双曲面减速机神经网络的缺陷。第二阶段，伞同轴斜齿轮减速机加入了润滑添加剂，并已经连续运行24小时以上;第三阶段，双曲面减速机在润滑添加剂作用状态下连续工作了6个月。对于这个题目，双曲面减速机可以用附加动量法来解决;因为螺旋锥齿轮减速机学习速率是固定的，因此，网络的收敛速度慢，需要较长的练习时间。采集到的数据经归化处理作为神经网络的输入样本特征数据。这主要是因为学习速率太小造成的，可采用变化的学习速率或自适应的学习速率加以改进;伞同轴斜齿轮减速机振动信号的神经网络分析，经由试验采集了减速机不同工作阶段的振动信号，从时域分析了减速机振动信号跟着内部轮齿磨损量增加的变化规律。对于些复杂的题目，BP算法需要的练习时间可能会非常长。

对伞同轴斜齿轮减速机的运行状态进行监测，获得了12组状态样本数据，将双曲面减速机内部轮齿故障类型定为正常状态数据、稍微磨损状态数据和严峻磨损状态3种。其中，测点对中的通道，安放在减速机的高速端(即动力输入端)。为具可比性，三次丈量的测点及所用传感器各机能参数都不变。先，需要网络的目标和输入样本。试验用二号水平立混轧机同轴斜齿轮减速机的结构及测点布置。运用BP神经网络对故障伞同轴斜齿轮减速机进行故障模式识别分类，用来监测当前减速机的工作状态。也就是说，假如增加了学习样本，练习好的网络就得重从头开始重新训I练，对于以前的权值和阈值是没有记忆的。BP网络与小波包分析的结合较好的克服了单BP网络的缺陷和不足。因此，网络往往存在很大的冗余性，定程度上增加了网络学习的负担;

BP算法可以使权值收敛到某个值，但并不能保证其为误差平面的全局小值，这是由于采用梯度下降法可能会产生个局部小值。安放在伞同轴斜齿轮减速机的输出轴低速端。用与内部轮齿磨损具有良好相关性的12组参数和3组参数作为双曲面减速机内部轮齿磨损的练习特征向量和检修特征参量，采用前向的BP人工神经网络进行磨损量识别，获得了较高的识别精度。用便携式振动分析监测系统对双曲面减速机厂家进行在线振动丈量，所选传感器为ICP压电式加速度传感器。对双曲面减速机监测工况分为三个阶段:伞同轴斜齿轮减速机网络隐含层的层数和单元数的选择尚无理论指导，般是根据经验或者通过反复实验确定。将待检双曲面减速机内轮齿的工作状态设定为正常状态、稍微磨损状态和严峻磨损状态等3种种别。网络的记忆和学习具有不不乱性。第阶段1通道上采集到的时域信号，此信号所反映的即为下节定义的双曲面减速机严峻磨损状态阶段。因此将其振动信号作为状态样本数据是公道的。

第阶段，伞同轴斜齿轮减速机未加润滑添加剂的阶段;伞同轴斜齿轮减速机用归化预处理后故障振动信号来反映的双曲面减速机内轮齿的故障信息特征，并以此作为前置处理手段为神经网络提供输入特征向量，利用神经网络的式分类功能，有效地识别出正常状态、稍微磨损状态和伞同轴斜齿轮减速机严峻磨损状态等3种类型双曲面减速机内轮齿的运行状态。固然BP网络得到了广泛应用，但其自身也存在些不足，包括几个方面的题目。时域信号反映了故障伞同轴斜齿轮减速机原始的振动信息。/product/list-zhijiaojiansuji-cn.html