行星齿轮箱是许多机器设备中都会使用的部件，对于机器的正常运转具有重要的作用。然而由于长时间在恶劣条件下的工作，行星齿轮箱非常容易发生各种故障。因此，对行星齿轮箱进行故障诊断是非常必要的。
　　目前行星齿轮箱的故障诊断主要是信号处理方法，包括时域、频域和时频法，这种方法非常依赖于专业的知识和经验。本文采用BP神经网络对行星齿轮箱进行故障诊断，利用BP神经网络的非线性映射能力，对采集的信号和故障类型之间进行一一对应。本文的主要工作包括：
　　1)对行星齿轮箱进行了系统和全面的分析，包括行星齿轮箱的构造、传动比、振动机理和故障分析。确定了研究对象为行星齿轮箱太阳轮的故障，在此基础上对行星齿轮箱太阳轮局部故障点啮合位置进行了详细分析，并推导了啮合点位置变化周期公式。
　　2)对实验台进行了简单的介绍，主要是概述了实验台各个部件的作用。然后根据研究对象为行星齿轮箱的太阳轮故障，设计了实验方案采集包括正常、缺齿、磨损、齿根裂纹、疲劳剥落共计5种故障类型的振动信号，并完成了实验和数据的采集工作。
　　3)根据采集的振动信号设计了BP神经网络模型。以实验中采集的振动信号作为输入，对应的故障类型作为输出；将采集的每种振动信号分成1000组，每组包含512个点，因此样本数为5000，BP神经网络的输入层节点为512，输出层节点为5。为了简化网络只选择了一个隐含层，根据输入层和输出层的节点数选定初始的隐含层节点数。选择初始的激活函数为sigmoid函数，损失函数为均方误差MSE，优化器为随机梯度下降算法SGD。
　　4)编写程序在Python软件平台上运行结果，并对BP神经网络模型进行了优化。最终优化结果：隐含层节点数为300，激活函数为relu函数，损失函数为二元交叉熵binary_crossentropy，优化器为随机梯度下降算法SGD。