一、神经网络故障诊断技术应用在暖通空调系统的可实现性（论文文献综述）
钱文博,熊建斌,岑健,王颀,余得正,吴润杰[1]（2021）在《建筑电气系统故障诊断综述》文中认为从建筑电气系统研究现状、应用前景以及故障诊断方法等方面进行阐述;介绍信号分析、解析模型和人工智能算法三大类中用于解决建筑电气系统故障诊断的典型算法;综述三类方法在故障诊断中的模型选择、学习算法和实际应用等方面的研究进展;探讨信号分析、解析模型和人工智能算法在建筑电气系统故障诊断中的理论分析,以及待解决的问题和未来的发展前景等。
蔚婷[2]（2021）在《基于深度神经网络的冷水机组故障智能诊断算法》文中指出随着现代化工过程日趋复杂化,生产规模也不断扩大,为企业带来更高效益的同时,过程发生故障的概率也逐步增加。冷水机组作为暖通空调主要耗能部分,一旦发生故障不能及时发现,便会造成能源的大量浪费,甚至会造成严重事故。然而,因冷水机组故障导致的暖通空调非正常工况频繁出现,因此对其进行准确及时的故障诊断成为当前研究热点。在信息采集系统应用不断扩展的情况下,化工过程状态监测的广度和深度也不断加强,采集到的数据特征海量般的增多,并且具有复杂、高维、非线性等特点。另外,对于传统模式识别故障诊断方法,大量有标签数据是训练有效模型的必要条件,但在工业应用场景下采集足够多且有标签数据几乎难以实现。因此,急需建立针对无标签样本自学习的故障智能诊断算法,这已成为当前的研究热点之一。针对以上问题,本文主要对以下内容展开研究:（1）针对传统的化工过程故障诊断都是基于时间序列数据,特征只在时域或频域进行一维学习,很少将其时频域特征变换为二维图像进行综合考虑。为此,本文将冷水机组原始数据利用小波变换转化为时频图像进行特征提取,使其不仅能表征数据时域上的变化,还能反映其频域上的变化,获取更多故障信息。（2）针对传统图像特征提取方法中特征提取器依赖人工设计,需要有大量经验知识,且诊断正确率低,泛化能力差等问题,本文应用具有强大特征提取能力的深度卷积神经网络（Convolutional neural network,CNN）对冷水机组的故障时频图进行特征提取。CNN主要是数据驱动进行特征提取,根据大量样本的学习能够得到深层的数据集特定表示,其对数据集的表达更高效和准确,所提取的抽象特征鲁棒性更强,泛化能力更好。（3）针对样本不完备问题,本文将CNN与基于相似度度量的孪生结构相结合,提出一种基于小波变换的孪生卷积半监督神经网络（WT-Siamese neural network,WT-SCNN）并将其应用于冷水机组故障诊断。此算法首先将小波变换得到的故障时频图作为网络输入;之后利用两个完全一致的CNN卷积层和池化层,通过权值共享构建孪生结构;最后将成对的时频图输入网络,对其进行特征提取,将提取到的特征映射到低维空间,通过计算目标空间内未知样本和已知样本的欧式距离来判断未知故障是属于已知故障还是新故障,实现故障的自动识别与自主学习过程。采用冷水机组的仿真实验对所提算法进行验证,实验结果表明,该方法对无标签故障数据能够进行诊断,实现新故障自学习和故障库的自增长,具有一定的智能性。（4）根据大量实验结果仿真可知,所提算法当故障判别达到六类时,网络的训练时间长达60000多秒,算法运行时间过长,需要改进。针对此问题,本文提出了孪生非对称卷积半监督神经网络（WT-Siamese Asymmetric Convolutional neural networks,WT-SACNN）并对其改进后的性能进行了测试。该改进算法不改变WT-SCNN的整体结构,而是将其中传统CNN结构改为非对称卷积核结构。在不影响算法性能的前提下,构造的非对称结构可有效减少权重参数的个数和卷积层总参数量,进而加快网络特征提取效率,缩短训练时间。最后采用仿真实验对改进算法进行验证,实验结果表明,此算法在没有改变其诊断正确率的情况下使得网络训练速度提升20%以上,使网络的实时性得到一定的改善。
姜智尧[3]（2020）在《基于嵌入式智能终端的冷水机组故障诊断系统设计与实现》文中研究表明对于当今冷水机组系统,结合智能建筑的信息化管理与数据利用成为研究的热点,但在实际空调系统中,因旧型系统改造困难与厂家机组安装条件的差异,机组数据无法有效的集中管理与应用,导致无法进行有效的建筑能源管理和故障诊断,此外在机器学习应用于故障诊断以及运行优化和节能研究中,因故障实验成本较高,可利用的实验数据无法满足需求,限制机器学习应用于实际商用运行机组的故障诊断发展。本文研究方向分为两部分,一是设计建立基于Zigbee物联网的远程智能终端,将实际运行机组数据经由嵌入式设备进行与主设备的通信,额外布点的传感器数据采集、数据初步处理和分析,并经由物联网和互联网架构,实现远程多机组综合管理,具有便携、高扩展性和高兼容性,能适配不同机组和BA系统,二是将设备安装在太仓某公司的冷水机组进行实测,并对该型冷水机组进行故障实验,其中建立稳态数据判别模型、参数筛选和数据清洗,综合相关性分析和基于信息增益的随机森林特征选择方法进行数据预处理,尝试在有限的实验数据中,建立基于DBSCAN密度聚类算法和Pseudo-Labelling伪标签的伪标签半监督学习应用,解决故障工况数据采集不易的问题,结合智能终端,实现一套能广泛应用于实际运行机组的故障诊断系统。
