车轴是列车的关键支承部件,也是走行部的最基本的旋转部件之一。在轨道车辆运行过程中,轮对车轴承受荷载的同时面临着非常复杂的运行环境,容易引发故障。对车轴进行故障诊断并预测出车轴的剩余寿命不仅方便制定合理的维修策略,又能有效避免事故的发生,从而提高安全性并降低故障引起的损失。为实现对车轴故障的分类识别和寿命预测,本文提出了一种基于二维卷积神经网络的车轴故障诊断方法。卷积神经网络(CNN)是深度学习的一种方法,相较于传统的方法,深度学习可以自动的从数据中提取特征,尽可能地消除专家经验对最终结果的影响。故障分类识别方面:首先,本文分别采用时域分析、频域分析和时频联合域(时频)分析三种分析方法将一维声发射信号转换为二维图像数据,得到相应的时域图、频域图和时频图。三种图像分别包含了丰富的时域、频域和时频联合域信息。利用Alex net(CNN模型的一种)的卷积层和池化层的操作自动提取可以表征不同类型故障的特征,利用分类器达到故障分类的目的。然后,通过分类识别准确率和训练时间对比分析了三种图像数据与Alex net相结合的最佳故障分类识别方法。确定最佳结合的方案后对Alex net模型进行改进,以求在分类识别准确率不变的情况下降低训练时间,并将改进后的Alex net模型与原始模型进行对比。经实验,改进后的网络的分类识别准确率基本保持不变为98%左右,而训练时间缩短了将近三分之一。其中,对一维信号进行频域变换所用的方法为快速傅里叶变换(FFT),时频变换采用的方法为连续小波变换(CWT),连续小波变换的小波基函数为Cmor3-3。车轴剩余寿命预测方面:将车轴疲劳裂纹声发射信号的时域信号经FFT变换为频域幅值信号,再经归一化处理转变为二维像素图片作为自建CNN模型的输入,利用卷积层和池化层的操作自动提取可以标注车轴故障阶段的抽象特征,用以表征车轴不同时期的寿命百分比,构建健康指标(HI),并用RMSE和MAE作为评价指标,对寿命预测网络性能进行评价,并验证了此网络的可靠性和泛化性。