【故障诊断】制冷系统故障诊断（Matlab代码实现）

 👨‍🎓个人主页：研学社的博客 

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

故障诊断的本质是对工况状态模式的识别过程 。 神经网络作为模式分类器应用非常普遍， 其强大的自学习机制能够实现输入和输出之间的非线性映射。 误差反向传播的前馈型网络（ＢＰ ） 是神经网络中最精华的部分 ， 应用于实例的 神 经 网 络 约８０％～ ９０％ 都采用了 ＢＰ 网络或它的变 形 。 由于神经网络具有自身容易陷入局部最小的缺陷， 有必要利用遗传算法的全局搜索能力对网络的连接权值与阈值进行优化， 改善网络识别的稳定性和精 度。

📚2 运行结果

 

 

部分代码：

 function EVAL = Evaluate(ACTUAL,PREDICTED)
% This fucntion evaluates the performance of a classification model by 
% calculating the common performance measures: Accuracy, Sensitivity, 
% Specificity, Precision, Recall, F-Measure, G-mean.
% Input: ACTUAL = Column matrix with actual class labels of the training
%                 examples
%        PREDICTED = Column matrix with predicted class labels by the
%                    classification model
% Output: EVAL = Row matrix with all the performance measures

idx = (ACTUAL()==1);

p = length(ACTUAL(idx));
n = length(ACTUAL(~idx));
N = p+n;

tp = sum(ACTUAL(idx)==PREDICTED(idx));
tn = sum(ACTUAL(~idx)==PREDICTED(~idx));
fp = n-tn;
fn = p-tp;

tp_rate = tp/p;
tn_rate = tn/n;

accuracy = (tp+tn)/N;
sensitivity = tp_rate;
specificity = tn_rate;
precision = tp/(tp+fp);
recall = sensitivity;
f_measure = 2*((precision*recall)/(precision + recall));
gmean = sqrt(tp_rate*tn_rate);

EVAL = [accuracy sensitivity specificity precision recall f_measure gmean];
 

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]张琪,吴亚锋,徐建.主成分分析与遗传神经网络在制冷系统故障诊断中的应用[J].计算机测量与控制,2016,24(09):23-27.DOI:10.16526/j.cnki.11-4762/tp.2016.09.007.

[2]Katırcıoğlu F, Cingiz Z. Fault diagnosis for overcharge and undercharge conditions in refrigeration systems using infrared thermal images. Proceedings of the Institution of Mechanical Engineers, Part E: Journal of Process Mechanical Engineering. 2023;0(0). doi:10.1177/09544089221148065

🌈4 Matlab代码实现