徐晨蕊[4]（2020）在《基于多维时序特征的制冷设备故障诊断及预警系统构建》文中研究指明制冷设备是现代化大型机房主要设备装置之一,在工业生产、人民生活、国防安全等领域发挥着重要作用。但制冷设备结构错综复杂且各部件间关联性较大,因此,对结构复杂、影响因素众多的制冷设备进行在线故障诊断与预警,对保障大型机房的安全运行具有重要意义。本文在全面分析制冷设备的组成原理基础上,重点探讨了制冷设备的关键部件冷水机组故障诊断技术和故障预警技术,并设计实现了制冷设备运行状态实时监测与异常情况预警系统。论文的主要工作包括:1)对制冷设备的基本组成和工作原理进行详细研究,总结了制冷设备故障模式,分析了关键部件的重要特征及其故障阈值范围,为后续故障诊断和预警提供依据。2)提出一种基于多维时序特征的制冷设备故障诊断方法。针对传统统计分析方法在面对高维、小样本数据时诊断准确率不高的缺陷,首先基于业界广泛采用的、涵盖丰富故障类型的公开数据集（RP-1043）对离心式冷水机组故障数据进行分析,通过升维和数据增强预处理,以及加入学习率降低策略和dropout层,构建了基于BP（Back Propagation,BP）神经网络的故障诊断模型。与传统的SVM、PCA降维的SVM的诊断方法和只升维的BP神经网络诊断方法相比,该模型将故障诊断准确率提高了2%～9%。进一步,针对实际应用中样本数量不平衡问题,在提出模型的基础上,融入降采样方法,实现了基于多维时序特征的冷水机组故障诊断,进一步验证了本文提出模型的实用性。3)提出一种改进的长短时记忆网络（Long-Short Term Memory,LSTM）多维时序特征的故障预警方法。首先采用LSTM模型对冷水机组的每维特征进行了多周期的故障预测;然后针对传统LSTM记忆模块选择有限、输入序列长度不宜过大的弊端,提出了改进型LSTM模型（E-LSTM）,通过数据预处理、相关性分析、模型训练和模型评估建立改进型多维时序特征的制冷设备故障预警模型。实验结果表明,所提出的算法与主流模型线性回归、SVR、GRU、RNN、LSTM等模型相比,具有更高的预测精度。4)设计并构建了基于多维时序特征的故障诊断与预警系统,实现了人员信息管理、设备信息的管理及数据的查询、故障诊断和预警等功能,并通过系统测试验证了各个功能模块的可靠性,为大型机房的智能监控提供了技术支持。
王党琴[5]（2020）在《暖通空调系统故障诊断技术的应用分析》文中研究指明随着社会的进步,人们的生活质量逐渐提高,空调的应用范围越来越广泛。在建筑方面,空调系统具有调节气温和空气的效果,但同时在实际的使用过程中,易出现暖通空调问题,且检测的难度较大。因此,需提高暖通空调系统故障诊断技术的重视程度,从而提高空调运行的稳定性和安全性。利用暖通空调系统故障诊断技术,可对空调系统的运行情况进行预测,从而排除空调故障。文章分析了暖通空调系统故障检测的现状,讨论了暖通空调系统中常见的故障类型及暖通空调系统故障的诊断方法,并针对性地提出了暖通空调系统故障诊断技术及其发展目标。
王元[6]（2020）在《变风量空调系统故障检测与诊断策略研究 ——以AHU常见五种故障为例》文中研究说明变风量（Variable Air Volume,VAV）空调系统,目前在国内外高档大中型办公建筑中广泛应用。相比定风量空调系统,VAV空调系统结构和控制策略更加复杂,因此,其故障发生率较高。空调系统故障会影响室内空气品质和舒适性降低,甚至导致能耗增加。因此,有必要研究VAV空调系统故障检测与诊断技术,对故障进行预判并及时检测故障部位、判断故障严重程度,从而采取相应措施减小设备损耗和维护费用,使空调系统能够高效运行。以VAV空调系统的空气处理机组（Air Handling Unit,AHU）为对象,开展VAV空调系统故障检测与诊断技术的实验和仿真研究。归纳总结AHU常见故障类型;利用实验平台仿真空调系统AHU常见五种故障和正常运行工况数据,并进行数据挖掘将其作为数据样本。通过训练样本、隐含层层数及神经元节点数的确定,建立VAV空调系统的BP神经网络故障诊断模型,通过网络故障诊断模型可以成功识别AHU五种故障类型并验证该方法可靠性。针对VAV空调系统运行特性,除了模拟以上五种AHU故障类型外,增加了表冷器结垢故障工况,并建立了基于定性知识和定量分析的故障模式库。采用基于AHU故障模式的识别方法对未知故障进行检测,通过TRNSYS仿真验证得到正确的诊断结果。实验和仿真研究表明:基于BP神经网络和故障模式识别的VAV空调系统故障检测与诊断方法有效可行,能够成功检测出VAV空调系统的故障类型和发生原因,可有效指导运维人员及时发现和修复故障。
