一种基于车载和云端的列车故障诊断系统及方法与流程

本发明涉及高铁大数据故障诊断技术领域，尤其涉及一种基于车载和云端的列车故障诊断系统和方法。

背景技术：

目前，我国的高速铁路网发展迅速，这对于其尽快发挥经济效具有积极作用。由于列车运行速度快，为了更好地掌握列车的运行状态，及时诊断列车故障，需要高可靠的列车故障诊断控制系统，列车状态监测和故障诊断系统是铁路行车安全保障体系的重要组成部分。

现有的列车故障诊断主要使用车载系统控制，采用基于诊断规则的传统方法，在可获取状态变量的基础上检测预期行为的偏差，在故障和故障现象相关知识的帮助下，诊断故障位置。车载诊断系统监控所有子系统相关的元件和功能。由于高速列车数据具有明显大数据特征，高速列车运行与维护的大数据中蕴含的高速列车故障诊断信息的价值巨大，而数据具有种类多、实时性强、数据量大、处理速度快等特点，使得现有故障诊断系统难以适应以上特点。数据驱动的建模与故障诊断在工业界近年取得很多研究进展与应用，为高速列车故障、诊断提供新的途径和手段。

目前，已有一些基于数据模型的故障诊断方法的研究，如专利号为201610143119.3的一种高铁列控车载设备故障诊断方法，该方法通过对车载设备故障数据进行分析和特征提取，提取建立决策信息表，并建立贝叶斯故障诊断网络进行故障诊断。该方法仍然有很多不足：1.仅基于车载系统进行故障诊断，诊断效率低；2.模型算法单一，并且计算模型不能根据列车运行情况进行完善和优化，列车车载故障诊断系统诊断可靠性低。

综上所述，传统的列车故障诊断仅基于车载系统，由于列车数据高速增长，而车载系统计算能力和硬件资源有限，高铁列车在行驶过程中难以完成对数量庞大、快速积累的大规模数据进行分析建模。同时鉴于高速列车的特殊空间环境，也无法在列车上部署大规模计算集群以进行大规模高速运算来实时建立高精度列车故障诊断系统模型，并且计算模型不能根据列车运行情况进行完善和优化，导致列车车载故障诊断子系统故障诊断率低，不能满足高速列车复杂情况下的高精度高可靠的监控要求。因此，急需研究新的基于云的高速列车大数据故障诊断系统。

技术实现要素：

针对现有技术的缺陷，本发明提供一种基于车载和云端的列车故障诊断系统和方法，采用云服务对列车在行驶过程中进行监控，同时云端数据不断更新，模型细节越来越完善，精度不断提高，性能超越传统单一实时故障诊断模块控制，满足了列车车载故障诊断子系统在行驶过程中高可靠高精度的要求，提高了列车在行驶过程中的安全性。

一方面，本发明提供一种基于车载和云端的列车故障诊断系统，该系统包括车载故障诊断子系统和云端故障诊断子系统。

所述车载故障诊断子系统包括车载数据采集模块、实时故障诊断模块和云诊断模块；所述云端故障诊断子系统包括云端数据采集模块、数据存储模块、数据处理模块、故障诊断与预测模块和数据可视化模块。

所述车载数据采集模块用于对列车的运行数据进行采集。

所述实时故障诊断模块用于在列车运行过程中对列车进行实时故障诊断与预测。

所述云诊断模块用于调用云端故障诊断子系统所提供的故障诊断服务对列车进行辅助式故障诊断，即一方面对车载实时故障诊断模块的诊断结果与云端故障诊断子系统的故障诊断结果进行对比，并将对比结果进行显示；另一方面当对比结果表明所述车载故障诊断子系统出现重大故障的漏报或错报时，通过设定数据传输优先级，优先传递诊断指令和数据，利用云诊断模块进行快速辅助诊断。

所述云端数据采集模块，一方面用于采集列车运行过程中通过列车网络传输的列车运行的实时数据，另一方面用于采集列车运行结束后列车运行的历史数据。

所述数据存储模块用于将云端数据采集模块所采集的数据进行数据清洗、数据转换和数据压缩，并将数据按不同数据类型存入对应数据存储系统；所述数据清洗包括数据补缺、数据替换和数据格式规范化；所述数据转换包括数据拆分、数据排序、数据去重和数据验证；所述数据压缩用于压缩原始数据，以节约存储空间。

