轨道交通作为一种重要的交通方式,正处于大规模线路建设和大规模开通的高峰期,其建设和运营的里程都在大量的增加。作为轨道运输载体的轨道交通车辆,如何保障轨道交通车辆的安全运营,避免其危及乘客的生命安全,避免其造成经济损失和不良社会影响,已经成为轨道交通发展的不可或缺的部分。由于机车车辆的滚动轴承一直在高转速、重载荷的工作条件下工作,是列车上所有设备中工作环境最恶劣的部件之一,并且其在列车安全运行过程中起到了及其关键的作用,所以对轨道交通车辆轴承故障的诊断是轨道交通车辆安全运营的重中之重。在轨道交通车辆的数量和技术性都飞速发展的今天,传统的轨道交通车辆故障诊断技术已经跟不上时代的要求了。深度学习在特征提取与模式识别方面的优势,使其广泛被应用于众多领域,但其在复杂工业故障诊断中仍属于新兴行业,即深度学习技术在轨道交通故障诊断方面还属于新兴阶段,对于深度学习技术的深入研究将会对轨道交通轴承故障诊断的研究有重要意义。基于此,本论文将研究轨道交通车辆轴承故障诊断的方法。本文首先确定了对轨道交通轴承研究的实质,就是对滚动轴承的研究,并对滚动轴承的结构、振动机理、故障形式以及造成该种故障的原因进行了分析,为之后的研究提供了理论基础。其次本文分析了几种应用在轴承故障诊断领域的深度学习模型,并通过对这几种模型的利弊进行分析,得出了基于时序序列的循环神经网络(RNN)模型更适合轴承故障诊断,由于传统的RNN模型存在缺陷,本文旨在设计一种基于时序序列的轴承故障诊断模型。接下来论文先介绍了一种较为成熟的、基于对RNN自身结构进行调整的RNN优化模型,即长短时记忆(LSTM)神经网络模型,而后在粒子群算法的基础上,提出了一种新的优化算法,即动态粒子群算法(ADPSO),最后用ADPSO优化算法代替传统LSTM所使用的梯度下降法对LSTM模型进行优化,得出一种新的RNN优化模型——ADPSO-LSTM。并通过轴承故障原始数据对该模型进行测试,实验分为三个对比组:即传统RNN模型、基于梯度下降法的LSTM神经网络模型以及ADPSO-LSTM模型,从测试结果可以看出ADPSO-LSTM较其他两种模型有优势,但是三种模型的测试准确率都不是很高,且鲁棒性也不是很好。基于此,论文采用对原始数据先进行小波包处理再带入模型测试的方法,进一步提高故障诊断的准确率,具体的数据处理方式为先对数据进行小波包降噪,然后再对降噪的数据进行小波包能量特征提取。通过对几组对比实验组实验结果的分析可知,数据经过小波包处理的ADPSO-LSTM模型在处理轨道交通轴承故障诊断问题上具有较高的效率、识别准确率与鲁棒性。