目前,中国列车运行控制系统1级(Chinese Train Control System level 1,CTCS-1)适用于速度低于200km/h的新建及改造线路,采用目标-距离连续速度的模式来监控列车运行。区域列控数据中心(Regional Data Center,RDC)作为CTCS-1级列控系统地面设备的重要组成部分,负责列控系统中列车行车数据的生成和发送,若RDC发生故障,会影响到行车效率和行车安全。本文研究的RDC故障诊断方法可以快速准确地对故障分类,旨在为维修人员提供针对性的维修建议,提高维修效率。RDC故障现象和故障类别之间可能是一对多或多对一的关系,仅通过故障现象无法迅速准确地推断出故障信息,这是影响维修效率的主要原因之一。为实现RDC故障现象的准确分类,本文提出了基于案例推理和贝叶斯网络的多层故障诊断方法,通过对历史故障数据记录和设备故障属性的分析,将故障现象划分到准确的故障类别,并为维修人员提供对应的故障维修方法,缩短维修时间,提高设备的利用率和可用性。本文完成的主要工作如下:(1)对RDC组成、功能及故障进行分析,得到RDC失效模式和影响分析(Failure Mode and Effect Analysis,FMEA),并将故障模式划分为掉电故障、外部连接通道故障、硬件故障和软件故障四大类别。同时对RDC历史故障案例进行聚类,构建RDC故障案例库。(2)提出了基于案例推理和词袋模型(Bag of Words Model,BoW)的RDC浅层故障诊断模型,对故障案例建立融合向量空间的词袋文本表示模型,并采用融合欧几里得距离与余弦函数算法的相似度计算方法,计算得到新故障在案例库中的最优匹配故障类别。经实验验证,基于案例推理和BoW的故障诊断模型的匹配结果优于传统的案例推理,可给出更准确的故障类别。(3)提出了基于粗糙集理论和贝叶斯网络的RDC深层故障诊断模型,分析RDC故障的详细类别、故障属性和故障属性特征,以故障属性特征作条件属性、故障类别作决策属性,并通过粗糙集理论建立最简决策表,建立以故障类别和故障属性特征为随机变量的贝叶斯网络模型,给出后验概率完成故障诊断。RDC深层故障诊断模型不仅能够给出诊断结果,同时可以给出不同故障类别的概率大小,提供维修参考。(4)基于 Microsoft Visual Studio 2013 平台,采用 C#语言、Python 语言和 Matlab,设计仿真了 CTCS-1级列控系统的RDC的故障诊断系统,实现了 RDC故障类别的准确诊断,并为RDC的维修提供针对性的解决措施。本文共有图53幅,表21个,参考文献64篇。