伴随着中国铁路事业的发展,铁路自动化技术的日趋成熟,以ZPW-2000A轨道电路为基础的自动闭塞系统成为铁路运输安全保障设备的关键组成部分,保证无绝缘轨道电路系统安全运行显得至关重要。本文结合轨道电路运行过程中的电气化特性进行分析,对影响轨道电路设备运行的参数和设备故障对系统带来的影响进行简要概括,为后续对ZPW-2000A轨道电路的故障预测方法研究奠定了基础。基于数据驱动的故障预测技术是根据设备历史监测数据对设备的输入数据和输出数据进行分析,结合设备之间的相互联系建立故障预测模型,基于数据的故障预测技术解决了复杂部件或系统数学模型难确定的问题。HSMM(Hidden Semi Markov Model,隐半马尔可夫模型)在模型建立和训练中具有高效性,目前广泛应用于电力系统、发动机等研究领域。深度置信网络通过重构数据进而获取其数据特征,本文对深度置信网络的网络结构、数据的输入输出及训练算法进行了深入研究,建立了基于深度置信网络的轨道电路设备运行状态数据特征提取系统,对监测数据和历史记录数据进行处理,并利用处理后的数据结合HSMM进行轨道电路的故障预测。本文主要研究内容如下:(1)结合故障树理论,对影响ZPW-2000A无绝缘轨道电路运行状态的设备故障进行了分析,并将轨道电路传输系统等效为由发送器至接收器的串联模型,结合传输线理论分析了钢轨及调谐单元的传输路径,并对其进行建模,通过与现有数据进行对比验证模型的有效性;(2)通过数据处理技术对当前所获取的ZPW-2000A无绝缘轨道电路历史运行数据进行提取和均衡化处理,分别根据记录文本的词项特征和主题特征进行特征数据提取,为避免了不均衡数据在机器学习中出现的欠拟合现象,采用SMOTE算法对数据进行均衡化处理;(3)以发送器的记录数据为例,采用深度置信网络对其进行特征提取并训练隐半马尔可夫模型;(4)通过构造随机线性插值的方式,对数据集进行扩充,采用数据集中的百分之七十的数据集对DBN-HSMM进行训练,采用剩余的数据进行模型试验结果验证;(5)结合轨道电路钢轨传输特性,建立轨道电路钢轨传输路径仿真试验模型及调谐单元模型,对补偿电容泄露情况进行定位,以补偿电容C4为例,分析了补偿电容故障后对归一化分路电流的影响,计算故障数据与标准运行状态下的KL(Kullback-Leibler Divergence)距离作为健康评估指标,对补偿电容容值泄露进行预测。