伞齿轮减速机的信号处理基础。伞齿轮减速机的故障诊断技术的研究与应用是对故障征兆的提取和识别以及对机械设备的运行状态的评价展开的。机械设备故障诊断技术研究的主要内容，体现在机械设备故障诊断过程中故障机理的研究、K系列减速机故障信息的获取、故障特征的提取、 伞齿轮减速机状态的分析和诊断以及状态信息的存贮与管理等。故障特征提取方法的研究是机械设备故障诊断技术的关键。含有K系列减速机丰富状态信息的机械设备运行状态信号的特征提取是建立在信号处理的基础上的。滤波技术、频谱分析是传统的信号处理方法。近年来发展起来的数字滤波技术、统计学参数估计技术、小波时频分析技术等，大大丰富了信号处理的内容。
伞齿轮减速机建立在信号处理基础上的常用的特征提取方法有快速傅立叶变换、倒谱分析、短时傅立叶变换、Winger 分布分析、时间序列分析、时域模型分析、时频分析、小波分析等方法。分析的目的是通过对运行状态信号的处理，确定能很好的表征 伞齿轮减速机运行状态的特征量。K系列减速机状态分析和诊断方法的研究是设备诊断技术的核心，其实质是一个分类问题。比较常用的机械设备状态分析和诊断方法有状态空间分析诊断法、函数诊断法、对比诊断法、统计诊断法、模糊诊断法、人工智能诊断法、遗传算法诊断法等方法。其中对比诊断法是目前广为应用的方法。这种方法是事先通过计算分析、试验研究或对实际数据进行统计归纳等方式，确定有关K系列减速机运行状态与特征量之间的关系，即建立特征量的基准模式。在对设备状态分析判断时，只要将得到的特征量与基准模式进行比较，便可以确定机械设备的运行状态。神经网络诊断法和人工智能诊断法是对比诊断法的延伸。神经网络具有强大的并行计算能力和学习功能及联想能力，很适合作 伞齿轮减速机故障分类和模式识别的工具。
伞齿轮减速机广泛应用于工业企业各生产部门，在大型设备中起着传递动力和换向的作用。实际生产中，冶金工业中的轧钢设备大多处在复杂的工作环境下运行，K系列减速机许多设备经受着复杂的工作负载(如在轧机的工作过程中，每一次咬钢、甩钢都伴随着较强的振动冲击现象)。承受时变负荷是影响轧钢设备减速机工作过程的主要因素，由上述因素引起且导致伞齿轮减速机产生的故障将直接影响设备的运行状况以及产品质量。并且K系列减速机的故障往往不易觉察，这就有必要对减速机这个复杂的整体实施故障诊断技术。研究K系列减速机的故障诊断技术，确定减速机故障齿轮或轴承的特征提取方法和可靠的故障识别方法，评价 伞齿轮减速机的运行状态，为产品设计和使用部门提供可靠的判断，以便改进设计。通过对减速机故障诊断的研究，建立一套适合于减速机故障诊断的分析方法，为减速机以及其它旋转机械的故障诊断和监控系统的硬件设计提供科学的理论依据。http://www.vemte.com/Products/k47jiansuji.html