轮对轴承是列车走行部的关键部件之一,它的健康运行是列车安全运行的重要保证,对其进行在线监测及故障诊断意义重大。轨边声学检测技术具有非接触式测量、成本低和早期故障预警的特点,具有良好的应用前景。近年来,深度学习得到了快速的发展,在各行各业得到了良好的应用,其中卷积神经网络是深度学习领域的一个重要组成部分,它有着较强的特征提取、特征融合与特征识别的能力。本文针对列车轴承轨边声信号多普勒畸变的特点,结合运用短时傅里叶变换和卷积神经网络,研究列车在不同车速下的轨边声学故障诊断方法,主要研究内容如下:(1)研究了一种基于STFT和改进的Lenet5网络的列车轴承轨边声学诊断方法,并通过实验对比分析验证了所提方法的有效性和优越性。首先,研究了基于STFT的列车轴承轨边声信号图片集制作方法,并针对信号特点基于传统的Lenet5网络进行网络结构搭建;其次,进行了网络参数的设计、池化层方式的选择、S2与C3的连接方式选择,通过训练过程中损失函数和识别精度的走势验证了所提网络的有效性;然后,通过实验数据对比分析了所提方法与时域样本图片输入方式,验证了所提方法的优越性;最后,与传统的KNN算法进行比较,结果表明所提网络对轴承故障类型的识别率更高。(2)研究了一种基于重采样技术的训练样本扩充方法,提升了前述Lenet5网络的泛化能力。该方法利用时域插值重采样法构造不同车速下的道旁信号样本,作为Lenet5网络训练样本,提升其对不同车速下的故障辨识能力,并通过实验对比验证了所提方法的有效性。首先,介绍了时域插值重采样法的原理,并通过仿真信号和实验信号验证了方法有效性;然后,详细阐述了基于重采样技术的训练样本扩充方法,并对实验数据进行了不同组合的扩充,为后续的对比实验做好了铺垫;最后,进行不同组合的训练样本的对比测试,结果验证了扩充训练样本能有效提高Lenet5网络对不同车速下的样本识别能力,提升了网络的泛化能力。