刘可兴，黄海于

在地铁运营信号系统中，当列车遇到分叉路口时，需通过扳动道岔来选择不同路线，因此转辙机的控制和维护极其重要，其动作的正常与否直接影响地铁行车安全。由于转辙机机械结构复杂，且处于室外，容易受外界环境的影响，据统计在信号设备发生的故障中，转辙机故障约占信号故障总数的30%［1］，故障率较高。

近年来，国内外学者对道岔转辙机的故障诊断做了许多研究，如：刘新发等［2］以道岔转辙机的功率数据作为输入，提取不同故障模式下的特征矩阵，采用模糊聚类算法，从上述特征矩阵中求解模糊等价矩阵，并将其转变为布尔矩阵，得到动态聚类图后完成故障诊断；LEE 等［3］利用所采集的转辙机音频数据作为提取特征，采用声学分析法对转辙机进行故障诊断，试验证明该方法具有较高的准确率；黄世泽等［4］总结不同转辙机故障的功率曲线特点，采用基于弗雷歇距离定义的相似函数完成故障诊断。上述方法主要是依靠人工提取故障信号特征，但道岔转辙机结构复杂，影响因素繁多，导致相同故障模式下信号有不同的表现形式，所以很难提取到有效特征，造成这些算法在实际情况下泛化能力不强。

随着深度学习的发展，非线性函数自动映射能力已广泛应用于故障诊断领域，如：唐维华等［5］构建了LSTM 网络形成道岔故障，但需要大量有标签数据集进行训练；陈欣昌等［6］构建了深度自编码器模型，实现机械故障诊断，通过试验验证方法有效；……