基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型研究

言 圣，楊 獻(xiàn)，王繼麗

（1.湖南中車時(shí)代通信信號(hào)有限公司，湖南 長(zhǎng)沙 410100；2.中車株洲電力機(jī)車研究所有限公司，湖南 株洲 412001）

0 引言

列車運(yùn)行控制裝置（簡(jiǎn)稱“LKJ”）是列車的重要設(shè)備之一,其性能的好壞決定了列車運(yùn)行過程的安全性與穩(wěn)定性。目前對(duì)LKJ 車載設(shè)備的故障分析依然是采用人工方法，通過對(duì)LKJ 運(yùn)行記錄數(shù)據(jù)的分析并結(jié)合人工現(xiàn)場(chǎng)經(jīng)驗(yàn)進(jìn)行判斷。這種方法不僅對(duì)分析人員經(jīng)驗(yàn)的依賴程度高，而且人工分析勞動(dòng)強(qiáng)度大（一次行車所產(chǎn)生的LKJ 記錄數(shù)據(jù)一般有成千上萬條），分析時(shí)容易出錯(cuò)。為及時(shí)發(fā)現(xiàn)LKJ 潛在故障隱患，避免LKJ 運(yùn)行途中出現(xiàn)故障，需要研究LKJ 運(yùn)行記錄數(shù)據(jù)分析的新方法。

本文基于LKJ 車載設(shè)備運(yùn)行記錄數(shù)據(jù)文件，研究復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型；并利用先進(jìn)的大數(shù)據(jù)挖掘技術(shù)，建立LKJ 典型故障的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型。該模型由一定數(shù)量的節(jié)點(diǎn)和節(jié)點(diǎn)的連邊共同組成，用來描述LKJ 設(shè)備運(yùn)行過程中事件、數(shù)據(jù)之間的相互聯(lián)系，并對(duì)不同狀態(tài)下LKJ 異常數(shù)據(jù)進(jìn)行綜合分析和分類研究，實(shí)現(xiàn)LKJ設(shè)備故障診斷的關(guān)聯(lián)分析，以及時(shí)發(fā)現(xiàn)LKJ 設(shè)備異?；蚬收?，并對(duì)設(shè)備故障進(jìn)行及時(shí)處理，有效保障列車運(yùn)行的安全與穩(wěn)定。

1 復(fù)雜網(wǎng)絡(luò)模型及其設(shè)計(jì)思路

1.1 復(fù)雜網(wǎng)絡(luò)模型簡(jiǎn)介

復(fù)雜網(wǎng)絡(luò)是將現(xiàn)實(shí)世界中各種大型復(fù)雜系統(tǒng)抽象成網(wǎng)絡(luò)來進(jìn)行研究的一種理論工具，自然界中存在的大量復(fù)雜系統(tǒng)都可以通過形形色色的網(wǎng)絡(luò)加以描述[1]。一個(gè)具體的復(fù)雜網(wǎng)絡(luò)可被抽象為一個(gè)由點(diǎn)集和邊集組成的圖，而邊集中的每條邊都有點(diǎn)集中的一對(duì)點(diǎn)與之相對(duì)應(yīng)[2]。

不同的復(fù)雜網(wǎng)絡(luò)所擁有的節(jié)點(diǎn)和邊是復(fù)雜多樣的，因此會(huì)出現(xiàn)不同類型的網(wǎng)絡(luò)模型。一般情況下，根據(jù)模型圖中節(jié)點(diǎn)對(duì)之間的連邊是否具有方向及連接關(guān)系的強(qiáng)弱，可以分為有向圖和無向圖、加權(quán)圖和無權(quán)圖[3]（圖1）。由于本文研究的是變量的關(guān)聯(lián)性，因此采用相關(guān)系數(shù)來衡量變量與變量之間的關(guān)聯(lián)性；因相關(guān)系數(shù)是無向的，故本文要建立的故障關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型為無向加權(quán)網(wǎng)絡(luò)模型，見圖1（c）。

