基于机器学习的变压器故障预测

用传感器监测数据预测变压器故障：把无监督聚类（KMeans+DBSCAN）当成特征增强 + 五模型 + 两阶段调参 + 熵权-TOPSIS 选模 + SHAP 锁定关键传感器——带注释代码、技术文档、面试问答全配齐。

• 任务类型机器学习
• 专业方向电气/自动化 · 计算机

项目亮点

• 来源: Kaggle [Distributed Transformer Monitoring](https://www.kaggle.com/datasets/sreshta140/ai-transformer-monitoring)
• 文件: Overview.csv (20316条) + CurrentVoltage.csv (19352条)，合并后约5000+条有效记录
• 原始特征: 13个传感器特征（OTI/WTI/ATI温度 + VL1-3/IL1-3电压电流 + OLI油位等）
• 工程特征: 4个聚类特征（KMeans聚类标签+质心距离, DBSCAN聚类标签+质心距离）

数据与任务

如果你想找一个电力工程 + 机器学习、方法论又有亮点的项目，这个「变压器故障预测」很合适。

它面向预测性维护这个真实需求，配套也给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从背景讲到每步实现的技术文档，一份把面试问题连答案都写好的问答文档，还有一整套能直接做 PPT 的配图。

先说清楚，它到底在做什么

电力变压器是输配电的核心设备，一旦故障可能造成大面积停电。传统定期巡检反应滞后，没法实时发现潜在故障。难点在于：故障样本极少（设备绝大多数时间正常），是典型的类别不平衡问题。

这个项目从温度、电压、电流、油位等传感器数据出发，把无监督聚类当成特征增强——用 KMeans 划分典型运行状态、DBSCAN 发现密度异常点，到簇心的距离反映"偏离正常的程度"；再用 SMOTE 平衡样本、五模型对比 + 两阶段调参、熵权-TOPSIS 客观选模，最后用 SHAP 锁定哪个传感器最能预示故障。

搞懂它，你能在面试里讲清楚什么

把下面几件事吃透，面试官顺着问下来你都能接得住。

为什么用聚类做特征增强，而且 KMeans 和 DBSCAN 一起用。 这是项目最有特色的一手。KMeans 抓全局典型状态、DBSCAN 抓密度异常点，两者从不同角度刻画"异常程度"，互补地喂给分类器。你能借此讲清楚"无监督 + 有监督"的组合思路。

类别不平衡 + 两阶段调参 + 客观选模。 故障是少数，用 SMOTE 平衡；先贝叶斯粗调再网格细调；多指标用熵权-TOPSIS 综合排名客观选模。这套方法论很能体现你的严谨。

SHAP 怎么把预测对接到现场。 SHAP 能锁定油温等关键传感器，维护人员就知道该重点盯哪个量——把预测变成可执行的监测重点。

下面这组分析图也都给你做好了，可以直接放进答辩或面试 PPT：

更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——你能说明白每张图到底说明了什么。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• 聚类特征为什么同时用 KMeans 和 DBSCAN，而不是选一个？
• 故障样本只占很小比例，你怎么避免模型偏向多数类？
• 综合评价为什么用熵权-TOPSIS，而不是只看准确率？

看到会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了。另外还有现成的简历描述，照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从背景、聚类特征工程、不平衡处理一直讲到 TOPSIS 与 SHAP，图文并茂：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：

技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是赶毕设、想给简历添个有分量的项目，还是在准备面试，这个题目都接得住。专业上，电气工程、自动化、计算机、数据科学方向都很合适。预测性维护是电力工业的实际需求，把它真正搞懂、能讲出来，就是一个能写进简历、撑得起面试的项目。