赵志达[7]（2019）在《基于时滞辨识的中央空调系统建模及优化控制研究》文中研究说明中央空调系统的理论模型、经验模型以及数据模型能够体现建模环节的热力学特征,因此成为人们研究的重点。其中,理论模型是运用数学逻辑所构建的工程模型,常以能量平衡的方式体现建模环节的内在参数变化。经验模型依据研究人员的经验对理论模型中难以确定或变化范围较大的系数进行简化。数据模型则是以历史数据为分析对象,对建模环节的数据特征的抽象表现形式。同时,中央空调系统中普遍存在着影响着系统温度与热力参数变化的时滞现象,所以任何模型都应将此种现象考虑在内。然而,针对时滞现象的描述通常是在建立基础模型后附加时滞项或在时间变量中增添时滞值,对于时滞值范围与大小的确定并没有过多的研究。作为基础问题研究,合理地分析时滞现象对优化系统建模有着积极的推动作用,性能良好的模型除了揭示系统内在变化特征外,还有利于系统的优化控制。如果模型能够体现或预测出参数调节过程中存在的时滞稳定区间或时滞值,将会降低控制器与执行器的动作时间,使系统状态参数快速达标,进而起到节能的作用。如今,建筑能源管理系统中存储了海量的数据,使得通过数据分析系统中时滞现象及其大小变为可能。但针对中央空调系统的数据采样周期通常较大,使得系统数据的完整程度不够完善,时滞数值无法直接获得。因此,在结合诸多数据处理方法来获得良好的历史数据质量后,才能实现中央空调系统的时滞辨识。为解决上述问题,本文以中央空调系统为研究对象,进行了系统的时滞建模与辨识。分别设计了能够反映系统时滞现象的时滞状态空间模型与数据模型,并对两种模型的应用进行了讨论。详细研究内容如下:首先,给出了中央空调系统中的时滞定义,用于区分在系统中经常存在的热惰性及热惯性,以便确定系统中的时滞研究范围。随后,分析了时滞现象对系统运行的影响,并通过案例建筑说明时滞现象的数据体现。同时,本文结合粒子群算法与卡尔曼滤波对案例建筑历史运行数据处理后,设计了以数据变化趋势为基础的中央空调系统时滞值辨识方法,并应用模拟退火算法对辨识过程中的参数进行寻优。其次,设计了两种能够体现中央空调系统时滞特性并能预测未来状态参数的线性模型及数据模型。其中,线性模型结合了现代控制理论中的时滞状态空间分析法,以中央空调系统中的能量平衡特性为分析依据,能够得到了建模环节的时滞稳定区间上界。在应用方面,将此种建模方法与预见控制理论相结合,以系统中阀门的控制为例进行了优化仿真。数据模型结合了改进的Elman与BP神经网络,模型内部以趋势变化数据作为连接条件及约束条件来预测建模环节的时滞值与未来状态参数。以数据模型为基础,设计了以模糊PID为核心控制器的中央空调系统自适应控制方案。通过与传统的模糊PID控制系统进行了仿真对比得到,此种控制方案获得了更为精确的控制性能,并且控制响应时滞及调节时间都有所减少,设备能耗也有所下降。最后,将线性模型、数据模型及对应控制方法的性能进行了对比,讨论了两种模型的应用条件与优缺点,以便针对不同建筑情况或数据情况进行方法选取及控制方案确定。
赖业涌[8]（2016）在《暖通空调系统故障检测与诊断技术探讨》文中研究说明目前,暖通空调系统越来越在室内公共建筑运用,在空气、气温的调节上有不可忽视的影响。引发暖通空调系统问题的因素有很多,很大程度上这些问题并不容易被检测出来。因此,加强其系统故障检测与诊断技术应用对保障空调系统运行稳定性及完全性有着重要作用,对提高空调系统运行可预测性有着重要意义。本文针对暖通空调系统的故障问题,分析了暖通空调系统的常见故障,提出一些常见的故障检测方法,分享暖通空调系统故障诊断技术的研究进展,展望故障检测与诊断系统的未来发展。
张夏枭[9]（2009）在《空调系统中传感器故障检测与诊断方法研究》文中研究指明随着暖通空调系统（HVAC）在各种场合越来越广泛的应用,暖通空调系统得到了很大发展,空调系统中的控制系统也越来越复杂。不管是商用办公楼还是工业加工场所,甚至是民用住宅都对空调系统提出了更高的要求,要求空调系统的运行稳定、舒适和节能。在越来越复杂和庞大的HVAC系统中,往往会产生各种各样的故障,要快速及时地检测、鉴别出系统中出现的各种故障,已远非操作者力所能及,这就使得故障检测与诊断（Fault Detection and Diagnosis, FDD）系统越来越成为必要。基于多元统计过程控制的故障诊断方法,是故障诊断领域研究的一个重要分支。近年来,不同形式的主元分析方法,在各领域的故障诊断中得到了广泛的应用,且取得了很好的效果。本文首先采用主元分析法（PCA）对暖通空调系统传感器故障进行检测与诊断。主元分析法利用正常运行条件下的测量数据来建立系统的模型,从而避免了直接建立系统的解析模型。利用该方法建立系统的模型时,主元数的选取是一个关键问题。本文选用主元贡献率法来选取最优主成分数。针对传统主元分析法不能用来分析非线性系统,本文提出了综合利用核函数主元分析和神经网络预测器的非线性系统故障诊断方法；同时,为提高神经网络预测器的性能,本文采用将遗传算法应用到神经网络权值的选定中去,并取得很好效果。本文以MATLAB为仿真工具,以某建筑仿真空调系统为研究对象,应用上述方法分别设计了传感器故障诊断系统,通过大量仿真试验,证明了上述方法具有令人满意的故障诊断能力,对于完善空调系统传感器故障诊断方法具有特定意义。最后,对论文进行了总结和对未来空调系统故障诊断研究提出了建议。
