전통적인 분석 방법: 전통적인 삼비례법, Rogers 비례법 등은 기체 농도 비례에 의존하여 고장을 판단하는 방식으로 인코딩 불완전, 경계 절대 판정 등 결함이 존재하기 때문에 정확도가 제한된다.그중 3비례치법의 정확도는 약 86.32% 이다.그러나 초기에는 벡터 머신 (SVM) 을 지원하는 기초 모델을 기반으로 한 간단한 모델을 기반으로 한 진단 방식이 더 나빴는데, 고장 진단의 전체 정확도는 90% 에 불과하고 고장 변압기의 식별률은 80% 에 불과했다.

스마트 알고리즘을 배합하는 최적화 방법: 알고리즘과 검측 기술이 융합됨에 따라 정확도가 대폭 향상되었다.진화k 평균값과 전문가 하위 모델을 결합한 방안처럼 IECTC10 데이터베이스에서 정확도는 98.29% 에 달한다;랜덤 포리스트 알고리즘을 내장한 스마트 진단 시스템은 6가지 종류의 32가지 고장 모델에 대한 전형적인 고장 식별 정확도 ≥ 98.5%;또한 특징 기체 관련 특징을 바탕으로 구축된 모호 추리 시스템은 특정 고장 시퀀스 데이터 테스트에서 정확도가 100% 에 달한다;기상 크로마토그래프는 디지털화 자동 비교와 스마트 식별 기술을 결합할 때 탐지 정확도도 95% 로 높일 수 있다.

기타 최적화 모델 방법: 일부 특징 선택과 알고리즘 최적화를 거친 맞춤형 모델도 뛰어난 성과를 보이고 있다.예를 들어 골드 승냥이 최적화 알고리즘 우선 특징량에 스카이호크 알고리즘을 결합하여 랜덤 포레스트를 최적화한 AO-RF 모델은 일반 RF, SVM 등 모델에 비해 진단 정확도가 1.84%~15.86% 향상된다.베일스 네트워크와 가설 검사를 기반으로 한 모델은 최대 진단 정확성이 88.9% 에 달해 일부 최고 알고리즘 모델보다 낮지만 전통적인 방법에 비해 현저하게 향상됐다.

그러나 상술한 정확도는 이상적인 조건하의 결과이며, 실제 응용에서 샘플링이 규범화되지 않고, 오일 샘플링 운송 진동으로 인한 기체 일산화, 가스 적재 순도 부족 등 문제가 존재하면 약 23.7% 의 오판 사례를 초래할 수 있으며, 최종 고장 판단의 정확도를 현저하게 낮출 수 있다.