此时算法能得到佳集成结果，与现有的技术比较，的优点有以下几点提高故障识别精度聚类是一种机器学习算法，具有学习能力，能够发现新的故障类型，聚类集成方法对基聚类成员进行集成，能够融合单一聚类的优势。,说明三相电流以本次动作期间所有采样值的平均值作为计算值，系数具体值与道岔转辙机电机的参数有关，由实验测定，并在初始化设置时通过界面对话框输入系统，功率上限警当本次动作期间功率的平均值大于等于额定功率的倍时，判断为输入功率上限警。zd6转辙机20位托架zd6系列电动转辙机用配件电动转辙机是转辙装置的核心和主体，它通过电动方式实现道岔的转换和锁闭。除了转辙机本身外，即本实施例方法后产生颗决策树，对应的也包含了四个子集，这四个子集分别含有个数属性集指的是表故障特征集中的属性类别指的是故障或者正常执行流程中的中样本多的类也是指故障或者正常，步骤选取优划分属性时，对于曲线来说。,本实施例提供的转辙机动作电流故障诊断流程示意图，参见图，先通过转辙机运维数和人造故障数得到用于进行故障诊断的电流曲线样本，当输入新数电流曲线时，通过分类器，即可分新数所属的故障类型。,上述电流采样装置通过互感器与道岔转辙机设备机房的待测线路连接，用于采集道岔转撤机的电流参数，上述电压采样装置通过光电隔离器与道岔转辙机设备机房的待测线路连接，用于采集道岔转撤机的电压参数，上述故障分模块通过数库与监测操作管理平台连接。zd6转辙机20位托架zd6系列电动转辙机用配件还外锁闭装置（内锁式方式没有）和各类杆件、安装装置，它们共同完成道岔的转换和锁闭工作。
电动转辙机主要作用
使得训练好的模型，能够学习到实时曲线与模板曲线的差异，从而实现动作曲线的故障诊断，将需要进行故障诊断的曲线输入至训练好的卷积神经网络中，得到故障概率，通过前述的步骤训练好的卷积神经网络，能够对需要进行故障诊断的曲线进行的识别。,只能在故障发生后才去进行事后检修，在实际使用中存在如下问题原则上外部监测设备均不能侵入原有控制系统，而现有转辙机在运行中向外部提供的监控信息几乎没有，转辙机运行维护人员无法预知转辙机当前的确切完好率情况。zd6转辙机20位托架zd6系列电动转辙机用配件根需要，将道岔转换至或反位，确保列车能够按照正确的方向行驶。在道岔转换到位后，实时提取故障警状态信息如道岔转辙机缺相运行警三相不平衡功率上限警扭力上限警运行超时电流过流警表示回路故障继电器触点抖动故障等故障警状态，并在故障警的提示信息框内提供相关的故障提示信息。,实时刷新并按的周期写入数库中作为道岔转辙机待命期间的原始数，供事后分处理用，此数采集线程允许中断，线程主要负责对道岔转辙机在线程和线程中所采集数的综合分与应用功能处理。zd6转辙机20位托架zd6系列电动转辙机用配件通过锁闭装置将道岔锁定在指置，防止因列车通过时的震动或外力导致道岔位置改变。通过内部的检测装置，实时反映道岔的位置状态，并监督道岔的工作情况，确保道岔处于正常状态。
电动转辙机安装与固定
道岔转辙机每个工作阶段的决策树是基于获取的每个工作阶段的道岔转辙机动作电流数样本道岔转辙机每个工作阶段的电流的特征值和预先建立的道岔转辙机的故障特征集而预先建立的，由此，能实现道岔转辙机故障的预测功能，提升道岔转辙机的使用时间。,根目标特征数和各标记了故障类型的电流曲线样本对应的特征数从电流曲线样本中筛选出与电流曲线相似的目标电流曲线样本，根各目标电流曲线样本对应的故障类型确定目标故障类型，该目标故障类型即为道岔转辙机存在故障的故障类型。zd6转辙机20位托架zd6系列电动转辙机用配件作为转换装置，应具有足够大的拉力，以带动尖轨作直线往返运动。当尖轨受阻不能运动到底时，应能随时通过操纵使尖轨回复原位。作为锁闭装置，当尖轨和基本轨不密贴时，不应进行锁闭；一旦锁闭，应保证不因车通过道岔时的震动而错误解锁。转辙机的安装应与道岔成方正，外壳纵侧面的两端与基本轨或中分线垂直距离的偏差应符合规定。根列车运行速度的不同，道岔应采用不同电压的电源。帮助维护人员故障位置，降低维修的时间和成本，提高维护的效率，附图说明下面结合附图对的具体实施方式作详细的说明。,故障处理延时较长，无法适应当今铁路的高速发展要求，传统故障诊断方法，例如基于模型基于状态基于系统贝叶斯网络支持向量机等故障诊断方法，这些方法均需要丰富完备的先验知识来支撑，传统故障诊断方法，大程度依靠先验知识。zd6转辙机20位托架zd6系列电动转辙机用配件例如，列车运行速度大于120km/h的线路，道岔应采用三相380V电源电压的交流电；线路可采用额定电压160V直流电动、电液转辙机牵引。