刘永哲[10]（2008）在《数字化技术在空调仿真及故障诊断中的应用》文中进行了进一步梳理本文首先建立了集中空气调节系统性能仿真数学模型,利用matlab编写了空气处理机组的仿真软件,随后对空气处理机组进行了变工况性能分析。与此同时,鉴于对系统可靠性的需求,系统的故障诊断得到了高度重视,本文研究了神经网络BP在空调系统这方面的应用。系统研究主要有两部分组成,即系统仿真和系统故障诊断。空气处理机组仿真软件采用matlab 7.0在windowsXP环境下完成。故障诊断部分使用了三层BP网络计算模型。仿真部分分为八个软件模块,分别实现了对风机、过滤器、混合段、表冷器、加湿段、房间、阀门、管道的仿真。故障诊断部分采用三层BP网络来确定空调系统的5种常见故障。神经网络输入采用5维[0,1]区间的实数向量,中间层采用7个神经元,输出层用5个神经元表达5种故障。采用了无噪音和有噪音两种训练方法,两种方法中都使用随机产生的样本训练神经网络,经过训练的神经网络可以正确地诊断系统5种常见故障。
二、神经网络故障诊断技术应用在暖通空调系统的可实现性（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、神经网络故障诊断技术应用在暖通空调系统的可实现性（论文提纲范文）
（1）建筑电气系统故障诊断综述（论文提纲范文）
| 1 信号分析方法在建筑电气故障诊断中的应用 |
| 1.1 小波变换在建筑电气故障诊断中的应用 |
| 1.2 数学形态学在建筑电气故障诊断中的应用 |
| 1.3 经验模态分解在建筑电气故障诊断中的应用 |
| 2 解析模型方法在建筑电气故障诊断中的应用 |
| 3 人工智能算法在建筑电气故障诊断中的应用 |
| 3.1 支持向量机在建筑电气故障诊断中的应用 |
| 3.2 压缩感知在建筑电气故障诊断中的应用 |
| 3.3 神经网络在建筑电气故障诊断中的应用 |
| 3.4 多智能体系统在建筑电气故障诊断中的应用 |
| 3.5 贝叶斯网络在建筑电气故障诊断中的应用 |
| 3.6 决策树在建筑电气故障诊断中的应用 |
| 3.7 深度学习在建筑电气故障诊断中的应用 |
| (1)CNN |
| (2)DBN |
| 4 待解决的问题以及发展前景 |
| 5 总结 |
（2）基于深度神经网络的冷水机组故障智能诊断算法（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障诊断方法简介 |
| 1.2.1 故障诊断方法概述 |
| 1.2.2 故障诊断技术在冷水机组中的应用 |
| 1.3 冷水机组故障诊断方法的国内外研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 本文的主要研究内容和章节安排 |
| 第二章 冷水机组与实验数据集介绍 |
| 2.1 离心式冷水机组结构 |
| 2.2 冷水机组工作原理 |
| 2.3 冷水机组数据集 |
| 2.3.1 典型故障分析 |
| 2.3.2 故障数据采集 |
| 2.4 本章小结 |
| 第三章 数据预处理及特征提取 |
| 3.1 数据预处理 |
| 3.1.1 小波变换的基本原理 |
| 3.1.2 利用小波变换将冷水机组数据转为时频图 |
| 3.1.3 预处理结果讨论与分析 |
| 3.2 数据的特征提取 |
| 3.3 基于传统CNN+SoftMax的冷水机组故障诊断模型 |
| 3.3.1 基于CNN+SoftMax的冷水机组故障诊断模型建立 |
| 3.3.2 实验验证与结果讨论 |
| 3.4 本章小结 |
| 第四章 基于WT-SCNN半监督网络的冷水机组故障诊断 |
| 4.1 WT-SCNN半监督网络的结构与原理 |
| 4.1.1 WT-SCNN半监督网络结构 |
| 4.1.2 WT-SCNN半监督网络工作原理 |
| 4.2 孪生卷积半监督网络自学习模型建立 |
| 4.3 实验验证与结果分析 |
| 4.3.1 验证算法故障识别的鲁棒性 |
| 4.3.2 验证算法自学习能力 |
| 4.3.3 网络训练所用时长 |
| 4.4 本章小结 |
| 第五章 基于非对称结构SCNN网络的性能改进研究 |
| 5.1 引言 |
| 5.2 非对称卷积核原理 |
| 5.2.1 采用非对称卷积核减少权重参数的个数 |
| 5.2.2 采用非对称卷积核减少卷积层总参数量 |
| 5.2.3 非对称卷积核的可加性 |
| 5.3 基于非对称SACNN半监督网络的故障诊断模型 |
| 5.4 实验验证和对比分析 |
| 5.4.1 鲁棒性验证与结果分析 |
| 5.4.2 自学习能力验证与结果分析 |
| 5.4.3 WT-SCNN与 WT-SACNN网络效率对比 |
| 5.5 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 致谢 |
（3）基于嵌入式智能终端的冷水机组故障诊断系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 本文需要解决的问题及思路 |
| 第二章 研究对象与实验方案 |
| 2.1 RTAG螺杆式风冷冷水机组 |
| 2.2 实验方案 |
| 2.3 故障特性分析与敏感特征确定 |
