随着机械设备的自动化与智能化程度日益提升,人们对机械设备健康状态评估及管理的需求变得尤为迫切。而行星齿轮作为旋转机械中最重要的组成部分,通常在低速、重载的环境下工作,一旦发生故障,会引起连锁反应,造成巨大的经济损失、危害人身安全。因此对其进行预知维修具有非常重要的意义。本文以行星齿轮为研究对象,进行故障预测的研究,主要研究内容如下:首先,提出原始离散振动数据函数化转换的方法。针对离散数据存在的数据丢失等问题,采用函数型数据分析思想中的函数型数据拟合方法,对离散数据进行函数化转换,以函数形式代替离散数据点,对正常运转的行星齿轮数据,采用传统的傅立叶基函数进行拟合,对不适用传统基函数的故障数据,建立不同故障位置基函数模型。经误差参数筛选后提取函数系数作为新的样本数据集。其次,提出行星齿轮卷积神经网络预测模型。针对行星齿轮数据,建立结构深度为3层的行星齿轮卷积神经网络预测模型,来解决浅层预测方法仅适用于小批量样本数据的局限性,弥补传统浅层预测方法需人为进行特征提取与特征降维的不足。并与浅层预测模型中最具代表性的BP神经网络进行对比分析,证明所建预测模型在针对样本数据量过多的数据时,预测效果更好。再次,研究卷积神经网络内部结构对预测结果的影响。针对卷积神经网络内部结构,从输入数据的维度不同、卷积核大小不同、有无批量归一化层、模型结构深度不同等方面进行研究,分析以上因素对预测结果的影响,对卷积神经网络预测模型的内部结构参数进行改进。最终确定输入数据形式为一维、卷积核尺寸随层数增多而减小、具有批量归一化层的7层深卷积神经网络预测模型。最后,搭建行星齿轮故障试验台。设计行星齿轮模拟故障试验方案,进行原始时域信号的数据采集,对行星齿轮离散数据进行函数化转换,以建立的结构深度为7层的卷积神经网络预测模型进行故障预测,与结构深度为3层的卷积神经网络预测模型相比提高了预测精度。