圖1 不同類型網(wǎng)絡(luò)模型 Fig. 1 Different type network models

1.2 模型設(shè)計(jì)思路

LKJ 運(yùn)行記錄數(shù)據(jù)是LKJ 列車在運(yùn)行過程中實(shí)時(shí)記錄的狀態(tài)數(shù)據(jù)，包括系統(tǒng)自檢和按鍵信息、機(jī)車條件變化信息、運(yùn)行狀態(tài)信息、制動(dòng)試驗(yàn)信息、數(shù)據(jù)調(diào)用信息、GPS 信息以及檢修人員/機(jī)車乘務(wù)員輸入信息等內(nèi)容。這些數(shù)據(jù)中，LKJ 事件發(fā)生時(shí)間類數(shù)據(jù)具有時(shí)間序列性；速度、管壓、缸壓及機(jī)車信號(hào)等數(shù)據(jù)中既存在連續(xù)變量數(shù)據(jù)，也包含離散型事件類數(shù)據(jù)；開機(jī)與關(guān)機(jī)、鳴笛開始與鳴笛結(jié)束等時(shí)間數(shù)據(jù)，前后數(shù)據(jù)之間可能存在關(guān)聯(lián)關(guān)系；速度與管壓、管壓與工況等數(shù)據(jù)，同一序列數(shù)據(jù)之間存在關(guān)聯(lián)關(guān)系?；谶@些數(shù)據(jù)特點(diǎn)及LKJ 記錄的異常數(shù)據(jù)，本文采用相關(guān)分析法，研究LKJ 異常變量之間的關(guān)系，借鑒復(fù)雜網(wǎng)絡(luò)模型，構(gòu)建LKJ 設(shè)備故障關(guān)聯(lián)的復(fù)雜網(wǎng)絡(luò)模型；探索LKJ 設(shè)備故障的關(guān)聯(lián)性，通過模型關(guān)鍵節(jié)點(diǎn)找出關(guān)鍵異常變量，即中心性節(jié)點(diǎn)（圖2）。

圖2 基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型設(shè)計(jì)流程Fig. 2 Design process of the complex association network model based on LKJ anomaly data

基于LKJ 異常數(shù)據(jù)的復(fù)雜網(wǎng)絡(luò)模型設(shè)計(jì)主要包括數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理及模型構(gòu)建3 個(gè)過程，其中數(shù)據(jù)獲取主要針對(duì)已經(jīng)發(fā)生故障的LKJ 運(yùn)行數(shù)據(jù)文件處理分析；數(shù)據(jù)預(yù)處理主要是對(duì)獲取的異常數(shù)據(jù)進(jìn)行清洗及規(guī)整；模型構(gòu)建則是實(shí)現(xiàn)復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的構(gòu)建及應(yīng)用。

2 數(shù)據(jù)獲取及預(yù)處理

2.1 數(shù)據(jù)獲取

數(shù)據(jù)獲取階段主要獲取以下4 種數(shù)據(jù)：故障發(fā)生時(shí)狀態(tài)數(shù)據(jù)、故障發(fā)生前的前置異常事件或事件、故障發(fā)生前連續(xù)變量突變數(shù)據(jù)、故障發(fā)生前的趨勢(shì)數(shù)據(jù)作為復(fù)雜網(wǎng)絡(luò)模型構(gòu)建的樣本數(shù)據(jù)。

（1）故障發(fā)生時(shí)狀態(tài)數(shù)據(jù)

故障在發(fā)生時(shí)，常伴隨一些故障狀態(tài)數(shù)據(jù)，如車型、載重、總重、速度值、缸壓值、管壓值等。在進(jìn)行復(fù)雜網(wǎng)絡(luò)模型之前，有針對(duì)性地提取潛在故障相關(guān)狀態(tài)數(shù)據(jù)，以便后續(xù)從整體上挖掘故障的共性規(guī)律。

