随着我国经济和交通运输的快速发展,国民对铁路交通出行安全提出了更高水平的要求。道岔是铁路信号系统的关键基础设备,它的动作状态与列车安全出行、运输效率等密切相关。道岔及道岔转换设备发生故障的实际原因非常复杂,目前国内主要通过微机监测系统监测道岔动作的运行状态信息,由微机监测工作人员进行最初的道岔故障判断,维护人员在天窗时间根据现场情况进一步定位道岔故障。但该方法无法实时在线诊断,并在故障发生时不能准确定位故障位置,要求维护人员具有丰富的工作经验。针对以上问题,本文将模糊认知图(Fuzzy Cognitive Map,FCM)理论应用于铁路道岔的故障诊断中,主要研究内容如下:首先,分析了铁路道岔故障诊断在国内外的研究现状,以使用最广泛的ZD6型道岔系统为研究对象,结合道岔及其转辙设备的结构组成、动作原理,归纳概括为典型的七种道岔故障模式,并分析其相应的曲线趋势和故障原因。其次,由于道岔的动作状态会直观的反映在道岔动作电流曲线上,提出一种利用小波包分解提取能量特征的方法,并选取基于时间固定分段、道岔转换状态共计三种方法用于道岔动作电流特征向量的提取,有利于降低特征输入维度,提升诊断模型的性能和运行效率。随后,概述了国内外模糊认知图理论的发展现状,详细描述了模糊认知图应用于分类问题的推理机制,搭建了基于模糊认知图的道岔故障诊断分类模型。分别利用遗传算法和粒子群算法进行权值学习,从而得到FCM的初始权值矩阵,FCM各节点通过推理机制进行不断的迭代更新,系统最终达到稳定状态,此时可由最大类别节点值的下标判定样本类别。通过获取和整理得到的道岔故障动作电流曲线样本数据,在MATLAB环境下进行仿真实验,结果表明其能够在准确率、错误率、宏加权F1、微平均F1以及算法运行时间的多分类器评价指标上取得较好的效果,测试结果与现场检修结果基本一致,由此证明了模糊认知图理论应用于道岔故障诊断分类问题的可行性与可靠性。最后,基于搭建好的FCM道岔故障诊断分类模型,借助实验室仿真测试环境,利用Visual Studio编程实现整个系统软件的框架设计,包括网络通信设计、样本管理、模型管理、故障诊断结果及可视化界面等。利用多组测试样本进行验证,诊断结果证明该软件能有效并快速的实现ZD6型道岔故障诊断。图58幅,表23个,参考文献63篇。