CN110456774A - 一种快捷货运机车的故障诊断与预警装置及方法 - Google Patents

Abstract

本发明实施例公开了一种快捷货运机车的故障诊断与预警装置及方法，其包括：供电单元；数据采集单元，可读取多种机车总线数据并通过电子标签存储记录机车关键器件电子履历信息；数据处理单元，以单进程多线程方式对采集的多种数据进行存储及分类，依据机车业务领域知识和数据挖掘与分析工程知识从机车历史数据中提取相关信息，更新知识库后，基于所述知识库对机车故障进行诊断分析及预警处理；通讯单元，可将处理后的车载信息通过无线传输方式实时传输至地面接收系统。本发明较现有技术，其所提供的数据源更丰富，故障分析诊断效率明显提升且本发明以历史数据建立知识库能够有效提高故障诊断模型的准确性。

Description

一种快捷货运机车的故障诊断与预警装置及方法

技术领域

本发明涉及快捷货运机车技术领域，尤其涉及一种快捷货运机车的故障诊断与预警装置及方法。

背景技术

快捷货运机车运行中的故障信息只存储在车载设备，无法实现故障信息的实时传输，加上列车各部件间的复杂逻辑关系及信号间的相互干扰，有时候存在车载的故障现象在地面无法重现的问题，因此急切需要地面维修人员更直观的了解机车当前运行信息，从而为地面故障诊断提供更好的数据支持。以数据为支撑加上合理的算法可以提高故障诊断的准确性，提高工作效率。

现有的故障诊断方案一是待机车入段后，由检修人员通过人工的方式从车上下载车载设备中记录的数据，再手动上传数据至诊断系统中加以分析。这种传统的故障诊断分析方式已远远不能满足信息化的要求，但是这种故障诊断系统的缺点包括如下几点：一是机车运行中存储的数据会有丢失遗漏问题；二是待机车入段后再去下载数据的方式属于事后的数据分析，存在时间上的滞后性；三是采用人工分析的方式，分析结果受人为因素影响较大；四是故障诊断分析的数据来源完全依赖于机车行车中记载的数据，具有很大的被动性；五是故障分析时所依据的数据有一定的局限性，数据分析存在局限。

现有的故障诊断方案二是由车载装置采集机车数据并按照固定的协议数据要求，借助无线传输技术实时传输至地面接收系统。故障分析是由地面人员发出车-地间故障点播请求后，车载端发送相关数据至地面端。最终由地面系统按给定的故障处理建议给出诊断方案。但是这种故障诊断系统的缺点包括如下几点：一是传输的数据多为固化协议的数据，不能更好的满足个性化数据采集要求；二是采集的机车数据以无线传输的方式实时传输至地面系统，传输流量大；三是故障分析是由地面系统发起，这种人工请求方式存在一定的滞后性；四是地面故障分析多以专家给出的固化的诊断意见为主，不能依据故障间的实际关联信息给出更具体的方案。

另，现有的预警方案多依据各故障实际发生的次数加以统计，如对超阈值性故障多以工程经验值给出一个临近值而不能提供更合理的临界值。

发明内容

基于此，为解决在现有技术存在的不足，特提出了一种快捷货运机车的故障诊断与预警装置。

一种快捷货运机车的故障诊断与预警装置，包括：

供电单元，其用于将快捷货运机车的电源转换为本装置所需的电源；

数据采集单元，其用于实时读取多种机车总线数据并通过电子标签存储记录机车关键器件电子履历信息；所述机车关键器件电子履历信息至少包括机车关键部件的基本信息和机车关键部件的维修信息；

数据处理单元，其用于以单进程多线程方式对快捷货运机车的数据进行存储及分类处理，依据机车业务领域知识和数据挖掘与分析工程知识从机车历史数据中提取相关信息，更新知识库后，基于所述知识库对机车故障进行诊断分析及预警处理；所述诊断分析及预警处理包括依据机车历史数据按聚类算法进行故障分类并确定故障关系对应表，依据故障关系对应表中故障间的逻辑规则建立故障树模型，依据实时故障信息及关键特征变量值判定故障分支，并进行故障诊断及预警；所述多线程至少包括实时数据存储线程、机车行车记录数据记录存储线程、故障环境变量数据记录存储线程、数据清洗线程、故障诊断分析线程、故障预警线程；所述故障关系对应表的初始表单数据选取自知识库，所述知识库是依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中获取；

通讯单元，其用于通过内置或外置的无线传输装置将处理后的车载信息通过无线传输方式实时传输至地面接收系统，所传输的信息包括用于远程监测机车运行状态的机车实时数据、行车记录数据、故障诊断报告、故障环境变量数据、故障预警信息中的一种或者多种组合。

可选的，在其中一个实施例中，所述实时数据存储线程能够实时对数据采集单元所采集的数据进行分类存储以将所述数据划分为机车故障数据和机车实时数据并保存；其中，机车故障数据以数组形式保存，用布尔值1和0来表示有故障和无故障，机车实时数据按实际远程监测界面所需数据进行分组；所述机车行车记录数据记录存储线程能够每间隔一定时间存储一次机车整体状况数据，该机车整体状况数据至少包括机车运行数据、司机操作数据；所述故障环境变量数据记录存储线程能够在线程启动时以链表方式存储记录各故障的第一特征变量信息以在故障发生时读取故障发生时间点前后一定时间范围内的变量连续变化情况，所述第一特征变量信息是分别自输入模块、故障模块和输出模块三个部分机车历史数据中所提取出的特征变量，所述故障模块是指故障发生时该故障所对应的机车部件，所述输入模块是指故障发生时对所述故障模块输入数据的机车部件；所述输出模块是指故障发生时接收所述故障模块所输出数据的机车部件。

可选的，在其中一个实施例中，所述数据清洗线程能够存储所读取的机车原始数据并分别判断数据的完整性和合法性，所述机车原始数据包括机车实时数据、机车行车记录信息和机车故障环境变量数据；所述判断数据的合法性包括确认当前存储的数据是否符合所规定的数据格式，否则丢弃；所述判断数据的完整性确认当前存储的数据所有数据值是否均处于符合所规定的正确状态，，是则直接存储，否则按最小二乘法拟合数据并存储。

可选的，在其中一个实施例中，所述故障诊断分析线程是循环比对前后两周期实时故障数据变化发现新故障后，记录故障发生时间，并以当前故障发生时间为中心点，读取该时间点前后各一定条数的数据信息，调用数据清洗线程清洗所读取的数据信息，从故障关系对应表中读取故障分类，提取关键特征变量和特征变量类型后，给故障打标签，并依据逻辑规则建立故障树模型，代入清洗后的数据判定故障分支，计算出诊断分析结果；所述故障关系对应表包含被分类的各个具体故障名称分别与多个故障参考分量之间的对应关系，所述故障参考分量至少包括故障分类、故障耦合级别、关联故障、逻辑规则、关键特征变量和特征变量类型。

