基于PCA-LVQ多联机系统制冷剂充注量故障诊断研究

对于多联机空调系统,当发生了制冷剂的泄漏故障时,设备的性能会下降甚至失效,不仅造成能源的浪费、热舒适性的降低、设备有效使用寿命的缩短,还可能对环境造成严重污染.本论文将使用主成分分析(Principal Component Analysis,PCA)与学习向量化(Learning Vectorized Quantiza...     

基于Boosting的多联机制冷剂充注量故障诊断集成模型

多联机空调系统被广泛用于各种公共建筑物,一旦发生故障会导致舒适性降低,能耗增加。制冷剂充注水平是影响空调系统高效运行的重要参数。本文提出一种基于Boosting集成算法的故障诊断模型,以制冷剂充注量故障为研究对象,将逻辑回归、决策树、随机森林、支持向量机和BP神经网络等5个基分类器集成,使用卡方检验进行特征选择,并使用制冷、制热模式的实验数据建立诊断模型。结果表明:基于Boosting的集成模型能高效检测多联机制冷剂充注量的故障,准确率高达96. 8%,相比于传统故障检测方法,大幅提高了诊断模型的响应速度、准确度和实用性。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

应用模糊评价方法确定一拖多空调器制冷剂充注量

本文用模糊综合评价方法,优选出一拖多空调器的最佳制冷剂充注量方案,并在该最佳制冷剂充注方案下计算一拖多空调器的制冷剂充注量,然后通过实验证明充注量的合理性.     

家用空调系统制冷剂充注量的研究

对1台制冷量为2.5kW的家用空调器进行研究,建立该空调器稳态分布参数仿真模型。研究系统中各部件的制冷剂分布情况：冷凝器中制冷剂分布最多,随着充注量的增大,冷凝器中制冷剂量增大,份额由38.6%变化到62.1%,而其他部件中制冷剂量基本保持不变。从各部件充注量变化的角度分析充注量与系统其他参数之间的关系：当充注量增加时,系统冷凝温度、冷凝压力、排气温度、过冷度增加,蒸发压力略有下降,质量流量减小,COP值先增后减。重点研究充注量、COP和过冷度3者的平衡关系。     

4mm管换热器降低制冷剂充注量实验研究

本文利用最新研发的4mm管换热器分别对分体机进行充注R410A、R290的性能实验。实验结果表明：采用4mm管换热器,在保持性能不变的情况下,不仅可以有效的降低换热器体积和成本,也能明显降低制冷剂充注量。     

制冷剂充注量对冷藏车用制冷机组性能的影响

为了研究制冷剂充注量对冷藏车用制冷机组性能的影响,在数值模拟得到的制冷剂标准充注量的基础上,试验研究制冷剂充注量对压缩机吸/排气压力、吸/排气温度、蒸发器出口过热度、冷凝器出口过冷度及制冷能力的影响。研究表明,数值模拟方法得到的制冷剂标准充注量适用于实际制冷机组。     

热泵机组制冷剂充注量补偿对化霜的改进

分析了热泵机组化霜效果差的主要原因是制冷剂充注量不足，计算了化霜时所需的充注量；提出使用制冷剂补偿器代替高压储液器，更能提高吸排气压力，缩短化霜时间，并通过试验证明效果明显。     

制冷剂充注量对新型换热器汽车空调的影响

为了减少R134a的直接排放,各厂商积极采用新型高效换热器来减少汽车空调系统的充注量.在焓差试验台研究传统汽车空调和采用微通道蒸发器和过冷式冷凝器的汽车空调系统的充注量情况,结果表明新型换热器能够显著降低系统的制冷剂充注量,并且在最佳充注量下,蒸发器能够保证一定的过热度,冷凝器出口有足够的过冷度,使系统运行性能最优.采用新型换热器系统的制冷量提高了18％左右,COP提升了约5％,最佳充注量反而比传统系统小100g,.     

