随着中国现代铁路的高速建设和发展,我们对于轨道车辆运行时的工作可靠性要求也越来越高。车轴是轨道车辆的重要部件,在行驶过程中几乎要承担列车的全部负重及来自振动引起的巨大冲击,而且车轴在工作时的环境是相当恶劣的。因此,车轴是极易受损的部件之一,其常会发生磨损、裂纹以及断裂等故障。因此,对轨道车辆车轴的疲劳裂纹故障进行故障诊断和对车轴进行剩余寿命预测,都是避免发生事故的重要手段,具有一定的实际意义。深度置信网络用来实现车轴疲劳裂纹声发射信号的分类识别和对车轴进行寿命预测,不仅简单可行,而且与传统方法相比,其识别准确率和预测精度也都提高了不少。深度置信网络的隐藏层节点数是一个十分关键的参数。当隐藏层节点数较大时,运行速度较慢,影响计算时间;当隐藏层节点数较小时,运行的速度会加快,但会导致算法运行得不稳定,识别准确度和预测精度降低。而且传统的确定隐藏层节点数方法是依据经验公式或者根据具体情况通过反复尝试来找到合适的隐藏层节点数,传统方法不仅工作量巨大,而且不一定能找到最最合适的值。因此,本文提出利用遗传算法对深度置信网络识别模型进行隐藏层节点数寻优和利用差分进化算法对深度置信网络预测模型进行隐藏层节点数寻优。车轴裂纹信号识别部分,利用遗传算法寻优后的深度置信网络识别模型对声发射信号数据和经EEMD-SVD特征提取后的数据进行分类识别,并将其结果与经验公式确定隐藏层节点数的DBN网络以及其它传统算法进行对比。寿命预测部份,利用差分进化算法对DBN预测网络进行隐藏层节点数寻优,用寻优后的DBN预测网络进行寿命预测。将寻优后的DBN预测网络得出的预测结果与未寻优的DBN预测网络得出的预测结果进行对比。实验结果表明,优化算法优化的深度置信网络在识别和预测方面都有着良好的表现,而且大大节约了时间成本。