（2）故障發(fā)生前的前置異常事件/事件

故障在發(fā)生前，可能伴隨一些關(guān)聯(lián)LKJ 事件。在進(jìn)行復(fù)雜網(wǎng)絡(luò)模型之前，按照模型分析需求，有針對(duì)性地提取故障發(fā)生前半小時(shí)（可以調(diào)整）內(nèi)所有異常事件或正常事件，便于后續(xù)從整體上挖掘故障的共性規(guī)律。

（3）故障發(fā)生前連續(xù)變量突變數(shù)據(jù)

故障發(fā)生前的連續(xù)變量突變數(shù)據(jù)包括LKJ 記錄的速度、管壓、缸壓、轉(zhuǎn)速（電流）、均衡風(fēng)缸壓力等參數(shù)在半小時(shí)內(nèi)突變數(shù)據(jù)。突變計(jì)算時(shí)，按照數(shù)據(jù)記錄序號(hào)，統(tǒng)計(jì)數(shù)據(jù)中相鄰記錄之間的突變值以及故障發(fā)生時(shí)狀態(tài)信息數(shù)據(jù)，包括故障發(fā)生時(shí)的文件名、發(fā)生時(shí)的文件序列號(hào)等字段。

（4）故障發(fā)生前趨勢(shì)數(shù)據(jù)

故障發(fā)生前趨勢(shì)數(shù)據(jù)分析為探索性的挖掘分析，主要是通過對(duì)故障發(fā)生前30 min 的數(shù)據(jù)每隔5 min 切分一次，提取每30 min 內(nèi)數(shù)據(jù)的趨勢(shì)最大值和最小值、斜率最大值和最小值、周期變動(dòng)因子及隨機(jī)變動(dòng)因子，其中趨勢(shì)衡量數(shù)值靠近的取值，斜率代表數(shù)值波動(dòng)的陡峭程度；同時(shí)利用關(guān)聯(lián)規(guī)則算法，提取共性趨勢(shì)之間的關(guān)聯(lián)關(guān)系（如提取第1 個(gè)5 min 內(nèi)“LKJ 速度”趨勢(shì)最大值或最小值以及管壓趨勢(shì)最大值和最小值）。

2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理是針對(duì)從數(shù)據(jù)獲取環(huán)節(jié)得到的模型樣本數(shù)據(jù)進(jìn)行處理，主要包括重復(fù)值/缺失值處理、連續(xù)變量分段處理、數(shù)據(jù)去噪處理、字段合并/增加標(biāo)注處理。

（1）重復(fù)值/缺失值處理

在分析過程中，可能存在缺失值的地方，比如記錄數(shù)據(jù)中的線路信息及車站信息的缺失。在不影響整理觀測(cè)數(shù)量的前提下，首先確定缺失值范圍，即對(duì)每個(gè)字段都計(jì)算其缺失值比例；然后再按照缺失比例和字段重要性，分別制定策略，以確定是丟棄還是填充處理。

（2）連續(xù)變量分段處理

在進(jìn)行多屬性的決策問題研究時(shí)，常采用人工神經(jīng)網(wǎng)絡(luò)、模糊集、粗糙集、概念格及統(tǒng)計(jì)決策分析等算法。為簡(jiǎn)化處理算法和計(jì)算過程，這些算法都會(huì)對(duì)數(shù)據(jù)進(jìn)行一定的假設(shè)，比如屬性之間相互獨(dú)立、服從某種分布規(guī)律或者要求屬性要盡可能少，可實(shí)際情況往往不能滿足這些假設(shè)。對(duì)于在實(shí)際問題中遇到的連續(xù)變量問題，若將其科學(xué)、合理地轉(zhuǎn)變成為符合實(shí)際數(shù)據(jù)分布特征的離散量，則可以大大提升模型分析的有效性[4]。

（3）數(shù)據(jù)去噪處理

在構(gòu)建復(fù)雜網(wǎng)絡(luò)模型時(shí)，由于獲取的數(shù)據(jù)維度過高，若將很少發(fā)生的事件或數(shù)據(jù)維度代入模型，不僅影響分析效果，也會(huì)影響相應(yīng)的分析效率。因此，在數(shù)據(jù)預(yù)處理階段，對(duì)于這些數(shù)據(jù)維度需要進(jìn)行一定程度的篩選，如給定一個(gè)閾值，在所有觀測(cè)樣本中，對(duì)僅有10%或更少出現(xiàn)頻率的樣本，可考慮將這些數(shù)據(jù)特征進(jìn)行刪除。

