道岔作为高铁运行系统中重要的地面信号设备之一,其主要作用是切换列车的前进方向以实现列车的转线和跨线运行,然而其具有数量多、寿命短、故障频发等缺点,确保其安全可靠运行研究智能故障诊断方法对促进高铁的快速发展与安全运行有着重要意义。目前对于道岔故障诊断所采用的方法往往面临特征提取严重依赖专家经验以及有效标签样本数据量偏小等实际问题,本文探索了基于卷积神经网络的高铁道岔故障智能诊断方法,通过利用道岔动作电流曲线数据驱动卷积神经网络模型训练实现相关诊断算法研究。首先分析高铁道岔的工作原理与S700K交流电动转辙机结构,通过建立基于道岔控制电路的仿真模型,进行动作电流曲线形态研究,探究其故障机理。其次利用真实有效的道岔数据训练神经网络模型,充分发挥深度学习模型中卷积神经网络能自动提取特征的优势,探索研究具有自主高效的高铁道岔智能故障诊断技术。具体工作如下:(1)动作电流曲线分析与控制电路仿真建模。在介绍高铁道岔与S700K电动转辙机的工作原理基础之上,归纳整理了道岔正常动作电流曲线与几种常见故障动作电流曲线,并通过Matlab软件对道岔控制电路进行建模仿真,模拟其正常状态与几种故障曲线形态,探究其运行机理。(2)提出一种基于LeNet-5的高铁道岔故障诊断方法。本文以典型的LeNet-5模型为基础概述了神经网络与卷积神经网络的基本原理,通过采用一维数据转换为二维灰度图的方法将实际道岔数据输入卷积神经网络中训练,对比了在全连接层神经元数量不同时测试集的分类准确率,并通过与其它传统机器学习分类算法对比,证明了所提故障诊断方法具有优越的性能。(3)提出一种基于DCNN-SVM的混合道岔故障诊断方法。针对实际道岔有效标签样本数据量偏小,以及卷积神经网络自动提取数据特征的优点,通过参考VGG-Net模型中卷积层部分的设计结构,采用两个或三个较小卷积核的卷积层替代一个较大卷积核的卷积层进行道岔数据特征的提取,以及支持向量机分类器在处理小数据量时也具有良好分类性能等特点,设计符合本文实际情况的深度卷积神经网络模型,并最终对比分析了在不同全连接层神经元数量下使用不同核函数的实验结果。通过基于卷积神经网络的故障诊断方法能有效地自动提取道岔动作电流曲线特征,进而提高训练模型的精度以及消除人工提取特征的影响。所提方法能够有效地适应高铁道岔复杂的工作环境,提升道岔故障诊断的效率,在保障高铁安全可靠运行方面具有重要的应用价值。