《表2 重要特征量的故障贡献率排序结果》
本文针对训练集筛选后的45维故障特征量,基于随机森林的基尼指数准则确定参数的重要程度,进行特征贡献率排序,评估故障特征量对故障诊断的重要度,进而指导实际工程中空调故障诊断采集参数的数量及频率,有效减少采集和存储成本,提高诊断效率。首先选取训练集5000组数据,建立RF模型,其中RF模型参数参考Python的scikit-learn v0.20版本默认值设置,然后基于RF的基尼指数准则量化不同特征的贡献率。表2为重要故障特征量累积贡献率排序结果,图5为各特征量贡献率随故障特征量的变化情况。
图表编号 | XD00133026100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.01 |
作者 | 周璇、王晓佩、梁列全、闫军威 |
绘制单位 | 华南理工大学机械与汽车工程学院、华南理工大学机械与汽车工程学院、广东财经大学信息学院、华南理工大学机械与汽车工程学院 |
更多格式 | 高清、无水印(增值服务) |