行星齿轮在旋转机械中起着至关重要的作用,因其结构特点和传动特性使得行星齿轮在精密设备和重型机械等领域得到广泛应用。当齿轮出现故障时将会影响设备的健康运行,严重时将会造成巨大的经济损失和人员伤亡。因此,开展行星齿轮故障诊断的研究,准确地识别故障模式,及早地排除故障隐患,对保证设备的健康运行具有重大意义。本文以行星齿轮为研究对象,围绕其在智能诊断领域的关键问题:信号分解、特征降维、故障模型的训练三个方面进行深入研究。主要研究内容如下:首先,针对行星齿轮故障振动特性进行分析。分析行星齿轮出现故障时对振动信号的影响及振动信号在行星齿轮箱中的传递路径,并通过动力学仿真分析轮齿故障对轮齿间啮合冲击的影响。根据行星齿轮不同位置的故障频率特性建立行星齿轮振动信号故障模型,为后续实验验证提供仿真实验数据。其次,提出了基于二分K均值的经验小波信号分解方法。针对传统信号分解方法存在窗函数固定、模态混叠、端点效应等问题,提出了使用二分K均值对原始信号傅里叶频谱进行划分,并使用经验小波进行信号分解,克服原有区间划分存在受人工决策因素影响的问题。通过仿真信号验证二分K-经验小波变换信号分解方法对故障特征有较好的表现。然后,提出基于t分布随机邻域嵌入特征降维方法并建立差分进化算法优化的概率神经网络模型对行星齿轮进行故障诊断。针对传统的降维方法中存在不同类样本点在降维后出现相互混叠、将高维空间数据非线性映射到低维空间存在困难等问题,提出了采用t分布随机邻域嵌入特征降维方法对多维特征进行降维。该方法能够保证高维空间数据映射到低维空间时保持概率不变,并通过仿真数据验证t分布随机邻域嵌入降维方法具有良好的聚类效果。随后对降维后的特征进行智能诊断,针对传统的概率神经网络中光滑因子需要依靠实验调整获取,易受人为因素干扰的问题,以准确率作为评价指标,应用差分进化算法对光滑因子进行优化。通过仿真实验数据对比,验证该诊断模型具有较高的故障诊断精度。最后,搭建行星齿轮故障实验台、采集振动信号,进行实验验证。分别以齿轮正常运转、太阳轮点蚀、太阳轮断齿、行星轮断齿、齿圈断齿为实验对象,采集不同位置、不同种类的振动信号,根据其振动信号验证本文所提出的信号分解、特征降维及故障诊断方法的有效性。