改进CLR的预测算法在铁路机车牵引系统故障维修中的应用OA北大核心

准确及时地预测机车系统故障是有效保障铁路运输安全与合理制定设备维护策略的关键。现有故障预测多集中于对特征数据的挖掘与分析。利用校准标签排名(CLR)结合自适应簇数的聚类算法对牵引系统故障类型进行预测,通过聚类获得故障类型深层特性,采用CLR算法从系统特征参数获取故障类型的相关性排名。通过加入人工校准标签来预测故障类型的相关性,同时减轻类不平衡问题的负面影响。相较于经典CLR算法,改进后的算法有一定幅度的性能提升。以牵引系统主变压器实际故障数据集为例,对冷凝器漏油、冷却风机异音等多种故障类型进行预测,结果表明:单个损失降低了78.8%,汉明损失提升了15.6%,故障维修方式预测准确率达96.4%,为设备故障预测性维护工作提供理论支撑。