随着经济的快速发展,轨道交通运载车辆的行驶速度和承载量也逐步提升。走行部是机车车辆的重要组成部分,车轴作为整个走行部的关键部分,它的运行工况直接决定了转向架的运行状态并影响着旅客出行和货物运输的安全。然而在长期高强度的运行状态下车轴容易出现疲劳损伤而产生裂纹,当裂纹发展到一定的深度时则会发生冷切现象。因此,制定预案对机车车轴进行实时监测和分析具有重要意义。本文为更好的分析研究车轴声发射数据(Acoustic Emission,AE),遂提出了一种基于深度置信网络的模型算法(Deep Belief Nets,DBNs)。本文首先介绍了DBN的基本原理与算法流程,接着针对影响网络性能的主要参数进行了综合分析,得出了关于各项多元变量组合的重要结论。在对DBN在特征融合及提取的分析研究中,采用了主成分分析法(Principal component analysis,PCA)进行降维处理,使得网络逐层提取效果在三维空间中可视化。在对采集融合的声发射信号数据进行分类识别的过程中主要构建了两种基于深度置信网络的混合算法EMD-DBN和DBN-SVM。前者采用经验模态分解(Empirical Mode Decomposition,EMD)对数据进行预处理并采用Tsallis能量熵对数据进行重构进而采用DBN网络进行分类识别;后者则直接使用DBN算法对数据进行特征融合和提取,再将处理完毕后的特征作为支持向量机(Support Vector Machine,SVM)输入数据进行识别并分类,通过与多种传统网络横向对比,结果发现DBN-SVM网络模型在处理混合信号方面具有较高的优异性和较强的模式识别能力。接着构建DBN-SVR网络模型对识别出的裂纹AE信号分别进行时序预测和寿命回归分析。该模型使用支持向量回归(Support Vactor Regression,SVR)层替代DBN结构顶部的softmax层,使模型具有较高的预处理性能和较强的鲁棒性,再结合MSE和R~2两项评估指标可以发现DBN-SVR模型时序预测效果较优与原始数据集样本基本吻合。在寿命预测中,对传统均方根(Root mean square.RMS)指标进行改进优化得到车轴性能退化评估指标相对均方根值(Relative root mean square,RRMS)和重构均方根值(ORRMS),依此得到裂纹扩展主要阶段并进行回归预测,通过与传统神经网络横向对比,结果表明DBN-SVR模型具有较高的预测精度和良好的工程实用价值。