变速箱是汽车动力的关键传动机构,其中齿轮是核心零部件。变速箱中的齿轮受到多变工况的影响,很容易发生故障,而故障状态下的振动信号是非平稳的且包含大量噪声,这就使变速箱的故障诊断难度大幅度提高。为解决这一问题,本文提出一种基于深度神经网络的故障诊断模型,同时提出该混合模型的训练方法,通过实验验证该模型的可靠性与准确性,最后构建基于该模型的变速箱齿轮故障诊断系统。主要内容如下:本文基于深度神经网络提出一种新能源汽车变速箱齿轮故障诊断方法,通过对模型进行训练学习以及智能分类,达到诊断效果。首先,针对采集到的信号包含大量的噪声干扰,提出堆叠降噪自编码(Stacked Denoising autoencoders,SDAE)进行处理,SDAE可通过其独特的堆叠结构和降噪训练从嘈杂的数据自动提取强健的特征表示。随后,引入双向门控循环神经网络(Bidirectional Gated Recurrent Unit Network,Bi GRU)处理时间序列数据,而Bi GRU网络能够减弱梯度消失,其独特的门控结构可以有效地解决长、短期序列变化的问题,同时双向训练能够充分利用过去和未来的信息。综上所述,将两种神经网络集成构建一个混合神经网络,利用Adam优化算法对网络的参数进行优化,Dropout技术防止过拟合现象发生,并结合两种方法提出了混合神经网络的训练方法。通过模拟仿真实验采集变速箱内齿轮故障的振动信号,利用混合神经网络来确定其故障的类型,各故障类型的平均准确率在99%以上。探究了不同信噪比以及时变转速情况下该方法的故障诊断效果,结果表明了本文方法的具有较好的抗噪性能。同时探究不同训练集比例、训练不平衡程度对诊断效果的影响,结果显示本文的方法具有一定的稳定性,并为样本集的比例分配提供一定指导作用。在混合神经网络基础上通过MATLAB GUI开发变速箱齿轮故障诊断系统,并通过开发的实验平台采集到的振动信号作为实例分析,证明该系统能够有效的诊断出齿轮故障类型。