道岔作为铁路信号系统中的重要部件,其工作状态与行车效率、安全息息相关。随着城市轨道交通信息化建设的逐步深入和传感器技术的广泛应用,数量众多的传感器在很短时间内会产生大量的道岔监测数据。因此,面对大规模道岔监测数据占用空间大、处理难度大、数据冗余信息多等问题,研究道岔监测数据的压缩及快速诊断理论方法对指导工程实际具有重要价值和意义。道岔监测数据具有多样性、数据不平衡等特点,通过压缩可以达到节省存储空间、快速定位故障的目的。鉴于此,本文研究了道岔动作曲线自适应分段及压缩方法。此外,基于大量道岔压缩数据,本文还研究了一种道岔故障快速诊断方法。本文所做研究主要包含以下三方面:(1)通过分析道岔动作曲线特征,结合直方图阈值法、Boxcar算法、Max-Min算法研究了 一种基于道岔动作曲线的自适应分段方法。对曲线进行自适应分段能较好地保留曲线的原始特征,在SDT算法和Cubic算法的基础上,通过自适应调整SDT算法阈值,设计了一种基于道岔分段曲线的压缩和缩放方法。实验结果表明:自适应分段方法对不同类型的曲线分段效果良好;与其他压缩算法相比,本文提出的压缩算法具有压缩效率更高、精度更好的优点。(2)道岔曲线数据种类繁多,为保证压缩方法对道岔数据的普适性,本文从主观视觉、客观定量指标出发,细致且全面地分析了大量道岔动作曲线数据的压缩效果。同时设计了道岔动作曲线压缩多目标综合评判准则,从主观打分、压缩效率、重构误差等多个角度对压缩算法质量进行了综合评价。(3)研究道岔故障快速诊断方法。首先,分析大量数据,结合专家经验及数据可视化提取了 9种典型的故障模式;其次,针对监测数据不平衡问题,设计了 DTW-SMOTE加权解决策略;最后,采用全卷积网络FCN提取曲线序列局部特征、长短期记忆网络LSTM网络学习时序特征,搭建了基于LSTM-FCN的道岔故障快速诊断模型。实验数据表明:通过输入同一维度的压缩数据,模型参数更少、训练时间短、收敛更快、诊断效率高。最后,总结本文主要研究内容,展望下一步研究方向。