《表2 基于结构方程、主元分析和决策树的制冷剂泄漏故障诊断结果的混淆矩阵》

  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SEM-PCA-DT的多联机制冷剂泄漏在线故障诊断》

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

考虑到结构方程仅能够分析变量与机组制冷剂状态的关联性，且结构方程模型中潜变量本身具有不可直接测量的特性，往往较难直接量化[11-16]，故而采用主元分析进行专家变量的构建，再将专家变量代入决策树模型，进行多联机制冷剂泄漏的在线故障诊断。基于主元分析原理，将重要显变量———压缩机电流、模块高压、模块低压、气分出管温度、气分进管温度用于构建专家变量[7-10，27]。然后，将获得的专家变量代入决策树模型[3，24-25，27]，根据决策树的基本算法原理，对试验数据进行分类，对多联机制冷剂泄漏进行在线故障诊断，得到的故障诊断模型如图4所示，结果如表2所示，在该试验中，其诊断正确率高达96.96%。单独采用决策树模型进行该系统在线故障诊断的结果如表3所示，诊断正确率为94.31%[3]，即在本试验中，利用结构方程结合决策树模型的诊断正确率相对提高了2.81%。这说明，利用结构方程模型能够有效分析各重要变量之间的关系，从而提高多联机制冷剂泄漏故障诊断的正确率。