随着列车智能化程度的不断提高,列车通信网络需要承担更繁重的数据传输任务,实时以太网由于传输速率高、传输数据量大、兼容性强等优点,已成为列车通信网络未来的解决方案。然而列车通信网络发生故障对列车安全平稳运行影响很大,车内的设备一旦出现故障无法及时解决,将会造成巨大的安全隐患和经济损失。现有的列车通信网络故障往往依靠维修人员的专家经验来解决,故障诊断效率低下且判断故障的主观因素过多,不能及时、准确地诊断网络故障。本文在校企合作项目的支持下,通过采集列车实时以太网正常运行和故障工况时的数据,提取网络特征,结合机器学习方法对网络进行故障诊断。论文完成的主要工作如下:(1)研究实现列车实时以太网的分层数据采集方法,提取特征参数用以表征不同的网络状态。数据采集分为两个部分,一部分以列车线缆为测试对象对物理层的数据进行采集,分析并提取了能够反映线缆状态的电气特征参数;另一部分以列车实时数据协议(Train Real-time Data Protocol,TRDP)为测试对象对链路层之上的数据进行采集,设计了基于简单网络管理协议(Simple Network Management Protocol,SNMP)和基于协议分析软件Wireshark共同采集数据的方案,通过对原始数据进行处理分析,选取了能够反映网络状态的特征参数,以实现对网络的状态监视。(2)为完善故障诊断数据集,实现了网络各层常见故障的注入。针对物理层布线系统,实现线缆开路、短路、跨接、虚接、应力5种故障的注入;针对链路层之上,实现链路阻塞、设备掉线、地址分配故障、交换机连接故障、端口未订阅、应用程序故障6种故障的注入。(3)为避免传统故障诊断方法过于依赖维修人员专家经验的缺陷,建立了针对列车实时以太网的随机森林故障诊断模型。为补充网络状态数据集,简化模型计算,采用平衡采样、归一化等数据预处理方法,使用了交叉验证和网格搜索进行参数寻优,基于python语言,设计故障诊断软件界面。(4)结合随机森林故障诊断模型,针对列车实时以太网进行实验验证。针对物理层布线系统,以实际某型列车的线缆测试为数据集;针对链路层之上,在实验室环境下模拟列车通信网络拓扑搭建了TRDP实验平台,形成了网络状态特征数据集。实验结果表明,与支持向量机、决策树两种常用分类算法相比,随机森林故障诊断模型拥有更高的分类精度,证明该诊断模型对于列车实时以太网的数据诊断效果良好,可为列车网络故障维护提供相关依据。