《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》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。