可选的，在其中一个实施例中，所述故障诊断分析线程对应的诊断分析过程包括：

S1、分配存储空间存放机车实时数据中实时故障数据并完成初始化操作；

S2、循环读取并比对机车实时故障数据中前一采样周期内的数据以确定是否有新故障事件产生，监测到新故障事件后，设置故障标志位，继续执行S3，否则返回重新循环读取并比对机车实时故障数据，其中，通过布尔值1和0分别表示故障发生和故障没有发生状态；

S3、记录故障发生时间；

S4、以当前故障发生时间为中心点，读取该时间点前后各一定条数的数据信息，调用数据清洗线程清洗所读取的数据信息，所述数据信息至少包括机车运行过程中所存储的机车实时数据、机车行车记录数据和机车环境变量数据；

S5、依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中按聚类算法获取故障分类，按降维算法或信息增益排序法提取关键特征变量，并更新知识库，以所述知识库为基础建立故障关系对应表，所述机车历史数据包括机车运行过程中所存储的机车实时数据、机车行车记录数据和机车环境变量数据；

S6、基于所述故障关系对应表，确定当前故障所对应的故障标签，具体包括：按聚类算法给出故障分类，若为无耦合故障则故障打标签为0类故障；若为耦合故障，则该故障打标签为1类故障；若确定为0类故障，则进一步按特征变量类型重新确定当前故障所对应的故障标签，若为单一特征变量，则确定当前故障所对应的故障标签为01类故障；若为多特征变量故障，则以各变量间的逻辑关系分别确定为02类故障、03类故障和04类故障，所述的各变量间的逻辑关系包括独立多变量，真值表变量及独立多变量+真值表变量三类；若确定为1类故障，则进一步基于当前故障的故障耦合级别，通过降耦合方法查找当前故障所关联的0类故障信息，基于降耦合方法的降耦规则和当前故障的故障耦合级别重新确定故障标签，所述降耦规则包括若当前故障的故障耦合级别为一级耦合故障，则该类故障关联的故障为零级即0类故障信息，确定故障标签为11类故障；若当前故障的故障耦合级别是二级耦合故障，则该类故障关联的故障为一级耦合故障，确定故障标签为12类故障；若当前故障的故障耦合级别是N级耦合故障，则该类故障关联的故障为N-1级故障信息，确定故障标签为13类故障，其中N为大于2的整数；

S7、基于所查找的故障间的逻辑规则建立故障树模型，基于故障间的逻辑规则中关联的故障状态，确定所述故障树模型中对应的引发本次故障的故障分支，并代入读取清洗后的关键特征变量值及机车实时数据、机车行车记录信息、机车故障环境变量数据计算分析以给出对应的故障诊断报告；所述故障状态是通过读取清洗后机车实时数据中实时故障数据并查找故障间的逻辑规则中所关联的故障数据获得。

可选的，在其中一个实施例中，所述关键特征变量从特征变量信息列表提取，所述特征变量信息列表，对于0类故障，若为03类和04类有真值表变量型故障，特征变量信息列表除记录故障自身的特征变量信息列表外，还应记录对应真值表中各变量间的逻辑关系，01类、02类标签故障的特征变量信息列表为故障自身的特征变量信息列表；所述特征变量信息列表，对于1类故障，为该故障及其所关联的所有0类故障的特征变量信息列表汇总，若为11类故障，则其特征变量信息列表为该故障与其关联的0类故障的特征变量信息列表总和，若为12类故障，则其特征变量信息列表为该故障与其关联的11类故障的特征变量信息列表总和，若为13类故障，则其特征变量信息列表为该故障与其关联的N-1级故障的特征变量信息列表总和，其中关联的N-1级故障应循环迭代至0类故障，其中N为大于2的整数；所述特征变量信息列表包含输入模块、故障模块和机车整体三个故障特征变量列，每一所述故障特征变量列从知识库中提取，所述输入模块是指故障发生时对所述故障模块输入数据的机车部件，所述故障模块是指故障发生时该故障所对应的机车部件，所述机车整体是指机车运行相关部件；其中，所述关键特征变量由特征变量信息列表中的故障特征变量按降维算法或信息增益排序法提取，降维算法对应的的过程包括：S51a、读取故障所属部件分类；S52a、自所述特征变量信息列表中确定出引发该故障的全部故障特征变量，并基于机车历史数据建立对应的数据矩阵；S53a、对各故障特征变量进行数据中心化处理即对各故障特征变量的变量数据类型进行标准化处理以将其变量类型处理为同量纲数据；S54a、对所述数据矩阵进行特征值分解以获取协方差矩阵，并求解出对应的特征值和特征向量；S55a、基于所求解的特征向量构造投影矩阵，从而得出降维计算后的关键特征变量；信息增益排序法对应的过程包括：S51b、自所述特征变量信息列表中确定出引发该故障的全部故障特征变量；S52b、基于机车历史数据计算各故障特征变量信息增益；S53b、按信息增益自高至低对各特征变量进行排序，确定信息增益值大于指定阈值的变量为关键特征变量；

所述S6中降耦合方法的实现过程包括：S61、若当前故障的故障耦合级别是一级耦合故障，则该类故障关联的故障为零级即0类故障信息，记录并查找各关联0类故障信息及故障间的逻辑规则；S62、若当前故障的故障耦合级别是二级耦合故障，则该类故障关联的故障为一级耦合故障，按S61的方法进一步找到其关联的0类故障信息，记录并查找各关联0类故障信息及故障间的逻辑规则；S63、若当前故障的故障耦合级别是N级耦合故障，则该类故障关联的故障为N-1类故障信息，其中N为大于2的整数，按照所述降耦规则查找N-1级耦合故障，直至关联的0类故障，记录并查找各关联0类故障信息及故障间的逻辑规则。

可选的，在其中一个实施例中，所述S7包括：

S71、基于故障关系对应表中当前故障所对应的故障间逻辑规则建立故障树模型；

S72、基于故障间的逻辑规则中关联的故障状态，确定所述故障树模型中对应的引发本次故障的故障分支，所述故障状态是通过读取清洗后机车实时数据中实时故障数据并查找故障间的逻辑规则中所关联的故障数据获得；

S73、读取故障分支所对应的关键特征变量所对应的故障环境变量信息和机车行车记录信息；

S74、基于所述故障分支中各关键特征变量间的逻辑关系查找确认故障原因并生成诊断分析报告。

可选的，在其中一个实施例中，所述故障预警线程包括部件级故障预警子线程、高发性单故障预警子线程、器件预警子线程、回归分析预警子线程和离散性故障预警子线程中的一种或者多种；其中，所述部件级故障预警子线程能够按照每种故障所属功能部件进行分类，统计出高发故障的机车功能部件并给出对应的部件故障预警信息；所述高发性单故障预警子线程能够对单故障发生次数进行统计，给出对应的高发性单故障预警信息；所述器件预警子线程能够读取电子标签所记录的机车关键器件电子履历信息，通过比对高发性单故障排序判定器件是否需要更换，从而给出对应的预警信息；所述回归分析预警子线程能够基于回归分析法对单变量及多变量型故障中所涉及的有阈值限定性故障进行监测并在对应的因变量到达限定阈值前发出预警信息；所述离散性故障预警子线程能够基于离散性故障建立对照表，查表判断故障发生的概率，当概率值超限时发出预警信息，所述对照表是由对机车历史数据中各特征变量进行朴素贝叶斯统计所获得的各特征变量系统值组成的。

