道岔是一种常见的机电信号设备,在铁路的发展中扮演着重要的角色。转辙机作为道岔的关键部件,其可靠性对铁路行车效率和行车安全都存在着不容小视的影响。目前道岔仍依赖经验丰富的信号技术人员对集中监测系统中转辙机动作曲线的监测与分析,这种方式不但需要耗费大量的人力资源,并且存在漏警率高的缺点。其次转辙机因自身结构十分复杂、所处工作环境恶劣等因素影响,更加加剧了人工诊断的难度。因此智能化的道岔故障诊断方法越来越成为研究的热点。本文分析了S700K转辙机正常工作的功率曲线及各种故障时的功率曲线,对提取得到的功率数据进行处理,之后提出了主成分分析法结合径向基神经网络的故障诊断方法对转辙机进行故障诊断。论文的主要研究内容如下:首先,本文描述了转辙机的机体结构、工作原理,分析了正常工作下转辙机功率曲线,搜集资料并列出8种常见的转辙机故障功率曲线,根据转辙机的工作原理和动作步骤,对不同故障类型的转辙机功率曲线进行分析。其次,使用合成少数类过采样技术对转辙机样本不平衡问题进行处理。根据转辙机动作的步骤,分别从时域和值域角度将功率曲线划分为多个区域,分别计算每个区域内转辙机功率的故障特征参数。之后使用Fisher准则函数对特征参数进行特征选择,将高维特征降至低维,最后通过主成分分析法提取到8维特征数据集合。最后,因径向基神经网络有着训练速度快,分类能力强等优势,选择径向基神经网络作为转辙机功率曲线的分类器,构建PCA-RBF道岔故障诊断模型。通过主成分分析法将得到的转辙机功率特征向量作为输入,对PCA-RBF道岔故障诊断模型进行训练,最后使用测试集对训练的模型进行测试。多次实验后结果表明该方法在道岔故障诊断中训练速度快,诊断准确率高,有一定的可行性。