Um conjunto de dados de engrenagens de malha dinâmica para inspeção de qualidade na fabricação de redutores de veículos elétricos

Por que engrenagens silenciosas são importantes para carros elétricos

À medida que os carros elétricos se tornam mais comuns, o suave zumbido que você ouve na cabine é cada vez mais determinado não pelo motor, mas pelas engrenagens que conectam o motor às rodas. Pequenas imperfeições nos dentes dessas engrenagens podem transformar-se em assobios ou vibrações incômodas, prejudicando o conforto e gerando custos adicionais para os fabricantes. Este estudo apresenta um novo conjunto de dados do mundo real sobre o comportamento das engrenagens redutoras de veículos elétricos em funcionamento, fornecendo a engenheiros e cientistas de dados o material bruto necessário para construir verificações de qualidade mais rápidas e precisas que mantenham os futuros carros elétricos silenciosos.

Da inspeção lenta à escuta rápida

Hoje, muitos fabricantes inspecionam engrenagens escaneando cuidadosamente a superfície de cada dente e usando uma ferramenta matemática chamada análise de Fourier para procurar ondulações indesejadas. Embora precisa, essa técnica é dolorosamente lenta: checar uma única engrenagem pode levar quase uma hora, tornando impossível testar cada peça numa linha de produção de alto volume. Pior ainda, uma engrenagem que parece aceitável nesse teste estático pode ainda se comportar mal quando instalada e girando em alta velocidade, resultando em ruído severo e reparos caros depois que o carro é montado.

Uma nova maneira de avaliar engrenagens em movimento

Os autores propõem uma abordagem mais prática: em vez de apenas examinar a superfície dos dentes, eles medem diretamente como um par de engrenagens se comporta enquanto engrena sob velocidade e carga variáveis, muito mais próximo do que ocorre na condução real. Construíram um equipamento de teste com um motor de acionamento, um motor de carga e um sensor de vibração sensível posicionado perto do eixo. Cada par de engrenagens é submetido a acelerações e desacelerações controladas, de velocidades semelhantes à marcha lenta até vários milhares de rotações por minuto, enquanto sinais de vibração e de velocidade são registrados em detalhe. Em seguida, essas mesmas engrenagens passam por medições de superfície de alta precisão e por testes finais na montadora, que são usados para rotular cada engrenagem como saudável ou pertencente a um tipo específico de problema.

O que torna este conjunto de dados diferente

O recurso resultante, chamado Dynamic Meshing Transmission Dataset (DMTD), foca em cinco estados realistas de engrenagem que surgem na produção: engrenagens saudáveis; engrenagens com ondulações periódicas sutis que causam um assobio característico; engrenagens com pequenas saliências que produzem um som de clique; e engrenagens que exibem sinais de retificação deficiente e dano superficial. Ao contrário de conjuntos de dados de engrenagens anteriores criados em laboratórios — onde dentes eram deliberadamente rachados, lascados ou desgastados sob condições operacionais simples — estes dados vêm de linhas de fabricação reais, com toda a variação complexa de máquinas-ferramenta, lotes e ajustes de controle. Os testes cobrem velocidades de cerca de 100 até 2.450 rotações por minuto e incluem tanto acelerações quanto reduções de velocidade, capturando como o comportamento do ruído muda ao longo da faixa de operação.

Transformando ruído bruto em padrões claros

Como esses sinais de vibração mudam com a velocidade, a equipe os processa em uma visão por “ordem” que alinha os dados à frequência com que os dentes engrenam, em vez de apenas ao tempo. Nessa representação, cada tipo de engrenagem mostra um padrão distinto: engrenagens saudáveis têm assinaturas limpas e regulares; pequenas saliências adicionam picos de impacto repetitivos; e os tipos que causam o assobio revelam picos fortes em múltiplos específicos da frequência de engrenamento, correspondendo aos tons que os motoristas ouviriam como um assobio. Engrenagens com retificação falha destacam-se com vibração geral muito mais forte e uma banda de falha nitidamente marcada. Usando esses sinais processados, os pesquisadores treinaram uma rede neural convolucional unidimensional — um modelo moderno de reconhecimento de padrões — que pôde distinguir de forma confiável os cinco estados. Ao comparar o desempenho com três conjuntos de dados laboratoriais amplamente usados, o novo DMTD ofereceu desempenho pelo menos tão bom e, frequentemente, melhor, apesar de ser mais complexo e mais próximo das condições do mundo real.

Como isso ajuda os futuros carros elétricos

O DMTD é mais do que uma coleção de sinais; é uma referência que permite aos pesquisadores testar novos algoritmos para inspeção de qualidade de engrenagens e previsão de ruído sob condições que espelham a prática real de fábrica. Ao capturar como pequenas imperfeições de fabricação se traduzem diretamente em vibração e som, esse conjunto de dados pode orientar melhorias tanto na fabricação de engrenagens quanto no diagnóstico automático de falhas. Em termos práticos, isso significa ajudar as montadoras a identificar engrenagens problemáticas em cerca de um minuto em vez de uma hora, reduzir questões de ruído custosas antes que os carros saiam da fábrica e entregar veículos elétricos mais silenciosos e confortáveis aos motoristas.

Citação: 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

Palavras-chave: engrenagens de veículos elétricos, dados de vibração, ruído de engrenagem, qualidade de fabricação, diagnóstico de falhas