可选的，在其中一个实施例中，所述数据处理单元能够在通过所述通讯单元向地面接收系统实时传输数据时，采用重复数据删除算法删除传输数据中的重复数据，以减少网络传输数据量。

此外，为解决传统技术存在的不足，还提出了一种快捷货运机车的故障诊断方法，该方法包括如下步骤：

步骤1、通过数据采集单元实时读取多种机车总线数据并通过电子标签存储记录机车关键器件电子履历信息，并通过基于SOCKET通信方式将采集的数据传输给数据处理单元；所述机车总线包括CAN总线、RS485总线、RS232总线、MVB总线或FIP总线；所述机车关键器件电子履历信息至少包括机车关键部件的基本信息和机车关键部件的维修信息；

步骤2、以单进程多线程方式对快捷货运机车的数据进行存储及分类处理，依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中按聚类算法获取故障分类，按降维算法或信息增益排序法提取关键特征变量并更新知识库后，以知识库为基础建立故障关系对应表，所述机车历史数据包括机车运行过程中所存储的机车实时数据、机车行车记录数据和机车环境变量数据；依据故障关系对应表中故障间的逻辑规则建立故障树模型，依据实时故障信息及关键特征变量值判定故障分支代入清洗后的数据进行故障诊断及预警；所述多线程至少包括实时数据存储线程、机车行车记录数据记录存储线程、故障环境变量数据记录存储线程、数据清洗线程、故障诊断分析线程、故障预警线程；所述故障关系对应表的初始表单数据选取自知识库，所述知识库是依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中获取；

步骤3、通过内置或外置的无线传输装置将诊断分析及预警处理后的车载信息通过无线传输方式实时传输至地面接收系统，所传输的信息包括用于远程监测机车运行状态的机车实时数据、行车记录数据、故障诊断报告、故障环境变量数据、故障预警信息中一种或者多种。实施本发明实施例，将具有如下有益效果：

采用了上述技术方案之后，一方面增加了机车故障诊断分析的数据源，另一方面减少了人工下载数据的工作量；同时在故障产生时，能同时触发故障诊断分析线程，避免人工点播过程中车-地传输延时、丢包等问题；还可利用数据挖掘与分析的工程知识，从历史数据中按聚类算法获取故障分类、降维算法或信息增益排序法提取关键特征变量等知识，结合业务领域知识不断更新知识库，提高故障诊断分析的准确度；且对运行监测所需的实时数据采取重复数据删除算法，减少了无效数据的传输。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

其中：

图1为一个实施例中所述故障诊断与预警装置对应的结构示意图；

图2为一个实施例中故障诊断及预警装置数据处理核心步骤流程图；

图3为一个实施例中故障标签流程步骤图；

图4为一个实施例中故障降耦合过程步骤图；

图5为一个实施例中依逻辑规则建立故障树模型图；

图6为一个实施例中信息增益排序法流程步骤图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。可以理解，本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一元件称为第二元件，且类似地，可将第二元件为第一元件。第一元件和第二元件两者都是元件，但其不是同一元件。

解决在面对快捷货运机车运行中的故障信息只存储在车载设备，无法实现故障信息的实时传输，加上列车各部件间的复杂逻辑关系及信号间的相互干扰，有时候存在车载的故障现象在地面无法重现时存在的不足，在本实施例中，特提出了一种快捷货运机车故障诊断与预警装置，如图1-6所示，其可由车载装置完成机车总线数据获取及解析，并针对故障不同的分类，采用打标签的方式给出不同的诊断方案；将通过内置的或外部连接的无线传输装置将生成的包含诊断方案的信息打包后实时传输给地面整备人员；如在数据采集过程中，通过增加电子标签存储记录机车关键器件电子履历信息来避免数据的单一性，且电子履历信息中记录了机车关键部件的使用时间，中间出现的比较严重的大修问题，什么时间有更换过等跟部件及其内部器件相关的内容；如在数据处理过程中，可增加数据类型，本例中其包括实时数据存储、机车行车记录数据记录存储、故障环境变量数据记录存储，这比传统的数据内容更充实；故障诊断过程循环比对前后两周期实时故障数据变化发现新故障后，依据机车业务领域知识和数据挖掘与分析的工程知识从机车历史数据中提取相关知识，更新知识库后，基于所述知识库对机车故障进行诊断分析及预警处理；这样可以有效减少了人为因素引发的故障处置的滞后性；由于机车运行中的数据量很大，需要对数据进行清洗，且本例所述数据清洗，不是盲目的清洗所有的数据，而是有针对性的清洗，其对数据的清洗处理中，不是简单的丢弃，而对可用数据采用最小二乘法拟合且而是针对故障发生时间点来清洗一段时间内的数据，而不是全部数据；同时设定故障环境变量数据在线程启动时就以链表方式存储记录各故障的特征变量信息，当故障发生时可读取故障发生时间点前后一定时间内的变量连续变化情况，该第一特征变量信息是依据故障所属机车部件，从部件输入模块，故障模块、部件输出模块三个方面考虑提取的相关变量；另还利用数据挖掘与分析的工程知识，从历史数据中按聚类算法获取故障分类、降维算法或信息增益排序法提取关键特征变量等知识，结合业务领域知识，不断更新知识库的内容,按故障分类对故障打标签，按降维算法或信息增益排序法提取关键故障变量，建立故障树模型，代入清洗后的数据判定故障分支，计算给出诊断分析结果并使得故障预警按需求不同分为部件故障预警、高发性单故障预警、器件预警、回归分析预警和所述离散性故障预警，且在无线传输时最终传输的数据类型可选，依需求而定，可对于数据量较大的实时数据增加了重复数据删除算法。

基于上述设计原理，具体的，该装置包括：

供电单元，其用于将快捷货运机车的电源转换为本装置所需的电源；在一些具体的实施例中，所述供电单元包括用于实现电源供应功能的电源板，其能够将机车直流电源(DC110V)转换成DC24V、DC5V等装置内部功能板所需供电电源。

数据采集单元，其用于实时读取多种机车总线数据并通过电子标签存储记录机车关键器件电子履历信息，所述机车总线包括CAN/RS485/RS232/MVB(或FIP)；在一些具体的实施例中，所述数据采集单元包括智能采集卡，其通过电子标签存储读取机车关键器件电子履历信息，该机车关键器件电子履历信息至少包括机车关键部件的基本信息和机车关键部件的维修信息；具体的，所述机车关键部件的基本信息包括部件名称、型号、厂家、配套部件等基础信息，还可记录机车关键部件的使用时间；具体的，所述机车关键部件的维修信息包括大修时间、次数及修理时所存在的问题，中修时间、次数及修理时所存在的问题，小修时间、次数及修理时所存在的问题，部件(包含内部器件)更换时间以及该部件及其内部器件其他需要记录的相关内容；

