轨道电路是铁路信号系统中的重要组成设备,对保障列车的安全有效运行起着重要的作用。一旦轨道电路出现安全故障,严重地将可能导致重大安全事故的发生。目前,我国铁路维修维护制式采取“天窗修”(TBM)的方式,这种维修维护方式效率低、排除故障率低,不能提前对某些重点防护区段和易发生故障区段进行维修维护和故障排除。因此,实现轨道电路设备故障的智能化预测,使轨道电路可以更安全、可靠的工作具有重大意义的。本文以我国常用的ZPW-2000A型无绝缘轨道电路为研究对象,充分利用集中监测系统采集的轨道电路历史数据信息,加上现场的轨道电路测试数据以及维护专家的经验知识,进行区间轨道电路故障预测研究。本文所做具体工作如下所述：第一,根据ZPW-2000A型无绝缘轨道电路的特点,分析其工作的主要原理。归纳并分析轨道电路的常见故障类型及故障原因。第二,选取了灰色预测模型和支持向量回归对轨道电路电压进行预测建模。在路局的轨道电路测试数据的基础上,建立了基于GM(1,1)模型和SVR (Support Vector Regression)模型的轨道电路粗粒度故障预测模型。采用路局轨道电路测试数据对模型的可行性与有效性进行验证,通过故障实例分析得出故障预测结果,根据预测结果可以分析出故障出现的大致月份,为后期做细粒度的预测做准备。第三,考虑到传统的BP神经网络算法具有收敛性较差、容易陷入局部最优解等缺陷,因此本文采用将小波变换与神经网络相结合的方法建立小波网络轨道电路故障预测模型。通过ZPW-2000轨道电路监测子系统采集的数据进行模型验证,比较了BP网络和小波网络的预测效果,得出了小波网络模型比BP网络模型更优的结论。通过对故障实例的分析,最终验证该预测模型的可行性与实用性。最后总结了本文做的工作,对未来进一步的工作做了展望。