平行轴减速机信号预处理。平行轴减速机信号预处理：F系列减速机信号预处理的目的是改善信号结构，提取信号的某些特征量，以取得最佳的识别效果。常见的信号预处理方法有以下几种：
1、平行轴减速机信号归一处理：时域信号为最原始的信号，F系列减速机人工识别各种信号的主要依据就是时域信号的形状。为保证识别效果，应对幅值进行归一处理，一般是进行幅值归一。由于采集的各数据单位不一致，因而须对数据进行归一化处理。
2、平行轴减速机频域信号处理：频域信号处理中取功率谱为计算参数。
3、时域特征处理：F系列减速机计算出峰值、均值、标准差、变异系数、偏态系数、峭度系数、波形指标、峰值指标、平行轴减速机脉冲指标和裕度指标，这些参数同时域信号一起用于信号识别，其结果是比单用时域波形的错诊率下降。
4、AR 建模参数法：以上输入数据的长度都比较大，F系列减速机网络处理时间长，因而平行轴减速机需要寻找一种输出数据量小的方法。 AR 建模法是建立一个40阶的 AR 模型，根据输入数据确定 AR 模型的模型参数。F系列减速机是介于时域和频域特征分析之间的一种方法。
5、平行轴减速机小波变换法：采用Daubechies正交小波基为基本滤波器，作10阶小波的一次近似和一次细节共512个点(Daubechies正交小波要求点数为2的整次幂)。常用的一种方法是用小波分析对信号进行预处理，即以小波空间作为模式识别的特征空间，通过小波分析来实现信号的特征提取，然后将提取的特征向量送入神经网络处理；另一种即所谓的F系列减速机小波神经网络(Wavelet Neural Network,WNN)或小波网络(Wavelet Network WN)。平行轴减速机小波神经网络最早是由法国著名的信息科学研究机构 IRLSA的 Zhang Qinghu 等人1992年提出来的。小波神经网络是基于小波变换而构成的神经网络模型，即F系列减速机用非线性小波基取代通常的神经元非线性激励函数(如 Sigmoid 函数)，把小波变换与神经网络有机地结合起来，充分继承了两者的优点。
平行轴减速机信号识别采用BP神经网络，对预处理后的信号作为输入参数进行学习，确定该信号的类型。人工神经网络能够出色地解决那些传统模式识别方法难以圆满解决的问题，所以故障诊断技术是人工神经网络的重要应用领域之一。在F系列减速机众多的神经网络中，基于BP 算法的多层感知器(MLP)神经网络理论最为坚实，应用也最广泛。振动信号分析是机械设备工况监测与故障诊断的重要手段。轧机F系列减速机是广泛应用于轧钢等工艺中的重要设备。平行轴减速机工作环境恶劣，工况复杂，轧钢过程中每一次咬钢、甩钢都伴随着较大的冲击，因此极易产生故障，如内部齿轮系统传动链的磨损导致的振动加剧和冲击现象，这可以从平行轴减速机的振动特性上体现出来。http://www.vemte.com/Products/F57jiansuji.html