列车运行监控记录装置是监控列车安全运行的列车速度控制系统,目前已经基本在全路普及。除监控功能外,LKJ(列车运行监控记录装置)还具有记录功能,所形成的LKJ运行记录数据文件为分析列车事故原因以及车载设备故障诊断提供了有力的判断依据。不过目前根据LKJ数据的机车车载设备故障诊断仍然是以人工分析为主要方式,因此存在确定故障原因时间长、故障诊断效率低,分析时容易出错等缺点。针对上述弊端,提出将故障诊断算法与LKJ数据分析相结合展开机车速度传感器故障诊断研究。本文首先在对LKJ系统组成以及LKJ运行记录数据文件的记录内容进行介绍的基础上,确定机车轴端速度传感器作为本文的故障诊断研究对象。其次,分析了机车速度传感器结构以及工作原理,同时,研究了LKJ速度通道的组成结构,并通过现场学习调研,明确了机车速度传感器的几种故障类型并对各种故障类型的产生机理进行了研究。接着,通过对原始LKJ运行记录数据文件进行格式转换以及数据预处理后,利用EXCEL数据统计分析软件对25组速度传感器正常的LKJ数据样本、13组速度通道虚接的LKJ数据样本以及5组速度传感器断轴的LKJ数据样本进行统计分析,再考虑到不同故障在LKJ数据中的对应故障征兆以及专家经验,得出4条故障规律。根据这4条故障规律,选取出本文的故障诊断特征向量。针对传统KNN(K Nearest Neighbor,K近邻)算法在分类时没有考虑到各近邻样本对其所属类别的重要程度,本文中故障诊断算法采用聚类算法来改进传统KNN算法,即聚类-KNN算法。在分类之前首先计算训练数据各类别的聚类中心,分类时计算各近邻样本隶属于其聚类中心的程度因子进而对KNN算法进行修正。最后,在MATLAB仿真环境下编程实现了基于聚类-KNN分类器的机车速度传感器故障诊断实验并给出相应的维修建议。通过故障诊断结果可以看出,聚类-KNN分类器在基于LKJ数据分析的机车速度传感器故障诊断的诊断正确率、分类器召回率以及F1测试值等与诊断精度相关的指标较传统KNN分类器有所提高,而在时间效率方面聚类-KNN分类器较KNN分类器花费更多的时间,不过相对于目前的人工故障诊断方式仍然能够满足现场快速诊断的要求,从而提高了依据LKJ运行记录数据文件进行速度传感器故障诊断的效率,减少人力物力开支,对铁路运输周转效率的提高有着现实意义。