列控系统作为高速列车自动运行的控制体系,其可靠性和安全性对于列车平稳运行至关重要。车载设备作为列控系统的关键组成,其功能是速度运行防护,是保障列车安全运行的关键。其工作性能和运行状态是列车行车效率及保障行车的重要指标。车载设备发生故障,轻则造成列车运行晚点,降低行车效率,重则导致冲撞等安全事故。因此,快速、准确地发现并排除故障,保证行车安全对车载设备故障诊断技术的发展有重要的意义。目前,列控车载设备存在系统结构复杂、故障诊断特征不确定、传统故障诊断方法过于依赖专家经验和维修经验、故障诊断自动化程度低等问题,为了缩短故障处理时间和提高维修效率,有必要建立一种智能化的故障诊断方式,可以快速、准确地定位故障产生原因,及时、有效地排除故障。因此,针对上述问题,本文深入研究列控车载设备结构组成及故障特征,选取CS(Cuckoo Search,布谷鸟)和PSO(Particle Swarm Optimization,粒子群)智能算法优化BN(Bayesian Networks,贝叶斯网络)进行模型构建,结合专家先验知识和故障数据完善模型,提出了一种CS-PSO(Cuckoo Search Algorithm-Particle Swarm Optimization Algorithm,布谷鸟-粒子群算法)的BN故障诊断方法。通过对CTCS3-300T车载设备实际故障数据的诊断分析,实现了车载设备智能化的故障诊断,验证了此方法的高效性和准确性。论文的具体工作包括:首先,详细研究CTCS3-300T车载设备的组成结构及功能特征,分析其故障诊断的特点。针对不同的故障模块,分析其故障表象及产生原因。将以自然语言记录的无规则故障追踪表,利用数据挖掘技术进行故障的数据挖掘,提取故障特征和故障引发规则,找出故障特征点间潜在关联性。对故障特征进行分类和编码,建立计算机可识别的编码故障诊断规则。基于专家先验知识和故障诊断特征,建立故障诊断的先验知识库,为车载设备的故障诊断提供先验诊断规则。其次,针对车载设备的故障特征,将处理不确定知识表达最优的BN作为核心算法,引入CS和PSO智能算法优化BN进行模型构建。分析了布谷鸟和粒子群算法的基本流程,找出影响算法敛散的因素。结合CS、PSO算法的优点,改进了CS-PSO算法。根据BN的结构特点,将CS-PSO算法应用于BN的结构学习,提出了一种CS-PSO优化BN的结构学习算法。以Chest Clinic、Credit、Car Diagnosis经典网络为仿真模型,进行了贪婪算法、K2算法、CS算法和CS-PSO算法的建模与仿真比较。验证了CS-PSO算法在BN的结构学习中,收敛速度快、收敛精度高和稳定性好,可以更快、更优的得到精确的贝叶斯网络结构模型。最后,将CS-PSO-BN结构学习算法应用于CTCS3-300T车载设备的故障诊断。建立CS-PSO优化BN的列控车载设备故障诊断模型,利用MLE(Maximal Likelihood Estimate,极大似然估计)算法对模型进行参数学习进一步优化BN的模型结构。通过与先验知识库的融合,构建出车载设备故障诊断的最优BN模型结构。运用车载设备故障训练样本对其仿真训练,便可得到CS-PSO-BN模型的诊断输出结果。通过对不同模型的诊断比较,得出CS-PSO-BN模型收敛速度快、学习时间短和诊断模型优,有效地提高了故障诊断的准确性,为车载设备实现高效化地故障诊断提供了新思路。