在国外，道岔设备故障诊断方法的研究较多，有许多介绍铁路道岔故障诊断经验的文章。 2003 年， 英国谢菲尔大学的 Felix Schmid 和 Diego J。 Pedregal 采用 UC 模型(Unobserved Components Model)来描述道岔的运行状态并将其应该用到故障诊断中；2006 年，Witczak 和 Marcin 等人则利用神经网络完成辅助建立诊断模型，并根据模型输出进行故障诊断；Elena Zattoni 将用一个线性时不变模型来诠释道岔的运行过程，然后采用数学方法进行建模，结合 H2 范数的故障诊断方法识别道岔故障；2014 年，西班牙的 Fausto Pedro 等采用 B-spline 函数 分别对正常工作的和被监测的道岔转辙驱动杆的输出力数据进行多项式拟合，通过对比两者 拟合的曲线来判断被监测的转辙机是否发生故障。77081

在国内，各位学者针对各故障分析和诊断方法进行相关改进，并将其应用到道岔设备的 故障诊断中。2007 年苏旷宇等人实现了道岔故障的人工智能诊断，通过采用信息融合技术， 提出了一种新型的会诊方法（基于集成神经网络的多方面道岔设备）。2012 年，李雅美和魏 文君将神经网络算法引入到道岔故障诊断系统中，证明了模糊神经网络算法适用于道岔设备 故障诊断[3]。

通过研究发现，目前国内外对道岔设备工作状态监测的研究，也仍然集中在对于其故障 的识别上，但是由于一旦发生故障设备就不得不退出工作，严重影响了处理故障的时间效率 和解决故障的正确率，直接影响城市轨道交通的运营。因此，只是单单进行故障检测，只能 确保运营安全，对于运营效率却难以保证。随着城市轨道交通的快速发展，对道岔设备稳定 和安全运行提出了更高的要求，道岔工作状态监测以及我国铁路干线广泛采用的故障修模式 已经不能有效地满足城市交通的运行要求。能够对设备突发异常或故障事件进行智能分析与 预判的道岔监测系统，以及以设备运用状态为基础的预防维修模式正日益受到重视，相关研 究也逐渐展开。论文网

近年来，以英国伯明翰大学轨道研究中心为首的国外知名高校通过采用相关数学模型和 方法对道岔设备的工作状况进行分析，已能够有效识别道岔设备运行状况和工作趋势，完成 对道岔设备故障的诊断和预测。2009 年，英国伯明翰大学的 J A Silmon 采用定性趋势分析法 对正常工作状态下直流转辙机的工作电流趋势和各个故障下直流转辙机的工作电流进行提取 和比较，为各个故障建立故障模糊识别规则，然后对转辙机的实际工作电流进行趋势提取和规则匹配。实验证明该方法能够有效识别转辙机大部分工作状态变化，预判道岔可能发生的 故障，实现了转辙机故障修到状态修的转变。2011 年，土耳其的 Omer Faruk Eker 和 Fatih Camci

等提出了 SSBP(Simple State-based Prognostic )法并将其应用在道岔监测系统中，现场试验数 据表明，该方法一方面可以检测出道岔设备惯常出现的故障，一方面可以预测道岔设备从无 故障状态向故障状态的转变，从而为道岔设备的状态修提供有力支持。