基于CNN-LSTM-Attention的ZPW-2000A轨道电路故障诊断方法,旨在克服传统轨道电路故障诊断方法存在的限制。首先,通过对真实故障案例的分析挖掘建立一个可扩展的动态故障库。随后,设计数据集生成模块,该模块基于故障库实现对广泛数据集的自定义生成,为深度学习模型的泛化训练提供基础。最终,构建CNN-LSTM-Attention深度学习网络模型,该模型通过CNN层进行局部特征提取,LSTM编码层提取抽象特征,Attention层引入注意力机制,最终通过故障诊断层实现准确的轨道电路故障分类。本发明方法不仅提高了故障诊断的准确性和速度,而且具有自定义数据集生成、动态故障库建立等创新特点,为轨道电路系统的稳定运行提供了有力支持。