车载设备是列控系统的重要组成部分,是保障列车运行安全的关键。但是,在列车的运行过程中,车载设备的故障时有发生,现有的车载设备故障诊断方法已不能满足现代化铁路高速运行的需求,因此,通过智能化的故障诊断方法实现车载设备的故障诊断具有重要意义。目前,我国的高铁故障诊断系统过于依赖专家知识,并且在故障诊断过程中,数据的利用率低。本文针对列控系统车载设备故障的多样性与不确定性,在深入研究车载设备结构与功能的基础上,把专家知识与历史故障数据相结合,提出了一种基于贝叶斯网络的列控车载设备故障诊断方法,实现了车载设备故障诊断的智能化分析。论文的主要工作包括：(1)对车载设备历史故障数据进行数据挖掘,生成车载设备故障特征词库,计算出故障特征词在各故障文本词条中的权重,并对故障文本特征属性权重表进行离散化处理,构建车载设备故障诊断决策表。通过基于遗传算法的粗糙集属性约简方法对故障决策表进行属性约简,将约简结果作为诊断网络的故障征兆节点,从而降低了贝叶斯网络诊断模型的复杂度。(2)利用车载设备故障数据形成的训练数据集和专家经验进行贝叶斯网络诊断模型的构建,提高了诊断模型的准确性。并通过最大似然估计方法对贝叶斯网络进行参数学习,完善了基于贝叶斯网络的故障诊断模型,为贝叶斯网络的精确推理创造了条件。(3)利用车载设备历史故障数据,对故障征兆进行文本挖掘,找出各故障征兆间潜在的关联关系,并更新贝叶斯网络诊断模型。根据故障数据对加入故障征兆关联的贝叶斯网络进行参数学习,进一步优化了诊断网络模型的参数。通过故障文本进行验证分析,证明了带有征兆关联的贝叶斯网络故障诊断的正确性、可靠性更高。(4)根据故障诊断系统需求,利用C#和Matlab混合编程,开发了可视化的车载设备故障诊断系统,为车载设备的故障诊断提供了决策支持。本文提出了一种基于贝叶斯网络的列控车载设备故障诊断方法,实现了车载设备故障诊断的智能化,提高了诊断的效率和精度,为列控系统诊断的高效化提供了一种新的方法。