所述数据处理模块包括计算框架子模块、查询子模块、数据统计子模块和算法库子模块；

所述计算框架子模块包括实时流式计算框架和非实时批处理计算框架，所述实时流式计算框架用于实时数据流的计算，所述非实时批处理计算框架用于计算非实时历史数据；

所述查询子模块用于查询列车运行实时和历史数据；

所述数据统计子模块用于对列车运行的历史数据进行统计处理；

所述算法库子模块用于管理数据处理的算法。

所述故障诊断与预测模块包括模型建立子模块、模型评估子模块、模型管理子模块和故障诊断与预测服务子模块；

所述模型建立子模块用于利用列车历史运行数据构建故障诊断与预测模型；

所述模型评估子模块用于对故障诊断与预测模型的诊断与预测效果进行评估；

所述模型管理子模块用于管理模型建立子模块所构建的所有历史故障诊断与预测模型；

所述故障诊断与预测服务子模块用于提供和监控故障诊断与预测云服务。

所述数据可视化模块用于显示各类数据处理操作的结果，包括查询结果、统计结果、计算结果和故障诊断结果。

另一方面，本发明还提供一种基于车载和云端的列车故障诊断方法，该方法通过上述的基于车载和云端的列车故障诊断系统实现，具体步骤如下：

步骤1、车载数据采集模块中的历史数据通过网络上传至云端数据采集模块，云端数据采集模块对列车数据进行采集；

步骤2、对上传到云端数据采集模块中的原始数据进行数据清洗和转换后，再进行数据存储，具体包括以下步骤：

步骤2.1、利用ETL(Extract-Transform-Load)工具对上传到云端数据采集模块中的原始数据进行数据补缺、数据替换和数据格式规范化的数据清洗操作，以及数据拆分、数据排序、数据去重和数据验证的数据转换操作；

步骤2.2、将清洗、转换后的数据存储到对应的数据存储系统，具体为：

步骤2.2.1、将结构化数据保存到数据库；

步骤2.2.2、将非结构化数据保存到文件系统；

步骤3、利用列车的历史运行数据对云端原有的故障诊断与预测模型进行评估，并构建新的故障诊断与预测模型，具体包括以下步骤：

步骤3.1、模型评估子模块利用列车新上传至云端数据采集模块的历史数据对云端故障诊断子系统原有的故障诊断与预测模型进行评估，若有误报或漏报情况，则执行步骤3.2，否则直接执行步骤5；

步骤3.2、利用列车新上传至云端数据采集模块的历史数据及云端数据存储系统中原有的历史数据建立新的故障诊断与预测模型，将该模型设定为最优模型，并将该模型存储到模型管理子模块；

步骤3.3、构建供车载故障诊断子系统远程访问的云端故障诊断服务接口，执行步骤4；

步骤4、列车运行之前，对车载故障诊断子系统的实时故障诊断模块中的故障诊断与预测模型进行更新，具体包括以下步骤：

步骤4.1、在列车运行之前，云端故障诊断子系统对车载故障诊断子系统的实时故障诊断模块中的故障诊断与预测模型进行检验，判断该模型是否是故障诊断与预测效果最优的模型；若该模型不是故障诊断与预测效果最优的模型，则执行步骤4.2，对车载故障诊断子系统的实时故障诊断模块中的故障诊断与预测模型进行更新，若该模型是故障诊断与预测效果最优的模型，则执行步骤5；

步骤4.2、判断是否需要更新实时故障诊断模块中的故障诊断与预测模型整体才能使该模型达到最优，若否，即只需对实时故障诊断模块中的故障诊断与预测模型的相关参数进行更新就能使该模型达到最优，则执行步骤4.2.1，若是，则执行步骤4.2.2；

步骤4.2.1、列车车载故障诊断子系统的实时故障诊断模块中的故障诊断及预测模型相比于云端故障诊断子系统的故障诊断与预测模块中的诊断与预测效果最优的模型，只需更改部分参数，则更改模型的相关参数；

步骤4.2.2、列车车载故障诊断子系统的实时故障诊断模块中的故障诊断与预测模型相比于云端故障诊断子系统的故障诊断与预测模块中诊断与预测效果最优的模型，需要将效果最优的模型整体下载到车载故障诊断子系统，若车载故障诊断子系统的硬件计算资源能有效的支持云端故障诊断子系统所构建的故障诊断与预测效果最优的模型的运算，则执行步骤4.2.2.1；若车载故障诊断子系统的硬件计算资源无法支持云端故障诊断子系统所构建的最新故障诊断与预测模型的运算，则执行步骤4.2.2.2；

