BKM075減速機神經網絡的缺陷。傘齒輪減速機用歸化預處理后故障振動信號來反映的K系列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、輕微磨損狀態和傘齒輪減速機嚴重磨損狀態等3種類型K系列減速機內輪齒的運行狀態。對K系列減速機監測工況分為三個階段：
第階段，傘齒輪減速機未加潤滑添加劑的階段；
第二階段，傘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，K系列減速機在潤滑添加劑作用狀態下連續工作了6個月。
試驗用二號水平立輥軋機傘齒輪減速機的結構及測點布置。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)。安放在傘齒輪減速機的輸出軸低速端。為具可比性，三次測量的測點及所用傳感器各性能參數都不變。用便攜式振動分析監測系統對K系列減速機進行在線振動測量，所選傳感器為ICP壓電式加速度傳感器。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。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K系列減速機嚴重磨損狀態階段。時域信號反映了故障傘齒輪減速機原始的振動信息。因此將其振動信號作為狀態樣本數據是合理的。運用 BP 神經網絡對故障傘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。將待檢K系列減速機內輪齒的工作狀態設定為正常狀態、輕微磨損狀態和嚴重磨損狀態等3種類別。先，需要網絡的目標和輸入樣本。對傘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K系列減速機內部輪齒故障類型定為正常狀態數據、輕微磨損狀態數據和嚴重磨損狀態3種。
傘齒輪減速機振動信號的神經網絡分析，經過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隨著內部輪齒磨損量增加的變化規律。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K系列減速機內部輪齒磨損的訓練特征向量和檢驗特征參量，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。雖然 BP 網絡得到了廣泛應用，但其自身也存在些不足，包括幾個方面的問題。
(1) 由于傘齒輪減速機學習速率是固定的，因此，網絡的收斂速度慢，需要較長的訓練時間。對于些復雜的問題， BP 算法需要的訓練時間可能會非常長。這主要是由于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；
(2) 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，這是因為采用梯度下降法可能會產生個局部小值。對于這個問題，K系列減速機可以用附加動量法來解決；
(3)傘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。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；
(4) 網絡的記憶和學習具有不穩定性。也就是說，如果增加了學習樣本，訓練好的網絡就得重從頭開始重新訓練，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。http://m.tinakiss.com/Products/k97jiansuji.html