高速列车轴承是列车走行部的关键旋转部件之一,属于高端装备领域,对其早期故障做到早发现、早采取应对措施,可减少事故和促进安全生产。但是,故障信号与其它各类信号混合,有用的被测信号被多种强信号所淹没,其“相对微弱性”给早期故障微弱信号特征参数识别带来极大的挑战。针对高速列车轮对轴承早期故障数据,借助Python语言编程,本文构建了基于一维卷积网络的“深度宽核短接”卷积网络,平衡了网络深度与梯度消失问题间的矛盾;并从数据和参数量两方面入手优化了网络的训练运行速度,搭建了一个端到端的神经网络轴承故障检测平台。主要内容如下:基于Python和Tensor Flow软件,搭建了轴承故障检测软件平台,结合所做的“高速列车轮对轴承小微故障试验”产生的数据集对神经网络进行训练。针对轴承故障数据,开展了神经网络基础性能测试,研究结果表明一维卷积神经网络的分类准确率表现要优于“声名在外”的二维卷积网络。基于一维卷积神经网络,借鉴“宽核卷积网络”和“深度残差网络”的优点,构建了“深度宽核短接网络”作为故障检测所使用的网络,解决了网络层数过深时容易发生梯度消失的问题。针对所提网络运行缓慢、耗时长的弊端,利用数据处理手段与网络剪枝,开展了对网络运行速度的改进。一方面,利用计算机内不同存储类型占用的存储空间大小不同的特点,结合Sigmoid函数将试验产生的txt数据集变成了图片数据集。在没有损失太多数据特征的情况下,缩小了数据集大小,方便加载到显存当中,加快了数据的载入速度。另一方面,利用批正则化和与L1正则化,对网络进行了剪枝,在没有大幅度削减网络准确率的前提下减少了网络参数,提升了网络运算速度,缩短了网络的运行时间。经过剪枝操作后的网络参数量相比未剪枝的相同网络减少了12.5倍,调用网络时运行时间较未剪枝的网络加快了约18%。借助PyQt5,基于“深度宽核短接”卷积网络和优化速度,开展了图形界面开发。进一步地,使用Pyinstaller将图形化的软件程序打包为exe可执行程序,免去了程序运行时所需的环境配置,简化了人机的交互过程,实现了真正意义上的端到端的故障检测。