铁路信号室外设备主要有三大件:转辙机设备、轨道电路和信号机。在轨道交通行业内直接影响列车运行前进方向的关键设备之一便是转辙机,决定该设备动作方向并告知尖轨位置状态的电路称为控制电路,为了对转辙机这种关键设备的运行状态进行实时监测,铁路部门运用信号集中监测系统实时监测并记录设备的运行情况,记录下的状态供电务部门技术人员进行分析和研究。目前对设备的管理和监测能力还达不到状态修的水平,但是随着人工智能、数据融合和大数据等技术的应用,对设备状态的诊断技术将变得越来越智能化,诊断技术的提升将促进铁路信号设备检修方式向状态修演进。目前,针对转辙机设备的状态诊断主要依靠技术员调阅信号集中监测系统的关键参数曲线进行经验判断,在交通枢纽站,技术员需要调阅大量曲线,依靠经验进行判断的方式在准确性和时效性方面存在不足,且由于技术员业务素养不同,导致各单位故障诊断能力参差不齐。本文针对这些不足选取信号室外设备三大件之一的转辙机设备为研究对象,主要目标:一是从电务角度出发,选取道岔的几种典型故障案例进行分析,实现对道岔运行状态进行快速诊断;二是选择合适的算法进行道岔故障诊断建模,实现对道岔运行状态的智能诊断,减轻调阅人员工作的繁重程度。针对上述目标,本文需要完成的主要内容如下:(1)明确道岔系统机械和电气部分的基本组成和工作原理,掌握正常动作电流曲线的特点、道岔故障应急处理流程和典型故障现象及原因。(2)利用失效模式与影响分析方法实现对道岔故障模式和原因的分析,并依据铁路应用可靠性、可用性、可维护性和安全性标准文件进行风险评估。对典型故障案例的严重度、频度和不可探测性进行评分,并由此计算出风险优先值,为模型参数的设定提供一定的参考依据。(3)对机器学习的几种算法进行简单介绍,从研究对象的实际应用场景和各算法的优缺点出发,进行分类器算法选型分析,选择神经网络作为道岔故障诊断的模型。(4)设计误差反向传播神经网络的网络结构并提出基准线和区段划分技术,对各区段进行特征提取,总共提取30个时域特征值;实现基于基准线的误差反向传播神经网络道岔故障诊断模型。优化算法并验证模型故障诊断正确率可达94.6%。本文主要针对转辙机设备提出基于基准线的概念,并使用BP神经网络方法对道岔动作过程中的状态进行识别研究,通过仿真实验表明,该方法具有一定的可行性与有效性,为转辙机设备安全运行提供可靠的保障,并为转辙机设备检修方式向状态修演进做出一定的贡献。