铁路信号设备在保证列车行驶安全的过程中发挥了至关重要的作用,特别是近年来我国铁路事业不断发展,为人们提供了安全、便利的交通出行环境。我国高速铁路事业的发展已经达到了世界领先水平,随着越来越多的列车投入运营,对信号设备的可信度和安全性提出了更高的要求。随着互联网技术的不断发展,有关部门提出了铁路运输的信息化和智能化发展,这也成为了当下的研究热点。铁路道岔系统（Railway Turnout System,RTS）是车站连锁系统中的重要组成部分,主要负责列车的转向行驶和排列进路。道岔设备在铁路系统中数量多、分布广,并且常年工作在室外的环境,这使得该设备的维护工作面临着很大的挑战。目前工作人员主要依靠信号集中监测系统对道岔工作时的电流和功率曲线进行分析,若发现故障就立即进行抢修,这种维修方式已经无法满足铁路发展的需求。为保障道岔设备能够正常工作,需要对其进行健康状态预测,在设备产生故障之前发出预警信息。鉴于神经网络具有强大的数据处理和信息分析能力,本文提出了一种基于神经网络的健康状态预测方法。文章以S700K型转辙机为研究对象,针对其在转换过程中因阻力异常引起的退化状态进行分析。使用一维卷积神经网络（1D-CNN）对道岔的功率特征进行提取,并对特征的属性进行分析。然后建立基于长短期记忆神经网络（LSTM）的预测模型,对设备的退化状态进行预测,通过时间序列线性分割（PLR）算法实现故障预警。主要研究内容有以下几点:（1）对道岔设备的组成结构和工作原理进行分析,将道岔的电气原理与机械过程进行联系,利用功率曲线的变化反应道岔的工作过程。介绍道岔设备工作中常见的八种故障模式,通过与正常功率曲线作对比,对故障时的功率曲线进行分析,并对故障的原因进行阐述。（2）收集到的原始功率数据无法直接用于状态预测,因此需要对其进行数据处理并提取特征。道岔设备从健康状态退化为故障状态是一个时间过程,而一维卷积神经网络适合对时间序列数据进行处理,并且1D-CNN具有特征自提取能力。因此构建1D-CNN网络模型对功率数据进行特征提取,每一个特征都不同程度的反映了道岔设备的退化状态。特征选取的好坏会影响预测结果的准确性,从单调性、相关性以及鲁棒性三方面对特征进行评价,将最终得到的特征集合用于后续模型预测。（3）通过对设备的生命周期进行分析构建设备的健康指数（HI）,得到的健康指数将作为数据的标签集,与之前得到的特征数据共同构成数据集。然后建立基于LSTM神经网络的预测模型,设置Adam算法和MSE作为模型的优化算法和损失函数,在模型训练过程不断调整网络参数得到最优模型,模型训练完成之后能够得到道岔健康状态的预测结果。之后将其与BP神经网络、贝叶斯网络、支持向量机模型的预测结果进行对比,通过测试集的预测结果发现LSTM神经网络的预测误差最低。最后使用时间序列线性分割算法对模型的HI预测曲线进行退化阶段划分,LSTM的故障预测准确率为94.72%,高于其他模型的预测结果,能够在设备发生故障之前进行有效预警。