随着我国交通领域的快速发展,尤其是在铁路运输方面,列车车轴作为最基本也是最重要的部件之一,长期处于高负荷、高强度的工作状态,极易发生磨损裂纹等故障,并且故障发生位置不易发现,如果不能及时排查解决,不仅会给乘客的经济和人身安全带来极大的隐患,还会对国家相关行业的安全公信力带来难以估计的损害和影响。因此对车轴进行及时且精确的检测显得尤为重要。声发射（AE）检测技术,最为一种常见的无损检测方法可以在不对检测部位进行外力作用的条件下对设备进行检测,可以极大程度下保障了设备的安全,同时声发射信号作为一种一维时序数据可以包含大量的信息,综合以上优点声发射数据在车轴故障诊断领域发挥了极大的作用。针对声发射数据的特点,本文提出了一种基于时间相位不变神经网络（TPINN）的声发射信号数据流故障诊断方法。通过改进的局部均值分解方法（LMD）将原始数据进行分解之后对模型进行多通道输入,提升了模型对数据的理解分析能力;利用TPINN中的大小核卷积层提取相位不变特征,克服了由于信号相位差对诊断结果的影响;在模型的输出部分定义低风险损失函数,改变了模型的预测倾向,减小了模型由于误判而产生的风险;针对大数据时代庞大的数据量,引入了数据流概念,通过Kafka框架实现了数据的流处理,满足了实时快速处理的同时,又不丢失数据的需求。最后实现了对车轴进行实时准确的故障诊断。通过对实验结果的分析和过程可视化可知,本文提出的方法在面对大量且多样的数据时仍然有着极高的响应速度和识别精确度,对比传统的统计学方法有着极大的优势。