转辙机作为铁路信号基础设备之一,其安全稳定可靠运行对于保证铁路安全运输起着重要的意义。目前对转辙机维护大多基于规定进行周期性检查和维修,在一定程度上降低了故障发生的可能性,但人工长期对同类型设备检查会产生视觉疲劳,不考虑设备实际运行状态的周期性检查会极大增加人工劳动量,频繁的开关箱操作极有可能因为电务工作人员操作不当造成原本能正常运行的设备变得无法正常运行。转辙机动作电流曲线能反映转辙机运行状态,获取微机监测系统中转辙机动作原始数据,分析统计常见转辙机故障类型,基于转辙机原始数据类型及深度学习模型适用范围的基础上,建立转辙机故障诊断模型,通过对模型结构的不断优化调整,使得对转辙机故障分类具有更高准确率,基于模型建立故障诊断系统,验证其实际应用的可行性。本文以当前我国铁路使用较多的ZYJ7型电液式道岔转辙机为研究对象,基于转辙机动作电流为时间序列以及LSTMs对时序数据处理的优势,建立四种基于LSTMs的故障诊断模型,获取四种模型故障分类效果并对模型优化,采用基于均匀分布采样的方法对模型隐层层数及节点个数进行优化,比较分析不同优化算法对模型故障分类准确率影响,采用基于对数空间搜索方法对学习率寻优,基于ROC比较优化后四种模型性能,选取最优模型。基于PCA-LDA数据降噪降维后各成分解释方差百分比不同,在最优模型中融合Attention机制,对模型不同步长分配不同系数进行训练,通过调用训练好的模型建立故障诊断系统,通过在系统中对转辙机数据采集的增多实现对模型增量训练。初始建立的四种LSTMs模型优化后以多层双向LSTMs表现最优,其故障分类准确率能达到97.2%,在融合Attention机制后,故障分类准确率能进一步达到97.6%,并且能实现零漏诊,表明融合Attention机制的多层双向LSTMs对转辙机故障诊断更优;建立好的故障诊断系统具有较好的适用性,能实现对故障类型快速精确诊断,增量训练后模型能保持98%左右的准确率,证明系统对ZYJ7型电液式道岔转辙机故障诊断具有较高的可靠性。