转辙机设备是铁路信号系统最重要的组成设备之一,随着我国高速铁路的快速发展,人民群众对快速又安全的铁路运行需求日益增长,转辙机设备的故障诊断效率直接影响着我国铁路运行的安全以及运输的效率。目前我国对于铁路信号设备的故障诊断仍然停留在故障修与计划修阶段,如何利用新的技术与现存的大量的维修日志数据来提高铁路信号设备故障诊断的效率,依然是目前我国铁路领域研究人员所面临的一个难题。转辙机的现场维修日志数据是工作在一线员工记录的关于转辙机故障的现象,故障原因以及维修情况的详细记录。因为缺乏有效的处理技术,这些产生于一线的重要数据长期被搁置。因此,本文充分利用现存的故障日志数据,对ZYJ7型转辙机的故障诊断方法进行了研究,所做的主要工作如下所述:首先,在故障诊断之前对故障文本数据进行预处理,使用融合了自定义词典的jieba分词工具进行中文分词。提出了基于先验知识的改进LDA主题模型,得到了更符合实际情况的故障特征词库,然后使用word2vec模型进行词向量训练,为诊断模型提供输入数据。其次,建立了基于深度残差CNN网络的ZYJ7型转辙机的故障诊断模型,采用基于分层的故障诊断思路,分别对一级故障与二级故障进行诊断。实验结果表明,深度残差CNN网络对于一级故障的诊断效果比较好,由于CNN模型学习时序数据能力较差,故二级故障诊断效果不理想。最后,针对深度残差CNN网络模型的不足,搭建了CNN+LSTM模型来进行二级故障模式的诊断,解决了深度残差网络学习两级故障标签相关性能力较差的问题。由于二级故障数据存在类别不平衡现象,故引入集成学习框架,建立了基于boosting集成的CNN+LSTM故障诊断模型,提高模型的泛化能力。最后,通过与SVM、BP以及LSTM模型进行对比实验,验证了本文所提出的一级故障与二级故障诊断模型均具有较高的诊断准确率。