Оптимизатсияи устувори бисёрҳадафаи дастгиришаванда бо модели суррогатӣ — равиши ҳисоббарории оптимизатсия мебошад, ки барои ҷуфти чархдандонаи спиралӣ на танҳо иҷрои миёна дар шароити идеалии истеҳсол, балки дараҷаи тағйирёбии иҷроишро зери номуайяниҳои истеҳсолӣ, ба мисли хатои профил, низ ба ҳадафи тарҳ дохил мекунад. Дар ин таҳқиқот ду нишондиҳандаи асосии иҷроиш якҷоя баррасӣ шудаанд: хатои статикии интиқол аз қулла то қулла (peak-to-peak static transmission error, PPSTE) ва самаранокӣ \(\eta\) ки аз рӯи талафоти қувваи вобаста ба бор ҳисоб мешавад. PPSTE бо модели аналитикие ҳисоб шудааст, ки қаблан бо озмоишҳои воқеии хатои интиқоли чархдандона санҷида шудааст; самаранокӣ бошад бо ҳалкунандаи mixed elastohydrodynamic lubrication (EHL)-и бар омӯзиши мошинӣ асосёфта, ки қаблан таҳия шуда ва \(R^2>0.99\) гузориш шудааст, ҳисоб гардидааст.

Масъалаи асосии таҳқиқот чунин аст: тарҳи чархдандона метавонад дар ҳолати номиналӣ иҷрои хеле хуб дошта бошад, аммо вақте ҳангоми истеҳсол инҳирофҳои ногузири профил ва спирал ба вуҷуд меоянд, PPSTE ё самаранокӣ метавонад ба таври ҷиддӣ тағйир ёбад. Аз ин рӯ, танҳо ёфтани оптимуми геометрияи идеалӣ кофӣ нест. Барои тарҳи ба истеҳсоли воқеӣ устувортар ҳам иҷрои интизоршаванда бояд хуб бошад ва ҳам ҳассосият ба хатогиҳои истеҳсолӣ, яъне инҳирофи стандартии натиҷаҳо, паст бошад.

Барои ин мақсад муҳаққиқон ҳашт тағйирёбандаи номуайянии хатои профилро, ки ба ISO 1328-1 асос ёфтаанд, истифода бурданд: барои пинион ва чарх инҳирофи нишебии профил, инҳирофи нишебии спирал, амплитудаи мавҷнокии сатҳ ва басомади мавҷнокии сатҳ. Ин ҳашт тағйирёбанда тақсимоти нормалӣ дошта ва аз ҳам оморӣ мустақил қабул шуданд. Диапазони таҳаммул ҳамчун \(6\sigma\) модел карда шуд ва бинобар ин тақсимот берун аз ҳудудҳои таҳаммули ISO алоҳида бурида нашуд.

Геометрияи макро ва микрои чархдандона дар як давраи оптимизатсия якҷоя тағйир дода шуд. Тағйирёбандаҳои макро модулли нормалӣ, кунҷи фишори нормалӣ, шумораи дандонҳои пинион, кунҷи спирал ва паҳнои рӯй мебошанд. Дар қисми микрогеометрия барои пинион ва чарх миқдори сабуккунии нӯг, таносуби roll-length-и сабуккунии нӯг ва миқдори flank-line crowning оптимизатсия шуданд. Шумораи дандонҳои чарх ҳамчун тағйирёбандаи мустақил ҷустуҷӯ нашуда, аз таносуби ҳадафии интиқол ва шумораи дандонҳои пинион ҳосил карда шуд.

Барои ҳар тарҳи номзад як модели бузурги суррогатӣ, ки тамоми фазои тарҳ + номуайяниро фаро гирад, сохта нашуд. Ба ҷойи ин, геометрияи макро/микрои тарҳи номзад собит карда шуда, танҳо дар фазои маҳаллии ҳаштченакаи номуайянӣ модели суррогатии махсуси тарҳ аз навъи Kriging ё radial basis function (RBF) сохта шуд. Бо ин роҳ аз талаботи маълумотии модели глобалии surrogate-и баландченака канорагирӣ шуд.

Дар танзими асосӣ барои ҳар тарҳи номзад 20 баҳодиҳии гарони физикӣ/ҳалкунанда истифода шуд. Дар усулҳои Kriging-based Monte Carlo (KBMC) ва RBF-based Monte Carlo (RBMC) аз ҳамин 20 нуқта модели суррогатӣ сохта шуда, сипас 10.000 намунаи Monte Carlo дар рӯи модели суррогатӣ баҳогузорӣ гардид. Дар Simple Monte Carlo (SMC) бошад, миёна ва инҳирофи стандартии ҳамон 20 намунаи физикӣ бевосита истифода шуданд. Ҳалли ниҳоии Pareto инчунин мустақил аз модели суррогатӣ бо 1.000 намунаи пурраи физикии Monte Carlo аз нав баҳогузорӣ шуданд.

Дар муқоисаи асосӣ бо ISO Class 6 ва 20 намунаи омӯзишӣ, инҳирофи стандартии миёнаи PPSTE байни ҳалли оптималӣ аз 0.41819 дар оптимизатсияи детерминистӣ ба 0.19869 дар KBMC коҳиш ёфт. Ин маъно дорад, ки арзиши KBMC тақрибан %48-и DO мебошад, яъне тағйирёбии PPSTE тақрибан %52 кам шудааст. Инҳирофи стандартии самаранокӣ дар ҳамин муқоиса аз \(1.41\times10^{-5}\) ба \(9.88\times10^{-6}\) поин рафт; арзиши KBMC тақрибан %70-и сатҳи DO аст.

Ҳангоми муқоисаи тарҳҳои ниҳоии интихобшудаи DO ва KBMC, самаранокии миёна дар ҳар ду тарҳ 0.99974 аст. Аммо инҳирофи стандартии PPSTE дар DO 0.48 μm ва дар KBMC 0.13 μm, инҳирофи стандартии самаранокӣ бошад аз \(7.75\times10^{-6}\) ба \(4.70\times10^{-6}\) коҳиш ёфтааст. Аз ин рӯ, фоидаи асосии тарҳи устувор на танҳо беҳтар кардани миёнаи номиналӣ, балки танг кардани тақсимоти иҷроиш дар шароити хатогиҳои истеҳсолӣ мебошад.

Ҳадди муҳими тафсир: ин таҳқиқот таҷрибаи нави истеҳсол ва муқоисаи тарҳи ниҳоии KBMC дар стенди физикиро пешниҳод намекунад. Натиҷаҳои ниҳоии robust бо модели аналитикии PPSTE, ҳалкунандаи қаблан таҳияшудаи ML-EHL барои самаранокӣ, моделҳои суррогатӣ ва баҳодиҳии Monte Carlo ба даст омадаанд. Бинобар ин, натиҷаҳоро набояд ҳамчун кафолат маънидод кард, ки “ин чархдандона дар истеҳсоли воқеӣ ҳатман ҳамин қадар ором ё самаранок хоҳад буд”.

Оптимизатсияи Устувор Чист ва Чаро Аз Оптимизатсияи Детерминистӣ Фарқ Мекунад?

