随着铁路运输规模的持续扩大,列车是否安全稳定地运行就显得十分重要,应对保证列车行车安全的系统进行更加全面的实时监测,通过获得的数据快速识别排查故障隐患。转辙机作为道岔系统中重要的设备之一,长期以来对其故障进行识别和定位主要依靠工作人员的经验判断,这种故障识别方式效率低而且容易发生误判漏判等现象。本文针对转辙机故障电流传统识别方式中对故障特征贡献度研究较少的问题,根据ZD6转辙机现场实际动作电流数据,利用多种特征提取方式提取电流故障信息建立初始特征集,通过特征评估选择技术对其进行综合评选,得到对故障识别分类贡献最大的最优特征子集,结合神经网络搭建故障电流识别模型用于转辙机故障诊断。首先,阐述ZD6型转辙机的基本结构和工作原理,通过分析转辙机工作过程和电流采集原理而确定正常工作情况下的电流曲线,并总结了几种常见故障电流曲线。接着,提取转辙机动作电流特征参数,包括时域特征、时频域特征和形态差异特征。时频域特征使用了时频分析能力强的小波分解和经验模式分解对信号进行预处理,得到信号频带分量进而提取特征;形态差异特征根据人类视觉感知过程建立电流形态轮廓点集,并以此计算不同曲线间的累加差异值作为特征。建立基于特征评估选择和神经网络的电流识别模型,该模型能够从原始特征参数集中评选出对故障识别效果最佳的特征子集,克服了传统识别方式中特征选择的盲目性。基于微机监测系统采集的电流数据进行识别验证,结果表明特征评估选择在转辙机故障电流识别中起到了重要的作用,提高故障了电流识别的准确率。最后,完成ZD6转辙机故障电流识别方法的软件设计。基于建立的特征评估选择和神经网络识别模型,采用MATLAB、Qt联合编程实现整个软件的设计,包括曲线识别、新故障类型导入、模型更新等功能。利用测试样本进行软件功能测试,证明该软件可以有效识别出故障曲线类型,辅助工作人员对故障进行快速识别排查。