雙曲面減速機神經網絡的缺陷。第二階段，傘同軸斜齒輪減速機加入了潤滑添加劑，并已經連續運行24小時以上;第三階段，雙曲面減速機在潤滑添加劑作用狀態下連續工作了6個月。對于這個題目，雙曲面減速機可以用附加動量法來解決;因為螺旋錐齒輪減速機學習速率是固定的，因此，網絡的收斂速度慢，需要較長的練習時間。采集到的數據經歸化處理作為神經網絡的輸入樣本特征數據。這主要是因為學習速率太小造成的，可采用變化的學習速率或自適應的學習速率加以改進;傘同軸斜齒輪減速機振動信號的神經網絡分析，經由試驗采集了減速機不同工作階段的振動信號，從時域分析了減速機振動信號跟著內部輪齒磨損量增加的變化規律。對于些復雜的題目，BP算法需要的練習時間可能會非常長。

對傘同軸斜齒輪減速機的運行狀態進行監測，獲得了12組狀態樣本數據，將雙曲面減速機內部輪齒故障類型定為正常狀態數據、稍微磨損狀態數據和嚴峻磨損狀態3種。其中，測點對中的通道，安放在減速機的高速端(即動力輸入端)。為具可比性，三次丈量的測點及所用傳感器各機能參數都不變。先，需要網絡的目標和輸入樣本。試驗用二號水平立混軋機同軸斜齒輪減速機的結構及測點布置。運用BP神經網絡對故障傘同軸斜齒輪減速機進行故障模式識別分類，用來監測當前減速機的工作狀態。也就是說，假如增加了學習樣本，練習好的網絡就得重從頭開始重新訓I練，對于以前的權值和閾值是沒有記憶的。BP網絡與小波包分析的結合較好的克服了單BP網絡的缺陷和不足。因此，網絡往往存在很大的冗余性，定程度上增加了網絡學習的負擔;

BP算法可以使權值收斂到某個值，但并不能保證其為誤差平面的全局小值，這是由于采用梯度下降法可能會產生個局部小值。安放在傘同軸斜齒輪減速機的輸出軸低速端。用與內部輪齒磨損具有良好相關性的12組參數和3組參數作為雙曲面減速機內部輪齒磨損的練習特征向量和檢修特征參量，采用前向的BP人工神經網絡進行磨損量識別，獲得了較高的識別精度。用便攜式振動分析監測系統對雙曲面減速機廠家進行在線振動丈量，所選傳感器為ICP壓電式加速度傳感器。對雙曲面減速機監測工況分為三個階段:傘同軸斜齒輪減速機網絡隱含層的層數和單元數的選擇尚無理論指導，般是根據經驗或者通過反復實驗確定。將待檢雙曲面減速機內輪齒的工作狀態設定為正常狀態、稍微磨損狀態和嚴峻磨損狀態等3種種別。網絡的記憶和學習具有不不亂性。第階段1通道上采集到的時域信號，此信號所反映的即為下節定義的雙曲面減速機嚴峻磨損狀態階段。因此將其振動信號作為狀態樣本數據是公道的。

第階段，傘同軸斜齒輪減速機未加潤滑添加劑的階段;傘同軸斜齒輪減速機用歸化預處理后故障振動信號來反映的雙曲面減速機內輪齒的故障信息特征，并以此作為前置處理手段為神經網絡提供輸入特征向量，利用神經網絡的式分類功能，有效地識別出正常狀態、稍微磨損狀態和傘同軸斜齒輪減速機嚴峻磨損狀態等3種類型雙曲面減速機內輪齒的運行狀態。固然BP網絡得到了廣泛應用，但其自身也存在些不足，包括幾個方面的題目。時域信號反映了故障傘同軸斜齒輪減速機原始的振動信息。http://m.emkir.com/product/list-zhijiaojiansuji-cn.html