随着轨道交通车辆智能化程度的不断提高,列车通信网络承担了越来越多的数据传输任务,因此铁路维保部门对列车通信网络的状态监视和故障诊断提出了更高的要求。现行的网络维护方式仍旧局限于计划检修和事后检修,缺乏完善的网络状态监视功能,不能评估网络的健康状况,难以在网络发生严重性能退化前进行维护。网络故障只能依靠工程师的专家经验解决,维护效率不高,常常不能及时准确地诊断和定位故障,最后以更换网络线缆和网络设备为代价暴力来解决,浪费维护资源的同时又不能从根本上发现故障原因。此外,现有的维护方式针对间歇性的偶发故障也无能为力,只能任其发展为严重故障后再施以解决,为列车的安全稳定运行埋下隐患。因此,开展列车通信网络的健康管理方法研究具有重要意义。本文通过提取列车通信网络的运行状态信息,结合机器学习、网络建模等方法对网络进行异常检测和健康评估、网络故障诊断、间歇性故障定位方法的研究和探讨。论文完成的主要工作及获得的创新性成果有:(1)列车通信网络PHM(Prognostic and Health Management)系统框架和物理波形特征提取方法。在提出的列车通信网络PHM体系中,对网络健康状态评估、网络阻抗不匹配故障诊断、间歇性连接故障定位方法进行了研究,为列车通信网络的智能化运维打下基础。以双端口网络理论和解析RLCG模型对MVB(Multifunction Vehicle Bus)网络进行建模分析,得到了MVB网络在典型故障状况下的传输特性,并根据传递函数的幅频特性和相频特性分析了网络故障下波形畸变的原因。基于课题组自主研制的MVB网络协议分析仪,对网络物理层波形信号进行高速采样,并通过数值拟合的方法提取了MVB网络状态特征,实现了对网络的状态监视。(2)基于支持向量域描述SVDD(Support Vector Description Domain)和样本约减的网络异常检测和健康评估方法。针对传统健康评价方法中过多依赖专家主观经验的弊端,采用机器学习中的一类分类方法SVDD对MVB网络正常工况下的特征数据进行模型训练。根据被测样本偏离该正常模型的距离客观地量化当前网络的退化程度和健康状况,得到网络整体的健康评估得分,最后基于网络健康评估的结果制定检修计划。在SVDD模型训练过程中,基于密度聚类方法DBSCAN(Density Based Spatial Clustering of Application with Noise)对训练集进行样本约减,以期能够在不影响分类精度的前提下减小训练集规模,加速模型训练。(3)基于权重化支持向量机WSVM(Weighted Support Vector Machine)的MVB网络阻抗不匹配故障诊断方法。通过将故障诊断转化为模式识别问题,并结合多跳边缘趋近的训练权重计算方法为不同样本赋予不同的权重,以提升训练得到的分类器分类精度。而后在人工合成数据集、MVB数据集上进行了测试,以验证所提方法的有效性。(4)以设备指纹和深度神经网络为基础的间歇性连接IC(Intermittent Connection)故障定位方法。针对偶发性的IC故障,通过设备指纹识别分类器识别IC帧来源,并基于网络拓扑建模推理故障位置,实现列车通信网络IC故障的故障定位。IC故障发生时,数据帧遭受破坏难以解码,若网络配置情况未知,则难以通过故障现象追溯受扰设备。因此文中引入设备指纹的概念,通过多层稀疏自编码器网络对正常帧波形进行特征学习,并级联人工神经网络分类器,以表征不同网络节点的设备指纹。IC故障发生后通过MVB网络协议分析仪提取其中的IC帧,并基于前述的深度神经网络识别其来源节点,进而根据MVB网络拓扑推理、定位IC故障位置。最后,对全文研究内容进行总结,给出论文研究过程中的一些思考和结论,并提出了一些需要进一步深入研究的方向。