步骤4.2.2.1、将云端故障诊断子系统所构建的最优故障诊断与预测模型的完整模型直接下载到列车车载故障诊断子系统中；

步骤4.2.2.2、对云端故障诊断子系统所构建的复杂的最新故障诊断与预测模型故障诊断模型进行约简，构建约简后的故障诊断与预测模型，并将其下载到列车车载故障诊断子系统中；

步骤5、车载故障诊断子系统对列车进行实时故障诊断，具体包括以下步骤：

步骤5.1、车载数据采集模块将所采集的实时数据传输给实时故障诊断模块和云诊断模块；

步骤5.2、实时故障诊断模块利用实时采集的数据对行驶中的列车进行实时故障诊断，将故障诊断结果传输给云诊断模块；

步骤5.3、云诊断模块利用实时数据通过调用云端故障诊断子系统所提供的故障诊断与预测服务接口对列车进行故障诊断，具体方法为：

步骤5.3.1、云端数据采集模块对列车运行过程中通过网络上传的实时数据进行采集；

步骤5.3.2、利用ETL工具对步骤5.3.1中采集的实时数据进行数据清洗和数据转换操作后，存储到对应的数据存储系统；

步骤5.3.3、云端故障诊断子系统响应远程故障诊断服务请求，具体响应过程为：

步骤5.3.3.1、云端故障诊断子系统的故障诊断与预测模型对步骤5.3.2中进行清洗和转换后的列车运行数据进行分析和故障诊断；

步骤5.3.3.2、将故障诊断结果返回到车载故障诊断子系统的云诊断模块；

步骤5.4、云诊断模块将通过调用云端故障诊断与预测服务所形成的诊断结果与步骤5.2中车载故障诊断子系统中的实时故障诊断模块所形成的诊断结果进行比对，并进行提示；若结果对比发现车载故障诊断子系统中的实时故障诊断模块针对重大故障有漏报或错报，则执行步骤5.4.1；若结果对比没有发现有漏报或错报，则直接执行步骤5.4.4；

步骤5.4.1、车载故障诊断子系统通过云诊断模块提升调用云端故障诊断与预测服务进行故障诊断与预测及与云端通讯的优先级；

步骤5.4.2、车载故障诊断子系统通过云诊断模块提高调用云端故障诊断与预测服务进行故障诊断与预测及与云端通信所占用的带宽，优先传递诊断指令和数据；

步骤5.4.3、云诊断模块调用云端故障诊断子系统所提供的服务进行快速辅助诊断；

步骤5.4.4、云诊断模块将故障诊断结果进行及时提示；

步骤6、列车运行结束后将本次列车的历史数据上传到云端数据采集模块。

由上述技术方案可知，本发明的有益效果在于：本发明提供一种基于车载和云端的列车故障诊断系统及方法，采用云服务对列车在行驶过程中进行监控，同时云端数据不断更新，故障诊断与预测模型细节越来越完善，精度不断提高，性能超越传统单一实时故障诊断模块控制，满足了列车车载故障诊断子系统在行驶过程中高可靠高精度的要求，提高了列车在行驶过程中的安全性。具体效果在于：将列车车载故障诊断子系统与云端故障诊断子系统结合，双重保证了列车车载故障诊断子系统的高可靠性；车载故障诊断子系统将数据存入到云端数据存储系统中，构建了统一的故障数据管理系统，实现对故障数据的高效管理；通过列车上的云诊断模块对行驶中的列车进行故障诊断效果的监控，确保了车载实时故障诊断的高可靠性；云端利用不断积累更新的运行数据所构建的故障诊断与预测模型不断完善，精度不断提高，故障诊断与预测性能超越传统单一车载实时故障诊断系统。

附图说明

图1为本发明实施例提供的一种基于车载和云端的列车故障诊断系统结构框图；

图2为本发明实施例提供的一种基于车载和云端的列车故障诊断系统的功能性结构图；

图3为本发明实施例提供的一种基于车载和云端的列车故障诊断方法的总体流程图；

图4为本发明实施例提供的一种基于车载和云端的列车故障诊断方法在列车开车前的流程图；

图5为本发明实施例提供的一种基于车载和云端的列车故障诊断方法在列车行驶过程中的流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本实施例以轴温故障诊断为例，一种基于车载和云端的列车故障诊断系统，如图1所示，包括车载故障诊断子系统和云端故障诊断子系统。

