中国铁路的迅速发展对铁路信号设备的维护提出了更高的要求,列车通过道岔实现不同的进路转换,因此道岔作为铁路信号系统里重要的信号基础设备之一,在发生故障后将严重影响行车安全和运行效率。目前在铁路现场中,主要是通过信号集中监测系统对道岔设备实时监测,包括转辙机的动作电流、电压和功率数据等,近年来部分车站中的信号集中监测系统还包括道岔中缺口的监测。在道岔发生故障后,主要依靠有经验的维护人员在现场对道岔故障做出判断。为减少道岔故障,研究重点是对道岔的状态进行预测。在道岔未发生故障时,提前掌握道岔的运行状态,并根据模型预测道岔故障,对道岔实行提前维护。在此基础上,本文利用深度学习的方法,将卷积神经网络(CNN)与门控循环单元(GRU)结合,实现道岔的状态预测。通过对道岔的非故障功率数据进行信息挖掘分析,利用Mini Batch K-Means和谱聚类算法实现,将道岔非故障数据分类。综合欧式距离、Pearson相关系数和弗雷歇距离三种方法,建立新的评估指标挖掘道岔正常、故障与非故障之间的关联。最后利用卷积神经网络自动提取道岔动作功率曲线的特征,并和门控循环单元连接在一起,建立道岔的状态预测模型,从而实现道岔的故障诊断和预测。主要的工作内容如下:(1)道岔功率数据的预处理。分析道岔设备的动作过程,掌握道岔功率曲线的动作特点,将道岔功率曲线分解成四个动作阶段。将道岔在信号集中监测系统中的功率数据导出。针对道岔常见故障,分析故障曲线特点及原因,建立道岔故障样本数据集。(2)道岔非故障数据的处理。道岔非故障数据的处理包括特征提取、特征选择、构建非故障数据的伪标签等。特征提取主要是通过计算道岔功率曲线的时域统计特征,道岔在不同动作阶段的数据点的平均值、方差、波形因子等可以表征功率曲线的计算方法,同时计算整个动作曲线的哈尔小波变换后的平均值和、差值和,组成道岔功率曲线的47维特征。利用Mini Batch K-Means聚类算法构建道岔非故障数据的伪标签,再通过特征选择,根据构建的伪标签采用基于模型的特征排序方法对提取到的特征进行选择,筛选出对模型敏感的35维特征。通过谱聚类算法得到最接近实际的道岔非故障数据分类,总结出五种道岔非故障动作曲线。(3)建立道岔各状态之间的联系。实现道岔的状态预测,需要建立道岔正常状态、非故障状态和故障状态之间的联系。利用曲线相似度方法,在单独使用欧氏距离、Pearson相关系数和弗雷歇距离时,无法分析出道岔各状态之间的关联。而经过T-SNE验证,道岔各状态之间存在数值差异,各状态无法聚类在一起。综合欧式距离、Pearson相关系数和弗雷歇距离三种方法,建立新的评估指标,计算道岔正常状态、故障状态与非故障状态之间的相关度,挖掘道岔各状态之间的关联,根据得到的结论实现道岔状态预测。(4)道岔状态预测方法研究。针对道岔的混合数据,建立CNN-GRU模型实现道岔的状态预测及故障诊断。通过实验仿真对比其他维数的特征矩阵,特征矩阵40维时,模型准确率高,对比其他迭代次数,迭代50次时,模型训练准确率更好。所以特征矩阵采用40维输入,迭代50次时,道岔状态预测准确率达94.2%。本文的模型仿真使用PyCharm平台,Python语言编译,并在Keras框架中对模型做训练和验证。本文算法模型建立后,调用简单,重复使用率高,可灵活应对各种要求,具有较好的优越性。