Оптимизатсияи устувор ба ҷойи ҷустуҷӯи танҳо тарҳе, ки дар шароити идеалӣ ё номиналии истеҳсол беҳтарин иҷроиш дорад, тарҳеро меҷӯяд, ки зери номуайяниҳои истеҳсол ва кор низ иҷроишаш то ҳадди имкон устувор мемонад; дар ин таҳқиқот устуворӣ маънои ҳамзамон ҳадаф гирифтани миёнаи хуби PPSTE/самаранокӣ ва инҳирофи стандартии пастро дорад.

Оптимизатсияи детерминистӣ чӣ мекунад?

Оптимизатсияи детерминистӣ (DO) геометрияи номзади чархдандонаро дар қиматҳои муайяни номиналӣ баҳогузорӣ мекунад. Агар ҳисоб тавре сурат гирад, ки гӯё хатои профил вуҷуд надорад ё танҳо як геометрияи муайян ҳаст, нуқтаи хеле хуб интихоб шуданаш мумкин. Аммо агар ин оптимум ба тағйироти хурди геометрие, ки таҳаммулҳои истеҳсолӣ ба вуҷуд меоранд, хеле ҳассос бошад, иҷроиши интизоршаванда дар истеҳсоли воқеӣ метавонад ноустувор гардад.

“Robust”, яъне устувор будан чӣ маъно дорад?

Манбаъ устувориро бо ду ҷузъ шарҳ медиҳад. Якум миёна, яъне сатҳи интизоршавандаи иҷроиш зери номуайянӣ. Дуюм инҳирофи стандартӣ, яъне ҳангоми рух додани хатогиҳои истеҳсолӣ иҷроиш то чӣ андоза дар атрофи миёна паҳн мешавад. Тарҳи устувор на танҳо миёнаро хуб нигоҳ медорад, балки кӯшиш мекунад тақсимотро низ танг кунад.

Чаро интихоби танҳо беҳтарин нуқтаи номиналӣ хатарнок аст?

Нуқтаи оптималӣ метавонад дар қисми хеле нишеби фазои тарҳ ҷой дошта бошад. Агар бо чанд микрометр инҳироф аз геометрияи номиналӣ PPSTE зуд афзояд, чунин тарҳ ҳатто агар аз ҷиҳати математикӣ оптималӣ бошад ҳам, аз назари истеҳсолӣ нозук аст. Баръакс, тарҳе бо иҷроиши номиналии каме хоксортар, вале ба тағйироти гирду атроф камҳассос, метавонад дар истеҳсоли силсилавӣ натиҷаи устувортар диҳад.

PPSTE Чист ва Чаро Бо Садои Чархдандона Алоқаманд Аст?

Хатои статикии интиқол аз қулла то қулла (PPSTE) фарқи байни қиматҳои максималӣ ва минималии каҷи хатои статикии интиқолро байни ҳаракати кинематикии идеалӣ ва мавқеи воқеии интиқоли чархдандона зери бор ифода мекунад ва барои баҳодиҳии тамоюли ларзиш/садои аз илиниши чархдандона ба вуҷудомада истифода мешавад.

Transmission error чиро нишон медиҳад?

Дар ҷуфти идеалии чархдандона мавқеъҳои кунҷии чархдандонаҳои даромад ва баромад таносуби назариявии бо шумораи дандонҳо муайяншударо пайгирӣ мекунанд. Дар воқеият бинобар деформатсияи чандири дандонҳо, тағйири сахтии илиниш, модификатсияҳои сатҳ ва хатогиҳои геометрӣ мавқеи воқеии баромад метавонад каме аз мавқеи идеалӣ фарқ кунад. Ин фарқ transmission error ном дорад.

Чаро “peak-to-peak” истифода мешавад?

Як қимати миёнаи хатои интиқол нишон намедиҳад, ки хато дар давраи чархдандона то чӣ андоза тағйир мекунад. PPSTE диапазони умумии тағйирот байни сатҳи баландтарин ва пасттарини каҷи хатои интиқолро чен мекунад. Аз ин рӯ, бо кам шудани PPSTE тағйири ангезиши илиниш низ камтар буданаш интизор мешавад.

PPSTE дар ин таҳқиқот чӣ гуна ҳисоб шуд?

Барои PPSTE муҳаққиқон модели аналитикии қаблан таҳияшудаи Im ва ҳамкоронашро истифода бурданд. Сахтии илиниш бо модели Chung ва ҳамкоронаш, хатогиҳои профил бошад бо модели Wang ва Zhang ифода шуданд. Манбаъ мегӯяд, ки модели аналитикии transmission-error қаблан бо таҷрибаҳои хатои интиқол дар ҷуфтҳои воқеии чархдандона санҷида шудааст.

Оё дар ин таҳқиқот стенди нави таҷрибавии PPSTE сохта шуд?

Не. Модели аналитикии қаблан санҷидашуда ҳамчун муҳаррики ҳисоббарории ин таҳқиқот истифода шудааст. Навоварии мақола ҷойгир кардани ин модел дар чорчӯбаи robust multi-objective optimization ва номуайянии истеҳсолӣ аст.

Оё Ҳалкунандаи Самаранокии Бар EHL Асосёфта ва Модели Суррогатии Kriging Як Чизанд?

Не; дар таҳқиқот ду қабати гуногуни модели тезондашуда мавҷуд аст: ҳалкунандаи mixed-EHL-и бар омӯзиши мошинӣ асосёфта, ки самаранокии чархдандонаро ҳисоб мекунад, ҳалкунандаи иҷроиши қаблан таҳияшуда аст; Kriging ва RBF бошад қабати дуюми модели суррогатӣ ҳастанд, ки дар ин мақола барои наздиксозии ҷавобҳои PPSTE ва самаранокӣ дар фазои номуайянии хатои профил ва тезонидани таҳлили Monte Carlo сохта шудаанд.

EHL чӣ маъно дорад?

Молидани эластогидродинамикӣ (elastohydrodynamic lubrication, EHL), режими молиданест, ки дар контактҳои молидшудаи ғелиш/лағзиш зери фишори баланди тамос ҳам рафтори гидродинамикии равған ва ҳам деформатсияи чандири сатҳҳои тамоскунанда якҷоя муҳиманд.

Чаро Mixed EHL истифода мешавад?

Ҳалкунандаи қаблии бар омӯзиши мошинӣ асосёфта, ки дар манбаъ истифода шудааст, таҳлили mixed EHL ва ноҳамвории сатҳро ба ҳисоб мегирад. Он барои ҳисоб кардани талафоти қувваи вобаста ба бор ва аз ин роҳ муайян кардани самаранокии ҷуфти чархдандона истифода мешавад.

Оё ин мақола модели омӯзиши мошинии EHL-ро аз нав омӯзонд?

Манбаъ мегӯяд, ки ин ҳалкунанда дар кори қаблии Im ва ҳамкоронаш таҳия шуда, ҳалкунандаи тезондашудаи таҳлил бо \(R^2>0.99\) мебошад. Таҳқиқоти ҳозира ин моделро ҳамчун модели нави омӯзиши EHL муаррифӣ накарда, онро ҳамчун ҳисобкунандаи самаранокӣ дар robust optimization истифода бурдааст.

