Zestaw danych dynamicznego zazębiania przekładni do kontroli jakości produkcji kół zębatych reduktorów pojazdów elektrycznych

Dlaczego ciche koła zębate mają znaczenie w samochodach elektrycznych

W miarę jak samochody elektryczne stają się powszechniejsze, delikatne brzęczenie słyszane w kabinie coraz częściej pochodzi nie od silnika, lecz od przekładni łączącej silnik z kołami. Drobne wady na powierzchni zębów mogą przekształcić się w irytujące piskanie lub drgania, obniżając komfort i generując koszty dla producentów. Niniejsze badanie przedstawia nowy, rzeczywisty zestaw danych pokazujący, jak reduktory pojazdów elektrycznych zachowują się w trakcie pracy, dostarczając inżynierom i naukowcom zajmującym się danymi surowy materiał potrzebny do tworzenia szybszych i dokładniejszych kontroli jakości, które pomogą utrzymać ciszę w przyszłych autach elektrycznych.

Od powolnej inspekcji do szybkiego „słuchania”

Obecnie wielu producentów kontroluje koła zębate, dokładnie skanując powierzchnię każdego zęba i wykorzystując narzędzie matematyczne zwane analizą Fouriera do wykrywania niepożądanych falistości. Choć precyzyjna, metoda ta jest niezwykle czasochłonna: sprawdzenie pojedynczego koła może zająć blisko godzinę, co uniemożliwia testowanie każdego elementu na linii masowej produkcji. Co gorsza, przekładnia, która w statycznym teście wygląda akceptowalnie, może nadal zachowywać się nieprawidłowo po zamontowaniu i obrocie z dużą prędkością, powodując uciążliwy hałas i kosztowne naprawy po złożeniu samochodu.

Nowy sposób oceny kół w ruchu

Autorzy proponują praktyczniejsze podejście: zamiast jedynie badać powierzchnię zębów, mierzą bezpośrednio zachowanie pary kół podczas zazębiania przy zmiennej prędkości i obciążeniu — znacznie bliżej rzeczywistych warunków jazdy. Zbudowali stanowisko badawcze z silnikiem napędowym, silnikiem obciążającym oraz czułym czujnikiem wibracji umieszczonym przy wale. Każda para kół była poddawana kontrolowanemu przyspieszaniu i hamowaniu od prędkości zbliżonych do jałowych aż do kilku tysięcy obrotów na minutę, podczas gdy sygnały wibracji i prędkości były rejestrowane w szczegółach. Następnie te same koła przeszły precyzyjne pomiary powierzchni oraz testy końcowe u producenta pojazdu, które posłużyły do oznaczenia każdego koła jako zdrowego lub należącego do konkretnego typu usterki.

Czym różni się ten zestaw danych

Otrzymane źródło, nazwane Dynamic Meshing Transmission Dataset (DMTD), koncentruje się na pięciu realistycznych stanach kół zębatych występujących w produkcji: koła zdrowe, koła z subtelnymi periodycznymi falistościami powodującymi charakterystyczne piskanie, koła z drobnymi wybrzuszeniami dającymi odgłos tykania oraz koła wykazujące oznaki złego szlifowania i uszkodzeń powierzchni. W przeciwieństwie do wcześniejszych zbiorów danych tworzonych w laboratoriach — gdzie zęby były celowo pękane, odpryskiwane lub ścierane w prostych warunkach roboczych — dane te pochodzą z rzeczywistych linii produkcyjnych, z całą ich zmiennością maszyn, partii i ustawień sterowania. Testy obejmują prędkości od około 100 do 2450 obrotów na minutę i zawierają zarówno przyspieszanie, jak i hamowanie, rejestrując zmiany zachowania hałasu w całym zakresie jazdy.

Przekształcanie surowego hałasu w czytelne wzorce

Ponieważ sygnały wibracyjne zmieniają się wraz z prędkością, zespół przetwarza je do widoku „rządów” (order view), który wyrównuje dane względem częstotliwości zazębiania zębów, zamiast względem czasu. W tym widoku każdy typ koła ujawnia odrębny wzorzec: koła zdrowe mają czyste, regularne sygnatury; drobne wybrzuszenia dodają powtarzające się impulsy uderzeniowe; a typy powodujące świst pokazują wyraźne piki przy określonych wielokrotnościach częstotliwości zazębiania, odpowiadające tonom, które kierowcy usłyszeliby jako pisk. Koła ze słabym szlifowaniem wyróżniają się znacznie silniejszymi ogólnymi wibracjami oraz wyraźnie zaznaczoną pasmową usterką. Na podstawie tych przetworzonych sygnałów badacze wytrenowali jednowymiarową splotową sieć neuronową — nowoczesny model rozpoznawania wzorców — który niezawodnie odróżnia pięć stanów. W porównaniu z trzema powszechnie używanymi zestawami laboratoryjnymi, nowy DMTD zapewniał co najmniej taką samą, a często lepszą, klasyfikację, mimo że jest bardziej złożony i bliższy warunkom rzeczywistym.

Jak to pomaga przyszłym samochodom elektrycznym

DMTD to więcej niż zbiór sygnałów; to punkt odniesienia, który pozwala badaczom testować nowe algorytmy do inspekcji jakości kół zębatych i prognozowania hałasu w warunkach zbliżonych do praktyki fabrycznej. Dzięki uchwyceniu sposobu, w jaki drobne niedoskonałości produkcyjne przekładają się bezpośrednio na wibracje i dźwięk, zestaw ten może naprowadzić ulepszenia zarówno w technologii wytwarzania kół, jak i w automatycznej diagnostyce usterek. W praktyce oznacza to, że producenci mogą wykrywać problematyczne koła w około minutę zamiast godziny, zmniejszać kosztowne problemy z hałasem zanim samochody opuszczą fabrykę i dostarczać kierowcom cichsze, bardziej komfortowe pojazdy elektryczne.

Cytowanie: 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

Słowa kluczowe: koła zębate pojazdów elektrycznych, dane wibracyjne, hałas zębaty, jakość produkcji, diagnostyka uszkodzeń