Een dynamische maasoverdrachtsdataset voor kwaliteitsinspectie van elektrische voertuigreductietanden

Waarom stille tandwielen belangrijk zijn voor elektrische auto9s

Naarmate elektrische auto9s vaker voorkomen, wordt het zachte zoemen dat je in de cabine hoort steeds minder bepaald door een motor en steeds meer door de tandwielen die de motor met de wielen verbinden. Kleine onvolkomenheden op die tanden kunnen zich vertalen in irritante gejank of trillingen, wat het comfort schaadt en de kosten voor fabrikanten verhoogt. Deze studie presenteert een nieuwe, realistische dataset van hoe reductietanden van elektrische voertuigen zich daadwerkelijk gedragen tijdens bedrijf, en biedt ingenieurs en datawetenschappers het ruwe materiaal dat ze nodig hebben om snellere, nauwkeurigere kwaliteitscontroles te ontwikkelen die toekomstige elektrische auto9s stil houden.

Van trage inspectie naar snel luisteren

Vandaag inspecteren veel fabrikanten tandwielen door het oppervlak van elke tand zorgvuldig te scannen en een wiskundig instrument genaamd Fourier-analyse te gebruiken om ongewenste rimpels op te sporen. Hoewel precies, is deze methode pijnlijk traag: het controleren van een enkel tandwiel kan bijna een uur duren, waardoor het onmogelijk is om elk stuk op een productielijn met hoog volume te testen. Nog erger is dat een tandwiel dat bij deze statische test acceptabel lijkt, zich alsnog mis kan gedragen zodra het is geïnstalleerd en bij hoge snelheid draait, wat leidt tot scherp geluid en kostbare reparaties nadat de auto is gebouwd.

Een nieuwe manier om tandwielen in beweging te beoordelen

De auteurs stellen een praktischer aanpak voor: in plaats van alleen het tandoppervlak te onderzoeken, meten zij direct hoe een tandwielpaar zich gedraagt tijdens het inspelen bij veranderende snelheid en belasting, veel dichter bij echt rijgedrag. Ze bouwden een testopstelling met een aandrijfmotor, een belastingsmotor en een gevoelige trillingssensor geplaatst bij de as. Elk tandwielpaar wordt door gecontroleerde acceleratie en deceleratie gevoerd, van ongeveer stationsachtige snelheden tot enkele duizenden omwentelingen per minuut, terwijl zowel trillings- als snelheidsignalen in detail worden geregistreerd. Achteraf ondergaan precies dezelfde tandwielen nauwkeurige oppervlaktemetingen en eindlijntests bij de autofabrikant, die worden gebruikt om elk tandwiel te labelen als gezond of behorend tot een specifiek probleemtype.

Wat deze dataset anders maakt

De resulterende bron, Dynamic Meshing Transmission Dataset (DMTD) genoemd, richt zich op vijf realistische tandwieltoestanden die in de productie voorkomen: gezonde tandwielen, tandwielen met subtiele periodieke rimpels die een kenmerkend gejank veroorzaken, tandwielen met kleine bultjes die een tikkend geluid produceren, en tandwielen die tekenen van slechte slijping en oppervlakteschade vertonen. In tegenstelling tot eerdere tandwieldatasets die in laboratoria werden gemaakt—waar tanden opzettelijk werden gebarsten, afgebroken of versleten onder eenvoudige bedrijfsomstandigheden—komen deze gegevens van daadwerkelijke productielijnen, met al hun rommelige variatie in werktuigmachines, batches en besturingsinstellingen. De tests bestrijken snelheden van ongeveer 100 tot 2.450 omwentelingen per minuut en omvatten zowel versnellen als vertragen, waarmee wordt vastgelegd hoe het geluidsgedrag verandert over het rijdomein.

Ruw geluid omzetten in heldere patronen

Aangezien deze trillingssignalen met de snelheid veranderen, verwerken het team ze tot een "order"-weergave die de gegevens uitlijnt op hoe vaak tandcontact plaatsvindt, in plaats van alleen op tijd. In deze weergave toont elk tandwieltype een duidelijk patroon: gezonde tandwielen hebben schone, regelmatige signaturen; lichte bultjes voegen herhalende impactpieken toe; en de spookachtige gejanktypes tonen sterke pieken op specifieke veelvouden van de maasfrequentie, overeenkomend met de tonen die bestuurders als gejank zouden horen. Tandwielen met slechte slijping vallen op door veel sterkere algehele trillingen en een scherp gemarkeerde foutband. Met behulp van deze verwerkte signalen trainden de onderzoekers een eendimensioneel convolutioneel neuraal netwerk—een modern patroonherkenningsmodel—dat de vijf toestanden betrouwbaar van elkaar kon onderscheiden. Bij vergelijking van de prestaties met drie veelgebruikte laboratoriumdatasets bleek dat de nieuwe DMTD minstens zo goed, en vaak beter, classificatie ondersteunde, ondanks dat de data complexer en dichter bij reële omstandigheden waren.

Hoe dit toekomstige elektrische auto9s helpt

DMTD is meer dan een verzameling signalen; het is een referentiekader waarmee onderzoekers nieuwe algoritmen voor tandwielkwaliteitsinspectie en geluidvoorspelling kunnen testen onder omstandigheden die de echte fabriekspraktijk weerspiegelen. Door vast te leggen hoe kleine productie-imperfecties zich direct vertalen in trillingen en geluid, kan deze dataset verbeteringen sturen in zowel tandwielproductie als automatische foutdiagnose. In alledaagse termen betekent dat dat autofabrikanten probleemgevoelige tandwielen in ongeveer een minuut in plaats van een uur kunnen opsporen, dure geluidsproblemen kunnen verminderen voordat voertuigen de fabriek verlaten, en stillere, comfortabelere elektrische voertuigen aan bestuurders kunnen leveren.

Bronvermelding: 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

Trefwoorden: tanden van elektrische voertuigen, vibratiegegevens, tandgeluid, productiekwaliteit, foutdiagnose