Kriging чист?

Kriging модели эҳтимолии суррогатии марбут ба оилаи Gaussian process regression мебошад, ки бо истифода аз сохтори ковариатсия байни нуқтаҳои намунаи мушоҳидашуда баромадро дар нуқтаҳои мушоҳиданашуда пешгӯӣ мекунад. Дар ин таҳқиқот барои ҳар тарҳи номзади чархдандона PPSTE ва самаранокӣ дар фазои ҳаштченакаи хатои профил пешгӯӣ шудаанд.

RBF чист?

Radial Basis Function (RBF) модели суррогатӣ ҳамчун равише истифода шудааст, ки қимати пешгӯиро аз рӯи табдили масофаҳо то нуқтаҳои омӯзиш бо функсияҳои базисии радиалӣ месозад. Таҳқиқот устувории пешгӯии Kriging ва RBF-ро дар як масъалаи номуайянӣ муқоиса кардааст.

Kriging ва RBF чӣ гуна муқоиса шуданд?

Хатои пешгӯии модели суррогатӣ бо root mean square error (RMSE) баҳогузорӣ шуд. Барои он ки модель ба як тақсимоти тасодуфии омӯзиш/test вобаста набошад, 50 итератсияи омӯзиш ва test гузаронида шуда, натиҷаҳои RMSE бо kernel density estimation ҳамчун тақсимот таҳлил гардиданд.

Дар модели Kriging минтақаи қуллаи тақсимоти PPSTE RMSE тақрибан 0.3–0.4, минтақаи қуллаи RMSE барои самаранокӣ тақрибан байни \(1.5\times10^{-5}\)–\(2.0\times10^{-5}\) аст. Барои RBF қуллаи PPSTE RMSE тақрибан 0.6 ва қуллаи RMSE самаранокӣ тақрибан \(2.0\times10^{-5}\) гузориш шудааст. Манбаъ бар асоси ин тақсимотҳо мегӯяд, ки Kriging иҷроиши пешгӯии устувортар ва қавитар нишон додааст.

Номуайянии Хатои Профил Чӣ Гуна Модел Карда Шуд?

Номуайянии хатои профил бо ҳашт тағйирёбандаи тасодуфии мустақил — чаҳорто барои пинион ва чаҳорто барои чарх — ки аз таҳаммулҳои ISO 1328-1 гирифта шудаанд, модел карда шуд; ҳар тағйирёбанда нормалӣ қабул шуда, диапазони таҳаммул ба шаш инҳирофи стандартӣ мувофиқ, яъне \(6\sigma\), муайян гардид.

ISO 1328-1 кадом навъи инҳирофҳоро муайян мекунад?

Манбаъ се мафҳуми асосии хатои профилро шарҳ медиҳад. Инҳирофи умумии профил \(F_\alpha\) ва \(F_\beta\), инҳирофи умумии байни пардаи болоӣ ва поёнии профили воқеӣ нисбат ба профили идеалиро; инҳирофи шакл \(f_{f\alpha}\) ва \(f_{f\beta}\), инҳирофи шаклии профили воқеиро нисбат ба профили миёнаи least-squares; инҳирофи нишебӣ \(f_{H\alpha}\) ва \(f_{H\beta}\) бошад фарқи нишебии профили миёнаро нисбат ба профили идеалӣ ифода мекунанд.

Ҳашт тағйирёбандаи номуайянии ин таҳқиқот кадомҳоянд?

Чаро мавҷнокии сатҳ танҳо дар самти involute модел карда шуд?

Таҳқиқот ба чархдандонаҳои суфташуда равона шудааст. Манбаъ бо такя ба он ки раванди суфтакунӣ метавонад дар самти involute намунаҳои хоси мавҷнокӣ ва asperity-ҳои тез эҷод кунад, мавҷнокии сатҳро танҳо дар ҳамин самт модел кардааст.

Чаро амплитудаи мавҷнокӣ бо \(f_{f\alpha}/2\) маҳдуд шуд?

Дар ISO 1328-1 инҳирофи шакли профил ҳамчун баландии умумии пардаи қулла–чуқурӣ дар атрофи профили миёна таъриф мешавад. Азбаски амплитудаи мавҷи синусоидалӣ масофа аз марказ то як тараф аст, манбаъ максималии waviness amplitude-ро нисфи ҳамин диапазони пурраи қулла–чуқурӣ гирифтааст.

Чаро ҳашт тағйирёбанда мустақил қабул шуданд?

Манбаъ чаҳор параметри хато дар пинион ва чархро ҳамчун тағйирёбандаҳои омории мустақил баррасӣ кардааст. Муаллифон инро бо он асоснок мекунанд, ки инҳирофҳои профил ва спирал метавонанд аз меҳварҳои гуногуни дастгоҳи суфтакунӣ ба вуҷуд оянд ва ISO 1328-1 таҳаммулҳоро мустақил муайян мекунад. Бо вуҷуди ин, ин фарзи моделӣ мебошад; маънои онро надорад, ки ҳамаи коррелятсияҳои хатои геометрӣ дар хати воқеии истеҳсол ба таври таҷрибавӣ сифр мебошанд.

Муодила (11): Миёнаи тақсимоти нормалӣ

\(\displaystyle \mu=\frac{\text{minimum değer}+\text{maksimum değer}}{2}\)

Чиро ҳисоб мекунад? Маркази тақсимоти нормалии тағйирёбандаи номуайяниро.

Воҳид: \(\mu\) ҳамон воҳидеро дорад, ки тағйирёбандаи хато дорад. Масалан, барои инҳирофҳои геометрӣ одатан воҳиди дарозӣ ва барои тағйирёбандаи басомад шумораи давр истифода мешавад.

Маънои математикӣ: Агар таҳаммулҳои поёнӣ ва болоӣ симметрӣ бошанд, миёна ба нуқтаи миёнаи диапазон меояд. Масалан, дар инҳирофи нишебӣ байни \(-a\) ва \(+a\), \(\mu=0\) мешавад.

Муодила (12): Инҳирофи стандартӣ

\(\displaystyle \sigma=\frac{\text{maksimum değer}-\text{minimum değer}}{6}\)

Чиро ҳисоб мекунад? Паҳнои таҳаммулро ба шаш инҳирофи стандартӣ тақсим мекунад.

Чаро 6? Манбаъ тамоми диапазони таҳаммулро \(6\sigma\) қабул мекунад; ҳамин тавр ҳудуди таҳаммул, ки аз маркази тақсимоти номиналӣ ба ҳар ду тараф тақрибан \(3\sigma\) тӯл мекашад, ба даст меояд.

Ҳадди тафсир: Ин тақсимоти эмпирикии аз маълумоти истеҳсолӣ алоҳида омӯхташуда нест; probabilistic tolerance model-и дар манбаъ таърифшуда аст.

