En dynamisk meshningsöverföringsdatamängd för tillverkningskvalitetsinspektion av reduktionsväxlar för elfordon

Varför tysta växlar är viktiga för elbilar

När elbilar blir vanligare formas det mjuka surrandet i kupén i allt större utsträckning inte av en motor utan av växlarna som förbinder motorn med hjulen. Små defekter på växeltänderna kan bli till irriterande vinanden eller vibrationer, vilket påverkar komforten och ökar kostnader för tillverkare. Denna studie presenterar en ny, verklighetsnära datamängd över hur reduktionsväxlar för elfordon faktiskt beter sig under drift, och ger ingenjörer och datavetare det råmaterial de behöver för att bygga snabbare och mer träffsäkra kvalitetskontroller som håller framtida elbilar tysta.

Från långsam inspektion till snabb lyssning

Idag inspekterar många tillverkare växlar genom att noggrant skanna ytan på varje tand och använda ett matematiskt verktyg kallat Fourieranalys för att leta efter oönskade ojämnheter. Även om metoden är precis är den smärtsamt långsam: kontroll av en enskild växel kan ta nära en timme, vilket gör det omöjligt att testa varje del i en högvolymproduktionslinje. Än värre är att en växel som ser acceptabel ut i detta statiska test fortfarande kan bete sig illa när den är monterad och snurrar i hög hastighet, vilket leder till skarp buller och kostsamma reparationer efter att bilen är byggd.

Ett nytt sätt att bedöma växlar i rörelse

Författarna föreslår en mer praktisk metod: istället för att bara undersöka tandytan mäter de direkt hur ett växelpar beter sig medan tänderna mesh:ar under varierande hastighet och last, mycket närmare verklig körning. De byggde en testuppställning med en drivmotor, en lastmotor och en känslig vibrationssensor placerad nära axeln. Varje växelpar körs genom kontrollerade accelerationer och inbromsningar från ungefär tomgångsliknande hastigheter upp till flera tusen varv per minut, samtidigt som både vibrations- och hastsignaler registreras i detalj. Därefter genomgår samma växlar högprecisa yt-mätningar och slutkontroller hos fordonsbyggaren, vilka används för att märka varje växel som frisk eller tillhörande en specifik feltyp.

Vad som gör denna datamängd annorlunda

Den resulterande resursen, kallad Dynamic Meshing Transmission Dataset (DMTD), fokuserar på fem realistiska växellägen som uppstår i produktionen: friska växlar, växlar med subtila periodiska ojämnheter som ger ett karaktäristiskt vinande ljud, växlar med små gupp som ger ett tickande ljud, och växlar som visar tecken på dålig slipning och ytskador. Till skillnad från tidigare växeldatamängder skapade i laboratorier — där tänder avsiktligt spruckits, kantats eller slitits under enkla driftförhållanden — kommer dessa data från verkliga produktionslinjer, med all deras stökiga variation i maskiner, satser och styrinställningar. Tester täcker hastigheter från cirka 100 till 2 450 varv per minut och inkluderar både acceleration och inbromsning, vilket fångar hur ljudbeteendet förändras över körområdet.

Att omvandla rått brus till tydliga mönster

Eftersom dessa vibrationssignaler förändras med hastigheten bearbetar teamet dem till en "order"-vy som linjerar upp data med hur ofta växeltänderna mesh:ar, snarare än bara med tiden. I denna vy visar varje växeltyp ett utpräglat mönster: friska växlar har rena, regelbundna signaturer; små gupp lägger till upprepade impulsspikar; och de spökliknande vinandetyperna uppvisar starka toppar vid specifika multiplar av mesh-frekvensen, vilket motsvarar de toner som förare skulle uppfatta som ett vin. Växlar med bristfällig slipning sticker ut med mycket starkare total vibration och ett tydligt markerat felband. Med dessa processade signaler tränade forskarna ett endimensionellt konvolutionellt neuralt nätverk — en modern mönsterigenkänningsmodell — som pålitligt kunde skilja de fem tillstånden åt. När de jämförde prestanda mot tre vida använda laboratoriedatamängder stödde nya DMTD åtminstone lika bra, och ofta bättre, klassificering trots att den är mer komplex och närmare verkliga förhållanden.

Hur detta hjälper framtida elbilar

DMTD är mer än en samling signaler; det är ett riktmärke som låter forskare testa nya algoritmer för växelkvalitetsinspektion och ljudförutsägelse under förhållanden som speglar verklig fabrikspraxis. Genom att fånga hur små tillverkningsimperfektioner direkt översätts till vibration och ljud kan denna datamängd vägleda förbättringar både i växeltillverkning och i automatisk felsökning. I praktiska termer innebär det att hjälpa biltillverkare att upptäcka problematiska växlar på ungefär en minut istället för en timme, minska kostsamma bullerproblem innan bilar lämnar fabriken och leverera tystare, bekvämare elfordon till förare.

Citering: 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

Nyckelord: växlar för elfordon, vibrationsdata, växelljud, tillverkningskvalitet, felsökning