1 改进ReliefF参数选择算法
1.1 ReliefF算法
1.2 改进ReliefF算法
1.2.1 改进抽样方式
1.2.2 改进寻找K近邻样本的距离度量方式
1.2.3 改进筛选参数权重的阈值选择方式
1.3 改进ReliefF算法的算法流程
2 基于PNN的异常状态识别模型
3 基于改进ReliefF-PNN的起动系统异常状态识别
4 起动系统异常状态识别分析
4.1 基于改进ReliefF起动系统参数选择
4.2 起动系统异常状态识别
表1 起动系统5种状态对应的数据信息 |
状态 | 标签 | 训练 样本数 | 测试 样本数 |
---|---|---|---|
健康 | T | 400 | 100 |
起动超温故障 | F1 | 400 | 100 |
转速悬挂故障 | F2 | 400 | 100 |
压气机喘振故障 | F3 | 400 | 100 |
切油故障 | F4 | 400 | 100 |
表2 3种识别模型的准确率对比 |
识别模型 | 测试样本 | 识别正确样本 | 准确率 |
---|---|---|---|
PNN | 500 | 423 | 84.6% |
传统ReliefF-PNN | 500 | 461 | 92.2% |
改进ReliefF-PNN | 500 | 479 | 95.8% |