Муодила (13): Функсияи зичии эҳтимолии нормалӣ

\(\displaystyle f_X(x)=\frac{1}{\sqrt{2\pi}\sigma}\exp\left[-\frac{1}{2}\left(\frac{x-\mu}{\sigma}\right)^2\right],\qquad -\infty<x<\infty\)

\(x\): қимати муайяни амалишавии тағйирёбандаи тасодуфии хато.

\(\mu\): миёнаи тақсимот.

\(\sigma\): инҳирофи стандартӣ.

\(f_X(x)\): зичии эҳтимол дар он нуқта; эҳтимоли мустақими як нуқта нест.

Манбаъ бо параметргузории \(6\sigma\) эҳтимоли берун аз ҳудудҳои таҳаммули ISO афтоданро ба дараҷаи ночиз хурд қабул карда, тақсимотро берун аз ҳудудҳо алоҳида truncate ё clip накардааст.

Фарқи Байни KBMC, SMC ва RBMC Чист?

SMC омори ҳамон 20 намунаи гарони физикиро бевосита истифода мебарад, дар ҳоле ки KBMC ва RBMC аз ҳамон намунаҳои физикӣ мутаносибан моделҳои суррогатии Kriging ва RBF сохта, дар модели арзон 10.000 намунаи Monte Carlo-ро баҳогузорӣ мекунанд; ҳар се ҳалли ниҳоии Pareto баъдан бо 1.000 намунаи пурраи физикӣ аз нав санҷида мешаванд.

Дар муқоиса бо 50 намуна танҳо шумораи намунаҳои омӯзишии модели суррогатӣ аз 20 ба 50 зиёд карда шуд. Манбаъ мегӯяд, ки 50 намуна гуногунрангии ҳалли Pareto-ро афзуд, аммо аз рӯи миёна/инҳирофи стандартӣ нисбат ба KBMC-и 20-намунавӣ бартарии пайваста надод. Азбаски robustness ҳадафи асосӣ буд, танзими Kriging бо 20 намуна ҳамчун варианти тавсияшаванда нигоҳ дошта шуд.

Чаро модели суррогатӣ муҳим аст?

Иҷрои такрории ҳалли аналитикии transmission-error ва баҳодиҳии самаранокии ML-EHL дар ҳар нуқтаи Monte Carlo гарон аст. Дар KBMC ва RBMC пас аз ҳисоб кардани танҳо 20 нуқта бо ҳалкунандаи гарон, 10.000 намунаи дохилиро метавон бо функсияҳои арзони Kriging/RBF баҳогузорӣ кард.

Оё манбаъ муқоисаи вақти воқеии корро додааст?

Не. Мақола ошкоро мегӯяд, ки азбаски ҳар се усул шумораи якхелаи намунаҳои гарони физикиро истифода мебаранд, вақти умумии оптимизатсия танҳо каме фарқ мекунад ва муқоисаи ҷудогонаи wall-clock гузориш нашудааст. Аз ин рӯ, нисбати суръати берун аз манбаъ ба мисли “KBMC чанд баробар тезтар аст” дода намешавад.

NSGA-III ва Pareto Front Дар Ин Таҳқиқот Чӣ Гуна Истифода Шуданд?

NSGA-III алгоритми эволютсионии бисёрҳадафаи оптимизатсия аст, ки ҳадафҳое чун беҳтар кардани устувории PPSTE ва нигоҳ доштани устувории самаранокиро, ки ҳатман як нуқтаи оптималии якхела надоранд, ба як хол маҷбур накарда ҳамчун маҷмӯи ҳалли Pareto-optimal ҷустуҷӯ мекунад.

Ҳалли Pareto-optimal чӣ маъно дорад?

Агар барои беҳтар кардани як ҳадаф ҳадафи дигарро бадтар кардан лозим бошад ва ҳеҷ ҳалли дигар дар ҳар ду ҳадаф ҳамзамон аз он беҳтар набошад, ин ҳалли non-dominated, яъне Pareto-optimal ҳисобида мешавад. Pareto front сарҳадест, ки чунин вариантҳои ҳаллиро ташкил медиҳад.

Танзимоти NSGA-III

Чаро Pareto front-и ниҳоӣ боз бо Monte Carlo санҷида шуд?

Ҳалле, ки дар модели surrogate non-dominated менамояд, ҳангоми баҳодиҳии дубораи модели воқеии физикӣ метавонад дигар хел рафтор кунад. Дар манбаъ воқеан дида шудааст, ки баъзе ҳалли surrogate-optimal пас аз full-scale Monte Carlo бо 1.000 намуна аз ҷониби ҳалли дигар dominate шудаанд. Ин нишон медиҳад, ки байни модели суррогатӣ ва модели пурра фарқиятҳои хурд, вале барои интихоби тарҳ муҳим, вуҷуд дошта метавонанд.

Чаро KBMC устувортар ёфт шуд?

Дар натиҷаҳои KBMC пас аз тасдиқи full-scale нисбат ба SMC ва RBMC мушкили dominance камтар дида шуд. Муаллифон инро бо он мепайванданд, ки сохтори covariance-kernel-и Kriging дар шароити маълумоти маҳдуд тамоюлҳои глобалӣ ва тағйироти маҳаллиро дақиқтар ифода мекунад. Ин шарҳ тафсири методологии муаллифони манбаъ аст.

Функсияҳои Robust Objective Чӣ Гуна Кор Мекунанд?

Азбаски барои PPSTE қимати хурд беҳтар аст, таҳқиқот \(\mu_{\mathrm{PPSTE}}+\sigma_{\mathrm{PPSTE}}\)-ро minimize мекунад; барои самаранокӣ қимати калон беҳтар аст, бинобар ин \(\mu_\eta-\sigma_\eta\)-ро maximize мекунад. Ҳамин тавр дар ҳар ду ҳадаф тағйирёбии баланд ҷазо дода мешавад.

PPSTE objective

\(\displaystyle \text{Minimize: }\mu_{\mathrm{PPSTE}}+\sigma_{\mathrm{PPSTE}}\)

Агар миёнаи PPSTE зиёд шавад, хатои номиналии интиқол бадтар мешавад. Агар инҳирофи стандартӣ зиёд шавад, ҳассосият ба хатогиҳои истеҳсолӣ меафзояд. Кам кардани ҷамъбасти онҳо ҳам PPSTE-и интизоршаванда ва ҳам паҳнои тақсимотро ҷазо медиҳад.

Objective-и самаранокӣ

\(\displaystyle \text{Maximize: }\mu_{\eta}-\sigma_{\eta}\)

Миёнаи самаранокӣ бояд калон бошад. Аммо инҳирофи стандартии баланд маънои онро дорад, ки самаранокӣ аз як истеҳсол то истеҳсоли дигар бештар тағйир меёбад. Аз ин рӯ \(\sigma_\eta\) аз миёна тарҳ шуда, номзадҳои баландсамаранок, вале ноустувор ҷазо дода мешаванд.

Муодила (7): Миёнаи PPSTE

\(\displaystyle \mu_{\mathrm{PPSTE}}=\frac{1}{n_{\mathrm{MC}}}\sum_{i=1}^{n_{\mathrm{MC}}}\mathrm{PPSTE}_i\)

\(n_{\mathrm{MC}}\): шумораи намунаҳои Monte Carlo.