数据处理单元，其用于以单进程多线程方式对快捷货运机车的数据进行存储及分类处理，依据机车业务领域知识和数据挖掘与分析工程知识从机车历史数据中提取相关信息，更新知识库后，基于所述知识库对机车故障进行诊断分析及预警处理；所述诊断分析及预警处理包括依据机车历史数据按聚类算法进行故障分类并确定故障关系对应表，依据故障关系对应表中故障间的逻辑规则建立故障树模型，依据实时故障信息及关键特征变量值判定故障分支，并进行故障诊断及预警；所述多线程至少包括实时数据存储线程、机车行车记录数据记录存储线程、故障环境变量数据记录存储线程、数据清洗线程、故障诊断分析线程、故障预警线程；所述故障关系对应表的初始表单数据选取自知识库，所述知识库是依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中获取；在一些具体的实施例中，所述实时数据存储线程能够实时对数据采集单元所采集的数据进行分类存储以将所述数据划分为机车故障数据和机车实时数据并保存；其中，机车故障数据以数组形式保存，用布尔值1和0来表示有故障和无故障，机车实时数据按实际远程监测界面所需数据进行分组；所述机车行车记录数据记录存储线程能够每间隔一定时间(如隔一秒的时间)存储一次机车整体状况数据，该机机车整体状况至少包括机车运行数据、司机操作数据；机车运行数据可如机车速度、蓄电池电压数据等；所述司机操作数据合主断操作、操纵手柄位数据等；在一些具体的实施例中，数据处理单元程序可远程进行更新维护。在一些具体的实施例中，所述故障环境变量数据记录存储线程能够在线程启动时以链表方式存储记录各故障的第一特征变量信息以在故障发生时读取故障发生时间点前后一定时间范围内如5分钟时间内的变量连续变化情况，所述第一特征变量信息是分别自输入模块、故障模块和输出模块三个部分机车历史数据中所提取出的特征变量，所述故障模块是指故障发生时该故障所对应的机车部件，所述输入模块是指故障发生时对所述故障模块输入数据的机车部件；所述输出模块是指故障发生时接收所述故障模块所输出数据的机车部件。

在一些具体的实施例中，所述数据清洗线程能够存储所读取的机车原始数据并分别判断数据的完整性和合法性，所述机车原始数据包括机车实时数据、机车行车记录信息和机车故障环境变量数据；所述判断数据的合法性包括确认当前存储的数据是否符合所规定的数据格式，否则丢弃即若数据格式不合法则丢弃；所述判断数据的完整性确认当前存储的数据所有数据值是否符合所规定的正确状态，是则不对数据进行拟合处理，直接存储，否则按最小二乘法拟合数据并存储。

在一些具体的实施例中，所述故障诊断分析线程是循环比对前后两周期实时故障数据变化发现新故障后，记录故障发生时间，并以当前故障发生时间为中心点，读取该时间点前后各一定条数的数据信息，调用数据清洗线程清洗所读取的数据信息，从故障关系对应表中读取故障分类，提取关键特征变量和特征变量类型后，给故障打标签，并依据逻辑规则建立故障树模型，代入清洗后的数据判定故障分支，计算出诊断分析结果；所述故障关系对应表包含被分类的各个具体故障名称分别与多个故障参考分量之间的对应关系，见表1，所述故障参考分量至少包括故障分类、故障耦合级别、关联故障、逻辑规则、关键特征变量和特征变量类型，所述故障关系对应表的初始表单数据选取自知识库，所述知识库是依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中获取；在进一步的具体实施例中，所述故障诊断分析线程对应的诊断分析过程包括：S1、分配存储空间存放机车实时数据中实时故障数据并完成初始化操作；S2、循环读取并比对机车实时故障数据中前一采样周期内的数据以确定是否有新故障事件产生，监测到新故障事件后，设置故障标志位，继续执行S3，否则返回重新循环读取并比对机车实时故障数据，其中，通过布尔值1和0分别表示故障发生和故障没有发生状态；S3、记录故障发生时间；S4、以当前故障发生时间为中心点，读取该时间点前后各一定条数的数据信息，如该时间点前后各三十条信息，调用数据清洗线程清洗所读取的数据信息，所述数据信息至少包括机车运行过程中所存储的机车实时数据、机车行车记录数据和机车环境变量数据；S5、依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中按聚类算法获取故障分类，按降维算法或信息增益排序法提取关键特征变量，不断更新知识库，并以知识库为基础建立故障关系对应表，所述机车历史数据包括机车运行过程中所存储的机车实时数据、机车行车记录数据和机车环境变量数据；S6、基于所述故障关系对应表，确定当前故障所对应的故障标签，具体包括：按聚类算法给出故障分类，若为无耦合故障则故障打标签为0类故障；若为耦合故障，则该故障打标签为1类故障；若确定为0类故障，则进一步按特征变量类型即关联变量数量重新确定当前故障所对应的故障标签，若为单一特征变量，则确定当前故障所对应的故障标签为01类故障；若为多特征变量故障，则以各变量间的逻辑关系分别确定为02类故障、03类故障和04类故障，所述的各变量间的逻辑关系包括独立多变量，真值表变量及独立多变量+真值表变量三类，即若为独立多变量则确定为02类故障，若为真值表变量则确定为03类故障，若为独立多变量+真值表变量则确定为04类故障；若确定为1类故障，则进一步基于当前故障的故障耦合级别，通过降耦合查找当前故障所关联的0类故障信息，基于降耦规则和当前故障的故障耦合级别重新确定故障标签，所述降耦规则包括若当前故障的故障耦合级别为一级耦合故障，则该类故障关联的故障为零级即0类故障信息，确定故障标签为11类故障；若当前故障的故障耦合级别是二级耦合故障，则该类故障关联的故障为一级耦合故障，确定故障标签为12类故障；若当前故障的故障耦合级别是N级耦合故障，则该类故障关联的故障为N-1类故障信息，确定故障标签为13类故障，N为大于2的整数；S7、基于所查找的故障间的逻辑规则建立故障树模型，基于故障间的逻辑规则中关联的故障状态，确定所述故障树模型中对应的引发本次故障的故障分支，并代入读取清洗后的关键特征变量值及机车实时数据、机车行车记录信息、机车故障环境变量数据计算分析以给出对应的故障诊断报告；所述故障状态是通过读取清洗后机车实时数据中实时故障数据并查找故障间的逻辑规则中所关联的故障数据获得。