| 2.3.1 热力故障特性分析 |
| 2.3.2 敏感特征确定 |
| 2.4 嵌入式系统 |
| 2.5 本章小结 |
| 第三章 智能终端设计与开发 |
| 3.1 系统整体架构概述 |
| 3.2 设备数据采集终端 |
| 3.2.1 CC2530 无线收发器模块 |
| 3.2.2 单片机与测量模块建构的数据采集系统 |
| 3.2.3 设备侧通讯主程序思路设计 |
| 3.3 ZigBee通讯组网设计 |
| 3.3.1 ZigBee通讯协议简介 |
| 3.3.2 ZigBee组网设计及其程序设计 |
| 3.4 本章小结 |
| 第四章 远程监控软硬件终端设计与开发 |
| 4.1 嵌入式硬件终端设计与开发 |
| 4.1.1 树莓派微型电脑简介 |
| 4.1.2 数据通信协议与解析 |
| 4.1.3 树莓派与CC2530 通讯 |
| 4.2 远程监控系统设计 |
| 4.2.1 系统结构设计与子系统划分 |
| 4.2.2 数据采集与通信 |
| 4.2.3 远端服务器搭建 |
| 4.3 嵌入式软硬件终端用户层 |
| 4.3.1 用户界面设计 |
| 4.3.2 采集设备的外型设计 |
| 4.4 本章小结 |
| 第五章 机组故障诊断与其算法 |
| 5.1 数据预处理 |
| 5.1.1 稳态数据判别方法 |
| 5.1.2 稳态判别方法步骤 |
| 5.1.3 判稳计算模型与参数设计 |
| 5.2 特征选择 |
| 5.2.1 特征选择算法 |
| 5.2.2 基于随机森林的特征选择 |
| 5.3 机组制冷剂泄漏量故障诊断与其算法 |
| 5.3.1 DBSCAN密度聚类算法 |
| 5.3.2 Pseudo-Labelling伪标签 |
| 5.3.3 基于实际机组的伪标签半监督学习 |
| 5.4 本章小结 |
| 第六章 整机测试与实际机组故障实验 |
| 6.1 嵌入式硬件终端应用于冷水机组整机测试 |
| 6.1.1 智能诊断盒软硬件终端在实际机组运行测试 |
| 6.1.2 收发模块组网通讯稳定性测试 |
| 6.2 实际机组运行实验稳态判别 |
| 6.2.1 稳态判别模型验证 |
| 6.2.2 蒸发器出水温度判稳结果 |
| 6.2.3 压缩机滑阀开度判稳结果 |
| 6.2.4 冷冻水流量判稳结果 |
| 6.3 伪标签半监督学习数据模型的故障诊断 |
| 6.3.1 参数优化与模型验证 |
| 6.3.2 模型诊断结果与分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间已发表或录用的论文 |
（4）基于多维时序特征的制冷设备故障诊断及预警系统构建（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 设备的故障诊断 |
| 1.2.2 设备的故障预警 |
| 1.3 研究目标与内容 |
| 1.4 论文的结构与安排 |
| 第2章 制冷设备工作原理及典型故障分析 |
| 2.1 制冷设备简介 |
| 2.2 制冷设备工作原理 |
| 2.3 制冷设备的重要特征 |
| 2.3.1 冷水机组的主要特征及其含义 |
| 2.3.2 列间空调的主要特征及其含义 |
| 2.4 制冷设备的典型故障 |
| 2.4.1 制冷设备故障总体概述 |
| 2.4.2 制冷设备的故障分析 |
| 2.5 本章小结 |
| 第3章 基于多维时序特征的制冷设备故障诊断 |
| 3.1 BP神经网络 |
| 3.1.1 BP神经网络模型 |
| 3.1.2 BP网络学习算法 |
| 3.2 Softmax分类器 |
| 3.2.1 Sigmoid函数 |
| 3.2.2 Softmax函数 |
| 3.3 多维时序特征的制冷设备故障诊断 |
| 3.3.1 数据集简介 |
| 3.3.2 基于多分类神经网络模型的故障诊断方法 |
| 3.3.3 实验结果分析 |
| 3.4 小样本多维时序特征故障诊断问题 |
| 3.4.1 数据集简介 |
| 3.4.2 针对小样本故障数据的超参确定 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第4章 基于多维时序特征的制冷设备故障预警 |
| 4.1 RNN神经网络 |
| 4.2 基于LSTM的冷水机组单维时序特征的预警 |
| 4.2.1 LSTM神经网络 |
| 4.2.2 基于LSTM的冷水机组故障预警 |
| 4.3 多维时序特征的改进型LSTM网络 |
| 4.3.1 网络结构 |
| 4.3.2 模型训练 |
| 4.3.3 性能度量 |
| 4.4 制冷设备故障预测方法的实现 |
| 4.4.1 数据采集 |
| 4.4.2 数据预处理 |
| 4.4.3 相关性分析 |
| 4.4.4 模型训练 |
| 4.4.5 模型测试评估 |
| 4.5 实验验证与结果分析 |
| 4.5.1 获取精度较高的模型参数 |
| 4.5.2 一维与多维时序特征预警性能对比 |
| 4.5.3 实验结果对比 |