\(\mathrm{PPSTE}_i\): PPSTE дар амалишавии \(i\)-уми хатои профил.

\(\mu_{\mathrm{PPSTE}}\): PPSTE-и интизоршаванда зери номуайянӣ.

Воҳид: Дар ҷадвалҳои натиҷаи манбаъ μm.

Муодила (8): Инҳирофи стандартии PPSTE

\(\displaystyle \sigma_{\mathrm{PPSTE}}=\sqrt{\frac{1}{n_{\mathrm{MC}}-1}\sum_{i=1}^{n_{\mathrm{MC}}}\left(\mu_{\mathrm{PPSTE}}-\mathrm{PPSTE}_i\right)^2}\)

Ин инҳирофи стандартии намунавӣ аст. Он чен мекунад, ки ҳар натиҷаи PPSTE-и Monte Carlo аз миёна чӣ қадар дур мешавад. Бо кам шудани қимат тарҳ нисбат ба тағйироти хатои профил устувортар ҳисобида мешавад.

Муодила (9): Самаранокии миёна

\(\displaystyle \mu_\eta=\frac{1}{n_{\mathrm{MC}}}\sum_{i=1}^{n_{\mathrm{MC}}}\eta_i\)

\(\eta_i\) самаранокии чархдандонаест, ки дар намунаи \(i\)-уми хатои истеҳсолӣ ҳисоб шудааст. Самаранокӣ ҳамчун таносуби беандоза истифода шудааст; масалан 0.99974 тақрибан ба %99.974 баробар аст.

Муодила (10): Инҳирофи стандартии самаранокӣ

\(\displaystyle \sigma_\eta=\sqrt{\frac{1}{n_{\mathrm{MC}}-1}\sum_{i=1}^{n_{\mathrm{MC}}}\left(\mu_\eta-\eta_i\right)^2}\)

\(\sigma_\eta\) паҳнои тақсимоти таносуби самаранокиро зери номуайянии истеҳсолӣ чен мекунад. Ҳатто агар миёнаи самаранокӣ хеле баланд бошад, калон будани \(\sigma_\eta\) метавонад ҳассосияти баланд ба таҳаммулҳои истеҳсолиро нишон диҳад.

Муодилаҳои Мустаҳкамии ISO 6336 Маҳдудиятҳои Тарҳро Чӣ Гуна Муайян Мекунанд?

Таҳқиқот ҳисобҳои тамос/pitting ва мустаҳкамии хамшавии решаи дандонро бар асоси ISO 6336 Method B ҳамчун маҳдудият истифода мебарад, то оптимизатсия танҳо аз паси PPSTE-и паст ва самаранокии баланд нарафта, чархдандонаи аз ҷиҳати физикӣ заиф эҷод накунад.

Муодила (1): Шиддати тамос

\(\displaystyle \sigma_H=Z_{B,D}Z_HZ_EZ_{\varepsilon}Z_{\beta}\sqrt{\frac{F_t}{d_1b}\frac{u+1}{u}K_AK_VK_{H\beta}K_{H\alpha}}\)

\(\sigma_H\): шиддати ҳисобшудаи тамоси рӯи дандон.

\(F_t\): қувваи гирдогирдӣ/тангенсиалии дандон.

\(d_1\): бузургии вобаста ба диаметри истинодии пинион.

\(b\): паҳнои рӯй.

\(u\): таносуби вобаста ба таносуби чархдандона.

Коэффисиентҳои \(Z\) ва \(K\): дар манбаъ ҳамчун коэффисиентҳои геометрӣ, тамосӣ ва таъсири бор бар асоси ISO 6336 дар формула истифода шудаанд; мақолаи асосӣ таърифи муфассали ҳар коэффисиентро аз стандарт такрор намекунад.

Сохтори формула аз ҷиҳати омӯзишӣ муҳим аст: бо зиёд шудани бори тангенсиалӣ \(F_t\) шиддати тамос меафзояд; бо зиёд шудани паҳнои рӯй \(b\) ё диаметри муассир \(d_1\) бори тамос ба воҳид кам мешавад. Аммо азбаски тамоми робита дар дохили решаи квадратӣ ва коэффисиентҳои ислоҳи ISO аст, ба як тағйирёбанда натиҷаи хаттӣ нисбат додан дуруст нест.

Муодила (2): Шиддати иҷозашудаи тамос

\(\displaystyle \sigma_{HP}=\frac{\sigma_{Hlim}Z_{NT}}{S_{Hmin}}Z_LZ_VZ_RZ_WZ_X\)

\(\sigma_{Hlim}\): рақами асосии шиддати иҷозашудаи тамос, ки дар Table 1-и манбаъ 1500 MPa дода шудааст.

\(S_{Hmin}\): коэффисиенти ҳадди ақали зарурии бехатарии pitting; дар манбаъ 1.0.

Коэффисиентҳои дигари \(Z\) омилҳои ислоҳи ҳисобкунии ISO мебошанд ва дар ин мақола алоҳида аз нав таъриф нашудаанд.

Муодила (3): Коэффисиенти бехатарии тамос

\(\displaystyle S_H=\frac{\sigma_{HP}}{\sigma_H}S_{Hmin}\)

Бо таносуби иқтидори иҷозашудаи тамос ба шиддати воқеии ҳисобшудаи тамос алоқаманд аст. Дар масъалаи оптимизатсия манбаъ шарти \(S_H>1\)-ро истифода кардааст.

Муодила (4): Шиддати хамшавии решаи дандон

\(\displaystyle \sigma_F=\frac{F_t}{bm_n}Y_FY_SY_\beta Y_BY_{DT}K_AK_VK_{F\beta}K_{F\alpha}\)

\(\sigma_F\): шиддати ҳисобшудаи хамшавии решаи дандон.

\(m_n\): модули нормалӣ.

\(b\): паҳнои рӯй.

Омилҳои \(Y\) ва \(K\): коэффисиентҳои ислоҳи геометрия, бор ва шиддат бар асоси ISO мебошанд.

Сохтори асосӣ \(F_t/(bm_n)\) аст. Агар дигар шартҳо собит қабул шаванд, паҳнои рӯй ва модули нормалии калонтар ба самти кам кардани шиддати номиналии хамшавӣ таъсир мекунанд; аммо дар оптимизатсияи воқеӣ ин тағйирёбандаҳо бо дигар натиҷаҳои геометрӣ ва иҷроиш якҷоя тағйир меёбанд.

Муодила (5): Шиддати иҷозашудаи хамшавӣ

\(\displaystyle \sigma_{FP}=\frac{\sigma_{Flim}Y_{ST}Y_{NT}}{S_{Fmin}}Y_{\delta relT}Y_{RrelT}Y_X\)

\(\sigma_{Flim}\): дар Table 1-и манбаъ 480 MPa.

\(S_{Fmin}\): коэффисиенти ҳадди ақали зарурии бехатарии хамшавӣ, ки дар Table 1-и манбаъ 1.4 дода шудааст.

Муодила (6): Коэффисиенти бехатарии хамшавӣ

\(\displaystyle S_F=\frac{\sigma_{FP}}{\sigma_F}S_{Fmin}\)

Ин ифода иқтидори иҷозашудаи хамшавиро бо шиддати ҳисобшудаи решаи дандон муқоиса мекунад.