在进一步的具体实施例中，由于可能引发故障产生的变量既包含该故障自身的特征变量，还要包含输入模块、机车整体信息如机车速度，蓄电池电压等各类变量，为提高诊断效率，减少无效运算，需降维提取关键特征变量，具体的：所述关键特征变量从特征变量信息列表提取，所述特征变量信息列表，对于0类故障，若为03类和04类有真值表变量型故障，特征变量信息列表除记录故障自身的特征变量信息列表外，还应记录对应真值表中各变量间的逻辑关系，01类、02类标签故障的特征变量信息列表为故障自身的特征变量信息列表；所述特征变量信息列表，对于1类故障，为该故障及其所关联的所有0类故障的特征变量信息列表汇总，若为11类故障，则其特征变量信息列表为该故障与其关联的0类故障的特征变量信息列表总和，若为12类故障，则其特征变量信息列表为该故障与其关联的11类故障的特征变量信息列表总和，若为13类故障，则其特征变量信息列表为该故障与其关联的N-1级故障的特征变量信息列表总和，其中关联的N-1级故障应循环迭代至0类故障，其中N为大于2的整数；所述特征变量信息列表包含输入模块、故障模块和机车整体三个故障特征变量列，每一所述故障特征变量列从知识库中提取，所述输入模块是指故障发生时对所述故障模块输入数据的机车部件，所述故障模块是指故障发生时该故障所对应的机车部件，所述机车整体是指机车运行相关部件；其中，所述关键特征变量由特征变量信息列表中的故障特征变量按降维算法或信息增益排序法提取，降维算法对应的的过程包括：S51a、读取故障所属部件分类；S52a、自所述特征变量信息列表中确定出引发该故障的全部故障特征变量，并基于机车历史数据建立对应的数据矩阵；S53a、对各故障特征变量进行数据中心化处理即对各故障特征变量的变量数据类型进行标准化处理以将其变量类型处理为同量纲数据；S54a、对所述数据矩阵进行特征值分解以获取协方差矩阵，并求解出对应的特征值和特征向量；S55a、基于所求解的特征向量构造投影矩阵，从而得出降维计算后的关键特征变量；信息增益排序法对应的的过程包括：S51b、自所述特征变量信息列表中确定出引发该故障的全部故障特征变量；S52b、基于机车历史数据计算各故障特征变量信息增益；S53b、按信息增益高低排序各特征变量，信息增益值大于指定阈值为关键特征变量，其中信息增益值越高则变量权重也越大。

所述S6中降耦合的实现过程包括：S61、若当前故障的故障耦合级别是一级耦合故障，则该类故障关联的故障为零级即0类故障信息，记录并查找各关联0类故障信息及故障间的逻辑规则；S62、若当前故障的故障耦合级别是二级耦合故障，则该类故障关联的故障为一级耦合故障，按S61的方法进一步找到其关联的0类故障信息，记录并查找各关联0类故障信息及故障间的逻辑规则；S63、若当前故障的故障耦合级别是N级耦合故障，则该类故障关联的故障为N-1类故障信息，按照所述降耦规则查找N-1级耦合故障，直至关联的0类故障，记录并查找各关联0类故障信息及故障间的逻辑规则，N为大于2的整数。更进一步的，由于需要分析的故障状态只有发生和不发生两种状态，其属于离散性数据，因此除降维算法外，还可引入信息增益指标来衡量各变量对故障分析的影响力，所述信息增益排序法的处理过程为：自所述特征变量信息列表中确定出引发该故障的全部特征变量后基于机车历史数据计算所有特征变量的信息增益，所述信息增益的计算过程为首先要计算信息熵的值，假设当前样本集合D中第k类样本所占比例为pk(k＝1,2,…|y|)，其中y为预测结果的状态属性种类，则样本D的信息熵为

Ent(D)＝-∑pklog2pk

对应到本例中，假设特征变量a有v个可能的取值{a1,a2,…,av}，用特征变量对样本集进行划分，则会产生v个分支结点，其中第v个分支结点包含了D中所有在属性为特征变量a上取值为av的样本，记为Dv，按各分支结点权重计算属性对样本集的影响力，即信息增益的计算公式为下式：

Gain(D,a)＝Ent(D)-∑(|Dv|/|D|)Ent(Dv)

最后，按照信息增益大小排序各属性，先判断增益值最大的属性状态，再依次按增益值高低顺序判断各属性状态，信息增益值大于指定阈值的变量为关键特征变量。

表1为故障关系对应表实例，表中的N值取3，

下述表为关键特征变量信息列表实例表

故障特征变量列的内容包括

在一些具体的实施例中，所述S7包括：S71、基于故障关系对应表中当前故障所对应的故障间逻辑规则建立故障树模型，所述的逻辑规则包括当为逻辑与(and)关系时，故障与其关联的故障同时发生；当为逻辑或(or)关系时，故障与其中一个关联故障同时发生；当为逻辑非(not)关系时，故障与关联故障不会同时发生；S72、基于故障间的逻辑规则中关联的故障状态，确定所述故障树模型中对应的引发本次故障的故障分支，所述故障状态是通过读取清洗后机车实时数据中实时故障数据并查找故障间的逻辑规则中所关联的故障数据获得；S73、读取故障分支所对应的关键特征变量所对应的故障环境变量信息和机车行车记录信息，由于故障环境变量数据在线程启动时就以链表方式存储记录各故障的特征变量信息，所以当故障发生时可读取故障发生时间点前后5分钟时间内的变量连续变化情况，通过提取的相关变量，通过比对各周期数据来查找异常变量；该机车行车记录信息以一秒的时间间隔连续记录机车整体状况数据，通过比对各周期数据来查找异常变量；S74、基于所述故障分支中各关键特征变量间的逻辑关系，查找确认故障原因并生成诊断分析报告。

在一些具体的实施例中，按需求不同所述故障预警线程包括部件级故障预警子线程、高发性单故障预警子线程、器件预警子线程、回归分析预警子线程和离散性故障预警子线程中的一种或者多种；其中，所述部件级故障预警子线程能够按照每种故障所属功能部件进行分类，统计出高发故障的机车功能部件并给出对应的部件故障预警信息；所述高发性单故障预警子线程能够对单故障发生次数进行统计，给出对应的高发性单故障预警信息；所述器件预警子线程能够读取电子标签所记录的机车关键器件电子履历信息，通过比对高发性单故障排序判定器件是否需要更换，从而给出对应的预警信息；所述回归分析预警子线程能够基于回归分析法对单变量及多变量型故障中所涉及的有阈值限定性故障进行监测并在对应的因变量到达限定阈值前发出预警信息；所述离散性故障预警子线程能够基于离散性故障建立对照表，查表判断故障发生的概率，当概率值超限时发出预警信息，所述对照表是由对机车历史数据中各特征变量进行朴素贝叶斯统计所获得的各特征变量系统值组成的。在一些具体的实施例中，由于单变量及多变量型故障中有阈值限定性故障，如过压、欠压、超温等故障，因此可采用回归分析法分析电压或温度等变量如何随其相关变量而变化即建立回归方程Y＝f(X),其中被预测变量Y是电压或温度等连续变量，X是可能引起电压或温度值改变的预测变量，对于单变量故障回归方程，其为一元线性回归Y＝c0+c1X+ε，其中c0、c1为回归方程系数，ε为误差项，对于多变量故障的回归方程，其为多元线性回归Y＝c0+c1X1+c2X2+…+cnXn+ε，通过拟合故障特性曲线，从而在因变量到达限定阈值前发出预警信息；当然亦可采用其他方法实现，本例仅给出其中一个实现方法，本发明对此不作具体限定。在一些更具体的实施例中，如以单变量一元线性回归方程式为例，所述回归分析法的计算过程如下：T1、建立回归方程Y＝f(X),其中若被预测变量Y是电压或温度等连续变量，则X是可能引起电压或温度值改变的预测变量，则方程式为Y＝c0+c1X+ε，其中c0、c1为回归方程系数，ε为误差项；T2、基于最小二乘估计法，建立预测方程式为并使残差平方和最小，同时由于残差值使最小即最小；通过求导运算求出系数与X,Y之间的代数关系，代入历史数据即求出具体数值；T3、比较各预测方程系数所组成拟合曲线的拟合效果，择优选取即可。在一些具体的实施例中，对于离散性故障(即发生/不发生)可采用朴素贝叶斯统计算法，即假设每个特征变量独立地对分类结果发生影响，依据样本数据做出的各特征变量系数值，建立对照表，查表判断故障发生的概率，当概率值大于某限定值，如0.7时给出预警信息；

