车轴是轨道车辆的转向架结构中的关键部件,在长期承受外载荷的情况下,易产生疲劳裂纹,随着裂纹的进一步扩展,最终会导致车轴的断裂,从而发生故障。因此,实时监测车轴状态,识别出车轴疲劳裂纹信号、及时发现故障、对车轴寿命预测都具有重要意义。为将车轴疲劳裂纹声发射信号从噪声信号、敲击信号中识别出来,本文提出基于Teager能量算子(Teager energy operator,TEO)和深度置信网络(Deep belief network,DBN)的车轴疲劳裂纹声发射信号的分类识别方法。实验结果表明,提取Teager能量算子保留信号瞬时能量,经过DBN网络模型的分类识别,能够将车轴疲劳裂纹信号从噪声和敲击信号中识别出来;相比于传统分类器,DBN对车轴疲劳裂纹声发射信号的识别效果更好。针对车轴疲劳裂纹由萌生到扩展、再到断裂的过程,利用SK指标将车轴疲劳裂纹信号进行分段处理。为简化网络的结构复杂度以及节省网络训练时间,用提取特征数据集代替原始数据作为网络的输入,利用DBN网络进行在噪声、敲击信号干扰下的不同阶段的识别。为准确识别疲劳裂纹的不同阶段,进一步提高各阶段的识别准确率,本文提出SK衍生特征结合BiLSTM网络(Bidirectional long short-term memory network,BiLSTM)的车轴疲劳裂纹声发射信号不同阶段的识别方法。通过对比实验分析,结果表明,SK衍生特征结合BiLSTM网络的方法可以实现对车轴疲劳裂纹声发射信号不同阶段的有效识别;添加了SK衍生特征后更能准确表达车轴疲劳裂纹的故障状态;相比于其他几种网络模型,BiLSTM网络模型的稳定性较强。最后,通过验证实验,验证搭建的BiLSTM网络模型对车轴疲劳裂纹不同阶段的识别具有一定的适用性。