车载故障诊断子系统包括车载数据采集模块、实时故障诊断模块和云诊断模块。

车载数据采集模块用于对列车的运行数据进行采集，包括若干用于采集不同数据的传感器。

实时故障诊断模块用于在列车运行过程中对列车进行实时故障诊断与预测。

云诊断模块用于调用云端故障诊断子系统所提供的故障诊断服务对列车进行辅助式故障诊断，即一方面对车载实时故障诊断模块的诊断结果与云端故障诊断子系统的故障诊断结果进行对比，并将对比结果进行显示；另一方面当对比结果表明所述车载故障诊断子系统出现重大故障的漏报或错报时，通过设定数据传输优先级，优先传递诊断指令和数据，利用云诊断模块进行快速辅助诊断。

云端故障诊断子系统包括云端数据采集模块、数据存储模块、数据处理模块、故障诊断与预测模块和数据可视化模块。

云端数据采集模块，一方面用于采集列车运行过程中通过列车网络传输的列车运行的实时数据，另一方面用于采集列车运行结束后列车运行的历史数据。

数据存储模块用于将云端数据采集模块所采集的数据进行数据清洗、数据转换和数据压缩，并将数据按不同数据类型存入对应数据存储系统；数据清洗包括数据补缺、数据替换和数据格式规范化；数据转换包括数据拆分、数据排序、数据去重和数据验证；数据压缩用于压缩原始数据，以节约存储空间。

数据处理模块包括计算框架子模块、查询子模块、数据统计子模块和算法库子模块；计算框架子模块包括实时流式计算框架和非实时批处理计算框架，实时流式计算框架用于实时数据流的计算，非实时批处理计算框架用于计算非实时历史数据；查询子模块用于查询列车运行实时和历史数据；数据统计子模块用于对列车运行的历史数据进行统计处理；算法库子模块用于管理数据处理的算法。

故障诊断与预测模块包括模型建立子模块、模型评估子模块、模型管理子模块和故障诊断与预测服务子模块；模型建立子模块用于利用列车历史运行数据构建故障诊断与预测模型；模型评估子模块用于对故障诊断与预测模型的诊断与预测效果进行评估；模型管理子模块用于管理模型建立子模块所构建的所有历史故障诊断与预测模型；故障诊断与预测服务子模块用于提供和监控故障诊断与预测云服务。

数据可视化模块用于显示各类数据处理操作的结果，包括查询结果、统计结果、计算结果和故障建模与预测结果。

本实施例提供的一种基于车载和云端的列车故障诊断系统的功能性结构如图2所示。

采用上述的一种基于车载和云端的列车故障诊断系统对轴温进行故障诊断的方法，如图3所示，具体方法如下。

步骤1、某一列高铁列车的车载数据采集模块中的轴温及其他历史数据通过网络上传至云端数据采集模块，云端数据采集模块对该列车数据进行采集，这些历史数据包括列车运行的轴温、列车传感器数据、列车操作状态信息、列车编号、运行线路、司机编号、信息类别编码、列车操作日志等。

步骤2、对上传到云端数据采集模块中的原始数据进行数据清洗和转换后，再进行数据存储，具体包括以下步骤：

步骤2.1、利用ETL工具Kettle(一种开源的ETL工具)对上传到云端数据采集模块中的原始数据进行数据补缺、数据替换和数据格式规范化的数据清洗处理，并对数据进行数据拆分、数据排序、数据去重和数据验证的数据转换处理；

步骤2.2、将清洗、转换后的数据存储到对应的数据存储系统，具体为：

步骤2.2.1、将结构化数据保存到数据库，具体包括：将列车轴温数据、操作状态数据等存储到内存数据库Redis(Key-Value数据库)中，将数据副本写入本地文件进行备份，将Redis中的数据使用无损压缩算法进行压缩后存储到非关系型数据库HBase中；将高速列车的列车编号、运行线路、司机编号、信息类别编码等存储到关系型数据库Mysql中；

