随着我国铁路的不断发展,特别是高速铁路运营里程屡创新高,对铁路信号设备的安全运行提出了更高的要求。道岔作为铁路信号的主要设备之一,对保证行车安全具有重要意义,而目前各铁路局主要依靠维护工人的工作经验采取周期维护的方式对其进行维护。但是,并非所有的维护人员都有足够的工作经验来准确判断故障并进行维护;同时,周期修的维护方式并不能保证及时发现道岔故障和隐患。这些都会影响到铁路的运输效率甚至是安全性。为了解决这些问题,在实时掌握道岔的运行状态和各种数据的基础上,研究能够识别和诊断道岔故障的方法,为维护人员提供具体的帮助,以保证道岔故障报警实时性,同时促进道岔周期修的岔维修模式向状态修模式转变。本文在对比国内外研究现状的基础上,研究了道岔的工作原理和故障模式,特别是对转辙机动作电流的规律性变化进行研究与总结,通过对比正常道岔动作电流和道岔故障时的动作电流之间的差异,以相似性为判断依据,采用模糊神经网络算法和支持向量机算法分别实现道岔的故障诊断,结果表明,两种方法都能对道岔故障进行智能识别,而且识别率都能达到较高的水平;但是,相比而言,基于支持向量机的道岔故障识别方法性能更好,对故障的识别率更高。论文主要完成以下工作:首先,根据道岔设备的基本结构与工作原理,将道岔动作过程划分为解锁、转换、锁闭、构通表示四个工作过程,并根据道岔的四个工作过程将道岔转辙机动作电流曲线划分为四个时间区段,然后在各个时间区段内分别选择典型道岔故障分析它们各自的故障电流曲线和可能的故障原因。其次,提出了基于模糊神经网络的道岔故障诊断方法。首先对道岔转辙机动作电流数据进行预处理,构成道岔故障诊断模型的训练样本和测试样本;然后构建模糊神经网络模型;用训练样本对模型进行训练后,将测试样本输入测试模型诊断的正确率,从仿真结果可以得出结论:此种方法能够对道岔实现故障诊断,而且诊断正确率较高。第三,将机器学习用于道岔故障诊断进行研究,提出基于支持向量机的道岔故障诊断方法。首先对支持向量机的基本理论进行阐述,并分析各种核函数和参数对支持向量机分类结果的影响,决定选择高斯核函数构成故障诊断模型;采取不同的特征提取方式,对转辙机动作电流曲线进行处理,得到训练样本和测试样本,将训练样本用于模型训练得到故障诊断模型,并用测试样本进行测试,实验结果表明,基于支持向量机的道岔故障诊断方法在小样本的情况仍然能对道岔实现故障诊断。最后,对两种故障诊断模型的性能进行比较,总结它们的优势和缺陷,得出结论。并对实际应用进行展望。