随着我国铁路运营速度不断提升、行车里程持续增加和行车密度逐渐加大,作为关键设备之一的道岔,其使用频率和应用数量也成倍增长。道岔一旦失效,若不采取必要的手段进行维护与维修,就可能会影响行车效率,甚至是威胁人身财产安全。因此,道岔的运行状态监测与快速维修保养具有格外重要的现实意义。为适应道岔智能化故障诊断的发展趋势、降低劳动强度和减小对经验的依赖,本文将基于Mallat小波变换的特征提取与基于GWO-SVM分类器的结构框架、基于多域特征提取与基于三个PSO-PNN分类器三取二表决的结构框架应用到道岔故障诊断。本论文主要完成以下工作:首先,本文以S700K为例,分析道岔动作原理和功率采集原理,总结道岔故障类型及原因。其次,进行特征提取。本文以S700K转辙机动作过程中的功率曲线为原始数据,在分析功率曲线的基础上,从时频域、时域和频域进行特征提取与降维,得三类特征向量集。对于时频域:先实施小波变换,后特征提取;对于时域:先对曲线实施分段,再使用时域统计量进行特征提取,后降维;对于频域特征提取:先对分段曲线实施快速傅里叶变换,再使用频率统计量进行特征提取,后降维。再次,采取改进GWO-SVM分类器实现道岔故障诊断:先使用训练样本和GWO优化SVM参数;再使用测试样本和SVM进行预测。应用PSO-PNN分类器实现对道岔的故障诊断:先使用三类特征向量集的训练样本和粒子群优化算法训练三个PNN分类器;再使用三类特征向量集的测试样本和三个训练好的PNN进行三取二表决分类,最后评价三取二表决分类器的分类性能。最后,以Matlab仿真的方式验证两种诊断结构的分类效果和比较两种诊断结构的分类性能。仿真表明:两种诊断结构都有较高诊断准确率和较快诊断速度;基于三个PSO-PNN分类器的三取二表决诊断结构具有一定的容错性;GWO-SVM分类器具有更短的训练时间和测试时间。