（4）字段合并/增加標(biāo)注處理

來自不同數(shù)據(jù)源的數(shù)據(jù)經(jīng)處理后，需按照對(duì)應(yīng)的數(shù)據(jù)字段進(jìn)行合并，從而形成最終的模型數(shù)據(jù)源。

3 模型構(gòu)建及應(yīng)用

模型構(gòu)建是針對(duì)從數(shù)據(jù)預(yù)處理后的樣本數(shù)據(jù)，其首先采用相關(guān)分析法，構(gòu)建異常變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)，并通過關(guān)鍵節(jié)點(diǎn)輸出關(guān)鍵異常變量；然后通過變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型輸出的結(jié)果數(shù)據(jù)，構(gòu)建類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型，最終完成基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的構(gòu)建。

3.1 變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型構(gòu)建

采用相關(guān)系數(shù)[5]來衡量LKJ 變量與變量之間的關(guān)聯(lián)性，建立變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型并通過關(guān)鍵節(jié)點(diǎn)找出關(guān)鍵LKJ 異常變量。主要實(shí)現(xiàn)過程如下：

（1）收集整理攔截的LKJ 運(yùn)行記錄數(shù)據(jù)，并對(duì)數(shù)據(jù)進(jìn)行結(jié)構(gòu)化整理；

（2）針對(duì)上一步異常攔截后的變量計(jì)算各變量的相關(guān)系數(shù)；

（3）基于變量間相關(guān)系數(shù)建立變量關(guān)聯(lián)網(wǎng)絡(luò)；

（4）分析變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型關(guān)鍵節(jié)點(diǎn)，并優(yōu)化網(wǎng)絡(luò)模型。

模型優(yōu)化即刪除相關(guān)系數(shù)較小的關(guān)聯(lián)，具體則根據(jù)更多運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí)修正。當(dāng)前刪除的是相關(guān)系數(shù)不大于0 的關(guān)聯(lián)，并將連接邊數(shù)大于等于5（具體需根據(jù)運(yùn)行數(shù)據(jù)的增多進(jìn)行學(xué)習(xí)調(diào)整）的節(jié)點(diǎn)作為關(guān)鍵節(jié)點(diǎn)輸出。

3.2 類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型構(gòu)建

采用典型相關(guān)系數(shù)（取第一對(duì)典型相關(guān)系數(shù)）來衡量類與類之間的關(guān)聯(lián)性，建立類別間關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型并試圖找出關(guān)鍵節(jié)點(diǎn)[6]?；贚KJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的構(gòu)建流程如圖3 所示。

圖3 基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型構(gòu)建流程Fig. 3 Construction process of the complex association network model based on LKJ anomaly data

該復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型主要實(shí)現(xiàn)過程如下：

（1）提取異常變量因子

整理分析變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型輸出的結(jié)果數(shù)據(jù)以提取異常變量因子。首先將原始數(shù)據(jù)標(biāo)準(zhǔn)化，見式（1），以消除變量間在數(shù)量級(jí)和量綱上的不同；接著，求解標(biāo)準(zhǔn)化數(shù)據(jù)的相關(guān)矩陣[7]及其特征值和特征向量[8]，計(jì)算方差貢獻(xiàn)率與累積方差貢獻(xiàn)率；最后，確定因子。F1,F2, …,Fp為上述計(jì)算得出的p個(gè)因子，當(dāng)前m個(gè)因子的累積貢獻(xiàn)率不低于80%時(shí)，可取前m個(gè)因子來反映原評(píng)價(jià)指標(biāo)。

式中：Xi——原始數(shù)據(jù)中所有變量集合，下標(biāo)i代表第i個(gè)變量；xi——Xi具體樣本的真實(shí)值；E(Xi)——Xi所有樣本的均值；var(Xi)——Xi所有樣本的方差。

