近年来,我国高速铁路发展迅速,截至2020年底,我国高速铁路运营总里程数已经达到了3.79万千米。巨大的里程数带来的不仅仅是更加便捷的交通方式,还有对铁路信号设备的可靠性以及行车安全性的更高要求。因此通过运用最新的技术方法,对铁路信号设备进行智能分析,诊断设备故障并对其状态趋势进行预测,是目前的一个重要研究课题。铁路信号集中监测系统（Centralized Signaling Monitoring,CSM）的主要目的是对铁路信号设备进行实时监测,并对各项数据进行归类,通过对比各信号设备的历史数据与实时数据,设备发生故障时及时报警并做出故障分析,为铁路电务部门掌握设备运行状况提供有效依据。然而目前集中监测系统还没有形成完整的监测、故障诊断、故障预测一体的综合分析功能,故障预测能够分析设备的运行趋势,判断设备目前的故障状态,对存在潜在故障的设备进行预警,能够更加有效对设备进行更新维护。因此实现集中监测系统智能化分析及设备故障预警功能是十分必要的。本文设计了基于神经网络的故障预警流程,对集中监测系统收集到的原始信号进行处理分析,预测信号设备的健康状态并进行故障等级划分。主要以转辙设备的退化故障为研究目标,利用集合经验模态分解（EEMD）对正常与退化数据进行特征提取,筛选最优特征构建特征向量子集,以门控循环单元（GRU）神经网络构建转辙机退化故障预测模型,对该设备的健康状态进行评估,并通过自底向上算法进行时间序列线性分段研究。具体研究内容包括:（1）由于原始数据的冗余程度较大,需要对转辙机的原始退化数据进行预处理,剔除无关、杂乱数据。随后通过统计学与EEMD相结合的方式对故障特征进行提取,统计学方式提取时域特征,EEMD提取时频域特征,这种时域与时频域特征相结合的方式不仅能够从特征的波动性、分散程度上反应转辙机的退化状态,而且能够处理诸如功率曲线等非平稳信号。但由于各特征提取后趋势并不十分明显,需要平滑后加以使用。因此提出了一种基于局部加权回归（LOESS）的特征平滑方式,不仅消除了噪声,而且捕获了特征的重要趋势。最后计算各特征的综合指数评分进行特征排序,择优选择合适维度的特征数据,用于神经网络模型的输入。（2）由于转辙机健康指数（HI）难以直接获取,因此提出了一种基于GRU的HI融合构建策略。首先利用筛选后的最优特征子集作为模型的特征输入,并确立融合性能指标,设定好GRU神经网络模型的各项参数后进行训练,得到一条能够明确表征设备健康状态变化趋势的健康指数曲线,通过对比BP神经网络、极限学习机ELM、支持向量机SVM的融合结果,发现GRU神经网络模型的平均绝对误差MAE和均方根误差RMSE最小,分别为11.46和15.40,因此该模型可以达到最好的融合预测效果。（3）利用时间序列分割方法--自底向上（BUP）分割方法将曲线分成若干时间段,每个时间段内的曲线都保持相同趋势,即每个时间段的HI曲线可以看成预警级别中的同一等级。在通过对GRU、BP神经网络、ELM、SVM生成的HI曲线进行BUP划分后,可以看出GRU模型生成的曲线阶段预测的准确率达到了94%以上,相对其他模型的分段结果更好。因此可以对GRU神经网络生成的健康指数曲线进行故障等级划分,对集中监测系统中收集的数据进行故障预警。