Ein dynamisches Verzahnungs-Übertragungsdatenset für die Qualitätsprüfung von Reduziergetrieben für Elektrofahrzeuge

Warum leise Zahnräder für Elektroautos wichtig sind

Da Elektroautos immer häufiger werden, wird das leise Summen im Innenraum zunehmend nicht vom Motor, sondern von den Zahnrädern geprägt, die den Motor mit den Rädern verbinden. Kleine Fehler an den Zahnflanken können sich zu störenden Pfeif- oder Brummgeräuschen entwickeln, den Komfort beeinträchtigen und Herstellern zusätzliche Kosten verursachen. Diese Studie stellt ein neues, praxisnahes Datenset vor, das zeigt, wie Reduziergetriebe von Elektrofahrzeugen im Betrieb tatsächlich reagieren, und liefert Ingenieuren und Datenwissenschaftlern das Rohmaterial, das sie benötigen, um schnellere und präzisere Qualitätsprüfungen zu entwickeln, die künftige Elektrofahrzeuge leiser halten.

Von langsamer Inspektion zum schnellen Zuhören

Heute prüfen viele Hersteller Zahnräder, indem sie die Oberfläche jeder Zahnung sorgfältig abtasten und ein mathematisches Werkzeug namens Fourier-Analyse verwenden, um unerwünschte Welligkeiten zu erkennen. Zwar ist diese Methode präzise, doch sie ist quälend langsam: Die Prüfung eines einzelnen Zahnrads kann fast eine Stunde dauern, sodass es unmöglich ist, auf einer Massenproduktionslinie jedes Teil zu testen. Noch schlimmer ist, dass ein Zahnrad, das bei diesem statischen Test akzeptabel erscheint, sich nach dem Einbau und bei hohen Drehzahlen immer noch störend verhalten kann und zu lauten Geräuschen und kostspieligen Reparaturen führt, nachdem das Auto bereits gebaut wurde.

Eine neue Methode, Zahnräder in Bewegung zu beurteilen

Die Autoren schlagen einen praktischeren Ansatz vor: Statt nur die Zahnoberfläche zu untersuchen, messen sie direkt, wie ein Zahnradpaar beim Verzahnen unter wechselnder Geschwindigkeit und Last reagiert — deutlich näher am realen Fahrbetrieb. Sie bauten einen Prüfstand mit einem Antriebsmotor, einem Lastmotor und einem empfindlichen Vibrationssensor in der Nähe der Welle. Jedes Zahnradpaar wurde durch kontrollierte Beschleunigungs- und Verzögerungsphasen betrieben, von etwa leerlaufähnlichen Drehzahlen bis zu mehreren tausend Umdrehungen pro Minute, während sowohl Vibrations- als auch Drehzahlsignale detailliert aufgezeichnet wurden. Anschließend unterzogen die exakt gleichen Zahnräder hochpräzisen Oberflächenmessungen und End-of-Line-Tests beim Fahrzeughersteller, die zur Kennzeichnung jedes Zahnrads als gesund oder als einem bestimmten Fehlerbild zugehörig verwendet wurden.

Was dieses Datenset unterscheidet

Die daraus entstandene Ressource, das Dynamic Meshing Transmission Dataset (DMTD), konzentriert sich auf fünf realistische Zahnradzustände, die in der Produktion auftreten: gesunde Zahnräder, Zahnräder mit subtilen periodischen Welligkeiten, die ein charakteristisches Pfeifen verursachen, Zahnräder mit kleinen Beulen, die ein tickendes Geräusch erzeugen, und Zahnräder, die Anzeichen von schlechter Schleifbearbeitung und Oberflächenschäden zeigen. Anders als frühere, im Labor erzeugte Zahnrad-Datensätze — in denen Zähne gezielt eingerissen, abgesplittert oder unter vereinfachten Betriebsbedingungen verschlissen wurden — stammen diese Daten aus tatsächlichen Fertigungslinien mit all ihren unordentlichen Variationen in Werkzeugmaschinen, Chargen und Steuerparametern. Die Tests decken Drehzahlen von etwa 100 bis 2.450 Umdrehungen pro Minute ab und umfassen sowohl Beschleunigungs- als auch Verzögerungsphasen, sodass sich das Veränderungsverhalten der Geräuschentwicklung über den Fahrbereich einfangen lässt.

Rohes Rauschen in klare Muster verwandeln

Da sich diese Vibrationssignale mit der Drehzahl ändern, verarbeitet das Team sie zu einer „Order“-Ansicht, die die Daten mit der Häufigkeit des Zahnflankenkontakts statt nur mit der Zeit ausrichtet. In dieser Darstellung zeigt jeder Zahnradtyp ein charakteristisches Muster: Gesunde Zahnräder haben saubere, regelmäßige Signaturen; leichte Beulen führen zu wiederkehrenden Impulsstößen; und die Pfeiftypen zeigen starke Spitzen bei bestimmten Vielfachen der Verzahnungsfrequenz, die den Tönen entsprechen, die Fahrer als Pfeifen wahrnehmen würden. Zahnräder mit mangelhafter Schleifbearbeitung fallen durch deutlich stärkere Gesamtvibration und ein scharf ausgeprägtes Fehlerband auf. Mit diesen verarbeiteten Signalen trainierten die Forscher ein eindimensionales Convolutional Neural Network — ein modernes Mustererkennungsmodell — das die fünf Zustände zuverlässig unterscheiden konnte. Beim Vergleich der Leistung mit drei weit verbreiteten Labordatensätzen lieferte das neue DMTD mindestens gleich gute und oft bessere Klassifikationsergebnisse, obwohl es komplexer und näher an realen Bedingungen ist.

Wie das künftigen Elektroautos hilft

DMTD ist mehr als eine Sammlung von Signalen; es ist ein Benchmark, mit dem Forschende neue Algorithmen zur Qualitätsprüfung von Zahnrädern und zur Geräuschvorhersage unter Bedingungen testen können, die der tatsächlichen Fabrikpraxis entsprechen. Indem es zeigt, wie kleine Fertigungsfehler direkt in Vibrationen und Schall übersetzt werden, kann dieses Datenset Verbesserungen sowohl in der Zahnradherstellung als auch in der automatischen Fehlerdiagnose anleiten. Alltagssprachlich bedeutet das: Herstellern zu helfen, problematische Zahnräder in etwa einer Minute statt einer Stunde zu erkennen, teure Geräuschprobleme zu reduzieren, bevor die Autos das Werk verlassen, und Fahrern leisere, komfortablere Elektrofahrzeuge zu liefern.

Zitation: Guo, D., Yang, J., Li, H. et al. A dynamic meshing transmission dataset for manufacturing quality inspection of electric vehicle reducer gears. Sci Data 13, 510 (2026). https://doi.org/10.1038/s41597-026-06885-1

Schlüsselwörter: Getriebe für Elektrofahrzeuge, Vibrationsdaten, Getriebegeräusche, Fertigungsqualität, Fehlerdiagnose