步骤2.2.2、将非结构化数据保存到文件系统，具体为将列车司机的操作日志文件、故障报文信息等非结构化数据存储到HDFS(Hadoop Distributed File System)分布式文件管理系统中。

步骤3、利用列车的历史运行数据对云端原有的故障诊断与预测模型进行评估，并构建新的故障诊断与预测模型，具体包括以下步骤：

步骤3.1、模型评估子模块利用列车新上传至云端数据采集模块的轴温历史数据对云端故障诊断子系统原有的故障诊断与预测模型进行评估，若评估结果确定有误报或漏报情况，则执行步骤3.2，否则直接执行步骤5；具体的评估方法为：

步骤3.1.1、模型评估子模块从数据库获取高铁列车轴温历史数据，归一化(一种简化计算的方式，将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量)处理后构建故障诊断与预测模型的测试集样本；

步骤3.1.2、计算测试集样本数据的T²(Hotelling T²统计量)和平方预测误差(Square Predicted Error，SPE)统计量及其对应的控制限(即统计指标的限制范围)，使用测试集样本数据对原有的故障诊断与预测模型进行评估和验证，若有误报或漏报情况，需要对云端故障诊断子系统原有的故障诊断与预测模型进行更新，执行步骤3.2，否则不更新模型，直接执行步骤5；

步骤3.2、利用列车新上传至云端数据采集模块的轴温历史数据以及云端数据存储系统中原有的轴温历史数据建立新的故障诊断与预测模型，将该模型设定为最优模型，并将该模型存储到模型管理子模块；本实施例中，建立新的故障诊断与预测模型的方法为：

使用PCA(Principal Component Analysis，主成分分析)方法针对高铁列车轴温历史数据建立新的故障诊断及预测模型，从数据库获取高铁列车轴温历史数据，归一化处理后构建模型的训练集和测试集样本，对模型进行训练和验证。

步骤3.3、构建供车载故障诊断子系统远程访问的云端故障诊断服务接口，执行步骤4。

步骤4、列车运行之前，对车载故障诊断子系统的实时故障诊断模块中的轴温故障诊断与预测模型进行更新，具体包括以下步骤：

步骤4.1、在列车运行之前，云端故障诊断子系统对车载故障诊断子系统的实时故障诊断模块中的轴温故障诊断与预测模型进行检验，判断该模型是否是故障诊断与预测效果最优的模型；若该模型不是故障诊断与预测效果最优的模型，则执行步骤4.2，对车载故障诊断子系统的实时故障诊断模块中的轴温故障诊断与预测模型进行更新，若该模型是故障诊断与预测效果最优的模型，则执行步骤5；

步骤4.2、判断是否需要更新实时故障诊断模块中的轴温故障诊断与预测模型整体才能使该模型达到最优，若否，即只需对实时故障诊断模块中的轴温故障诊断与预测模型的相关参数进行更新就能使该模型达到最优，则执行步骤4.2.1，若是，则执行步骤4.2.2；

步骤4.2.1、列车车载故障诊断子系统的实时故障诊断模块中的轴温故障诊断及预测模型相比于云端故障诊断子系统的轴温故障诊断与预测模块中的诊断与预测效果最优的模型，只需更改部分参数，则更改车载故障诊断子系统中的轴温故障诊断与预测模型算法的相关参数T²和SPE统计量的控制限；

步骤4.2.2、列车车载故障诊断子系统的实时故障诊断模块中的轴温故障诊断与预测模型相比于云端故障诊断子系统的故障诊断与预测模块中故障诊断与预测效果最优的轴温故障诊断与预测模型，需要将效果最优的模型整体下载到车载故障诊断子系统；若车载故障诊断子系统的硬件计算资源能有效的支持云端故障诊断子系统所构建的轴温故障诊断与预测效果最优的模型的运算，则执行步骤4.2.2.1；若车载故障诊断子系统的硬件计算资源无法支持云端故障诊断子系统所构建的最新的轴温故障诊断与预测模型的运算，则执行步骤4.2.2.2；

步骤4.2.2.1、将云端故障诊断子系统所构建的最优的轴温故障诊断与预测模型的完整模型以Docker(Docker是一个开源的引擎，可以方便的的为任何应用创建一个轻量级的、可移植的、自给自足的容器)的形式直接下载到列车车载故障诊断子系统的实时故障诊断模块中；

