R系列减速机神经网络故障识别系统。R系列减速机神经网络作为一种自适应的模式识别技术，并不需要预先给出有关模式的经验知识和判别函数，它通过自身的学习机制自动形成所要求的决策区域。齿轮减速机网络的特性由其拓扑结构、神经元特性、学习和训练规则所决定。R系列减速机可以充分利用状态信息，对来自于不同状态的信息逐一进行训练而获得某种映射关系。而且齿轮减速机网络可以连续学习，如果环境发生改变，这种映射关系还可以自适应地进行调整。
因此，R系列减速机神经网络由于自身的特性，在故障模式识别领域中有着越来越广泛的应用。下面以单隐层BP网络为例，介绍基于神经网络的故障诊断的方法和特点。其中，网络的输入结点对应着故障征兆，R系列减速机输出结点对应着故障原因。首先利用一组齿轮减速机故障样本对网络进行训练，以确定网络的结构(中间层的传递函数和神经元数目)和参数(神经元之间的连接权值和阈值)。网络训练完毕后，R系列同轴减速机故障的模式分类就是根据给定的一组征兆，实现征兆集到故障集之间的非线性映射的过程。利用神经网络进行故障模式识别具有以下特点：
(1) 可用于系统模型未知或较为复杂的系统模型；
(2) R系列减速机兼有故障信号的模式变换和特征提取功能；
(3) 对系统含有不确定因素、齿轮减速机噪声及输入模式不完备的情况下不太敏感；
(4) 可用于复杂多模式的故障诊断；
(5) 可用于R系列减速机离线诊断，也能适应实时在线监测的要求。
首先，R系列减速机基于一定数量的训练样本集(通常称为“征兆－故障”数据集)对神经网络进行训练，得到期望的诊断网络；其次，根据当前诊断输入对系统进行诊断。诊断的过程即为利用神经网络进行前向计算的过程。在学习齿轮减速机和诊断之前，通常需要R系列减速机对诊断原始数据和训练样本数据进行适当的处理，包括齿轮减速机预处理和特征选取(提取)等，目的是为诊断网络提供合适的诊断输入和训练样本。此外，尽管神经网络和传统的故障诊断是两种不同的诊断方法，但两者是紧密联系在一起的。如采用齿轮减速机小波分析等数据处理方法，可以为神经网络诊断提供可以利用的特征向量。故障诊断中最常用的是振动信号，故障R系列减速机反映的振动信号是减速机故障诊断的主要信号来源，其中包含有各种信号。它是分析、诊断R系列减速机工作情况的最主要的依据。有必要对其进行分离及分类识别。利用神经网络的方法，也可以对异常信号进行识别，识别过程一般包括以下几个步骤：
(1) 信号提取：先对信号包络，然后根据齿轮减速机包络后的各个凸包区来选取各个有效信号。
(2) 信号处理：分别采用时域、频域、参数建模和齿轮减速机小波变换等不同的方法信号进行预处理。http://www.vemte.com/Products/r67jiansuji.html