当今这个大数据时代,医疗、金融、气候、航天、交通等各个领域都会产生大量的时间序列数据,在交通领域中,对车轴故障时间序列数据的研究,能够避免故障发生造成的巨大损失,对社会经济的发展具有重要的意义。车轴故障时间序列数据在收集过程中会受到噪声的影响,获得的数据具有非线性、非稳定性、类别不均衡等特点。普通的深度学习方法不能记录过去时间对分类有用的数据信息,为了更好的对时间序列数据进行分类,本文提出了一种基于时间序列数据的车轴故障混合分类模型CEEMDAN结合MPResNet结合自注意力LSTM(CEEMDAN-MPResNet-SALSTM)。首先,通过声发射传感器采集到时间序列数据信号;然后为了降低噪声对数据的影响,通过具有自适应噪声的集合经验模态分解算法对时间序列数据进行分解处理,得到频率不同的若干个IMF信号分量和一个残余分量;接着,为了更好的保留数据特征,减小输入向量顺序改变对分类结果的影响,提出在LSTM模型中加入自注意力机制;为了减少训练模型的时间成本,使用MPResNet模型先对数据集进行特征粗提取,降低时间序列的维度,然后把提取的特征向量送入到自注意力LSTM模型中进一步提取特征。最后,通过softmax层进行分类。经过上述理论和实验研究,把声发射传感器采集到的车轴故障时间序列数据做为实验对象,使用CEEMDAN-MPResNet-SALSTM的混合分类模型与其他模型做消融实验,得出该模型在分类准确率上有明显的提升,准确率达到99%,损失率比其他模型也有所降低。