1.利用风机电流的神经网络热泵除霜控制装置，其特征在于，包括：电流测量装置，实时测量空气源热泵蒸发器风机的电流信号；

数据转换模块，对所述电流信号进行滤波、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，数据诊断模块，利用基于GA算法的ELM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：所述数据转换模块中，利用Hilbert变换进行滤波、解调操作，利用小波包分析、频域分析或CZT转换进行分解和重构操作。

3.根据权利要求2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。

4.根据权利要求3所述的控制装置，其特征在于：还包括数据采集模块，用于将电流测量装置的采集数据收集并传送至数据转换模块。

5.利用风机电流的神经网络热泵除霜控制方法，采用权利要求4所述的控制装置，其特征在于：包括以下步骤：S1，电流测量装置实时采集空气源热泵蒸发器风机的电流信号；

S2，数据转换模块对所述电流信号进行滤波、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GA算法的ELM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。

6.根据权利要求5所述的控制方法，其特征在于：步骤S2中，数据转换模块对所述电流信号进行滤波、解调、分解和重构，获取数据信息，具体为：S2.1，对数据进行Hilbert转换：s(t)为给定的时域信号，则Hilbert变换为s(t)与h(t)＝1/(πt)的卷积，式中H为Hilbert变换算子，对上述变换后的信号再进行 处理；

S2.2，利用小波包分析、频域分析或CZT转换进行分解和重构操作。

7.根据权利要求6所述的控制方法，其特征在于：步骤S2.2中，所述小波包分析步骤如下：

1)利用小波包对信号分解

将采集的电流信号进行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；

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：

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Sn，j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；

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

8.根据权利要求6所述的控制方法，其特征在于：步骤S2.2中，CZT转换分析步骤如下：对已知信号x(n),在0

将Bluestein方程(5)带入到(4)中得令

由卷积公式，得到转换后的数据：

9.根据权利要求7或8所述的控制方法，其特征在于：步骤S3具体如下：S3.1，ELM神经网络初始化

将ELM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；

S3.2ELM神经网络参数初始化

设置训练次数N、训练误差e、输入层到隐含层的连接权值ω，隐含层到输出层的连接权值β，隐含层神经元的阈值b，输入特征值为故障电流分解到第n层的能量特征值xi，隐含层的神经元个数，神经元个数的计算根据公式： 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通常取1～10，输出值为y；

将数据分为测试集和预测集；

S3.3数据测试

导入测试集数据，即频域分析得到的数据或小波包分解提取的特征向量或CZT转换后的数据，计算故障识别成功率；

S3.4GA算法参数初始化

设置种群的规模N1，进化次数G，交叉概率Pc和变异概率Pm；

将ELM神经网络的权值与阈值组成遗传编码，重复运行S3.3中建立的神经网络并记录每次运行完成的遗传编码建立种群；

S3.5建立评价函数

以每组染色体所构造的神经网络运行的结果为依据，计算并记录对应的适应度值；

S3.6GA算法的选择、交叉和变异

1)选择:在种群中以一定的概率选择一部分群体用来产生下一代种群；

2)交叉:从父代种群中选取多条染色体进行下一代染色体的操作，通过染色体的交叉组合来产生新的个体；

3)变异:从群体中任选一个个体，对所选择的染色体中某段编码进行变异以产生更优秀的个体；

S3.7适应度值计算

将新得到的染色体个体中的遗传编码进行解码，计算适应度并与种群进行比较；重复S3.5-S3.6，不断对种群进行上述操作并计算适应度值，直至达到最大进化次数，适应度最优解对应的染色体为所建立的ELM神经网络的权值和阈值；

S3.8神经网络的误差计算

计算预测输出与期望输出的差值，若误差符合规定值，则基于GA算法的ELM神经网络构建完成，若误差不符合规定值，则返回S3.3继续进行学习，直至符合误差规定；

3.9结霜故障的诊断

将频域分析得到的数据或小波包分解得到的特征向量或CZT转换后的数据作为ELM神经网络的输入，由S3.8训练好的基于GA算法的ELM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。