行星齿轮箱是广泛使用在各大型机械设备上如飞机、船舶、汽车等,是调节转速匹配动力源和负载之间的关键机械部件,其体积小、承载能力强、传动比大、传动效率高。与定轴齿轮箱相比,行星齿轮箱内部结构相对复杂,导致信号在传递过程中会相互耦合或抵消;运动也更加复杂,行星齿轮自转的同时绕太阳轮公转,振动信号的传递路径是时变的,使得从强干扰的振动信号中提取出有价值且可用于判断故障状态特征的信息十分困难。另外,齿轮和轴承在齿轮箱中拥有较高的失效比例,同时发生故障时对系统危害巨大。而实际工况中往往需要达到一定损伤级别才会停机检修,期间会出现多种故障并存的情况。针对以上行星齿轮箱的故障诊断难题,本论文首先通过虚拟样机技术对行星齿轮箱常见故障进行建模仿真,研究分析常见故障特征。针对行星齿轮箱故障特点基于卷积神经网络构建轻量化的诊断模型,通过实验验证了该模型对于行星齿轮箱单一故障有着较好的诊断性能。接着通过对诊断模型结构改进提高了该模型对行星齿轮箱复合故障的诊断性能。最后通过模型可视化,探讨了模型拥有良好诊断性能的原因。论文的主要工作及创新:1.首先通过虚拟样机技术对行星齿轮箱常见故障进行动力学建模,对行星齿轮箱常见故障特征进行了研究;2.针对行星齿轮箱故障,对传统卷积神经网络进行了改进实现了一个高性能轻量化的诊断模型,且该诊断模型直接将多源传感器采集的复合故障原始信号作为网络的输入,省去了对信号进行人为特征提取的操作;3.卷积神经网络能自动的进行特征提取,通过对网络设置旁路实现了对提取故障特征的复用,解决了行星齿轮箱复合故障诊断准确率偏低的问题,改善后的诊断模型对于行星齿轮箱齿轮轴承复合故障的识别准确率提高到了99.99%;4.对网络模型进行了可视化,探讨了诊断模型拥有良好诊断性能的原因。