截止2019年底,我国铁路营业里程已超过13.9万公里以上,信号基础设备的维护面临着巨大挑战,尤其是故障发生率较高的道岔设备。目前,信号集中监测系统能够对道岔数据信息进行采集监测,辅助维修人员快速排查故障,但对于一些经验不足的人员来说,可能无法及时准确地给出故障原因,因此对道岔故障诊断问题进行研究,提出一种智能化故障诊断的方法,对于道岔的维护以及安全稳定运行具有重要意义。本文提出了一种基于概率神经网络(Probabilistic Neural Networks,PNN)决策级融合的道岔故障诊断模型,将其应用在集中监测道岔故障诊断软件系统中,主要做出了以下几点研究和应用。首先,通过分析道岔故障诊断问题在国内外的研究现状,概述了信号集中监测系统以及其对道岔数据信息的采集,选取应用较为广泛的ZD6型转辙机作为研究对象,分析其机械层面和电路层面的动作原理,并总结出一些常见的故障,以上内容将作为故障诊断模型建立的理论基础。其次,对真实道岔动作电流数据的关键区域进行采样构成模型训练测试的样本集,然后结合机器学习的理论知识,分别利用BP(Back Propagation)网络、PNN网络、支持向量机(Support Vector Machine,SVM)的方法建立相应的故障诊断模型,利用获取的样本集验证并分析对比3种模型的诊断性能,结论表明PNN网络预测性能较优。然后,通过以上3种初始模型的诊断性能,结合信息融合技术,选取决策级融合的结构,神经网络的方法,提出一种基于PNN决策级融合的道岔故障诊断模型,对该模型的原理及设计进行了详细说明,利用样本集验证分析其在某一初始模型失效情况下和初始模型完好情况下的诊断性能,结果表明融合后的模型具有一定容错性,准确率进一步提高。最后,论文的重点是在故障诊断模型建立的基础上,依托“轨道交通区域联锁与集中监测系统”项目及实验平台,采用C#语言与Matlab混合编程、My SQL数据库等方法将以上建立的故障诊断模型应用到项目和实验平台中去。通过设计集中监测道岔故障诊断系统的6大模块,实现了道岔动作电流查询功能、道岔故障智能诊断功能、道岔报警处理功能、诊断模型更新功能,最终完成集中监测道岔故障诊断软件系统的开发。将其部署在实验平台上进行逐一测试,测试结果表明该系统能够实现道岔的智能化诊断,提高了故障诊断的效率。该软件系统不仅可为人工智能在集中监测系统中的运用提供理论研究,还可将其应用于故障诊断的实践教学或产品开发中。图72幅,表21个,参考文献43篇。