| 4.6 本章小结 |
| 第5章 制冷设备故障诊断与预警系统的设计及实现 |
| 5.1 系统设计及开发环境 |
| 5.1.1 系统需求分析 |
| 5.1.2 系统总体框架 |
| 5.1.3 系统开发环境 |
| 5.2 系统架构设计 |
| 5.2.1 B/S架构 |
| 5.2.2 基于SSM架构的开发方案 |
| 5.3 系统数据库设计 |
| 5.3.1 数据字典 |
| 5.3.2 UML核心类图 |
| 5.3.3 基于JDBC的数据库连接 |
| 5.4 测试用例 |
| 5.4.1 登录功能测试用例 |
| 5.4.2 人员信息管理模块测试用例 |
| 5.4.3 设备信息管理模块测试用例 |
| 5.4.4 故障诊断测试用例 |
| 5.4.5 故障预警测试用例 |
| 5.5 制冷设备故障诊断与预警系统的实现 |
| 5.5.1 登录界面 |
| 5.5.2 人员信息管理模块 |
| 5.5.3 设备信息管理模块 |
| 5.5.4 设备故障诊断模块 |
| 5.5.5 设备故障预警模块 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的学术论文 |
| 攻读硕士学位期间参加的科研活动和获得的奖励 |
| 致谢 |
（5）暖通空调系统故障诊断技术的应用分析（论文提纲范文）
| 1 暖通空调系统故障检测的现状 |
| 2 在暖通空调系统中常见的故障类型 |
| 2.1 从不同的性质进行划分 |
| 2.2 从不同的程度进行划分 |
| 2.3 从而不同的故障器件进行划分 |
| 2.4 根据不同的位置进行划分 |
| 3 暖通空调系统故障的诊断方法 |
| 3.1 暖通空调系统故障检测的直接方法 |
| 3.2 暖通空调系统故障检测的间接方法 |
| 4 暖通空调系统故障诊断技术 |
| 4.1 暖通空调系统模式识别诊断技术 |
| 4.2 暖通空调系统神经网络诊断技术 |
| 4.3 暖通空调系统故障树诊断技术 |
| 4.4 暖通空调系统故障案例诊断技术 |
| 4.5 暖通空调系统模糊推理诊断技术 |
| 4.6 暖通空调系统小波分析诊断技术 |
| 4.7 暖通空调系统规则故障诊断技术 |
| 5 针对暖通空调系统故障诊断技术的发展目标 |
| 5.1 加强暖通空调系统故障诊断技术的经济性研究 |
| 5.2 加强暖通空调系统故障诊断技术的理论研究 |
| 5.3 加强暖通空调系统故障诊断技术的可靠性研究 |
| 6 结束语 |
（6）变风量空调系统故障检测与诊断策略研究 ——以AHU常见五种故障为例（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.2 故障检测与诊断方法 |
| 1.3 研究现状 |
| 1.3.1 空气处理机组的故障检测与诊断研究 |
| 1.3.2 传感器的故障检测与诊断研究 |
| 1.4 本文主要工作 |
| 第二章 变风量空调系统及实验平台 |
| 2.1 VAV空调系统介绍及其常见故障 |
| 2.1.1 VAV空调系统概述 |
| 2.1.2 变风量空气处理机组故障 |
| 2.1.3 变风量空调末端装置故障 |
| 2.2 变风量空调系统实验平台 |
| 2.2.1 实验平台概述 |
| 2.2.2 实验平台控制及数据采集 |
| 2.3 本章小结 |
| 第三章 基于BP神经网络故障检测与诊断 |
| 3.1 人工神经网络 |
| 3.1.1 神经网络模型 |
| 3.1.2 人工神经网络学习过程 |
| 3.1.3 神经网络的开发环境 |
| 3.2 BP分析法的概述 |
| 3.2.1 BP分析法简介 |
| 3.2.2 BP网络的结构 |
| 3.2.3 BP网络的优点 |
| 3.3 BP神经网络建模 |
| 3.3.1 基于BP神经网络的故障诊断原理 |
| 3.3.2 训练样本集 |
| 3.3.3 故障检测与诊断网络的拓扑结构设计 |
| 3.3.4 网络仿真模拟 |
| 3.3.5 网络性能测试 |
| 3.4 实验方案 |
| 3.4.1 控制策略 |
| 3.4.2 BP神经网络故障检测与诊断步骤 |
| 3.4.3 实验设计 |
| 3.5 故障检测与诊断实例 |
| 3.5.1 数据来源 |
| 3.5.2 激活函数的确定与隐含层层数的确定 |
| 3.5.3 样本数据归一化 |
| 3.5.4 BP神经网络故障诊断模型的验证及结果分析 |
| 3.6 本章小结 |
| 第四章 故障模式的识别与诊断 |
| 4.1 仿真软件简介 |
| 4.2 空调区域仿真模型的建立 |
| 4.2.1 建筑模型的建立 |
| 4.2.2 VAV空调系统模型的建立 |
| 4.3 故障模式分析 |
| 4.3.1 故障工况分析 |
| 4.3.2 故障模式的识别 |
| 4.4 故障诊断实例 |
| 4.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
