时间序列分析是处理动态数据常用的方法,可以反映出当前对象的发展趋势。时间序列故障数据反映出随着时间的变化对象的故障变化的程度和状态,通过对时间序列故障数据的分析,挖掘出其特征变化规律,从而可以判断出当前数据源是否发生故障以及故障的损耗程度。本文先以轨道车辆的轴承在动作过程中产生的振动信号作为数据源,结合时间序列故障数据的特征,提出了一种基于时间序列故障数据的故障分类模型Multi-scale-VMDPSO-DDBN-BP（MVPDD）。本模型首先选择合适的步长对信号进行多尺度处理,然后对处理完的信号经过变分模态分解成多个IMFs分量,再将分解后的IMFs分量分别并行的输入到双尺度深度信念网络当中,再将双尺度深度信念网络的输出进行叠加作为整体输出,粒子群优化算法与深度信念网络相结合来确定神经网络中每层神经元的个数,最后通过BP神经网络对整个模型进行反向微调,使用Softmax分类器对信号实现分类。通过与其他模型的实验结果比较,本文提出的分类模型MVPDD具有更高的准确性和有效性。传统的车辆轴承故障检测方式主要是依靠检验人员的工作经验以及技术水平,在一定程度上降低了故障检测准确率,同时检测耗时耗力。本文提出了一种在线实时高效的远程轴承故障诊断系统,使用MVPDD模型和传统的检测方式在内的多种检测方式,采用微服务思想,利用Spring Cloud框架和大数据相关技术搭建的分布式系统,保障系统具有高可靠、易拓展等特点。检测人员通过本系统可远程实时的查看设备是否发生故障,不仅提高了检测效率,同时也降低了企业的安全隐患。