道岔设备(转辙机)是轨道交通中非常重要的环节,它承担了道岔定位、反位转换,决定了列车的行驶方向。它及时、安全地动作,才能保障道岔转换完全,避免与基本轨贴合出现偏差,保障列车行驶安全。同时,它也是动作监督装置,通过信号部件及时的反映故障,提供给检维修人员快速地完成故障修复。本文通过国内外道岔设备的发展现状,在综合现有道岔设备故障诊断方面技术的基础上,提出了基于主成分分析方法(PCA)降维的卷积神经网络支持向量机(CNN-SVM)故障诊断模型。本文立足于国内外文献,通过开发简易模型,迅速改进和完善模型,制定了切实可行的研究内容和研究方法。本文先对主成分分析方法、卷积神经网络、以及分类算法进行理论阐述,清晰原理。数据维度方面,通过主成分分析方法降低数据维度,并保留了有效信息。一方面减小了数据的冗余量,另一方面,尽可能的保障了降维后的数据更加具有数据表征性。特征提取方面,通过分析卷积神经网络,发现它具有自发学习的特点,避免了在开发简易模型时人工提取特征的繁琐,同时,有效改善了人工特征提取的故障诊断识别率。分类算法方面,通过对比分类算法,确定在本研究数据的基础上,支持向量机有更高的故障识别率。经过研究和开发,最终建立了经过PCA处理的CNN-SVM故障诊断模型,同时保留了其他分类模型,满足不同场景下的需要。