行星变速箱是车辆传动装置的重要组成部分,通过改变传动比和传递大功率满足不同挡位不同行驶条件下的要求。由于行星变速箱结构复杂并且运行工况环境恶劣,内部齿轮等部件经常出现故障,所以开展对于行星变速箱的故障诊断技术研究是非常有必要的,这对于保证车辆传动装置运行的安全性和可靠性意义重大。针对行星变速箱的故障诊断问题,本文研究了一种深度学习方法——深度置信网络(DBN)在行星变速箱典型故障诊断中的应用。首先详细地阐述了深度置信网络的概念以及相关理论。其次,搭建模拟行星变速箱实验台,确定了测点位置,实验工况以及故障类型,对采集到的振动信号进行时域和频域上的分析,对实验数据进行了分组分段。然后将分组后的实验数据输入到深度置信网络中,根据深度置信网络的结构,探讨了不同模型参数设置对于诊断结果的影响。为了验证DBN每个隐含层特征提取的能力,引入主成分分析方法(PCA),通过它对数据降维后保留前三个主成分分量,然后在三维空间中可视化每个隐含层提取到的特征。最后通过将先前不同实验工况的振动信号数据分别输入给反向传播网络(BP),极限学习机(ELM),以及深度置信网络,对比分析结果验证了深度置信网络在特征提取和分类识别方面的优越性,也证实了深度置信网络处理行星变速箱故障不同的实验数据的能力。通过反复实验以及验证对比,表明深度置信网络在故障诊断方面具有智能性,该方法可以自动从原始数据中提取故障特征,并且加入分类器可以实现分类识别,不仅识别准确率高,还大大节约了时间成本,结果表明该方法在行星变速箱故障诊断领域具有一定的应用前景。