机车历史数据中各特征变量系统值计算的具体公式如下：

其中，P(分类标记c)是先验概率，即样本数据中故障发生的概率；

P(特征变量x|分类标记c)是条件概率，样本数据中特征变量x相对于分类标记c的类条件概率，d为特征变量个数，xi为x在第i个特征变量上的取值，如故障发生的条件下，某特征变量值不同状态的概率；

P(特征变量x)是所有分类标记下的特征变量概率，P(特征变量x)＝∑P(特征变量x|分类标记c)，即其是个常数与分类标记无关，在系数计算时可忽略不计；

在一些具体的实施例中，所述多总线智能网卡用于通过前面板上的DB9接口与机车内部网络相连，实时读取不同机车总线数据的，网卡前面板不同颜色的指示灯表明当前网络连接的状态，另留有一个用于调试RS-232串口；所述处理器板用于以多线程方式实现数据的拆分、重新组合，文件的读取及事件触发处理等操作，并能在车载端触发故障事件时，依据故障分类及诊断方法生成故障诊断报告数据，同时所述的处理器板内有一路以太网通过背板总线与多总线智能网卡相连，一路以太网放置在前面板，用于与内置或外接的通讯板连接，另留有两个RS-232串口、四个USB接口及其他通用接口。

通讯单元，其用于通过内置或外置的无线传输装置将处理后的车载信息通过3G等无线传输方式实时传输至地面系统，传输的信息种类包括用于远程监测机车运行状态的机车实时数据、行车记录数据、故障诊断报告、故障环境变量数据、故障预警信息等，按照实际需求选择所需传输的信息种类。在一些具体的实施例中，其可内置或通过外接设备提供无线传输通道，实现车载装置与地面接收端之间的数据传输，将主处理器板生成的故障诊断报告以3G方式实时发送到地面接收端。在一些具体的实施例中，若从信息安全角度考虑，传输的信息也可以只传输诊断分析报告及故障预警信息。在一些具体的实施例中，对于机车实时数据而言，由于其传输的数据量大，存在一定的重复数据，为了减少传输中的重复数据传输，在车-地通信中增加重复数据删除算法，即所述数据处理单元能够在通过所述通讯单元向地面接收系统实时传输数据时，采用重复数据删除算法删除传输数据中的重复数据，以减少网络传输数据量；具体的所述车-地通信中增加重复数据删除算法具体描述如下：S"1、作为地端的服务器端先启动并创建一个字节流套接字后绑定服务器地址并监听机车-客户端的连接请求，如可通过调用socket()函数创建一个字节流套接字；如可通过调用bind()函数绑定服务器地址，如可通过调用listen()函数监听客户端的连接请求；S2"、客户端程序启动后，同样创建一个字节流套接字并主动向服务器端发出连接请求，且两者TCP连接的建立需要经过三次数据传输也称为三次握手协议，如可通过调用socket()函数创建一个字节流套接字；如可通过调用调用connect()函数主动向服务器端发出连接请求；S3"、服务器端接收到客户端的连接请求后从阻塞状态中唤醒，在连接建立成功后生成一个新的套接字，该新的套接字于同已建立连接的客户间交互，原有的套接字则继续用于监听网络上的服务请求，如可通过调用accept()函数确定连接建立成功；S4"、连接通路建立好后，进行数据交换，如可通过调用recv()函数和send()函数交换数据，在交互数据过程中增加重复数据删除算法，即首先在交互数据过程中先将数据分块，由于机车总线数据多为设备端口数据，因此数据分块时，可以考虑数据的特殊性，可按设备类别划分数据，也可按端口数据传输周期的不同来划分数据；其次计算每个数据分块的特征值；再次，将每块数据的特征值与特征值库中数据进行比对，从而判定数据分块的冗余性，如果特征值与特征值库中数据重复，则认为该数据分块为冗余数据；车载端无需发送数据，只需地面端更新索引信息；如果不是重复的特征值，则需要车载端发送数据，同时地面端也要更新索引信息及特征值库文件，并保存车载端发送过来的数据；S5"、数据传输完毕，服务器端和客户端撤消套接字并中断连接，可通过调用close()函数撤消套接字并中断连接。

在一些具体的实施例中，所述故障诊断装置还包括调试接口单元，该调试接口单元用于提供外部以太网接口的调试接口板，其通过背板总线与多总线智能网卡等网卡相连，用于初始化及调试过程中各网卡IP地址配置等。

基于相同的发明构思，本发明还提出了一种快捷货运机车的故障诊断与预警方法，其特征在于，包括如下步骤：

步骤1、通过数据采集单元实时读取多种机车总线数据并通过电子标签存储记录机车关键器件电子履历信息，并通过基于SOCKET通信方式将采集的数据传输给数据处理单元；所述机车总线包括CAN总线、RS485总线、RS232总线、MVB总线或FIP总线；所述机车关键器件电子履历信息至少包括机车关键部件的基本信息和机车关键部件的维修信息；

步骤2、以单进程多线程方式对快捷货运机车的数据进行存储及分类处理，依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中按聚类算法获取故障分类，按降维算法或信息增益排序法提取关键特征变量并更新知识库后，以知识库为基础建立故障关系对应表，所述机车历史数据包括机车运行过程中所存储的机车实时数据、机车行车记录数据和机车环境变量数据；依据故障关系对应表中故障间的逻辑规则建立故障树模型，依据实时故障信息及关键特征变量值判定故障分支代入清洗后的数据进行故障诊断及预警；所述多线程至少包括实时数据存储线程、机车行车记录数据记录存储线程、故障环境变量数据记录存储线程、数据清洗线程、故障诊断分析线程、故障预警线程；所述故障关系对应表的初始表单数据选取自知识库，所述知识库是依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中获取；

步骤3、通过内置或外置的无线传输装置将诊断分析及预警处理后的车载信息通过无线传输方式实时传输至地面接收系统，所传输的信息包括用于远程监测机车运行状态的机车实时数据、行车记录数据、故障诊断报告、故障环境变量数据、故障预警信息中一种或者多种。