步骤4.2.2.2、对云端故障诊断子系统所构建的复杂的最新轴温故障诊断与预测模型故障诊断模型进行约简，构建约简后的轴温故障诊断与预测模型，并将该约简后的轴温故障诊断与预测模型以Docker的形式下载到列车车载故障诊断子系统的实时故障诊断模块中。

上述的步骤为在列车开车前根据历史数据进行的故障诊断与预测模型的更新重建过程，其流程如图4所示。

步骤5、列车车载故障诊断子系统中的实时故障诊断模块利用列车轴温传感器所采集的实时轴温数据对行驶中的列车进行实时故障诊断，如图5所示，具体包括以下步骤：

步骤5.1、车载数据采集模块将所采集的轴温实时数据传输给实时故障诊断模块和云诊断模块；

步骤5.2、实时故障诊断模块利用实时采集的轴温数据对行驶中的列车进行实时轴温故障诊断，将故障诊断结果传输给云诊断模块；

步骤5.3、云诊断模块通过调用云端故障诊断子系统所提供的轴温故障诊断与预测服务的API(Application Programming Interface,应用程序编程接口)服务对列车实时轴温数据进行故障诊断，但该过程具有一定的时间延迟，具体方法为：

步骤5.3.1、云端数据采集模块对列车运行过程中通过GSM-R(GSM-R数字移动通信系统，是基于公共无线通信系统GSM平台，专门为满足铁路应用而开发的数字无线通信系统)网络上传的实时轴温数据进行采集；

步骤5.3.2、利用ETL工具对步骤5.3.1中采集的实时轴温数据进行数据清洗(包括数据补缺、数据替换和数据格式规范化)和数据转换(包括数据拆分、数据排序、数据去重和数据验证)操作后，存储到对应的数据存储系统；

步骤5.3.3、云端故障诊断子系统响应远程故障诊断服务请求，具体响应过程为：

步骤5.3.3.1、云端故障诊断子系统的轴温故障诊断与预测模型对步骤5.3.2中进行清洗和转换后的列车运行轴温数据进行分析和故障诊断；

步骤5.3.3.2、将轴温故障诊断结果返回到车载故障诊断子系统的云诊断模块；

步骤5.4、云诊断模块将通过调用云端故障诊断与预测服务所形成的轴温故障诊断结果与步骤5.2中车载故障诊断子系统中的实时故障诊断模块所形成的轴温故障诊断结果进行比对，并进行提示；若结果对比发现车载故障诊断子系统中的实时故障诊断模块针对重大轴温故障有漏报或错报，则执行步骤5.4.1；若结果对比没有发现有漏报或错报，则直接执行步骤5.4.4；

步骤5.4.1、车载故障诊断子系统通过云诊断模块提升调用云端故障诊断与预测服务进行故障诊断与预测及与云端通讯的优先级；

步骤5.4.2、车载故障诊断子系统通过云诊断模块提高调用云端故障诊断与预测服务进行故障诊断与预测及与云端通信所占用的带宽，优先传递诊断指令和数据；

步骤5.4.3、云诊断模块调用云端故障诊断子系统所提供的服务进行快速辅助诊断；

步骤5.4.4、云诊断模块将故障诊断结果进行及时提示。

步骤6、列车运行结束后将本次列车的历史数据上传到云端数据采集模块。

本次故障诊断过程结束后又得到新的运行数据，再返回执行步骤1。列车运行数据不断更新，更新的数据用来优化或重建故障诊断与预测模型，优化或重建的模型又用来对列车进行故障诊断，随着系统的不断运行，该方法的流程一直循环执行。

由于列车车载故障诊断子系统的硬件资源局限性，高铁列车在行驶过程中产生的数据量大，实时故障诊断模块的运算能力以及模型精度有限，加上计算模型不能根据列车运行情况进行完善和优化，导致列车车载故障诊断子系统可靠性不高，不能满足高速列车复杂情况下的高精度高可靠的监控要求。本发明提供的的基于车载和云端的列车故障诊断系统及方法，提供了一种车载—云端框架，有效保障了列车车载故障诊断子系统中的故障诊断与预测模型高可靠高精度的问题，其特有的云服务可以对列车在行驶过程中进行监控，同时云端数据不断更新，模型细节越来越完善，精度不断提高，性能超越传统单一实时故障诊断模块控制，提高了列车在行驶过程中的安全性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。