1.利用风机振动和神经网络的热泵除霜控制装置，其特征在于，包括：振动测量装置，实时监测空气源热泵蒸发器风机的振动信号；

数据采集模块，用于采集振动测量装置的振动信号；

数据转换模块，对数据采集模块的采集数据进行滤波、解调、分解和重构，获取数据信息，再利用特征提取算法进行时域和频域分析，提取特征数据值，数据诊断模块，利用基于L-M算法的BP神经网络对特征数据值进行诊断分析处理，得出结霜故障的诊断信息；

除霜控制模块，根据所述诊断信息，对空气源热泵蒸发器进行除霜控制。

2.根据权利要求1所述的控制装置，其特征在于：所述特征提取算法采用小波包分解、快速傅里叶变换、主成分分析中的任一种。

3.根据权利要求2所述的控制装置，其特征在于：还包括无线传输装置，振动测量装置通过无线传输装置连接至数据采集装置，除霜控制模块通过无线传输装置控制空气源热泵的除霜。

4.利用风机振动和神经网络的热泵除霜控制方法，采用权利要求2或3所述的控制装置，其特征在于：包括以下步骤：S1，振动测量装置实时采集空气源热泵蒸发器风机的振动信号；

S2，数据转换模块对所采集的信号进行滤波、解调、分解和重构，获取数据信息，再利用特征提取算法进行时域和频域分析，提取特征数据值；

S3，数据诊断模块利用基于L-M算法的BP神经网络对特征数据值进行诊断分析处理，得出结霜故障的诊断信息；

S4，除霜控制模块根据所述诊断信息，对空气源热泵蒸发器进行除霜控制。

5.根据权利要求4所述的控制方法，其特征在于：步骤S2具体为：S2.1，利用小波包对采集的信号分解：

将采集的振动信号进行n层小波包分解，分别提取第n层从低频到高频2n个节点处的小波包系数；2n个节点分别为(i，j)表示第i层的第j个节点，其中i＝n，j＝0,1,2,3…,2n-1；

S2.2对小波包分解系数重构，提取各频带范围的信号特征设各节点小波包系数Hi，j对应的重构信号为Si，j；对第n层的所有节点进行分析，总信号S可用下式表示：S2.3求各频带信号的总能量

假设Sn，j(j＝0,1,2,3…,2n-1)对应的能量En，j(j＝0,1,2,3…,2n-1)，则能量Snj可由下式表示：其中：hj,k(j＝0,1,2,3…,2n-1；k＝1,2,…,n)表示重构信号Sn，j的离散点的幅值；

S2.4构造特征向量

定义信号的全部能量为 某频段的相对小波包能量为 则相对小波包能量特征向量为

6.根据权利要求5所述的控制方法，其特征在于：步骤S3具体如下：S3.1，网络初始化

将神经网络的输入特征量进行归一化，使其在[0,1]之间，归一化公式为：其中，x为归一化后的值，X为被归一化的样本数据，Xmin、Xmax分别为样本被归一化数据的最小值和最大值；

S3.2网络参数初始化

设置学习率η、训练次数N、训练误差e、初始的权值ω、阈值b和隐含层的神经元个数，神经元个数的计算根据经验公式： 确定，其中n、l分别为输入神经元的个数和输出神经元的个数，a取1～10；输入层的神经元个数为故障电流分解到第n层的能量特征量的总数2n，输出层的神经元个数为2；

S3.3训练神经网络

将采集到的样本数据按照步骤S2进行特征提取，将得到的特征向量分为训练集和测试集两部分，随机选取训练集中的数据进行训练并计算隐含层和输出层各节点的值；

S3.4误差计算

计算预测输出和期望输出的差值，判断误差是否符合要求；

若符合要求，则基于L-M算法的BP神经网络训练完成；

若不符合要求，则利用L-M算法优化输入层和隐含层的权值和阈值后返回步骤S3.3进行再次的学习，直至满足误差要求；

S3.5测试神经网络

完成所有的训练集里的数据训练后，用测试集里的数据输入到建立好的基于L-M算法的BP神经网络模型中进行测试；测试结束后，基于L-M算法的BP神经网络构建完成；

S3.6结霜故障的诊断

将小波包分解得到的特征向量结合宏观特征，输入到数据诊断模块中，由S3.5构建好的基于L-M算法的BP神经网络进行识别：如识别结果需要除霜且当前非除霜模式，则启动除霜；如需要除霜且当前已是除霜模式，则运行状态不变；

如识别结果无需除霜且当前非除霜模式，则运行状态不变；

如无需除霜且当前已是除霜模式，则终止除霜，并将诊断信息传送给除霜控制模块。

7.根据权利要求6所述的控制方法，其特征在于：步骤S3.4中，L-M算法步骤如下：

1)计算误差对权值微分的雅克比矩阵J；

2)利用权值调整公式Δω＝(JTJ+μI)-1JTe，求出权值调整量Δω；

3)将修正后的权值ω重复计算误差平方和，若新的误差平方和小于上一步的误差平方和，则μ/b(b＞1)，更新的权值为ω＝ω+Δω；若新的误差平方和大于上一步的误差，则μ/b后转入步骤2)。