平行軸減速機信號預處理。時域特征處理:F系列減速機計算出峰值、均值、尺度差、變異系數、偏態系數、峭度系數、波形指標、峰值指標、平行軸減速機脈沖指標和裕度指標，這些參數同時域信號起用于信號識別，其結果是比單用時域波形的錯診率下降。平行軸減速機信號歸處理:時域信號為原始的信號，傘形齒輪減速機人工識別各種信號的主要依據就是時域信號的外形。AR建模參數法:以上輸入數據的長度都比較大，F系列減速機網絡處理時間長，因而平行軸減速機需要尋找種輸出數據量小的方法。平行軸減速機小波神經網絡早是由法聞名的信息科學研究機構IRLSA的ZhangQinghu等人1992年提出來的。常用的種方法是用小波分析對信號進行預處理，即以小波空間作為模式識別的特征空間，通過小波分析來實現信號的特征提取，然后將提取的特征向量送入神經網絡處理;另種即所謂的F系列減速機小波神經網絡(WaveletNeuralNetwork,WNN)或小波網絡(WaveletNetworkWN)。常見的信號預處理方法有以下幾種:小波神經網絡是基于小波變換而構成的神經網絡模型，即F系列減速機用非線性小波基取代通常的神經元非線性激勵函數(如Sigmoid函數)，把小波變換與神經網絡有機地結合起來，充分繼續了兩者的長處。平行軸減速機信號預處理:F系列減速機信號預處理的目的是改善信號結構，提守信號的某些特征量，以取得佳的識別效果。

平行軸減速機小波變換法:采用Daubechies正交小波基為基本濾波器，作10階小波的次近似和次細節共512個點(Daubechies正交小波要求點數為2的整次幕)。軋機F系列減速機是廣泛應用于軋鋼等工藝中的重要設備。因為采集的各數據單位不致，因而須對數據進行歸化處理。AR建模法是建立個40階的AR模型，根據輸入數據確定AR模型的模型參數。為保證識別效果，應對幅值進行歸處理，般是進行幅值歸。平行軸減速機工作環境惡劣，工況復雜，軋鋼過程中每次咬鋼、甩鋼都伴跟著較大的沖擊，因此極易產生故障，如內部齒輪系統傳動鏈的磨損導致的振動加劇和沖擊現象，這可以從平行軸減速機的振動特性上體現出來。振動信號分析是機械設備工況監測與故障診斷的重要手段。F系列減速機是介于時域和頻域特征分析之間的種方法。人工神經網絡能夠精彩地解決那些傳統模式識別方法難以圓滿解決的題目，所以故障診斷技術是人工神經網絡的重要應用領域之。平行軸減速機頻域信號處理:頻域信號處理中取功率譜為計算參數。平行軸減速機廠家信號識別采用BP神經網絡，對預處理后的信號作為輸入參數進行學習，確定該信號的類型。在F系列減速機眾多的神經網絡中，基于BP算法的多層感知器(MLP)神經網絡理論為堅實，應用也廣泛。http://m.jxcybbs.com/product/list-pingxingzhoujiansuji-cn.html