Нуктаи диққати дохили манбаъ: Table 1 коэффисиенти ҳадди ақали зарурии бехатарии хамшавиро \(S_{Fmin}=1.4\) медиҳад, аммо рӯйхати optimization constraint шарти \(S_F>1\)-ро менависад. Verianla ин ду ифодаро бо тафсири берун аз манбаъ якҷо карда, ба “дар асл 1.4 бояд бошад” тағйир намедиҳад.

Доимиҳои мустаҳкамии дар манбаъ додашуда

Маҳдудиятҳои дигари геометрӣ

• \(S_{an}>0.3m_n\): барои пешгирӣ аз аз ҳад тез шудани нӯги дандон.
• \(d_{Nf}>d_{Ff}\): барои он ки диаметри оғози профили фаъол аз root form diameter калонтар бошад.
• \(\varepsilon_\gamma>1.7\): ҳамчун ҳадди поёнии умумии contact ratio барои нигоҳ доштани илиниши ҳамвор ва тақсимоти мувофиқи бор.
• \(m_n\ge b/20\): барои пешгирӣ аз аз ҳад хурд шудани модули нормалӣ бо назардошти сифати чархдандона.
• \(b/d_1\le1.1\): барои маҳдуд кардани аз ҳад калон шудани паҳнои рӯй.

Усул ва Натиҷаҳои Таҳқиқот

Тағйирёбандаҳои мустақили тарҳ

Параметрҳои микрогеометрии ҷадвал барои пинион ва чарх алоҳида татбиқ мешаванд. Аз ин рӯ, дар ҷадвали тарҳи ниҳоӣ шаш қимати алоҳидаи микрогеометрӣ — \(C_{\alpha a1}\), \(C_{\alpha a2}\), \(L_{Ca1}/L_{total1}\), \(L_{Ca2}/L_{total2}\), \(C_{\beta1}\) ва \(C_{\beta2}\) — мавҷуданд.

Ҷараёни ҳисоббарории таҳқиқот

Синфи сифати ISO ба номуайянии истеҳсолӣ чӣ гуна таъсир кард?

20 номзади тарҳ аз оптимизатсияи детерминистӣ дар тақсимотҳои хатои профили ISO Class 4, 6 ва 8 бо full-scale Monte Carlo-и 1.000 намуна санҷида шуданд. Дар синфи дақиқтари истеҳсол миёнаи иҷроиш беҳтар ва инҳирофи стандартӣ пасттар буд.

Инҳирофи стандартии PPSTE дар Class 8 тақрибан 4.4 баробари Class 4 аст. Инҳирофи стандартии самаранокӣ бошад дар Class 8 тақрибан 15.5 баробари Class 4 мебошад. Ҳамин тавр нишон дода шудааст, ки дақиқии истеҳсол на танҳо ба геометрияи номиналӣ, балки ба тақсимоти воқеии иҷроиш ҳам таъсири қавӣ дорад.

Coefficient of Variation чиро нишон медиҳад?

Coefficient of variation (CV), ченаки беандозаи тағйирёбии нисбӣ аст, ки аз тақсими инҳирофи стандартӣ ба миёна ба даст меояд:

\(\displaystyle CV=\sigma/\mu\)

Ин ифода дар мақола ҳамчун муодилаи рақамдори ҷудогона дода нашуда, дар шарҳи натиҷаҳои Table 6 таъриф шудааст. Он имкон медиҳад тағйирёбии PPSTE ва самаранокӣ дар миқёсҳои гуногуни бузургӣ ба таври нисбӣ муқоиса карда шавад.

Номувофиқии ададии дохили манбаъ: Барои Class 6, Table 5 \(\sigma_\eta=1.67E-05\) ва \(\mu_\eta=0.99970\) медиҳад, дар ҳоле ки Table 6 \(CV_\eta=1.67E-06\) менависад. Ин қиматҳо бо робитаи мустақими \(CV=\sigma/\mu\) бо ҳам мувофиқ наменамоянд. Verianla қимати манбаъро хомӯшона ислоҳ намекунад.

Муқоисаи robust optimization бо 20 намуна

Дар тағйирёбии PPSTE қимати пасттарин ба KBMC тааллуқ дорад. Қимати 0.19869-и KBMC тақрибан %48-и DO аст. RBMC тақрибан %50 ва SMC тақрибан %61 мебошанд. Дар самаранокӣ KBMC бо \(9.88E-06\) боз ҳам инҳирофи стандартии пасттаринро медиҳад; SMC бошад бо \(2.02E-05\) нисбат ба DO тағйирёбии бештар ба вуҷуд овардааст.

Вақте 50 намуна истифода шуд, чӣ рӯй дод?

Бо 50 намуна низ KBMC ҳамзамон ду инҳирофи стандартии пасттаринро дод. Бо вуҷуди ин, инҳирофҳои стандартии PPSTE ва самаранокӣ дар KBMC-и 20-намунавӣ аз таҳқиқоти 50-намунавӣ пасттар буданд. Муаллифон инро бо табиати стохастикии NSGA-III ва имкони пайдо шудани маҷмӯаҳои гуногуни Pareto дар run-ҳои гуногун мепайванданд. Азбаски 50 намуна гуногунрангии ҳаллиро зиёд кард, вале аз ҷиҳати robustness беҳбудии равшан надод, равиши Kriging бо 20 намуна ҳамчун танзими тавсияшаванда нигоҳ дошта шуд.

DO ва KBMC дар ISO Class 4, 6 ва 8

Дар Class 4, KBMC инҳирофи стандартии PPSTE-ро то тақрибан %50-и сатҳи DO кам кард, аммо инҳирофи стандартии самаранокӣ то тақрибан %116-и DO афзуд. Аз ин рӯ гуфтан, ки “KBMC дар ҳар синфи сифат дар ҳар ду метрика ҳатман инҳирофи стандартии пасттар медиҳад”, нодуруст аст.

Дар Class 6, KBMC инҳирофи стандартии PPSTE-ро то тақрибан %51-и DO ва инҳирофи стандартии самаранокиро то тақрибан %59 кам мекунад. Дар Class 8 таносубҳои мувофиқ тақрибан %65 ва %82 мебошанд. Манбаъ таъкид мекунад, ки фоидаи robustness дар PPSTE аз самаранокӣ қавитар аст.

Тарҳҳои интихобшудаи DO ва KBMC чӣ гуна фарқ карданд?

Ин ҷадвал хеле равшан нишон медиҳад, ки robust optimization чӣ мекунад. Миёнаи PPSTE дар тарҳи KBMC аз 2.12 μm ба 2.14 μm каме бадтар шудааст; яъне аз назари PPSTE-и номиналӣ мутлақан хурдтарин миёнаро интихоб накардааст. Аммо инҳирофи стандартӣ аз 0.48 μm ба 0.13 μm коҳиш ёфтааст. Тарҳи устувор ба ивази фарқи хурди номиналӣ тақсимоти хеле тангтари иҷроишро нисбат ба тағйирёбии истеҳсолӣ интихоб кардааст.

