伞齿轮减速机神经网络的缺陷。伞齿轮减速机用归一化预处理后故障振动信号来反映的K系列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、轻微磨损状态和伞齿轮减速机严重磨损状态等3种类型K系列减速机内轮齿的运行状态。对K系列减速机监测工况分为三个阶段：
第一阶段，伞齿轮减速机未加润滑添加剂的阶段；
第二阶段，伞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，K系列减速机在润滑添加剂作用状态下连续工作了6个月。
试验用二号水平立辊轧机伞齿轮减速机的结构及测点布置。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)。安放在伞齿轮减速机的输出轴低速端。为具可比性，三次测量的测点及所用传感器各性能参数都不变。用便携式振动分析监测系统对K系列减速机进行在线振动测量，所选传感器为ICP压电式加速度传感器。采集到的数据经归一化处理作为神经网络的输入样本特征数据。第一阶段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K系列减速机严重磨损状态阶段。时域信号反映了故障伞齿轮减速机最原始的振动信息。因此将其振动信号作为状态样本数据是合理的。运用 BP 神经网络对一故障伞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。将待检K系列减速机内轮齿的工作状态设定为正常状态、轻微磨损状态和严重磨损状态等3种类别。首先，需要网络的目标和输入样本。对伞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K系列减速机内部轮齿故障类型定为正常状态数据、轻微磨损状态数据和严重磨损状态3种。
伞齿轮减速机振动信号的神经网络分析，经过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随着内部轮齿磨损量增加的变化规律。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K系列减速机内部轮齿磨损的训练特征向量和检验特征参量，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。虽然 BP 网络得到了广泛应用，但其自身也存在一些不足，包括几个方面的问题。
(1) 由于伞齿轮减速机学习速率是固定的，因此，网络的收敛速度慢，需要较长的训练时间。对于一些复杂的问题， BP 算法需要的训练时间可能会非常长。这主要是由于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；
(2) 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最小值，这是因为采用梯度下降法可能会产生一个局部最小值。对于这个问题，K系列减速机可以用附加动量法来解决；
(3)伞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，一般是根据经验或者通过反复实验确定。因此，网络往往存在很大的冗余性，一定程度上增加了网络学习的负担；
(4) 网络的记忆和学习具有不稳定性。也就是说，如果增加了学习样本，训练好的网络就得重从头开始重新训练，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一 BP网络的缺陷和不足。http://www.vemte.com/Products/k97jiansuji.html