变速器作为车辆的重要零部件,长期工作在复杂多变工况下,属故障多发件。因此,在变速器出厂前,需用变速器在线检测系统准确判断变速器的运行状态。在线检测系统的这一重要作用也对其故障识别精度提出了较高要求。目前在线检测系统对变速器故障识别精度不高,仍需人工听音辅助。而人工听音判别变速器故障存在着主观性较大、易疲劳,一致性较差等问题。因此,需要对变速器在线检测系统的故障分类识别问题进行进一步研究。变速器非稳态工况下的振动信号具有非线性、非平稳性的特点,而深层神经网络对复杂非线性信号具有较好的识别能力。因此,本文采用深层卷积神经网络(CNN)和深度信念网络(DBN)研究变速器制造故障的分类识别问题。主要的研究内容如下:(1)本文以变速器在线检测系统采集的故障数据为基础。首先对数据进行准确的标签标注,然后采用不同的信号处理方法对振动数据进行分析,并根据一定标准选取恰当的信号处理方法。最终建立原始振动数据集、时频域统计数据集和转速三维谱阵图数据集。每类数据集均包含六类标签,分别为合格、齿轮磕碰伤、输入轴磕碰伤、啸叫、拨叉干涉和复合故障类。(2)对合格、齿轮磕碰伤、啸叫和复合故障四类进行分类识别。首先搭建了AlexNetC、GoogLeNetC和ResNetC网络,完成了三种网络对转速三维谱阵图数据集的分类识别;然后搭建了基于残差模块的CNN网络,完成了网络对原始时域振动数据集的分类识别;最后搭建了DBN网络,完成了网络对时频域统计数据集的分类识别。通过比较分析,选择出性能最优的深层神经网络和相对应的变速器故障数据集。(3)为进一步提高分类识别模型的准确度,对该网络隐含层进行可视化,分析问题并提出优化思路。然后重新进行多次网络训练,得到更优的分类识别模型ResNetC-v2。(4)针对拨叉干涉和输入轴磕碰伤类,采用迁移学习的方法使模型ResNetC-v2完成对此两类数据的再学习,从而网络ResNetC-v2完成全部六类数据的分类识别。实验表明:(1)相较于DBN网络,CNN网络对变速器故障数据集有更优异的识别能力。使用CNN网络完成对转速谱阵图数据集中四个类别的分类识别,最优网络为ResNetC,其测试准确率为92.62%.(2)采用迁移学习的方式,网络完成对六类数据的全部学习,最终的测试精度为92.3%.