（7）基于时滞辨识的中央空调系统建模及优化控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 中央空调系统模型 |
| 1.2.2 中央空调系统控制方法 |
| 1.2.3 中央空调系统时滞问题 |
| 1.2.4 存在的问题 |
| 1.3 研究内容与方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第2章 中央空调系统中时滞现象分析 |
| 2.1 中央空调系统时滞现象分析 |
| 2.2 时滞问题对中央空调系统的影响 |
| 2.2.1 时滞对中央空调系统设备运行的影响 |
| 2.2.2 时滞对中央空调系统故障诊断的影响 |
| 2.3 时滞现象及影响的数据体现 |
| 2.4 本章小结 |
| 第3章 基于时滞状态空间的中央空调系统建模 |
| 3.1 时滞状态空间模型 |
| 3.2 时滞状态空间法建模流程 |
| 3.3 建模举例-管道模型 |
| 3.3.1 水管建模 |
| 3.3.2 风管建模 |
| 3.3.3 空调房间模型 |
| 3.4 模型验证 |
| 3.5 中央空调系统模型时滞稳定上界确定 |
| 3.5.1 稳定性 |
| 3.5.2 时滞稳定范围 |
| 3.5.3 仿真示例 |
| 3.6 本章小结 |
| 第4章 中央空调系统的时滞辨识与数据建模 |
| 4.1 中央空调系统的数据特征 |
| 4.2 数据来源及处理过程 |
| 4.3 中央空调系统时滞辨识 |
| 4.3.1 运行数据变化趋势定义 |
| 4.3.2 寻优算法 |
| 4.4 时滞辨识举例及验证 |
| 4.4.1 问题描述 |
| 4.4.2 数据处理与计算参数设置 |
| 4.5 中央空调系统数据建模 |
| 4.5.1 数据建模基础理论 |
| 4.5.2 建模流程 |
| 4.5.3 改进的Elman神经网络模型-时滞预测 |
| 4.5.4 改进的BP神经网络模型-状态参数预测 |
| 4.6 模型验证 |
| 4.6.1 数据选取规律 |
| 4.6.2 水温与送风温度模型验证 |
| 4.6.3 空调房间温度变化与设备能耗模型验证 |
| 4.7 本章小结 |
| 第5章 基于时滞状态空间模型与N-E-B模型的中央空调系统优化控制 |
| 5.1 基于时滞状态空间模型的优化控制 |
| 5.1.1 预见控制器 |
| 5.1.2 仿真实例 |
| 5.2 基于N-E-B模型的优化控制 |
| 5.2.1 自适应模糊PID控制器 |
| 5.2.2 仿真实例 |
| 5.3 本章小结 |
| 第6章 多种模型间的应用条件及控制方案对比 |
| 6.1 时滞状态空间模型与传统线性模型仿真对比 |
| 6.1.1 模型性能对比 |
| 6.1.2 控制仿真对比 |
| 6.2 N-E-B模型与常规数据模型及控制仿真对比 |
| 6.2.1 模型性能对比 |
| 6.2.2 控制仿真对比 |
| 6.3 时滞状态空间模型与数据模型应用条件对比 |
| 6.3.1 数据量 |
| 6.3.2 复杂程度 |
| 6.3.3 控制仿真对比 |
| 6.4 本章小结 |
| 结论与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表论文和科研成果 |
| 名词索引 |
（9）空调系统中传感器故障检测与诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第1章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.1.1 暖通空调系统概述 |
| 1.1.2 本课题研究目的和意义 |
| 1.2 故障检测与诊断方法综述 |
| 1.2.1 故障检测与诊断基本概念 |
| 1.2.2 故障检测与诊断方法 |
| 1.3 空调系统传感器故障诊断研究现状 |
| 1.3.1 国外研究现状 |
| 1.3.2 国内研究现状 |
| 1.4 论文研究内容 |
| 第2章 主元分析方法概论 |
| 2.1 主元分析法基本思想 |
| 2.2 主元分析法的理论基础 |
| 2.3 主元分析法的建模过程 |
| 2.4 主元数目的确定 |
| 2.5 故障检测方法 |
| 2.6 故障识别 |
| 2.6.1 贡献图法 |
| 2.6.2 基于故障重构的方法 |
| 2.6.3 相关系数判断标准法 |
| 2.7 本章小结 |
| 第3章 主元分析算法的融合和改进 |
| 3.1 基于核函数主元分析的传感器故障诊断方法 |
| 3.1.1 核主元分析方法 |
| 3.1.2 故障检测 |
| 3.2 利用核函数主元分析和神经网络的传感器故障诊断 |
| 3.2.1 神经网络预测器 |
| 3.2.2 神经网络算法的改进 |
| 3.2.3 基于遗传算法的神经网络参数选定 |
| 3.3 本章小结 |
| 第4章 空调系统传感器故障的检测与诊断 |
| 4.1 变风量空调系统 |
| 4.1.1 变风量空调系统概念 |
| 4.1.2 变风量空调系统原理 |
| 4.1.3 VAV控制系统 |
