车载设备作为高速铁路列车运行控制系统(以下简称列控系统)的重要组成部分,是保障列车安全高效运行的核心部件。其中,列控系统300T车载设备在目前上线运行的车载设备中占有较高的使用比例,由于其具有结构复杂、模块众多、跨地区长时间高速运行、行车环境多变等特点,任何轻微故障或安全隐患都有可能降低列车运行的可靠性。因此,有必要对列控系统车载设备的故障状态进行及时预测,提前发现并消除潜在故障,实现视情维修,以保障高速列车运行安全和运营效率。目前,对于列控系统车载设备的故障研究主要集中在故障类型分析、故障诊断和识别等方面,针对列控系统车载设备故障预测的相关理论、方法和技术研究较为缺乏,特别是没有能够实际应用于现场的实用化故障预测理论和方法,现场故障数据处理强度极大。为缓解现场故障分析与处理压力,实现真正意义上的状态修,非常有必要开展列控系统车载设备故障预测相关研究。本文从列控系统300T车载设备的日志数据出发,首先对车载设备日志数据进行了清洗处理,分析了车载设备多故障模式,构建了用于部件级和系统级故障预测的故障统计特征,实现了故障运行状态的有效识别,设计了基于交叉熵理论的列控车载设备故障组合预测方法。论文的主要工作包括:(1)分析了列控系统300T车载设备日志数据的特点,设计了数据预处理策略以准确实现故障数据统计,采用多状态系统理论进行了车载设备的运行状态划分,基于模糊FMEA方法实现了车载设备运行状态的评估,实现了故障等级内故障类型的准确划分。(2)分别选取故障率和当量故障率作为车载设备部件级及系统级的故障特征,分别采用支持向量机、极限学习机及网格搜索优化支持向量机对车载设备运行状态进行了识别研究,仿真结果表明,采用当量故障率能够有效表征车载设备运行状态,网格搜索优化支持向量机的状态识别准确率为93%,在三种方法中准确率最高,验证了使用该方法进行车载设备状态识别的可行性。(3)以当量故障率和故障率数据序列作为数据支撑,首先,采用K近邻非参数回归预测模型、改进灰色Elman神经网络预测模型分别进行短时预测;其次,基于交叉熵理论将两种模型进行优化组合,并选取常用的等权重组合模型进行对比分析,预测出部件级的故障时间;最后,通过网格搜索优化支持向量机对当量故障率预测值进行状态识别,进而预测出系统级的故障时间、故障等级和故障模块。仿真结果表明,相比其它三种预测模型,交叉熵组合预测模型的预测结果预测精度最高,,故障等级预测准确率为87.33%,故障模块预测准确率为94.4%,故障模式预测准确率为77.77%,验证了使用交叉熵组合预测模型进行车载设备故障预测的可行性。本文在系统分析车载设备日志数据的基础上,引入基于交叉熵理论的故障组合预测方法对车载设备进行故障预测,能够有效实现对车载设备故障时间、故障等级、故障模块和故障模式的预测,预测准确度基本满足动车段数据处理工区的故障分析和预测需求,为实现面向车载设备的视情维修奠定基础。图58幅,表37个,参考文献82篇。