BP神经网络算法分析 | 第38-41页 |
| 3.2.1 BP神经网络学习过程 | 第38-39页 |
| 3.2.2 BP神经网络训练过程 | 第39-40页 |
| 3.2.3 BP神经网络算法故障诊断成功的条件 | 第40-41页 |
| 3.3 故障诊断下BP神经网络算法特性总结 | 第41-42页 |
| 3.4 BP神经网络算法改进—动量自适应算法 | 第42-45页 |
| 3.5 本章小结 | 第45-46页 |
| 4 可拓神经网络研究 | 第46-63页 |
| 4.1 可拓学理论 | 第46-51页 |
| 4.1.1 物元理论 | 第46-48页 |
| 4.1.2 可拓集 | 第48-51页 |
| 4.2 可拓神经网络的结构及算法 | 第51-53页 |
| 4.2.1 可拓神经元 | 第51-52页 |
| 4.2.2 可拓神经网络 | 第52-53页 |
| 4.3 可拓神经网络故障诊断步骤 | 第53-55页 |
| 4.4 可拓神经网络故障诊断模型的建立 | 第55-61页 |
| 4.4.1 制冷机组训练样本的提取 | 第55-59页 |
| 4.4.2 确定可拓神经网络隐含层结构 | 第59-60页 |
| 4.4.3 故障物元的确定 | 第60-61页 |
| 4.4.4 可拓神经网络学习算法的选择 | 第61页 |
| 4.4.5 期望误差的选择 | 第61页 |
| 4.4.6 可拓神经网络数据设置 | 第61页 |
| 4.5 本章小结 | 第61-63页 |
| 5 实验过程及结果比较分析 | 第63-70页 |
| 5.1 MATLAB软件相关介绍 | 第63页 |
| 5.2 数值仿真 | 第63-69页 |
| 5.2.1 BP神经网络与动量自适应神经网络仿真分析 | 第63-64页 |
| 5.2.2 可拓神经网络仿真分析 | 第64-69页 |
| 5.3 仿真结果比较分析 | 第69页 |
| 5.4 本章小结 | 第69-70页 |
| 6 总结与展望 | 第70-71页 |
| 6.1 论文工作总结 | 第70页 |
| 6.2 论文工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 附录 | 第76页 |