道岔是轨道交通运输基础设施中实现转换线路的关键设备,转辙机是信号专业故障较多,也是日常维护中最为重要的设备。长期以来,信号专业对于转辙机的运行状态分析和故障诊断主要依靠微机监测系统的信息采集和监测分析人员的分析判断实现,人工调看分析数据对职工的责任心和技能水平要求较高,同时还存在及时性差、分析周期长、指导性不强等问题。大量监测数据缺乏精准、及时的分析,造成一些隐患漏报或故障错判,导致故障延时增加,影响范围扩大,给信号专业带来较大的影响。本文在充分分析国内外道岔维护经验的基础上,利用成熟的神经网络技术,将信号集中监测数据进行技术性切片,多维度比对,找准异常信息标志点,针对性分析历史误报数据,逐步使智能分析系统功能达到信号专家分析能力,提出一种使用PSO-BP神经网络智能算法对道岔故障进行智能诊断的方法,来解决当前现场存在的道岔故障判断难,时间长等问题。主要研究内容如下:首先分析了S700K型转辙机及其所属道岔的基本结构和动作机理,并对其进行分析,结合现场大数据,总结了6种常见的故障模式,及其相对应的故障曲线。然后以正常工作的道岔功率曲线作为参考,将功率曲线分为七个部分,进行分段讨论,减少分析难度。其次,为了简化计算过程,保证整个模型分析的实时性,提出一种故障特征提取的方法,通过这种方法建立故障特征集,减少了计算时间,提高了计算效率。建立故障诊断框架,给出了基于BP神经网络的故障诊断流程,并针对收敛速度慢等问题,相应的提出了使用粒子群算法对其进行优化,构建了基于PSO-BP模型的故障诊断方法。选择海勒斯壕南车站220组道岔曲线进行实例仿真。本文研究的故障诊断方法基于PSO-BP神经网络,利用Access搭建数据库,利用JAVA编程完成故障诊断环节,其中包括系统的登陆登出,诊断,新故障录入,可视化模块,统计模块,人机界面等。仿真结果证明本文提出的PSO-BP模型相对于传统的BP模型,在诊断时间和精度上均有很大提高,判断准确率提高了约10%。验证了本文的研究具有工程应用价值。