Миёнаи самаранокӣ дар ҳар ду тарҳ 0.99974 аст. Бо вуҷуди ин, инҳирофи стандартии самаранокии KBMC пасттар аст. Ин нишон медиҳад, ки саволи “ҳатто агар иҷрои миёна яксон бошад, кадом геометрия ба номуайянии истеҳсолӣ устувортар аст?” бо robust optimization алоҳида посух мегирад.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• Ҳангоми ба ҳисоб гирифтани хатогиҳои профил, тақсимоти иҷроиши оптимумҳои номиналии детерминистӣ метавонад ба таври назаррас тағйир ёбад.
• Дар муқоисаи ISO Class 4, Class 6 ва Class 8 дақиқии баландтари истеҳсол бо тағйирёбии пасттари иҷроиш алоқаманд аст.
• PPSTE нисбат ба самаранокӣ ба хатои профил ҳассосияти нисбии хеле бештар нишон медиҳад.
• Kriging дар муқоисаи RMSE-и таҳқиқот нисбат ба RBF иҷроиши surrogate-и устувортар нишон додааст.
• Дар муқоисаи ISO Class 6 бо 20 намуна, KBMC ҳангоми баррасии якҷояи инҳирофҳои стандартии PPSTE ва самаранокӣ нисбат ба SMC ва RBMC натиҷаи robust-и қавитар дод.
• Гузаштан ба 50 намунаи физикӣ solution diversity-ро зиёд кард, аммо дар метрикаҳои robustness беҳбудии пайваста надод.
• KBMC бо 20 намуна ҳамчун танзими surrogate-и тавсияшуда барои ин таҳқиқот нигоҳ дошта шуд.
• Дар final selected design-и KBMC тақсимоти PPSTE нисбат ба тарҳи DO хеле тангтар шуд.
• Ҳангоми яксон нигоҳ доштани миёнаи самаранокӣ, инҳирофи стандартии самаранокиро кам кардан имконпазир буд.
• Равиши design-specific local surrogate бо маҳдуд кардани вуруди surrogate ба ҳашт ченаки хатои профил ниёз ба surrogate-и глобалии баландченака кам мекунад.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

• Нишон дода нашудааст, ки KBMC дар ҳамаи масъалаҳои тарҳрезии чархдандона ҳамеша беҳтарин усул аст.
• KBMC дар ҳар синфи сифати ISO ҳам PPSTE ва ҳам инҳирофи стандартии самаранокиро ҳатман кам накардааст; натиҷаи самаранокии Class 4 мисоли возеҳи муқобил аст.
• Нишон дода нашудааст, ки истифодаи 50 намуна ҳамеша аз 20 намуна натиҷаи robust-и беҳтар медиҳад.
• Ҳар ҳалли Pareto-optimal дар surrogate дар модели full-scale ҳам non-dominated боқӣ намондааст.
• Бо таҷрибаи прототипи физикӣ тасдиқ нашудааст, ки тарҳи ниҳоии KBMC дар истеҳсоли воқеӣ ҳамин инҳирофҳои стандартиро медиҳад.
• Таҳқиқот ҳамаи коррелятсияҳои тағйирёбандаҳои хатои профилро дар хати воқеии истеҳсол чен накардааст; ҳашт тағйирёбандаи хато мустақил қабул шудаанд.
• Таҳқиқот ҳамаи нуқсонҳои эҳтимолии истеҳсолиро модел накардааст; тамаркуз ба нишебии профил/спирал ва мавҷнокии сатҳи аз суфтакунӣ баромада аст.
• Мақола фишори воқеии садои NVH, bearing force variation ё ченкунии акустикиро ҳамчун objective оптимизатсия накардааст.
• Ҳарорати сатҳи дандон, хатари scuffing, вазни чархдандона ва tip clearance дар ин таҳқиқоти ду-objective оптимизатсия нашудаанд; онҳо ҳамчун ҳадаф/маҳдудиятҳои имконпазири оянда муҳокима шудаанд.
• Азбаски манбаъ таносуби ҷудогонаи суръати wall-clock гузориш накардааст, натиҷаи “Kriging чанд баробар тезтар аст” бароварда намешавад.

Ҷиҳатҳои қавии таҳқиқот

Ҷиҳати қавии аввал ин аст, ки таҳқиқот танҳо ба ёфтани оптимуми геометрияи идеалӣ қонеъ нашуда, таҳаммули истеҳсолиро бевосита ба масъалаи optimization ворид кардааст. Ҳамин тавр фарқи байни “беҳтарин чархдандонаи номиналӣ” ва “чархдандонаи устувортар дар истеҳсоли силсилавӣ” намоён шудааст.

Ҷиҳати қавии дуюм — оптимизатсияи якҷояи геометрияи макро ва микро дар як даври NSGA-III, на ҳамчун ду масъалаи пайдарпай.

Ҷиҳати қавии сеюм — модел кардани хатои профил на ҳамчун як offset, балки ҳамчун фазои ҳаштченакаи stochastic uncertainty space бо ҷузъҳои инҳирофи нишебии профил, инҳирофи нишебии спирал ва waviness-и вобаста ба суфтакунӣ.

Ҷиҳати қавии чорум — ба ҷойи тасдиқи ҳалли ниҳоии surrogate бо худи surrogate, он бо full-scale Monte Carlo-и 1.000 намунаи физикӣ аз нав баҳогузорӣ шудааст. Ин қадам false Pareto-ҳои аз surrogate баромадаро намоён кард.

Ҷиҳати қавии панҷум — интихоби Kriging/RBF на танҳо бо як рақами RMSE, балки бо тақсимоти RMSE дар 50 такрор баҳогузорӣ шудааст.

Маҳдудиятҳои асосӣ

Тасдиқи ниҳоии прототипи физикӣ нест: таҳқиқот геометрияи ниҳоии KBMC-ро истеҳсол карда, дар стенд PPSTE, самаранокӣ ё рафтори акустикиро чен накардааст.

Занҷири модель ба ҳалкунандаҳои қаблӣ вобаста аст: дурустии модели аналитикии PPSTE ва ҳалкунандаи ML-EHL асоси натиҷаҳои robust optimization мебошад. Хатогиҳои ин ду муҳаррики ҳисоббарорӣ метавонанд ба натиҷаҳои surrogate ва Monte Carlo гузаранд.

Фарзи тағйирёбандаҳои тасодуфии мустақил: ҳашт параметри хатои профил оморӣ мустақил қабул шудаанд. Агар дар истеҳсоли воқеӣ байни баъзе режимҳои хато коррелятсия бошад, тақсимоти воқеӣ метавонад дигар бошад.

Фарзи тақсимоти нормалӣ: ҳамаи uncertainty parameters бо normal distribution ва қабули диапазони таҳаммул ҳамчун \(6\sigma\) модел шудаанд. Ин маъно надорад, ки тақсимоти андозагирии аз хати муайяни истеҳсоли силсилавӣ ҷамъшуда ҳатман нормалӣ аст.

Доираи waviness: таҳқиқот мавҷнокии сатҳро барои ground gears ба involute direction маҳдуд кардааст.

