S系列减速机重构信号原理。S系列减速机小波包的分解系数的重构信号，即重构某一小波包，只需保留这一小波包的数据，而把这一层中其他小波包的数据置为零。然后把经处理的蜗轮蜗杆减速机小波包数据代入重构公式 (4.60) ，经过 J层重构之后就可以把这一小波包的时域分辨率提高到原来的大小(信号长度恢复)。分析该减速机的动信号的3层小波包分解结果不难看出，在节点 (3, 0) 和节点 (3, 1)处的小波包分解系数及蜗轮蜗杆减速机重构系数有明显周期性，S系列减速机观察它们各自的频谱图，已知节点 (3, 0) 处小波的频段为 {0 ～ 320Hz}，在这个频段中210Hz 这个频率所激起的能量最高 (520W) ，而该频率就是 Z2 齿轮的啮合频率。同样方法，节点 (3, 1) 处小波包的频段为 {320 ～ 640Hz} ，该频段内最大的能量峰值 (580W) 出现在420Hz处，此即为S系列减速机Z2 齿轮啮合频率的 2 倍频。
蜗轮蜗杆减速机小波神经网络通过上述两种途径的结合，形成了广义上的两种蜗轮蜗杆NMRV减速机小波神经网络。其中第2种类型的小波神经网络，即狭义上的小波神经网络，主要用于对非均匀性数据对的逼近。在故障诊断领域，多采用小波分析和神经网络的松散型结合方法。
把小波分析中的多分辨率技术和 Fourier 频谱技术结合起来，也可以为S系列减速机神经网络提供一种输入向量。 Fourier 变换的频谱谱线非常丰富，它们谱线值的组合能反映故障的特征，因此可以作为神经网络的特征输入向量。但蜗轮蜗杆减速机若有512条谱线，则需512个输入节点，显然使网络的结构过于庞大。这时可以用小波分析中的多分辨率技术，把 Fourier 频谱在一定尺度上分解为一离散逼近部分和若干离散细节部分。该逼近部分谱线数减少，但S系列齿轮减速器仍保留了原频谱的主要特征。如经过3层分解，逼近部分谱线数将降为原来的1/8，即64条。这对蜗轮蜗杆减速机旋转机械来说将极大简化输入特征向量的提取。为小波包分解系数作为网络特征量输入的神经网络模式分类模型示意图，图中输出层模式暂定为正常状态，轻微磨损，严重磨损3种状态。
考虑到S系列减速机的装配质量在很大程度上取决于主齿轴承正确的预紧程度和差速器主、被齿轮的正确啮合位置， (对带贯通轴中桥主减速器，还有贯通轴轴承的预紧程度)，而这些都取决于调整垫片厚度的正确选取。所以S系列减速机装配线拟改变传统凭经验试装选垫，而采用计算机控制测量尺寸链相关尺寸而正确选取调整垫片的厚度。主、从动齿轮安装距调整垫片组以智能选垫机采集主减壳、轴承座、过桥箱壳体、S系列减速机轴承等零部件的相关数据，计算机处理、网络传输数据至装配工位。http://www.vemte.com/Products/S37jiansuji.html