基于PCA-PNN的冷热冲击箱制冷系统故障诊断研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 故障诊断技术与方法 | 第15-18页 |
| 1.2.1 故障诊断技术发展历史 | 第15-16页 |
| 1.2.2 故障诊断方法的分类 | 第16-18页 |
| 1.3 故障诊断在制冷系统方面的国内外研究现状 | 第18-21页 |
| 1.3.1 国际研究现状 | 第18-20页 |
| 1.3.2 国内研究现状 | 第20-21页 |
| 1.4 本文的主要内容 | 第21-23页 |
| 第2章 冷热冲击试验箱制冷系统工况分析 | 第23-36页 |
| 2.1 冷热冲击试验箱工作原理 | 第23-27页 |
| 2.1.1 冷热冲击试验箱的结构 | 第23-24页 |
| 2.1.2 制冷系统工作原理 | 第24-27页 |
| 2.2 制冷系统故障分析 | 第27-32页 |
| 2.2.1 制冷系统产生故障原因 | 第27页 |
| 2.2.2 制冷系统故障分类 | 第27-28页 |
| 2.2.3 制冷系统典型故障 | 第28-32页 |
| 2.3 制冷系统测量参数与信息选取 | 第32-34页 |
| 2.4 制冷系统故障诊断方案 | 第34-36页 |
| 第3章 基于PCA的数据优化处理 | 第36-45页 |
| 3.1 主元分析法 | 第36-37页 |
| 3.2 主元分析法几何与代数意义 | 第37-38页 |
| 3.3 主元分析法的模型及实现 | 第38-43页 |
| 3.3.1 主元分析法模型 | 第38-39页 |
| 3.3.2 主元分析法实现 | 第39-41页 |
| 3.3.3 主元个数确定 | 第41-42页 |
| 3.3.4 主元分析算法流程 | 第42页 |
| 3.3.5 主元分析算法优化 | 第42-43页 |
| 3.4 主元分析算法仿真 | 第43-45页 |
| 第4章 基于BP神经网络的制冷系统故障诊断 | 第45-58页 |
| 4.1 神经网络概述 | 第45-46页 |
| 4.2 BP神经网络 | 第46-50页 |
| 4.2.1 BP网络模型 | 第46-47页 |
| 4.2.2 BP网络的学习算法 | 第47-50页 |
| 4.3 基于BP神经网络的制冷系统故障诊断 | 第50-58页 |
| 4.3.1 BP神经网络参数 | 第51-56页 |
| 4.3.2 最优参数BP神经网络仿真 | 第56-58页 |
| 第5章 基于PNN网络的制冷系统故障诊断 | 第58-68页 |
| 5.1 概率神经网络 | 第58-61页 |
| 5.1.1 贝叶斯应用于模式识别 | 第58-59页 |
| 5.1.2 概率神经网络模型 | 第59-61页 |
| 5.2 基于PNN网络的制冷系统故障诊断 | 第61-66页 |
| 5.2.1 样本数据预处理 | 第61-63页 |
| 5.2.2 网络参数确定 | 第63-65页 |
| 5.2.3 最优参数PNN网络仿真 | 第65-66页 |
| 5.3 比较与分析 | 第66-68页 |
| 第6章 基于PCA-PNN的制冷系统故障诊断 | 第68-80页 |
| 6.1 制冷系统典型故障模拟实验 | 第68-74页 |
| 6.1.1 制冷系统故障模拟实验系统 | 第68-70页 |
| 6.1.2 模拟故障的种类与方法 | 第70-72页 |
| 6.1.3 数据采集 | 第72页 |
| 6.1.4 原始样本 | 第72-74页 |
| 6.2 BP网络训练 | 第74-76页 |
| 6.3 PNN网络训练 | 第76-77页 |
| 6.4 PCA-PNN网络训练 | 第77-80页 |
| 6.4.1 PCA优化原始样本 | 第77-78页 |
| 6.4.2 PCA-PNN训练 | 第78-80页 |
| 结论 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88页 |
