道岔作为地铁轨道交通的重要连接设备,控制着列车的行进方向,其是否正常运行对列车的行车安全起着非常重要的影响。而现阶段道岔设备的检修和维护方式主要以人工定期检修为主,存在诸如效率不高等问题。因此,本课题基于S700K型道岔转辙机的功率数据样本进行分析,完成道岔转辙机的故障诊断以及健康状态评估。本文主要工作内容如下:（1）道岔转辙机故障诊断算法研究与实现。首先根据现场实际情况,结合专家经验,总结道岔转辙机所发生的故障,从而确定所需诊断的故障类型;其次为了有效诊断故障,本文设计了DDAE＿BiLSTM故障诊断模型,并通过实验从准确率、误报率、漏报率等指标对比模型效果,结果表明,本文所设计的模型高于其他网络模型;最后为了进一步提高故障识别率,本文对DDAE网络进行改进,将DDAE网络的编码解码层改为一维卷积神经网络,最终构建了DCDAE＿BiLSTM模型,实验结果表明,所构建的模型使故障识别率提高到了98.82%。（2）健康评估算法研究与实现。为了进一步降低故障率,通过分析故障前夕的正常功率数据,对其提取时域、ARMA模型系数、样本熵等特征建立原始特征空间;其次为了寻找合适的敏感特征,采用包含单调性、趋势性的特征评价指标对样本特征进行筛选,将所筛选出的特征样本集作为后续退化状态挖掘及识别的输入;然后采用多种聚类算法进行无监督学习,结合轮廓系数指标实现退化状态数目的自动识别,并在此基础上构建退化状态样本库。最后采用XGBOOST算法进行退化状态自动识别,准确率达到了93.23%。（3）道岔健康养护系统的设计与实现。结合需求分析,设计了道岔健康养护系统的系统架构,然后采用前后端分离的技术,实现道岔健康养护系统。