日常生活中为了保证轨道车辆的正常运行与工作,对轨道车辆的故障检测就显得尤为重要,各类的检测方法也得到了发展与优化。现在主流的故障监测方式包括有损和无损检测两种,声发射(AE)检测属于无损监测方式的主要应用之一,首先声发射信号是内源性的,在受到应力积攒到一定程度时,就会产生声发射现象。之所以应用广泛是因为AE技术在进行监测时,不会使用外部应力对监测部位造成伤害这样保证了监测部位的安全性,也是车轴损伤程度使用AE监测的好处,因此使用AE数据对轨道车辆进行损伤程度探测也成为了重要的课题。本文主要通过采集轨道车辆的车轴的AE信号,研究从出现细小裂隙后,扩展直至完全裂开的变化情况,对采集来的AE数据进行消除噪音的操作,剔除敲击等噪音数据类型,再对AE数据进行处理,识别AE数据处于的裂隙以及损伤的完整过程。另外,本文提出了在线与离线相结合的分析方法,分别提取AE数据的时域参数以及功率谱熵参数对AE波形数据进行描述。由于声发射信号的数据规模宏大,为了快速准确的分析数据,本文引入数据流和分布式的概念。既能保证实时快速处理数据,又能对数据进行准确分析,不丢失数据项。声发射数据通过改进的滑动窗口,对数据项进行统计,减少参数运算量,加快数据实时处理,对车轴声发射数据进行故障的识别与分类。并在多节点Spark框架下实现改进的LMD算法和BPNN结构,还采用时域和频域相结合的方法对声发射数据进行波形分析,直接明了呈现各个损伤状态下的特征参数的变化情况,可以达到实时快速的对损伤程度进行分析。本文整个实验的流程都部署在Spark框架下,使用Spark Streaming数据流框架进行特征提取,对声发射数据进行时频域参数和功率谱熵的参数的分析,在改进的LMD方法的基础上,很好地解决了滑动窗口时出现的端点效应问题,进一步改善了算法的鲁棒性,加快了数据的处理效率,缩短了数据分析时间。