（2）對(duì)提取的異常變量因子進(jìn)行分類整理

采用因子分析法，根據(jù)樣本數(shù)據(jù)進(jìn)行分類；后續(xù)可根據(jù)更多運(yùn)行數(shù)據(jù)進(jìn)行學(xué)習(xí)，修正分類結(jié)果。

（3）計(jì)算上一步各類變量的典型相關(guān)系數(shù)

采用典型相關(guān)分析中第一對(duì)典型相關(guān)系數(shù)來衡量類別之間的關(guān)聯(lián)性。典型相關(guān)系數(shù)分析方法[9]通常用簡(jiǎn)單相關(guān)系數(shù)來描述兩組變量的相關(guān)關(guān)系，其只孤立地考慮單個(gè)X與單個(gè)Y間的相關(guān)性，卻沒有考慮X變量組與Y變量組內(nèi)部各變量間的相關(guān)性。它是研究?jī)山M變量之間相關(guān)性的一種統(tǒng)計(jì)分析方法，也是一種降維技術(shù)。

（4）建立模型

基于第3.2 節(jié)步驟（3）所述異常類別間的典型相關(guān)系數(shù)，建立類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型。

（5）優(yōu)化模型

分析類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型關(guān)鍵節(jié)點(diǎn)并優(yōu)化網(wǎng)絡(luò)模型。

3.3 模型應(yīng)用

模型應(yīng)用時(shí)，對(duì)當(dāng)前的LKJ 運(yùn)行記錄數(shù)據(jù)文件進(jìn)行處理分析，獲取其中的異常數(shù)據(jù)并對(duì)其進(jìn)行數(shù)據(jù)規(guī)整、特征補(bǔ)充等處理；變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型調(diào)用變量關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型構(gòu)建過程形成的模型參數(shù)，對(duì)新攔截的異常數(shù)據(jù)進(jìn)行識(shí)別，獲取其關(guān)聯(lián)節(jié)點(diǎn)、關(guān)聯(lián)關(guān)鍵節(jié)點(diǎn)信息并輸出；類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型則調(diào)用異常類別關(guān)聯(lián)復(fù)雜網(wǎng)絡(luò)模型構(gòu)建過程中形成的模型參數(shù)，對(duì)新攔截的異常變量進(jìn)行異常類別匹配，從而預(yù)測(cè)LKJ 設(shè)備可能發(fā)生的異常或故障。隨著LKJ 異常樣本數(shù)據(jù)的不斷積累，可通過機(jī)器學(xué)習(xí)不斷優(yōu)化模型參數(shù)，提高LKJ 設(shè)備異常預(yù)測(cè)的準(zhǔn)確度。圖4 示出基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的應(yīng)用流程。

圖4 基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型應(yīng)用流程Fig. 4 Application process of the complex association network model based on LKJ anomaly data

4 模型應(yīng)用評(píng)估分析

為了驗(yàn)證所建模型的有效性，本文以LKJ 典型故障“單機(jī)運(yùn)行”為例對(duì)LKJ 運(yùn)行記錄數(shù)據(jù)進(jìn)行分析，并對(duì)分析結(jié)果進(jìn)行評(píng)估。結(jié)合LKJ 運(yùn)行記錄數(shù)據(jù)中“單機(jī)運(yùn)行”發(fā)生的狀態(tài)、發(fā)生前30 min 伴隨的狀態(tài)、異常事件等，利用復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型對(duì)典型故障規(guī)則進(jìn)行提取，分析結(jié)果如圖5 所示。

圖5 復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型單機(jī)運(yùn)行故障分析結(jié)果Fig. 5 Fault analysis results of the complex associated network model

通過復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型提取單機(jī)運(yùn)行故障的關(guān)鍵要素。這些要素說明，當(dāng)發(fā)生單機(jī)運(yùn)行時(shí)，其前30 min發(fā)生這些要素的可能性大，其可能性的大小可通過后續(xù)深入的挖掘工作進(jìn)行分析。

