铁路道岔是铁路信号系统中不可缺少的重要设备之一,是改变列车运行方向及确保列车稳定运行的关键设备,同时也是极易发生故障的信号设备,一旦故障发生往往带来列车晚点甚至列车脱轨等问题。随着铁路运输业务的日趋繁忙,为保证运营效率,道岔系统的可靠性问题越来越凸显。目前,国内对于道岔设备的维护方式主要为“计划修”加“状态修”的方式,其维护工作对人员精力的消耗是巨大的,且在该过程中往往存在漏检等问题。故障预测与健康管理技术实现了设备状态感知,健康状态监控,通过对监测数据的分析预测故障发生时间点,极大的提高了维护效率,是以往“计划修”的升级与发展,同时也是未来设备管理的发展方向。本文在故障预测与健康管理(Prognostics and Health Management,PHM)理念指导下,旨在实现对道岔设备的运行状态实现自动监测,在一些机械类的可预测性故障上实现道岔剩余使用寿命的预测从而使得“状态修”的发展向前迈进一步。为实现上述目标,本文提出一种基于核主成分分析(Kernel Principle Component Analysis,KPCA)的道岔状态监测方法。通过对现场历史电流及功率数据的特征提取,利用Hotelling-T~2及平方预测误差指标从监测数据主元内部及外部进行度量从而实现道岔设备的监测。针对可预测性机械故障使用特征融合及基因编程方法预测道岔系统的剩余使用寿命,并与其他主流算法进行了对比,验证本文所提方案的优越性。论文的主要工作可总结为以下几点:(1)本文采取信号分段的方式,将道岔整个转换过程分为四部分,并在以往的基于时间的信号分段方法中引入基于梯度的信号分段思想,使得分段结果更为准确。考虑道岔监测信号多样性,本文在状态监测部分除使用功率数据外,加入了电流数据作为样本数据支撑,据此提出基于KPCA的道岔状态监测方法。(2)本文提出了基于特征融合与基因编程的道岔剩余使用寿命预测方案。考虑到单一的监测信号特征只包含部分道岔劣化信息,笔者在提取特征后依据特征重要性程度将劣化特征进行属性排序,并使用变异的基于相关性的特征选择方法选择出最优劣化特征集,之后采用自组织核回归方法将其融合,最后通过基因编程算法实现剩余使用寿命预测。(3)本文设计了道岔的状态监测与故障预测系统,并对其进行测试。利用C#语言完成数据管理,状态监测等界面显示工作。最后本文利用广铁集团长沙电务段两组道岔历史监测数据对所提状态监测方案进行测试,真正率均大于85%(以发现异常为正),同时漏警率不足10%。对于故障预测方案的验证,本文分别采用土耳其学者对道岔监测的公开数据集及长沙电务段现场数据集,说明预测方案具有良好的适用性。结果表明在两个数据集上的平均绝对误差分别为4.1118和14.9299,证明该方法具有良好的预测性能,满足“状态修”的要求。图54幅,表11个,参考文献74篇。