轨道电路作为铁路信号系统关键的设备之一,具有列车占用监督、行车信号传递和断轨检查等功能,它的工作状态直接影响了铁路行车安全与效率。由于设备种类多、结构复杂、工作时间长、工作环境开放等特性,轨道电路设备故障频发。目前,一些铁路电务智能监测系统已经实现了对轨道电路电气特性的采集,并依照轨道电路调整表事先设定好阈值,当采集曲线超过阈值时,会给出相应的故障报警。但是在某些异常情况下,轨道电路会出现不超过阈值的波动。针对这些故障,目前还没有较好的诊断方法。本文以主轨出电压采集数据为研究对象,基于无监督学习的方法,建立故障诊断模型。首先,对轨道电路的监测采集数据进行分析,基于主轨出电压产生机理、故障表征范围和异常易捕捉性,选取主轨出电压作为研究对象。根据主轨出电压曲线特性,运用莱茵达准则等方式对曲线进行提取,分析出轨道电路典型故障。然后采用基于统计的方法对主轨出电压数据进行特征提取,利用相关性分析选取特征并进行PCA降维处理。其次,分别采用k-means算法、DBSCAN算法、PAM算法和CLARA算法建立聚类模型,并进行模型评估和结果对比分析。基于各无监督学习算法的优劣性,采用基于权重投票的方式建立集成聚类模型,与前几类单独的聚类模型比较,分析得出集成聚类模型效果更佳。最后,依据集成聚类模型和基于聚类的故障诊断方法,开发ZPW-2000A轨道电路故障诊断系统。设计用户登录、数据采集、数据预处理、聚类融合建模、故障诊断、历史查询、故障存储与统计等七大模块,并展示系统运行结果。