| 【中文题名】 | 基于人工神经网络模型的螺杆式冷水机组故障诊断研究 |
| 【英文题名】 | Study of Fault Diagnosis Technology about Chilled Water Set of Screw Based on Artificial Neuron Network |
| 【学科专业】 | 供热、供燃气、通风及空调工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-12-5 |
| 【中关键词】 | 故障诊断,冷水机组,神经网络,模型,, |
| 【英关键词】 | Fault detection and diagnosis （FDD）,Chiller,Artificial neuron network （ANN）,Model, |
| 【分类导航】 | 工业技术>建筑科学>房屋建筑设备>空气调节、采暖、通风及其设备>空气调节>空气调节机械与设备 |
| 【论文摘要】 | 随着集中空调的应用越来越广泛，空调系统故障诊断的研究已成为一个重要课题。我国在这方面研究起步较晚，尤其是针对冷水机组的，依靠以往人工诊断或半自动化的方法已经不能满足实际需要了。本文较系统的分析了各类诊断方法的特点，在此基础上采用人工神经网络的方法对冷水机组故障诊断进行研究。由于人工神经网络模型受多种因素影响，以往的研究多采取若干样本比较的方法，这种方法有一定局限性，本文采用正交实验的方法寻求最佳网络模型，最终编制出故障诊断程序。
本文首先综述了空调系统故障诊断的现状，然后简要介绍了人工神经网络的相关知识，并建立故障诊断模型。课题组搭建了一套可供螺杆式冷水机组故障诊断研究的实验台，论文的第三章对其作了介绍，通过实验模拟了冷冻水、冷却水量变化、制冷剂流量改变、有不凝性气体、冷却水温变化及外界负荷变化等六类故障。为便于分析这几类故障之间的差异，定义了系列温度特征参数，阐明这几类故障的原因及现象。论文的最后在实验基础上，整理出故障训练及检验样本，编制了基于人工神经网络的故障诊断程序。
本文采用正交实验法寻求最佳网络模型，通过对比25种训练方案分析发现，各参数影响网络性能的的主次程度依次... |
| 【论文题纲】 |
|
中文摘要 |
4-5 |
|
英文摘要 |
5-8 |
|
1 绪论 |
8-18 |
|
1.1 故障诊断在暖通空调中的研究及应用状况 |
8-13 |
|
1.1.1 空调系统故障诊断的由来 |
8 |
|
1.1.2 国内外研究现状 |
8-13 |
|
1.2 暖通空调系统故障诊断的方法 |
13-14 |
|
1.3 神经网络在故障诊断中的应用 |
14-16 |
|
1.4 HVAC故障诊断方法的评价标准 |
16-17 |
|
1.5 论文主要研究内容和解决的问题 |
17-18 |
|
2 神经网络故障诊断模型 |
18-27 |
|
2.1 神经网络应用于故障诊断的意义 |
18-19 |
|
2.2 神经网络概述 |
19-21 |
|
2.2.1 神经元模型 |
19-20 |
|
2.2.2 人工神经网络的基本模型 |
20-21 |
|
2.3 BP网络建模 |
21-27 |
|
2.3.1 BP网络简介 |
21 |
|
2.3.2 BP算法简介 |
21-23 |
|
2.3.3 BP算法存在的问题及其改进 |
23-25 |
|
2.3.4 利用BP网络进行故障诊断的优势 |
25 |
|
2.3.5 BP网络故障诊断模型 |
25-27 |
|
3 实验 |
27-48 |
|
3.1 实验目的 |
27 |
|
3.2 实验装置简介 |
27 |
|
3.3 测量系统及测点布置 |
27-30 |
|
3.3.1 温度的测量 |
29-30 |
|
3.3.2 压力的测量 |
30 |
|
3.3.3 流量的测量 |
30 |
|
3.3.4 功率的测量 |
30 |
|
3.4 本文所模拟的故障 |
30-31 |
|
3.5 实验误差分析 |
31-33 |
|
3.5.1 温度测量系统误差分析 |
31 |
|
3.5.2 实验数据处理 |
31-32 |
|
3.5.3 热平衡分析 |
32 |
|
3.5.4 综合误差分析 |
32-33 |
|
3.6 数据采集及采样时间 |
33 |
|
3.7 实验结果分析 |
33-48 |
|
3.7.1 冷却水侧受阻 |
34-36 |
|
3.7.2 蒸发器水侧受阻 |
36-37 |
|
3.7.3 制冷剂流量不足 |
37-43 |
|
3.7.4 冷却水进水温度过高 |
43-44 |
|
3.7.5 有不凝性气体 |
44-46 |
|
3.7.6 外界负荷变化 |
46-48 |
|
4 故障诊断软件的实现及实验验证 |
48-65 |
|
4.1 诊断模型的确立 |
48-55 |
|
4.1.1 训练样本的提炼 |
48-51 |
|
4.1.2 隐层结构的确定 |
51-53 |
|
4.1.3 学习算法的确定 |
53-54 |
|
4.1.4 学习目标的确定 |
54 |
|
4.1.5 训练次数 |
54 |
|
4.1.6 网络评价指标 |
54-55 |
|
4.2 网络的训练实例 |
55-62 |
|
4.2.1 正交实验法 |
55 |
|
4.2.2 正交实验法中训练参数的选取 |
55-62 |
|
4.3 实验验证 |
62-64 |
|
4.4 诊断界面设计 |
64-65 |
|
5 结论 |
65-66 |
|
5.1 研究结论 |
65 |
|
5.2 课题进一步研究方向 |
65-66 |
|
致谢 |
66-67 |
|
参考文献 |
67-70 |
|
附录 |
70-71 |
|
独创性声明 |
71 |
|
学位论文版权使用授权书 |
71 |
|
| 【DOI】 | LunWen.ID:2.2008.388182 |
