列車空調(diào)關(guān)系著乘客出行的舒適性,由于我國(guó)南北氣候差異較大,列車空調(diào)需接受嚴(yán)峻的考驗(yàn),所以保障列車空調(diào)的穩(wěn)定運(yùn)行以及故障的及時(shí)發(fā)現(xiàn)對(duì)列車運(yùn)行至關(guān)重要。為了更好的了解列車空調(diào)運(yùn)行特性,對(duì)列車制冷系統(tǒng)關(guān)鍵部件如壓縮機(jī)、冷凝器、儲(chǔ)液器、節(jié)流裝置以及蒸發(fā)器進(jìn)行建模仿真,分析當(dāng)壓縮機(jī)轉(zhuǎn)速降低、冷凝器污垢、蒸發(fā)器污垢三種故障發(fā)生時(shí)各特征參數(shù)的變化趨勢(shì),為后文的數(shù)據(jù)處理部分提供樣本數(shù)據(jù)。為實(shí)現(xiàn)列車空調(diào)的故障診斷功能,利用BP以及SVM算法的數(shù)據(jù)分類功能,在MATLAB平臺(tái)上建立BP神經(jīng)網(wǎng)絡(luò)、SVM算法的訓(xùn)練模型,利用其數(shù)據(jù)分類功能對(duì)故障數(shù)據(jù)進(jìn)行分類識(shí)別,故障識(shí)別準(zhǔn)確率分別達(dá)到了 96.67%及93.33%。為優(yōu)化BP算法的訓(xùn)練速度以及故障識(shí)別精度,運(yùn)用PCA以及LLE算法對(duì)故障數(shù)據(jù)進(jìn)行了降維處理。經(jīng)過(guò)降維后再使用BP算法進(jìn)行分類識(shí)別,最終結(jié)果顯示,其中經(jīng)LLE算法降維后的BP神經(jīng)網(wǎng)絡(luò)故障識(shí)別正確率為95%,訓(xùn)練速度也沒(méi)有得到優(yōu)化;經(jīng)PCA算法處理過(guò)的BP神經(jīng)網(wǎng)絡(luò)識(shí)別率達(dá)到了 100%,訓(xùn)練時(shí)間減少了 6倍。引入神經(jīng)網(wǎng)絡(luò)以及SVM算法對(duì)列車空調(diào)故障進(jìn)行識(shí)別將會(huì)有效的增加故障識(shí)別的智能化程度,只需要輸入某... 

【文章來(lái)源】：大連交通大學(xué)遼寧省

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外列車空調(diào)故障診斷技術(shù)發(fā)展
        1.2.1 國(guó)外發(fā)展概述
        1.2.2 國(guó)內(nèi)發(fā)展概述
    1.3 本文研究目的及實(shí)現(xiàn)方法
    1.4 章節(jié)架構(gòu)
    本章小節(jié)
第二章 列車空調(diào)制冷系統(tǒng)原理
    2.1 列車空調(diào)概述
    2.2 車頂單元式列車空調(diào)結(jié)構(gòu)
    2.3 列車空調(diào)的基本工作原理
        2.3.1 列車空調(diào)制冷系統(tǒng)循環(huán)
        2.3.2 列車空調(diào)制冷劑循環(huán)特性
    2.4 列車空調(diào)關(guān)鍵部件的構(gòu)成及運(yùn)行原理
        2.4.1 活塞式壓縮機(jī)
        2.4.2 空氣冷卻式冷凝器
        2.4.3 熱力膨脹閥
        2.4.4 直接蒸發(fā)式蒸發(fā)器
    本章小結(jié)
第三章 基于FLOWMASTER的列車空調(diào)仿真及分析
    3.1 FLOWMASTER簡(jiǎn)介
    3.2 列車空調(diào)制冷系統(tǒng)常見(jiàn)故障分析
    3.3 列車空調(diào)制冷系統(tǒng)建模
    3.4 仿真驗(yàn)證
    3.5 仿真結(jié)果
        3.5.1 正常狀態(tài)
        3.5.2 壓縮機(jī)氣閥泄漏
        3.5.3 冷凝器污垢
        3.5.4 蒸發(fā)器污垢
        3.5.5 各參數(shù)變化趨勢(shì)總結(jié)
    本章小結(jié)
第四章 常用數(shù)據(jù)分類與降維方法
    4.1 人工神經(jīng)網(wǎng)絡(luò)
        4.1.1 人工神經(jīng)網(wǎng)絡(luò)發(fā)展概述
        4.1.2 神經(jīng)網(wǎng)絡(luò)在故障診斷領(lǐng)域的應(yīng)用
        4.1.3 BP神經(jīng)網(wǎng)絡(luò)計(jì)算原理
    4.2 支持向量機(jī)SVM算法
        4.2.1 二分類支持向量機(jī)
        4.2.2 多分類支持向量機(jī)
    4.3 常用降維算法簡(jiǎn)介
        4.3.1 PCA算法
        4.3.2 LLE算法
        4.3.3 PCA和LLE降維方法的特點(diǎn)
    本章小結(jié)
第五章 列車空調(diào)故障診斷系統(tǒng)
    5.1 基于BP神經(jīng)網(wǎng)絡(luò)的列車空調(diào)故障診斷系統(tǒng)
        5.1.1 特征參數(shù)的確定
        5.1.2 BP神經(jīng)網(wǎng)絡(luò)模型建立
        5.1.3 仿真結(jié)果
    5.2 基于SVM的列車空調(diào)故障診斷系統(tǒng)
        5.2.1 SVM多分類算法模型建立
        5.2.2 仿真結(jié)果
    5.3 基于LLE的BP神經(jīng)網(wǎng)絡(luò)列車空調(diào)故障診斷
        5.3.1 LLE數(shù)據(jù)降維
        5.3.2 構(gòu)建基于LLE的BP神經(jīng)網(wǎng)絡(luò)模型
        5.3.3 仿真結(jié)果
    5.4 基于PCA的BP神經(jīng)網(wǎng)絡(luò)列車空調(diào)故障診斷系統(tǒng)
        5.4.1 PCA數(shù)據(jù)降維
        5.4.2 構(gòu)建基于PCA的BP神經(jīng)網(wǎng)絡(luò)模型
        5.4.3 仿真結(jié)果
    5.5 四種列車空調(diào)故障診斷模型對(duì)比
    本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝



本文編號(hào)：3640922