齿轮箱是工业生产中最常见的机械结构之一,用来连接和传递动力。其本身结构较为复杂,工作环境具有高负载、高转速和高噪声等特性,因此,齿轮箱极易出现各种故障,使得齿轮箱无法有效工作,从而极大的影响了工业中的生产效率和生产安全问题。研究齿轮箱的故障诊断技术,能够及时发现齿轮箱当前状态,保障其正常工作,对提高工业生产效率和生产安全性具有非常重要的意义。鉴于齿轮箱工作时所处的环境多变、复杂,本文结合实验室现有条件,决定采集它的声发射信号进行齿轮箱的状态识别。物体发生形变时会发出一种应力波,声发射检测技术就是通过检测这种应力波来研究物体的状态变化,效果显著,目前在故障诊断行业中应用非常广。声发射信号具有一下优点:(1)频率高,可以过滤低频噪声;(2)检测时不需要离被测部件很近,检测方便有效;(3)涉及领域广。声发射信号可以很好的体现物体各种状态变化,得到了广泛应用。针对实验数据不足的问题,本文参考美国凯斯西储大学轴承数据的采集方式,以动力传动故障诊断综合实验台为研究对象,设计并采集了齿轮箱单一故障和复合故障数据共30组,为本文后续的齿轮箱状态识别提供了有力的数据支撑。目前针对齿轮箱的状态识别主要分为两个步骤,先是利用信号处理等方法对齿轮箱状态信号进行特征提取,然后再利用机器学习等方法进行状态识别。但是在特征提取过程中,不确定性较强,对实验人员的要求较高,不但要求学习丰富的信号处理方法,而且需要大量的实际经验,耗时费力。因此,本文引入深度学习方法,采用多层循环神经网络识别齿轮箱的运行状态。多层循环神经网络指的就是堆叠多个单层的循环神经网络,即下一层网络的输入来自于上一层网络的输出。长短期记忆网络(Long Short-Term Memory,LSTM)和门控记忆单元(Gated Recurrent Unit,GRU)都是循环神经网络(Recurrent Neural Network,RNN)的变体,本文搭建了LSTM和多层GRU网络结构,利用齿轮箱声发射频域信号制作网络样本用于训练,最终实现齿轮箱的状态识别。经过验证,多层循环神经网络方法能够很好的从声发射信号中提取状态特征,实现更精确、更高效的齿轮箱状态识别。