Датасет динамического зацепления трансмиссии для контроля качества изготовления редукторных шестерён электромобилей

Почему тихие шестерни важны для электромобилей

По мере роста распространения электромобилей тот лёгкий жужжащий звук в салоне всё чаще формируется не двигателем, а шестернями, передающими момент от мотора к колесам. Мелкие дефекты на зубьях шестерён могут превратиться в неприятные завывания или вибрации, ухудшающие комфорт и увеличивающие издержки производителей. В этом исследовании представлен новый, реалистичный датасет того, как редукторные шестерни электромобиля действительно ведут себя в работе, предоставляющий инженерам и специалистам по данным исходный материал для создания быстрых и точных проверок качества, которые помогут сохранить будущие электромобили тихими.

От медленной инспекции к быстрому «прослушиванию»

Сегодня многие производители проверяют шестерни, тщательно сканируя поверхность каждого зуба и применяя математический инструмент под названием преобразование Фурье для поиска нежелательных рябей. Хотя метод точен, он крайне медленный: проверка одной шестерни может занимать почти час, что делает невозможным проверять каждую деталь на конвейере крупносерийного производства. Ещё хуже то, что шестерня, которая выглядит приемлемой при таком статическом тесте, может вести себя иначе после установки и вращения на высокой скорости, вызывая резкий шум и дорогостоящие рекламации после сборки автомобиля.

Новый способ оценивать шестерни в движении

Авторы предлагают более практичный подход: вместо простого осмотра поверхности зуба они непосредственно измеряют, как пара шестерён работает при зацеплении при меняющейся скорости и нагрузке — ближе к реальным условиям вождения. Они собрали испытательный стенд с приводным мотором, мотором нагружения и чувствительным вибрационным датчиком, установленным рядом с валом. Каждая пара шестерён прогонялась через контролируемое ускорение и замедление от скоростей, сопоставимых с холостым ходом, до нескольких тысяч оборотов в минуту, при этом подробно записывались сигналы вибрации и скорости. Затем те же самые шестерни проходили высокоточные измерения поверхности и финальные испытания на заводе-изготовителе, которые использовались для маркировки каждой шестерни как исправной или относящейся к определённому типу дефекта.

Чем этот датасет отличается

Полученный ресурс, названный Dynamic Meshing Transmission Dataset (DMTD), сосредоточен на пяти реалистичных состояниях шестерён, встречающихся в производстве: исправные шестерни; шестерни с тонкими периодическими рябями, вызывающими характерное завывание; шестерни с небольшими шишками, дающими тикание; и шестерни с признаками плохого шлифования и повреждений поверхности. В отличие от ранних наборов данных по шестерням, создававшихся в лабораториях — где зубья намеренно трескали, откалывали или изнашивали при простых условиях эксплуатации — эти данные получены на реальных производственных линиях со всей их вариативностью станков, партий и настроек управления. Тесты охватывают скорости примерно от 100 до 2450 оборотов в минуту и включают как ускорение, так и замедление, что позволяет отследить изменение характера шума в диапазоне рабочих режимов.

Преобразование сырого шума в понятные паттерны

Поскольку сигналы вибрации зависят от скорости, команда обрабатывает их в представлении «по ордерам», которое выравнивает данные по частоте зацепления зубьев, а не просто по времени. В этом представлении каждый тип шестерни показывает отличительный узор: исправные шестерни имеют чистые, регулярные сигнатуры; лёгкие шишки добавляют повторяющиеся импульсы удара; а типы с «призрачным» завыванием проявляют сильные пики на конкретных кратных частоте зацепления, соответствующие тонам, которые водитель услышал бы как завывание. Шестерни с дефектным шлифованием выделяются сильно повышенной общей вибрацией и резко выражённой полосой дефекта. На основе этих обработанных сигналов исследователи обучили одномерную свёрточную нейронную сеть — современную модель распознавания образов — которая надёжно различала пять состояний. При сравнении с тремя широко используемыми лабораторными датасетами новый DMTD обеспечил не менее высокую, а часто и лучшую точность классификации, несмотря на большую сложность и близость к реальным условиям.

Как это помогает будущим электромобилям

DMTD — это больше, чем коллекция сигналов; это эталон, позволяющий исследователям тестировать новые алгоритмы контроля качества шестерён и прогнозирования шума в условиях, максимально близких к заводской практике. Фиксируя, как мелкие производственные погрешности прямо переводятся в вибрацию и звук, этот датасет может направлять улучшения как в изготовлении шестерён, так и в автоматической диагностике дефектов. Проще говоря, это помогает производителям обнаруживать проблемные шестерни примерно за минуту вместо часа, снижать дорогие шумовые проблемы до того, как автомобили покинут завод, и поставлять водителям более тихие и комфортные электромобили.

Цитирование: 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

Ключевые слова: шестерни электромобиля, данные вибрации, шум шестерён, качество производства, диагностика дефектов