故障诊断的模糊神经网络模型

论证了单症兆和多症兆诊断的模糊模型分别与一定条件的单层神经网络等价，从而建立了单症兆和多症兆诊断的模糊神经网络模型。基于模糊诊断原理，阐述了模糊神经网络模型是由若干独立单元组成的可扩充的组合式结构，进而提出一种修改或扩充子网络或子结点及其权重连线的可塑性学习方法。基于此模型建立了旋转机械故障诊断专家系统，以现场实际例子对模型的应用进行了说明。     

基于遗传算法和BP神经网络的多联机阀类故障诊断

针对多联机系统(变制冷剂流量系统)阀类故障的诊断特征变量冗杂、诊断效率低的问题,提出一种复合诊断模型,利用遗传算法在原始特征集中搜索特征子集,与参数优化后的BP神经网络模型结合,对多联机阀类故障进行检测和诊断。本文从原始特征集中优化选择了带有18个特征变量的最优特征子集,用该模型对电子膨胀阀卡死、电子膨胀阀泄漏和四通阀故障3种故障进行检测,结果表明:该复合诊断模型对故障检测率提高,其中电子膨胀阀的卡死故障检测率提升8%,整体诊断正确率提高到99.27%;该复合诊断模型大大提高了诊断效率,使测试时间缩短了52.17%,表明该复合诊断模型具有较好的故障诊断效果。     

基于声信号和一维卷积神经网络的电机故障诊断研究

针对电机故障诊断问题,设计一种新型的一维卷积神经网络结构(1D-CNN),提出一种基于声信号和1D-CNN的电机故障诊断方法.为了验证1D-CNN算法在电机故障识别领域的有效性,以一组空调故障电机作为实验对象,搭建电机故障诊断平台,对4种状态的空调电机进行声信号采集实验,制作电机故障声信号数据集,并运用1D-CNN算法...     

基于卷积神经网络的ZPW-2000R轨道电路智能故障诊断方法

为解决ZPW-2000R型轨道电路故障智能自诊断问题,提出一种基于深度卷积神经网络的ZPW-2000R轨道电路故障诊断模型,输入微机存储的38个实时监测变量数据,可自动诊断包括轨道电路室内及室外设备的共29种故障类型,且故障诊断准确率可达96%。为轨道电路故障诊断提供了有效的智能化解决方案。     

基于VMD和卷积神经网络的变工况轴承故障诊断方法

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断.首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适...     

基于直方图均衡化和卷积神经网络的轴承故障诊断方法

针对传统的滚动轴承故障诊断方法依赖人工特征提取和专家经验,难以自适应提取强噪声信号微弱故障特征的问题,提出一种直方图均衡化和卷积神经网络(CNN)相结合的智能诊断方法。首先,将传感器采集到的一维振动信号通过横向插值法转换为便于模型识别的二维振动图像,利用直方图均衡化技术拉伸像素之间灰度值差别的动态范围,突出纹理细节和对比度,以增强周期性故障特征;然后构建深层CNN模型,采用优化技术降低模型参数量,逐层学习监测数据与故障状态之间的复杂映射关系。实验结果表明该方法具有高达99%以上的准确率,对不同负载下的故障信号仍具有较高的识别精度和泛化能力。     

基于专家系统与神经网络集成的故障诊断的应用研究

本文针对工业生产中使用的直流电动机,应用人工智能的相关理论对其故障进行了广泛深入地研究。在此基础上,探讨了专家系统与人工神经网络相集成的电动机故障智能诊断方法并加以实现。实践证明,网络的学习时间显著缩短,整个系统的推理效率明显提高,并验证了集成式专家系统的诊断效果比传统的专家系统或神经网络更为全面、准确和迅速。电动机故障的集成式智能诊断方法是一个既有理论研究意义又有实际使用价值的课题与方向。     

基于小波神经网络的凝汽器故障诊断

引入小波变换优化神经网络,建立了凝汽器故障征兆参数集,利用小波神经网自适应能力强、收敛速度快、精度高的特点对凝汽器故障进行诊断。应用结果表明,该方法能够有效地对凝汽器故障进行准确诊断。     

悬臂薄板结构损伤状况的神经网络诊断

基于动量法及Levenberg_Marquardt规则BP神经网络算法 ,本文建立了悬臂薄板固有频率与其裂纹深度、位置诊断关系的人工神经网络模型 ;模型仿真结果表明 ,BP神经网络适用于此类损伤无规律对象问题的诊断。