轨道车辆的转向架是轨道列车结构中最为重要的部件之一,而车轴更是转向架中的关键部件,在长期承受载荷的情况下,容易发生故障。为了实现对车轴故障进行智能的故障诊断,提出了一种基于时频图像和卷积神经网络(CNN)相结合的车轴故障智能诊断方法。时频图像由对信号进行时频分析后获得,其中包含了丰富的时频联合域信息,能反映各个时刻的瞬时频率及幅值,所以可以通过时频分析对故障信号进行特征提取。卷积神经网络(CNN)作为深度学习算法的一种,在图像识别方面体现着强大的性能,因此将CNN应用于车轴故障信号时频图像的分类。对列车车轴故障的声发射信号进行时频分析,得到时频图,然后将其作为样本数据馈送到CNN中,CNN对不同故障类型的时频图像进行训练,最终测试以完成分类,从而实现列车车轴故障的智能诊断。不同的时频分析方法会生成不同的时频图像,影响最终的分类效果,分别使用三种不同的时频分析方法(短时傅里叶变换、S变换、连续小波变换)对信号进行时频分析,而不同的小波基函数又影响着连续小波变换,为此,分别使用三种不同的小波基函数(Morlet、db4、cmor3-3)进行了连续小波变换,以得出最佳的时频分析方法。为了使时间成本和识别正确率都达到最佳,使用三种CNN网络模型(AlexNet、GoogLeNet、ResNet50)分别进行分类识别效果和网络训练的时间对比,结果表明,以cmor3-3作为小波基函数的连续小波变换结合AlexNet网络模型的方案在识别正确率和时间成本上效果最好。研究了批量尺寸和Dropout 比率两项CNN网络训练参数对识正确率的影响,从而进一步提高网络性能。