在全球信息化的大背景下,工业高速发展,旋转机械设备发展方向趋于结构复杂化、过程自动化、操作智能化。齿轮因其承载能力大、传动效率高等优点广泛应用于现代设备中,如航空、采矿、农业机械、军事装备和冶金机械等领域。齿轮是设备运行中故障率较高的传动部件,齿轮故障将直接影响整机的可靠运行,降低整个设备的效率和精度,甚至造成不可逆的严重后果。因此,开展齿轮故障的诊断识别具有重大意义。声发射检测是一种无损检测技术,声发射技术不仅可以进行动态、实时的监测,而且可以获取缺陷信息,与其他检测方法相比,尤其是与传统的振动信号分析方法相比,其灵敏度更高。为了解决声发射信号特征提取困难的问题、避免依赖传统的时频分析法对齿轮进行故障诊断,提高识别的准确率,本文在声发射检测技术的基础上,将深度学习引入其中,采用了声发射技术与神经网络相结合的方法。首先采集齿轮各种故障类型的声发射信号,然后利用主成分分析法对采集的信号进行特征提取并降维,将信号合理划分训练集和测试集构建以概率神经网络和广义回归神经为核心的故障识别模型,最后对网络加入哈里斯鹰算法进行优化,根据识别准确率,搭建最适合的齿轮故障识别模型,实现了齿轮故障的智能识别。首先构建的是基于概率神经网络的齿轮故障识别模型,将处理后的数据输入到神经网络,得出迭代曲线、混淆矩阵。混淆矩阵结果表明,基于哈里斯鹰优化的概率神经网络齿轮故障识别模型,识别准确率为98.08%,对比未经过优化的概率神经网络齿轮故障识别模型,准确率提高了7.38个百分点。其次搭建的是基于广义回归神经网络的齿轮故障识别模型,对比验证两种模型在不同状态下各自的优势。结果表明:基于哈里斯鹰优化的广义回归神经网络齿轮故障识别模型的准确率为92.88%,较基于哈里斯鹰优化的概率神经网络齿轮故障识别模型的准确率下降了5.2个百分点,但对于齿轮小样本故障识别,广义回归神经网络的准确率会更高。