作为高速铁路的重要组成部分,我国动车组保有量持续增加,动车组集成化智能化水平显著提高,对动车组的检修维护提出了更高的要求。当前,不同型号动车组都安装了故障告警与记录装置,用于发现和记录在运行过程中出现的故障,便于在检修维护中及时发现问题。但是,动车组故障告警存在“牵一发动全身”的现象,传统的人工排查故障已无法满足智能化检修的发展要求。告警相关性分析旨在从大量告警数据中获取告警之间的相关性知识,利用这些告警相关性知识,达到缩小故障范围和准确定位根源故障的目的。目前,动车组故障告警的大数据特征显现,基于数据挖掘的告警相关性分析能够代替人工发现故障告警相关性知识,减小知识获取对专家经验的依赖性。同时,将分布式计算平台引入告警相关性分析,可以提高规则挖掘的效率。本文针对动车组故障告警数据特点制定动车组故障告警相关性研究方案,采用数据挖掘技术和分布式计算平台挖掘故障告警相关性知识,为动车组智能化检修维护提供知识支撑。本文主要研究工作如下:(1)整理并深入分析动车组故障告警数据,总结数据特点及其存在的关联关系,结合动车组故障告警数据特点制定适用于动车组的故障告警相关性研究方案。(2)针对告警数据存在数据冗余和时间不同步性的问题,研究基于密度聚类的动态滑动窗口方法进行数据转换,研究参数选取方案,并验证优化算法的效率和参数选取的准确性。(3)针对动车组故障告警项重要性不平等的问题,将加权思想引入频繁模式增长算法;针对频繁模式增长算法挖掘倾斜数据的效率低的问题,研究并实现基于映射和规约的加权频繁模式增长算法。(4)为了消除告警项权值和加权支持度阈值人为设置的主观因素对结果的不利影响,采用熵值法综合考虑告警数据的多个属性计算告警项的权值;同时,引入二项分布方法计算告警项的计数期望,据此设置加权支持度阈值。(5)搭建分布式计算平台验证算法性能,实验结果表明,基于映射和规约的加权频繁模式增长算法挖掘效率高,当数据库扩大时该算法还具有良好的规模增长性和空间伸缩性。最后对某车型动车组故障告警数据进行相关性分析,获得动车组故障告警相关性知识,利用告警相关性知识缩小故障范围、准确定位根源故障。