復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型主要用于挖掘故障發(fā)生前存在的潛在影響因素，其不同于監(jiān)督分類或者預(yù)測(cè)模型，沒有一個(gè)嚴(yán)格的壞樣本標(biāo)準(zhǔn)來評(píng)估模型的好壞，因此其需結(jié)合實(shí)際情況進(jìn)行評(píng)估。對(duì)復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的評(píng)估主要涉及兩方面，一是專家評(píng)估，這種方法存在一定的主觀性，且專家之間的評(píng)估方法無法通過數(shù)字化的方法進(jìn)行定量說明；二是機(jī)器評(píng)估，其借鑒監(jiān)督類學(xué)習(xí)方法，假設(shè)將所有關(guān)鍵節(jié)點(diǎn)作為故障發(fā)生的必要條件，識(shí)別所有運(yùn)行文件中發(fā)生關(guān)鍵節(jié)點(diǎn)個(gè)數(shù)超過90%的文件并將這些文件預(yù)測(cè)為單機(jī)運(yùn)行故障，預(yù)測(cè)后的結(jié)果與實(shí)際發(fā)生單機(jī)運(yùn)行故障的結(jié)果進(jìn)行對(duì)比，查看預(yù)測(cè)的準(zhǔn)確度。

這里將單機(jī)運(yùn)行復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型的11 個(gè)節(jié)點(diǎn)提取出來（表1），查找運(yùn)行文件中出現(xiàn)9 個(gè)以上節(jié)點(diǎn)的文件，并標(biāo)記為“預(yù)測(cè)發(fā)生”單機(jī)運(yùn)行，預(yù)測(cè)結(jié)果如表2 所示。

表1 單機(jī)運(yùn)行關(guān)鍵節(jié)點(diǎn)Tab. 1 Key nodes of single machine operation

表2 單機(jī)運(yùn)行預(yù)測(cè)結(jié)果表Tab. 2 Forecast results of single machine operation

從誤差率（錯(cuò)誤分類的樣本數(shù)與檢測(cè)樣本總數(shù)的比值）、準(zhǔn)確率（正確分類的樣本數(shù)與檢測(cè)樣本總數(shù)的比值）、靈敏度（正例中被準(zhǔn)確預(yù)測(cè)的比例）、特異性（負(fù)例中被準(zhǔn)確預(yù)測(cè)的比例）這4 個(gè)指標(biāo)來看，該模型誤差率約為5.2%，說明模型預(yù)測(cè)情況良好；靈敏度達(dá)33.8%，說明覆蓋預(yù)測(cè)到的正例比例小，在預(yù)測(cè)上還有一定的提升空間，具體原因跟正例的樣本數(shù)量少有一定的關(guān)系。

5 結(jié)語

本文基于LKJ 車載設(shè)備運(yùn)行記錄數(shù)據(jù)文件，根據(jù)復(fù)雜網(wǎng)絡(luò)模型，建立了基于LKJ 異常數(shù)據(jù)的復(fù)雜關(guān)聯(lián)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了LKJ 故障的關(guān)聯(lián)分析。采用該模型，不僅能對(duì)LKJ 設(shè)備故障關(guān)聯(lián)信息進(jìn)行智能挖掘，還能幫助LKJ 設(shè)備故障診斷業(yè)務(wù)專家或維修人員及時(shí)對(duì)設(shè)備進(jìn)行診斷，減少了維修時(shí)間，及時(shí)排除設(shè)備隱患。其應(yīng)用可提高LKJ 故障診斷和關(guān)聯(lián)分析的效率和可信度。

目前，受故障樣本數(shù)據(jù)數(shù)量的限制，暫時(shí)無法進(jìn)行反復(fù)的模型訓(xùn)練；后續(xù)，隨著故障樣本數(shù)據(jù)的不斷補(bǔ)充，我們將采用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法對(duì)模型進(jìn)行反饋修正，進(jìn)一步提升模型的應(yīng)用性能。