鉴于其设计要点与实现技术均与所述快捷货运机车的故障诊断与预警系统一致，因此此处不再赘述。

基于相同的发明构思，本发明还提出了一种计算机可读存储介质，包括计算机指令，当所述计算机指令在计算机上运行时，使得计算机执行所述的方法。

实施本发明实施例，将具有如下有益效果：

本发明所述的由车载故障诊断与预警装置完成机车故障诊断分析的方法避免了在途机车数据的传输，保证了车载数据的安全，也降低因保护数据安全而增加的额外成本，同时也避免不必要数据的传输，节省网络带宽；当存在故障事件时自动触发故障分析线程，减少了人为因素引发的故障处置的滞后性；基于故障的分类不同，为不同类故障建立故障环境变量对应表，可全面考虑故障之间的耦合性，将相关环境变量一次性的全面展示，使得故障分析时逻辑条理性更加清晰，也便于维护和更新。并通过打标签方式，按故障耦合性进行分类，从而缩短独立性故障的诊断时间，也有针对性的对高耦合性故障提供更详细的分析方法。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种快捷货运机车的故障诊断与预警装置，包括：

供电单元，其用于将快捷货运机车的电源转换为本装置所需的电源；

数据采集单元，其用于实时读取多种机车总线数据并通过电子标签存储记录机车关键器件电子履历信息；所述机车关键器件电子履历信息至少包括机车关键部件的基本信息和机车关键部件的维修信息；

数据处理单元，其用于以单进程多线程方式对快捷货运机车的数据进行存储及分类处理，依据机车业务领域知识和数据挖掘与分析工程知识从机车历史数据中提取相关信息，更新知识库后，基于所述知识库对机车故障进行诊断分析及预警处理；所述诊断分析及预警处理包括依据机车历史数据按聚类算法进行故障分类并确定故障关系对应表，依据故障关系对应表中故障间的逻辑规则建立故障树模型，依据实时故障信息及关键特征变量值判定故障分支，并进行故障诊断及预警；所述多线程至少包括实时数据存储线程、机车行车记录数据记录存储线程、故障环境变量数据记录存储线程、数据清洗线程、故障诊断分析线程、故障预警线程；所述故障关系对应表的初始表单数据选取自知识库，所述知识库是依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中获取；

通讯单元，其用于通过内置或外置的无线传输装置将处理后的车载信息通过无线传输方式实时传输至地面接收系统，所传输的信息包括用于远程监测机车运行状态的机车实时数据、行车记录数据、故障诊断报告、故障环境变量数据、故障预警信息中的一种或者多种组合。

2.根据权利要求1所述的故障诊断与预警装置，其特征在于，所述实时数据存储线程能够实时对数据采集单元所采集的数据进行分类存储以将所述数据划分为机车故障数据和机车实时数据并保存；其中，机车故障数据以数组形式保存，用布尔值1和0来表示有故障和无故障，机车实时数据按实际远程监测界面所需数据进行分组；所述机车行车记录数据记录存储线程能够每间隔一定时间存储一次机车整体状况数据，该机车整体状况数据至少包括机车运行数据、司机操作数据；所述故障环境变量数据记录存储线程能够在线程启动时以链表方式存储记录各故障的第一特征变量信息以在故障发生时读取故障发生时间点前后一定时间范围内的变量连续变化情况，所述第一特征变量信息是分别自输入模块、故障模块和输出模块三个部分机车历史数据中所提取出的特征变量，所述故障模块是指故障发生时该故障所对应的机车部件，所述输入模块是指故障发生时对所述故障模块输入数据的机车部件；所述输出模块是指故障发生时接收所述故障模块所输出数据的机车部件。

3.根据权利要求1所述的故障诊断与预警装置，其特征在于，所述数据清洗线程能够存储所读取的机车原始数据并分别判断数据的完整性和合法性，所述机车原始数据包括机车实时数据、机车行车记录信息和机车故障环境变量数据；所述判断数据的合法性包括确认当前存储的数据是否符合所规定的数据格式，否则丢弃；所述判断数据的完整性确认当前存储的数据所有数据值是否均处于符合所规定的正确状态是则直接存储，否则按最小二乘法拟合数据并存储。

4.根据权利要求3所述的故障诊断与预警装置，其特征在于，所述故障诊断分析线程是循环比对前后两周期实时故障数据变化，发现新故障后，记录故障发生时间，并以当前故障发生时间为中心点，读取该时间点前后各一定条数的数据信息，调用数据清洗线程清洗所读取的数据信息，从故障关系对应表中读取故障分类，提取关键特征变量和特征变量类型后，给故障打标签，并依据逻辑规则建立故障树模型，代入清洗后的数据判定故障分支，计算出诊断分析结果；所述故障关系对应表包含被分类的各个具体故障名称分别与多个故障参考分量之间的对应关系，所述故障参考分量至少包括故障分类、故障耦合级别、关联故障、逻辑规则、关键特征变量和特征变量类型。

5.根据权利要求4所述的故障诊断与预警装置，其特征在于，所述故障诊断分析线程对应的诊断分析过程包括：

S1、分配存储空间存放机车实时数据中实时故障数据并完成初始化操作；

S2、循环读取并比对机车实时故障数据中前一采样周期内的数据以确定是否有新故障事件产生，监测到新故障事件后，设置故障标志位，继续执行S3，否则返回重新循环读取并比对机车实时故障数据，其中，通过布尔值1和0分别表示故障发生和故障没有发生状态；

S3、记录故障发生时间；

S4、以当前故障发生时间为中心点，读取该时间点前后各一定条数的数据信息，调用数据清洗线程清洗所读取的数据信息，所述数据信息至少包括机车运行过程中所存储的机车实时数据、机车行车记录数据和机车环境变量数据；

S5、依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中按聚类算法获取故障分类，按降维算法或信息增益排序法提取关键特征变量，并更新知识库，以所述知识库为基础建立故障关系对应表，所述机车历史数据包括机车运行过程中所存储的机车实时数据、机车行车记录数据和机车环境变量数据；

S6、基于所述故障关系对应表，确定当前故障所对应的故障标签，具体包括：按聚类算法给出故障分类，若为无耦合故障则故障打标签为0类故障；若为耦合故障，则该故障打标签为1类故障；若确定为0类故障，则进一步按特征变量类型重新确定当前故障所对应的故障标签，若为单一特征变量，则确定当前故障所对应的故障标签为01类故障；若为多特征变量故障，则以各变量间的逻辑关系分别确定为02类故障、03类故障和04类故障，所述的各变量间的逻辑关系包括独立多变量，真值表变量及独立多变量+真值表变量三类；若确定为1类故障，则进一步基于当前故障的故障耦合级别，通过降耦合方法查找当前故障所关联的0类故障信息，基于降耦合方法的降耦规则和当前故障的故障耦合级别重新确定故障标签，所述降耦规则包括若当前故障的故障耦合级别为一级耦合故障，则该类故障关联的故障为零级即0类故障信息，确定故障标签为11类故障；若当前故障的故障耦合级别是二级耦合故障，则该类故障关联的故障为一级耦合故障，确定故障标签为12类故障；若当前故障的故障耦合级别是N级耦合故障，则该类故障关联的故障为N-1级故障信息，确定故障标签为13类故障，其中N为大于2的整数；

