1、道岔設(shè)備是車站聯(lián)鎖系統(tǒng)的重要組成部分，是排列進(jìn)路和實現(xiàn)列車運(yùn)行方向改變的關(guān)鍵設(shè)備。隨著中國鐵路的高速發(fā)展，道岔設(shè)備的維護(hù)也面臨著越來越多的挑戰(zhàn)。
　　在鐵路現(xiàn)場，道岔設(shè)備的監(jiān)測手段主要依靠人工瀏覽微機(jī)監(jiān)測系統(tǒng)中的轉(zhuǎn)轍機(jī)動作功率、電流數(shù)據(jù)曲線。這種方式取決于人工的經(jīng)驗，難以滿足道岔設(shè)備復(fù)雜的工作環(huán)境需求。而且該方式屬于“故障后維修”，沒能對道岔設(shè)備進(jìn)行有效的故障防護(hù)，只有等故障特征表現(xiàn)明顯后，才進(jìn)行維護(hù)處理，難以形成有效的維修維護(hù)計

2、劃。
　　為了解決以上兩個問題，實現(xiàn)對道岔設(shè)備狀態(tài)的智能診斷及預(yù)測，本文提出了一種基于Kohonen神經(jīng)網(wǎng)絡(luò)與隱馬爾科夫模型結(jié)合的道岔退化狀態(tài)挖掘及狀態(tài)評估的方法。通過對現(xiàn)場采集到的非故障功率數(shù)據(jù)進(jìn)行分析，利用Kohonen神經(jīng)網(wǎng)絡(luò)進(jìn)行退化狀態(tài)數(shù)據(jù)挖掘，并分析相關(guān)退化狀態(tài)形成原因，建立退化狀態(tài)數(shù)據(jù)與典型故障狀態(tài)數(shù)據(jù)之間的聯(lián)系。針對道岔轉(zhuǎn)換阻力異常故障，使用隱馬爾科夫模型建立三種退化狀態(tài)模型，用于進(jìn)行退化狀態(tài)與故障狀態(tài)的識別與評估，

3、從而實現(xiàn)道岔設(shè)備故障診斷及健康狀態(tài)的預(yù)測。本文主要完成工作如下:
　　(1)道岔設(shè)備FMEA分析。通過對道岔設(shè)備基本組成及功能進(jìn)行分析，得到道岔設(shè)備功能故障模式分析表。同時對道岔設(shè)備的動作過程及監(jiān)測原理進(jìn)行學(xué)習(xí)，了解道岔動作過程中功率曲線形成原理，并針對頻次高的故障，總結(jié)其功率曲線特點(diǎn)及形成原因，建立典型故障功率數(shù)據(jù)樣本庫。
　　(2)特征提取方法的研究。針對道岔動作功率信號的特點(diǎn)，采用統(tǒng)計分析方法提取道岔動作過程中功率信號

4、數(shù)據(jù)的原始特征，組成特征候選集，使用基于Fisher準(zhǔn)則函數(shù)的方法對候選集特征進(jìn)行選擇，保留故障的典型特征以便用于狀態(tài)識別;最后使用基于局部線性嵌入的方法對篩選出的典型特征進(jìn)行降維處理，得到合適維數(shù)的特征向量作為后續(xù)退化狀態(tài)挖掘及狀態(tài)識別模型的輸入。
　　(3)道岔退化狀態(tài)數(shù)據(jù)挖掘。采用Kohonen神經(jīng)網(wǎng)絡(luò)對現(xiàn)場采集的非故障功率數(shù)據(jù)進(jìn)行無監(jiān)督學(xué)習(xí)，對比K-means聚類和FCM模糊聚類的結(jié)果，得到典型的退化狀態(tài)數(shù)據(jù)。通過對挖掘的

5、退化狀態(tài)進(jìn)行評估分析，得到退化狀態(tài)與典型故障狀態(tài)之間的聯(lián)系，最后發(fā)現(xiàn)有三種典型退化狀態(tài)與道岔轉(zhuǎn)換阻力異常故障之間相關(guān)性最大，并建立相關(guān)退化狀態(tài)數(shù)據(jù)樣本庫。
　　(4)道岔故障診斷及狀態(tài)評估方法研究。針對典型故障及退化狀態(tài)，建立混合HMM模型用于進(jìn)行道岔狀態(tài)識別及故障診斷，通過判別當(dāng)前道岔所處的狀態(tài)從而進(jìn)行故障診斷及健康狀態(tài)評估。最終實驗得出當(dāng)進(jìn)行6維輸入時，識別準(zhǔn)確率達(dá)到95.65％，正確率和訓(xùn)練時間均滿足鐵路現(xiàn)場需求。