行星齿轮箱具有体积小、传动平稳等优点,在航空航天、风力发电等领域被广泛应用。恶劣的工作环境易导致行星轮、太阳轮等主要零部件发生损伤故障,破坏整个机械系统正常运转,甚至会引发重大事故,故对行星齿轮箱故障准确高效识别具有重大意义。本文以HFXZ-1型行星齿轮箱故障诊断试验平台作为实验对象,通过支持向量机完成测点的优先度排序;基于对称极坐标法实现三种不同特征信息融合,实现图像的转换;最后通过深度学习完成三种不同融合图像的识别,完成行星齿轮箱各种故障模式的识别。首先对行星齿轮箱的特点及其相比于定轴齿轮箱在实际应用中的优势进行表述,归纳总结行星齿轮箱常见故障的表现形式及原因,完成对故障率占比最大的齿轮零部件进行振动机理研究。以HFXZ-1型试验平台设计故障诊断实体实验并完成测点布置,实现正常工况、行星轮单齿磨损、行星轮两齿磨损、行星轮单齿裂纹和太阳轮单齿全齿断裂工况信号的采集。然后阐述了变分模态分解算法的原理,完成算法中主要参数的确定。提取各模态分量的多尺度模糊熵和多尺度样本熵值,将两种熵值组成的不同特征矩阵输入到支持向量机中,根据各测点的故障敏感度完成测点优先度排序。结果表明:行星齿轮箱输出轴外轴承座为测点布置的最佳位置,其次是行星轮架输出轴内轴承座。基于确定的测点优先度排序,利用对称极坐标法完成多测点时域信号融合、多测点时频信号融合和单一测点各模态分量时域特征融合,将其振动信号转化为图像。最后通过卷积神经网络模型中的AlexNet网络、Res Net网络和ResNext网络模型对不同工况、不同特征信息融合的对称极坐标图像进行识别。完成Res Net网络及其优化后ResNext网络对于对称极坐标图像识别分类的对比实验,结果表明:同样的网络参数,ResNext网络具有更高的模式识别准确率。通过最终的结果分析,本文所提出的基于SDP＿CNN的行星齿轮箱故障诊断研究方法能够有效完成不同故障模式图像的识别,且准确率达到98%以上,为行星齿轮箱的故障诊断提供一种新思路。