S7、基于所查找的故障间的逻辑规则建立故障树模型，基于故障间的逻辑规则中关联的故障状态，确定所述故障树模型中对应的引发本次故障的故障分支，并代入读取清洗后的关键特征变量值及机车实时数据、机车行车记录信息、机车故障环境变量数据计算分析以给出对应的故障诊断报告；所述故障状态是通过读取清洗后机车实时数据中实时故障数据并查找故障间的逻辑规则中所关联的故障数据获得。

6.根据权利要求5所述的故障诊断与预警装置，其特征在于，所述关键特征变量从特征变量信息列表提取，所述特征变量信息列表，对于0类故障，若为03类和04类有真值表变量型故障，特征变量信息列表除记录故障自身的特征变量信息列表外，还应记录对应真值表中各变量间的逻辑关系，若为01类、02类故障，特征变量信息列表为故障自身的特征变量信息列表；所述特征变量信息列表，对于1类故障，为该故障及其所关联的所有0类故障的特征变量信息列表汇总，若为11类故障，则其特征变量信息列表为该故障与其关联的0类故障的特征变量信息列表总和，若为12类故障，则其特征变量信息列表为该故障与其关联的11类故障的特征变量信息列表总和，若为13类故障，则其特征变量信息列表为该故障与其关联的N-1级故障的特征变量信息列表总和，其中关联的N-1级故障应循环迭代至0类故障，其中N为大于2的整数；所述特征变量信息列表包含输入模块、故障模块和机车整体三个故障特征变量列，每一所述故障特征变量列从知识库中提取，所述输入模块是指故障发生时对所述故障模块输入数据的机车部件，所述故障模块是指故障发生时该故障所对应的机车部件，所述机车整体是指机车运行相关部件；其中，所述关键特征变量由特征变量信息列表中的故障特征变量按降维算法或信息增益排序法提取，降维算法对应的的过程包括：S51a、读取故障所属部件分类；S52a、自所述特征变量信息列表中确定出引发该故障的全部故障特征变量，并基于机车历史数据建立对应的数据矩阵；S53a、对各故障特征变量进行数据中心化处理即对各故障特征变量的变量数据类型进行标准化处理以将其变量类型处理为同量纲数据；S54a、对所述数据矩阵进行特征值分解以获取协方差矩阵，并求解出对应的特征值和特征向量；S55a、基于所求解的特征向量构造投影矩阵，从而得出降维计算后的关键特征变量；信息增益排序法对应的过程包括：S51b、自所述特征变量信息列表中确定出引发该故障的全部故障特征变量；S52b、基于机车历史数据计算各故障特征变量信息增益；S53b、按信息增益自高至低对各故障特征变量进行排序，确定信息增益值大于指定阈值的变量为关键特征变量；

所述S6中降耦合方法的实现过程包括：S61、若当前故障的故障耦合级别是一级耦合故障，则该类故障关联的故障为零级即0类故障信息，记录并查找各关联0类故障信息及故障间的逻辑规则；S62、若当前故障的故障耦合级别是二级耦合故障，则该类故障关联的故障为一级耦合故障，按S61的方法进一步找到其关联的0类故障信息，记录并查找各关联0类故障信息及故障间的逻辑规则；S63、若当前故障的故障耦合级别是N级耦合故障，则该类故障关联的故障为N-1类故障信息，其中N为大于2的整数，按照所述降耦规则查找N-1级耦合故障，直至关联的0类故障，记录并查找各关联0类故障信息及故障间的逻辑规则。

7.根据权利要求6所述的故障诊断与预警装置，其特征在于，所述S7包括：

S71、基于故障关系对应表中当前故障所对应的故障间逻辑规则建立故障树模型；

S72、基于故障间的逻辑规则中关联的故障状态，确定所述故障树模型中对应的引发本次故障的故障分支，所述故障状态是通过读取清洗后机车实时数据中实时故障数据并查找故障间的逻辑规则中所关联的故障数据获得；

S73、读取故障分支所对应的关键特征变量所对应的故障环境变量信息和机车行车记录信息；

S74、基于所述故障分支中各关键特征变量间的逻辑关系查找确认故障原因并生成诊断分析报告。

8.根据权利要求1所述的故障诊断与预警装置，其特征在于，所述故障预警线程包括部件级故障预警子线程、高发性单故障预警子线程、器件预警子线程、回归分析预警子线程和离散性故障预警子线程中的一种或者多种；其中，所述部件级故障预警子线程能够按照每种故障所属功能部件进行分类，统计出高发故障的机车功能部件并给出对应的部件故障预警信息；所述高发性单故障预警子线程能够对单故障发生次数进行统计，给出对应的高发性单故障预警信息；所述器件预警子线程能够读取电子标签所记录的机车关键器件电子履历信息，通过比对高发性单故障排序判定器件是否需要更换，从而给出对应的预警信息；所述回归分析预警子线程能够基于回归分析法对单变量及多变量型故障中所涉及的有阈值限定性故障进行监测并在对应的因变量到达限定阈值前发出预警信息；所述离散性故障预警子线程能够基于离散性故障建立对照表，查表判断故障发生的概率，当概率值超限时发出预警信息，所述对照表是由对机车历史数据中各特征变量进行朴素贝叶斯统计所获得的各特征变量系统值组成的。

9.根据权利要求1所述的故障诊断与预警装置，其特征在于，所述数据处理单元能够在通过所述通讯单元向地面接收系统实时传输数据时，采用重复数据删除算法删除传输数据中的重复数据，以减少网络传输数据量。

10.一种快捷货运机车的故障诊断与预警方法，其特征在于，包括如下步骤：

步骤1、通过数据采集单元实时读取多种机车总线数据并通过电子标签存储记录机车关键器件电子履历信息，并通过基于SOCKET通信方式将采集的数据传输给数据处理单元；所述机车总线包括CAN总线、RS485总线、RS232总线、MVB总线或FIP总线；所述机车关键器件电子履历信息至少包括机车关键部件的基本信息和机车关键部件的维修信息；

步骤2、以单进程多线程方式对快捷货运机车的数据进行存储及分类处理，依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中按聚类算法获取故障分类，按降维算法或信息增益排序法提取关键特征变量并更新知识库后，以知识库为基础建立故障关系对应表，所述机车历史数据包括机车运行过程中所存储的机车实时数据、机车行车记录数据和机车环境变量数据；依据故障关系对应表中故障间的逻辑规则建立故障树模型，依据实时故障信息及关键特征变量值判定故障分支代入清洗后的数据进行故障诊断及预警；所述多线程至少包括实时数据存储线程、机车行车记录数据记录存储线程、故障环境变量数据记录存储线程、数据清洗线程、故障诊断分析线程、故障预警线程；所述故障关系对应表的初始表单数据选取自知识库，所述知识库是依据机车业务领域知识和数据挖掘与分析的工程知识，自机车历史数据中获取；

步骤3、通过内置或外置的无线传输装置将诊断分析及预警处理后的车载信息通过无线传输方式实时传输至地面接收系统，所传输的信息包括用于远程监测机车运行状态的机车实时数据、行车记录数据、故障诊断报告、故障环境变量数据、故障预警信息中一种或者多种。