| 4.1.4 变风量空调系统中的空气处理单元 |
| 4.2 空调系统传感器的常见故障与其数学表示 |
| 4.2.1 传感器故障类型及仿真实现方法 |
| 4.2.2 空调系统中传感器故障分类及其特性描述 |
| 4.3 空调系统传感器故障诊断方案 |
| 4.3.1 基于主元分析法的空调系统传感器故障诊断 |
| 4.3.2 基于核主元分析与神经网络的空调传感器故障诊断 |
| 4.3.3 基于遗传算法的神经网络预测器参数选定 |
| 4.4 本章小结 |
| 第5章 仿真实验 |
| 5.1 仿真实验平台 |
| 5.1.1 TRNSYS软件简介 |
| 5.1.2 MATLAB仿真软件简介 |
| 5.2 基于主元分析法的空调系统传感器故障诊断实验 |
| 5.2.1 主元数的确定 |
| 5.2.2 温度、湿度传感器故障的检测和诊断 |
| 5.3 基于核主元分析法与人工神经网络的空调传感器故障诊断实验 |
| 5.3.1 核主元分析对各种传感器故障的检测 |
| 5.3.2 BP神经网络预测器仿真实验 |
| 5.3.3 加入遗传算法的BP神经网络预测器仿真实验 |
| 5.4 本章小结 |
| 结束语 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（10）数字化技术在空调仿真及故障诊断中的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 概述 |
| 1.2 当前的研究现状和评述 |
| 1.2.1 计算机仿真 |
| 1.2.2 空调系统的仿真研究 |
| 1.3 空气处理机组仿真的研究 |
| 1.4 空气处理机组的故障诊断 |
| 1.5 本文的主要工作 |
| 2 空气处理机组的数学模型 |
| 2.1 概述 |
| 2.2 风机模型 |
| 2.2.1 风机的叶轮基础理论 |
| 2.2.2 风机参数 |
| 2.2.3 风机的性能曲线分析 |
| 2.2.4 风机的模型 |
| 2.3 表冷器的模型 |
| 2.3.1 表面式换热器的热工计算 |
| 2.3.2 表面式换热器模型计算框图 |
| 2.4 阀门的模型 |
| 2.4.1 风阀的结构特性 |
| 2.4.2 风阀的阻力计算 |
| 2.5 混合段模型 |
| 2.6 加湿器的模型 |
| 2.6.1 加湿器的热湿计算 |
| 2.6.2 相对湿度校核 |
| 2.7 房间的数学模型 |
| 2.7.1 阻力特性 |
| 2.7.2 房间对象的能量特性 |
| 2.8 管道的数学模型 |
| 2.9 过滤器 |
| 2.10 本章小结 |
| 3 程序的编制 |
| 3.1 概述 |
| 3.2 系统开发环境Matlab简介 |
| 3.3 系统的总体结构 |
| 3.3.1 系统的流程设计 |
| 3.3.2 风机、管道及阀门的设计 |
| 3.4 本章小结 |
| 4 空气处理机组的特性研究 |
| 4.1 概述 |
| 4.2 变水量系统 |
| 4.3 变风量系统 |
| 4.4 冷冻水的质调节 |
| 4.5 风机与管路 |
| 4.6 本章小节 |
| 5 故障诊断与分析 |
| 5.1 概述 |
| 5.2 神经网络故障诊断技术在暖通空调系统应用 |
| 5.3 神经网络结构的确定 |
| 5.3.1 BP网络特点 |
| 5.3.2 模型结构设计 |
| 5.4 网络训练与检验 |
| 5.4.1 网络训练 |
| 5.4.2 网络训练与故障诊断 |
| 5.5 本章小结 |
| 6 结论 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及科研工作 |
| 附录 程序清单 |
四、神经网络故障诊断技术应用在暖通空调系统的可实现性（论文参考文献）
- [1]建筑电气系统故障诊断综述[J]. 钱文博,熊建斌,岑健,王颀,余得正,吴润杰. 计算机工程与应用, 2021(16)
- [2]基于深度神经网络的冷水机组故障智能诊断算法[D]. 蔚婷. 内蒙古工业大学, 2021(01)
- [3]基于嵌入式智能终端的冷水机组故障诊断系统设计与实现[D]. 姜智尧. 上海交通大学, 2020(01)
- [4]基于多维时序特征的制冷设备故障诊断及预警系统构建[D]. 徐晨蕊. 北京工业大学, 2020(06)
- [5]暖通空调系统故障诊断技术的应用分析[J]. 王党琴. 大众标准化, 2020(10)
- [6]变风量空调系统故障检测与诊断策略研究 ——以AHU常见五种故障为例[D]. 王元. 长安大学, 2020(06)
- [7]基于时滞辨识的中央空调系统建模及优化控制研究[D]. 赵志达. 西南交通大学, 2019(03)
- [8]暖通空调系统故障检测与诊断技术探讨[J]. 赖业涌. 企业导报, 2016(13)
- [9]空调系统中传感器故障检测与诊断方法研究[D]. 张夏枭. 东北大学, 2009(03)
- [10]数字化技术在空调仿真及故障诊断中的应用[D]. 刘永哲. 西安建筑科技大学, 2008(10)