《表2 3种wk NN模型的准确率和AUC比较》
提示:宽带有限、当前游客访问压缩模式
本系列图表出处文件名:随高清版一同展现
《基于递归特征消除-加权k近邻算法的多联机系统制冷剂充注量故障诊断策略》
各类模型诊断性能比较如表2与表3所示。BP神经网络在各个等级的分类表现较差,准确率最低为Lev3等级的1.75%,最高发生在Lev0仅达到58.63%,整体准确率也只有41.69%,AUC为79.93%;SVM算法在个别充注量水平上表现较好,如在Lev-4上达到99.89%,但整体75.29%的准确率相对较低,AUC为89.04%。上述结果说明SVM与BP神经网络模型的性能与wk NN相比均存在较大的差距。而单独使用制冷、制热数据集建立的wk NN模型在各个RCA等级上诊断性能良好,整体准确率分别为97.89%和98.19%,略低于全工况模型的98.30%整体准确率,且AUC值相差无几,这说明本文所提出的wk NN模型不仅适用于单独的制冷或制热工况,在更贴近现实运行情况的全工况下模型诊断性能更好,具有更强的泛化能力。
图表编号 | XD00180494700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.01 |
作者 | 王誉舟、李正飞、魏文天、陈焕新、程亚豪、刘倩、张鉴心 |
绘制单位 | 华中科技大学能源与动力工程学院、华中科技大学能源与动力工程学院、华中科技大学中欧清洁与可再生能源学院、华中科技大学能源与动力工程学院、华中科技大学能源与动力工程学院、华中科技大学能源与动力工程学院、华中科技大学能源与动力工程学院 |
更多格式 | 高清、无水印(增值服务) |