摘要
车辆运行品质轨旁动态监测系统(TPDS)是保障铁路货车运行安全的关键设备,然而在特征数据稀缺的条件下,其运行品质判别准确率有待提升。在面对复杂多变的运行条件和工况时,传统阈值判别方法存在适应性差、误报率高的问题。为此,本研究提出一种基于有监督学习的判别模型构建方法,通过系统性的特征工程,从TPDS设备的原始数据中提取并构建了涵盖核心力学、统计分布和时序演变特征的多维特征集,并采用过采样与代价敏感学习策略处理数据不平衡问题。在此基础上,本文重点对比了逻辑回归、随机森林和极端梯度提升(Extreme Gradient Boosting,XGBoost)三种算法在转向架运行状态分级任务中的性能。实验结果表明,XGBoost模型综合准确率达98.4%,不良状态召回率90.1%,不良状态F1-Score 91.2%,综合表现最优,能有效克服传统方法的局限,为实现铁路货车安全运维的精准判别与预警提供了可靠的技术解决方案。
作者
邢政
许子昂
池志祥
苏玉东
XING Zheng;XU Ziang;CHI Zhixiang;SU Yudong
出处
《减速顶与调速技术》
2025年第4期26-29,共4页
Retarders & Speed Control Technology
基金
中国国家铁路集团有限公司科技研究开发计划(Q2024J002)。
