首页--工业技术论文--一般工业技术论文--制冷工程论文--制冷机械和设备论文--制冷设备论文--空调器论文

热泵空调系统热力故障的诊断及其评估

摘要第3-5页
ABSTRACT第5-6页
第一章 绪论第10-18页
    1.1 研究背景与意义第10-12页
        1.1.1 研究背景第10-11页
        1.1.2 研究意义第11-12页
    1.2 国内外研究现状第12-16页
    1.3 本文工作第16-18页
第二章 研究对象及实验第18-26页
    2.1 研究对象第18-19页
    2.2 无故障运行的实验工况范围第19-20页
    2.3 实验模拟的故障类型第20-25页
        2.3.1 故障类型第20页
        2.3.2 故障强度第20-23页
        2.3.3 实验数据的整理第23-25页
    2.4 本章小结第25-26页
第三章 基于径向基神经网络模型的故障诊断方法第26-46页
    3.1 诊断方法的引出第26页
    3.2 基于径向基神经网络的系统诊断模型第26-34页
        3.2.1 系统模型的建立第26-27页
        3.2.2 径向基神经网络数学模型第27-29页
        3.2.3 径向基神经网络模型的预测第29-30页
        3.2.4 径向基神经网络模型与其他模型的对比第30-34页
    3.3 故障特性分析第34-43页
        3.3.1 基于故障实验的特性分析方法第34-35页
        3.3.2 过热度小于9℃第35-39页
        3.3.3 过热度大于等于9℃第39-43页
    3.4 基于故障特性的诊断规则表第43-44页
    3.5 基于径向基神经网络模型的故障检测与诊断逻辑第44-45页
    3.6 本章小结第45-46页
第四章 基于自适应机器学习的故障诊断方法第46-57页
    4.1 基于自适应机器学习的故障诊断方法的引出第46-47页
    4.2 基于聚类分析的工况自适应判别第47-49页
        4.2.1 减法聚类分析方法第47-48页
        4.2.2 自适应工况判别第48-49页
    4.3 基于支持向量机的故障诊断第49-56页
        4.3.1 支持向量机算法概述第49-50页
        4.3.2 二分类支持向量机数学模型第50-51页
        4.3.3 多分类支持向量机模型第51-53页
        4.3.4 模型参数优化第53页
        4.3.5 故障诊断流程第53-56页
    4.4 本章小结第56-57页
第五章 不同故障诊断方法的验证与评估第57-80页
    5.1 故障诊断评估指标的建立第57-59页
    5.2 基于径向基神经网络模型的故障诊断结果分析第59-65页
        5.2.1 分阈值故障诊断第59-64页
        5.2.2 不同阈值的诊断结果小结第64-65页
    5.3 基于自适应机器学习的故障诊断结果第65-73页
        5.3.1 不同训练数据的故障诊断第65-73页
        5.3.2 基于自适应机器学习的故障诊断结果分析第73页
    5.4 基于RCA规则的故障诊断方法与诊断结果第73-76页
    5.5 三种诊断方法的对比分析第76-77页
    5.6 本章小结第77-80页
第六章 总结与展望第80-82页
    6.1 本文主要内容及结论第80-81页
    6.2 存在的问题与展望第81-82页
参考文献第82-88页
致谢第88-89页
攻读学位期间的学术成果第89-91页

论文共91页,点击 下载论文
上一篇:基于室内热舒适的空气源热泵空调系统优化控制方法的研究
下一篇:基于动力吸振的振动敏感器件的低频振动响应控制研究