锥齿轮减速机小波分析结合。目前锥齿轮减速机小波分析和神经网络结合的途径主要有两种:
(1) 锥齿轮减速机松散型结合：即小波分析作为神经网络的前置处理手段，为神经网络提供输入特征向量；
(2) 锥齿轮减速机紧致型结合：小波和神经网络直接融合，即用小波函数和尺度函数形成神经元。
齿轮减速马达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齿轮减速马达小波神经网络。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，也可以为锥齿轮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。但齿轮减速马达若有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，但锥齿轮减速机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。这对齿轮减速马达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。
锥齿轮减速机小波网络技术充分的利用了小波包完全分解的特性和神经网络在智能识别方面的优势，通过将从故障锥齿轮减速机上采集到的振动信号进行小波包分解，提取能反映减速机故障信息的小波包分解系数或小波包分解误差值，将其作为特征向量输入神经网络进行智能识别来对齿轮减速马达进行故障监测和识别。齿轮减速马达故障诊断系统的训练(a)和实测(b)数据验证流程图。神经网络理论及其在减速机故障诊断模式识别上的应用，结合例子说明神经网络方法在减速机故障诊断工作中的可行性，指出了传统神经网络在齿轮减速马达故障模式识别上的优点与不足，并提出了锥齿轮减速机小波神经网络的概念和其优势。本文提出小波包能量特征的思想，将采集到的减速机振动信号进行小波包分解，通过分析观测信号在锥齿轮减速机小波包某一分解层次上不同时频分辨空间中的能量分布，进行减速机运行状态的特征提取，对提取的特征用神经网络技术进行故障识别、分类，得到故障分类类型，从而建立起齿轮减速马达运行状态的实时监测体系。这种方法在减速机运行工况的模式识别领域具有广阔的应用前景。http://www.vemte.com/nmrvjiansuji.html