在既有的车载ATC设备运维中,存在设备信息监测不全和故障诊断效率低下等问题。目前,车载ATC设备的信息监测主要通过数据总线采集的方式,对实际输入输出、设备供电等信息缺乏有效的监测手段。在故障诊断手段方面,主要依赖人工数据分析进行故障诊断分类,诊断分类准确度和诊断效率低下;在故障诊断分类算法研究方面,主要从人工记录的故障记录表或设备监测状态日报提取故障特征,可提取的故障特征和可分类的故障类别较少。针对车载ATC设备运维中存在的问题,开展基于机器学习算法的车载ATC设备非侵入式运维系统研究。提出基于磁通门的非侵入式电信号采集方案解决设备信息监测不全的问题;从行车日志中提取故障特征,提出多算法三取二决策故障分类模型解决故障诊断效率低下的问题。论文主要研究内容如下:(1)基于历史故障数据分析论证增加非侵入式信号采集系统的必要性。制定基于行车日志的故障特征提取原则,基于维修经验总结初始故障特征项集。(2)利用关联规则分析对特征项集进行验证和简约,提出基于压缩矩阵的CM-Apriori算法优化运行时间,与经典Apriori算法进行对比。测试结果显示,CMApriori算法可以节约29%的运行时间。(3)提出基于磁通门的非侵入式电信号采集方案对车载ATC设备的实际输入输出、设备供电、安全及非安全的输入输出信息进行采集。测试结果显示,最大采集误差为0.7m A,最大误差百分比为4.4%,满足采集精度5%的要求。(4)提出多算法三取二决策故障分类模型,对Ge NIe-BN网络、CART决策树和PSO-SVM三种机器学习算法进行综合决策。在Ge NIe-BN网络模型的构建中,对比了MCMC和K2结构学习算法,利用Ge NIe环境进行模型推理;在CART决策树模型的构建中,对最佳最大深度、随机种子等多个参数进行调整,获得最优决策树模型;在PSO-SVM模型的构建中,提出PSO优化算法寻找最优参数。最后,对三种模型进行对比分析,提出三取二决策故障分类模型对三种算法进行综合决策,三种不同的算法共同参与决策解决了三取二决策中的共模安全问题。测试结果显示,三取二决策故障分类模型有效降低了各算法的分类误差,模型准确率均值为94.6%,提升效果显著。本研究依托中国铁道科学研究院的国家重点研究计划项目。经过数据测试,本文所提出的基于机器学习算法的车载ATC设备非侵入式运维系统,在车载ATC设备监测及故障诊断分类算法方面均有良好的应用效果,可为预期维修研究提供借鉴和参考。图56幅,表22个,参考文献72篇。