行星齿轮箱广泛应用于风电机组、船舶等大型机械装备中,恶劣的运行环境导致其关键部件在交变载荷作用下极易发生故障。同时,行星齿轮箱的部件数量多,各齿轮间啮合频繁,振动相互耦合造成振动呈现明显的非线性,难以提取故障特征信息。因此,开展行星齿轮箱故障诊断能及时排除运行过程中出现的突发问题,有效避免重大事故,具有重要的研究意义和工程价值。传统故障诊断方法需要依靠信号处理与诊断经验提取故障特征,再利用机器学习模型进行诊断,所提取的特征与所应用的模式识别算法间匹配程度难以评价,两者不是有机融合的整体,影响诊断结果的可靠性。深度置信网络将故障特征学习与模式识别有机融合在一起,已被广泛应用于故障诊断领域,均取得了不错效果。但解决的多是一种工况下的故障诊断,在多种工况下、故障信息耦合及目标训练样本有限时,不能有很好的诊断效果。基于此,研究了基于深度置信网络的行星齿轮箱故障诊断方法。本文的主要研究工作如下:针对行星齿轮箱故障诊断特征自学习与智能诊断的问题,提出基于深度置信网络的行星齿轮箱故障诊断方法。首先,原始信号频谱较人工提取特征减少了信息丢失,并且尽量展现了信号特征,更有利于网络的特征自学习,故将原始信号频谱作为深度置信网络的输入。再利用深度置信网络的多层自学习网络对输入信号进行分级表达,逐层变换低层频域特征形成抽象的深层特征,以获得原信号分布式特征表达。最后,在特征输出层末端添加softmax多分类器,将故障特征自动学习提取与故障识别融为一体,实现行星齿轮箱故障智能诊断。通过对不同故障、两种工况的行星齿轮箱进行故障诊断实验,证明了所提方法的可行性和有效性。针对行星齿轮箱故障诊断获取的数据难以满足训练和测试数据独立同分布且训练数据充足的条件所导致诊断效果不佳的问题,提出基于深度置信网络迁移学习的行星齿轮箱故障诊断方法。首先,将辅助标记数据的原始信号频谱作为DBN网络的输入,逐层更新网络的权重和偏置值对输入信号进行分级表达,以获得其分布式特征表达,得到基于辅助标记样本的DBN预模型。再利用少量的目标标记样本微调DBN预模型的权重和偏置值,实现DBN网络的权重和偏置值从源域到目标域的迁移以适应新的目标样本识别,最终达到提高目标域样本故障分类准确率的效果。通过行星齿轮箱故障模拟实验验证了在目标训练样本有限条件下所提方法的可行性和有效性。综上,本文针对行星齿轮箱故障诊断特征自学习与智能诊断的问题,提出基于深度置信网络的行星齿轮箱故障诊断方法,该方法将原始信号频谱作为深度置信网络的输入,提高了行星齿轮箱的故障诊断效率;针对目标训练样本有限条件下行星齿轮箱故障诊断准确率较低的问题,提出基于深度置信网络迁移学习的行星齿轮箱故障诊断方法,提升了目标训练样本有限下的行星齿轮箱故障诊断效果。最后,通过实验验证了本文所提方法的有效性。