地铁列车测速定位系统是地铁列车控制系统中的重要组成部分，承担着获取列车速度和位置信息的任务，保障列车运行的安全和效率，但同时它也是故障的高发区。目前针对地铁列车测速定位系统的故障诊断方法研究主要集中在文本信息上，而对于按时间周期存储车载设备信息的列车行车日志的研究较少。这导致目前针对列车行车日志的故障分析仍然依靠专家经验和人工处理，增加了运维人员的工作负担。论文针对测速定位系统的故障行车日志进行分析，将行车日志中按周期存储的由故障导致的异常数据称为故障时间序列，通过挖掘行车日志中的故障时间序列,建立基于LSTM(Long Short-Term Memory)神经网络的故障诊断模型提取其时空特征进行多维时间序列的分类，实现列车测速定位系统的故障诊断，降低了地铁现场的运维成本。
　　论文的主要研究内容如下：
　　(1)对测速定位系统相关的故障及在行车日志中受故障影响的异常数据项的时间序列表现进行分析，结合现场运维人员对于行车日志的分析方法，阐述了论文依托行车日志中的故障时间序列包含的故障信息进行故障诊断的思路。针对行车日志中故障相关的部分数据项冗杂无用的问题，运用基于Apriori算法的关联规则分析方法对行车日志进行数据项约简，并且在分析过程中运用最小支持度自适应的方法以避免地铁现场日志中故障分布不均衡对数据项约简的影响。
　　(2)针对现场故障行车日志缺失的问题，对列车测速定位系统以及列车位置不确定性进行建模，包括列车状态模型、OPG(Optical Pulse Generator)传感器测速及误差模型、多普勒雷达测速及误差模型和列车位置不确定性计算模型。论文还对不同行车工况下测速定位系统常见故障进行仿真，生成故障仿真日志，得到故障时间序列数据集，作为故障诊断模型训练的数据支撑。运用T检验和K-S检验验证仿真日志和现场日志的总体均值和总体分布无明显差异性。
　　(3)构建基于LSTM神经网络的地铁列车测速定位系统故障诊断模型，并采用Adagrad，Rmsprop，Adam三种训练优化算法以及不同的超参数，对模型的训练速度和泛化能力进行比较。通过将该模型与FCNN，RNN故障诊断模型进行对比，验证了该模型在处理故障时间序列上的有效性，并通过现场故障行车日志和故障设备的测试日志验证了该模型在测速定位系统故障诊断问题上的准确性和可用性。
　　(4)针对现场运维人员的实际需求，开发基于多线程的测速设备离线故障诊断软件，可以完成测速设备离线的故障复现、故障诊断和故障验证，提高了现场运维人员的工作效率，降低了运维成本。