随着现代机械设备在交通领域的智能化发展,其故障诊断技术面临着新的挑战。轴承作为高速列车走行部的一个重要组成部件,其故障的复杂性、不确定性导致对故障诊断的需求尤为突出。轴承运行在复杂条件下可能会发生复合故障,即同时发生两个或多个故障。传统的轴承故障诊断方法对故障特征提取有限,可能丢失有用的信息。深度学习技术的发展,解决了特征提取的问题,这为轨道交通等领域的现代机械的轴承故障诊断研究提供了一种新的思路。本论文基于轴承不同故障的振动信号数据样本,构建基于深度学习的轴承故障诊断模型进行训练学习,从而达到诊断轴承故障的效果。考虑到实际运营场景中对每一类复合故障数据的采集是难以实现的,并且大多数复合故障诊断方法是单故障诊断方法的延伸。因此,对胶囊网络的结构进行改进,构建一种基于多卷积胶囊网络的轴承故障诊断模型,用于解决复合故障数据采集、振动信号的非稳定性以及轴承故障诊断率较低等问题。首先对振动信号进行小波变换处理成频谱图,然后用多层卷积层提取频谱图的特征,并把提取的特征输入胶囊层进行特征学习。编码器中的胶囊层将标量输入转换成矢量输出,故障胶囊层进行路由迭代,最后解码器进行特征重构,输出重构图像,并计算损失。实验表明,该模型对轴承故障的诊断均比其他方法有更好的效果。为了研究列车轴承的状态,需要对其采集的振动信号进行研究分析。如何有效地从振动信号数据中提取有用的信息进行轴承故障诊断具有重要意义。因此,针对信号的非线性,故障诊断率低等问题,设计了一种基于深度卷积神经网络的轴承故障诊断模型。该模型使用卷积神经网络自适应学习特征的能力进行特征提取,从而避免了人工提取特征时丢失有用的信息。首先,对采集的振动信号进行小波变换,生成频谱图,然后利用卷积神经网络对频谱图提取特征并输入深度卷积网络学习特征,最后,通过训练好的分类器进行分类。实验结果表明,基于深度卷积神经网络的轴承故障诊断模型的识别率高于现有的方法。