《表5 模型性能对比：基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断》

  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

《基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断》

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

采用训练好的各模型对测试样本进行分类诊断，诊断结果和模型性能见图9和表5。图9（a）中，VMD-SE-KELM模型的诊断效果较差，其中对中心堵塞故障的识别效果最不理想（诊断正确率只有10%），且3种故障均易被误诊为正常工况；图9（b）中WD-SE-KELM模型对正常工况和中心堵塞工况的诊断效果较差，预测精度都只有40%，但总体预测精度较WD-SE-KELM模型有所提高；图9（c）中VMD-FE-KELM模型对前三种工况的诊断准确程度较为良好（均可达到60%），但易将结块工况诊断为正常工况，表明该模型对结块故障较难识别，需进行进一步改进；图9（d）中WD-FE-KELM模型对边壁堵塞和结块故障能够进行较好的诊断（准确率达到90%），其对正常工况的诊断效果也较高（准确率达到80%）。