Ду objective: Pareto front-и мавҷуда танҳо аз PPSTE ва efficiency сохта шудааст. Манбаъ мегӯяд, ки bearing-force variation, acoustic performance, tooth-surface temperature, gear weight ва tip clearance метавонанд дар оянда ҳамчун ҳадафҳои дигар илова шаванд.

NSGA-III-и стохастикӣ: дар таҳқиқотҳои 20 ва 50 намунавӣ таркибҳои гуногуни Pareto пайдо шуданд; миёнаҳои маҷмӯаи як run метавонанд аз табиати стохастикии алгоритм таъсир гиранд.

Номувофиқии CV-и дохили манбаъ: Қимати CV-и самаранокии ISO Class 6 байни Table 5 ва Table 6 аз ҷиҳати ададӣ мувофиқ наменамояд.

Ҷузъиёти гузориши омили бехатарӣ: Table 1 \(S_{Fmin}=1.4\) медиҳад, дар ҳоле ки қисми optimization constraint \(S_F>1\) менависад; манбаъ ин ду ифодаро алоҳида шарҳ намедиҳад.

Кори оянда

Муаллифон мегӯянд, ки сохтори ду-objective-и мавҷуда метавонад бо ҳадафҳои иловагии NVH ва маҳдудиятҳои амалии муҳандисӣ васеъ карда шавад. Мисолҳо bearing force variation, acoustic performance-и воқеӣ, tooth surface temperature/scuffing risk, gear weight ва tip clearance мебошанд. Усул инчунин метавонад барои қабул кардани намудҳои гуногуни uncertainty васеъ карда шавад.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: Surrogate-assisted multi-objective robust optimization of helical gear pair considering manufacturing uncertainty due to profile error.

Муаллифон ва тартиби пурра: Dongu Im, Jung-Ho Park, Beom-Soo Kim, Dong-Joo Moon, Min-Geun Kim, Young-Jun Park.

Муаллифи масъул: Young-Jun Park.

Саҳми баробар: Дар PDF-и боршудаи Article-in-Press изҳороти саҳми баробар вуҷуд надорад.

Муассиса 1: Gear Drive Unit Development Team, Hyundai Mobis Company, 37 Cheoldobangmulgwan-ro, Uiwang-si, Gyeonggi-do 16082, Republic of Korea.

Муассиса 2: Department of Biosystems Engineering, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul 08826, Republic of Korea.

Муассиса 3: Convergence Major in Global Smart Farm, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul 08826, Republic of Korea.

Муассиса 4: Department of Mechanical and Automotive Engineering, Seoul National University of Science and Technology, Seoul 01811, Republic of Korea.

Муассиса 5: Research Institute of Agriculture and Life Sciences, College of Agriculture and Life Sciences, Seoul National University, Seoul 08826, Republic of Korea.

Маҷалла: Scientific Reports.

Нашриёт: Springer Nature.

DOI: 10.1038/s41598-026-67057-0.

Received: 18 июни 2026.

Accepted: 12 августи 2026.

Санаи расмии нашри онлайн: 20 августи 2026.

Версияи манбаъ: Article in Press / accepted manuscript. Нашриёт мегӯяд, ки ин версия барои дастрасии барвақт пешниҳод шудааст, ҳанӯз таҳрири ниҳоӣ нагузаштааст ва баъдтар бо final Version of Record иваз мешавад.

Ҳолати тақриз: Мақолаи тақризшуда ва қабулшудаи Scientific Reports; preprint нест.

Ҷилд/шумора/рақами ниҳоии мақола: Азбаски PDF-и Article-in-Press ва сабти citation-и дастрасии барвақт рақами ниҳоии ҷилд/мақоларо равшан намедиҳанд, он дар ин ҷо сохта нашудааст.

Иҷозатнома: Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International — CC BY-NC-ND 4.0.

Натиҷаи иҷозатнома: Шаклҳои манбаъ ё матни ҳифзшуда ҳамчун маводи ҳосилавии тағйирёфта/тарҷумашуда дубора истифода нашудаанд; баёни Verianla мустақилона аз рӯи далелҳои илмӣ сохта шудааст.

Пайванди расмӣ: https://doi.org/10.1038/s41598-026-67057-0

Калидвожаҳо: multi-objective optimization, robust optimization, surrogate model, gear optimization.

Навъи таҳқиқот: Муҳандисии ҳисоббарорӣ / robust design optimization-и бисёрҳадафа / uncertainty quantification.

Озмоиши ниҳоии прототипи физикӣ: Дар ин мақола тарҳи ниҳоии KBMC ҳамчун ҷуфти нави чархдандона истеҳсол ва ба таври таҷрибавӣ санҷида нашудааст.

Ҳалкунандаи PPSTE: Модели аналитикии transmission-error-и Im ва ҳамкоронаш, ки хатои профилро дар бар мегирад; бо озмоишҳои қаблии воқеии gear-pair transmission-error тасдиқ шудааст.

Gear mesh stiffness: Модели Chung ва ҳамкоронаш.

Profile error model: Модели Wang ва Zhang.

Efficiency solver: machine-learning-based mixed EHL solver-и қаблан таҳияшудаи Im ва ҳамкоронаш; манбаъ \(R^2>0.99\) гузориш мекунад.

Стандарти gear strength: ISO 6336:2006 Method B.

Стандарти gear geometry: ISO 21771.

Стандарти profile-error tolerance: ISO 1328-1.

Алгоритми optimization: NSGA-III.

Насл: 20.

Фард / насл: 50.

Ҷамъи фардҳо: 1.000.

Mutation rate: 0.5.

Crossover rate: 0.5.

Шароити кор: 1.000 rpm суръати гардиши вуруд, 100 Nm бори вуруд.

Муҳлати ҳадафии хизмат: 20.000 соат.

Таносуби чархдандона: 1.5 ± %1.

Objective-и асосӣ 1: Minimize \(\mu_{\mathrm{PPSTE}}+\sigma_{\mathrm{PPSTE}}\).

Objective-и асосӣ 2: Maximize \(\mu_\eta-\sigma_\eta\).

Намунаи асосии омӯзишии surrogate: 20 physics-based sample / тарҳи номзад.

Намунаи муқоисавии surrogate: 50 physics-based sample / тарҳи номзад.

Monte Carlo-и дохилии KBMC/RBMC: 10.000 surrogate evaluation / тарҳи номзад.

Final full-scale validation: 1.000 physics-based Monte Carlo sample / ҳалли ниҳоии Pareto.

Андозаи номуайянӣ: Ҳашт тағйирёбандаи мустақили хатои профил.

Тақсимоти номуайянӣ: Тақсимоти нормалӣ.

Параметргузории таҳаммул: Диапазони таҳаммул = \(6\sigma\).

Truncation/clipping: Татбиқ нашудааст; манбаъ эҳтимоли намунагирии берун аз таҳаммули ISO-ро ночиз қабул мекунад.

Surface waviness: Дар заминаи ground gear бо involute direction модел шудааст.

Басомади waviness: 10–20 cycle дар effective roll length.

Амплитудаи максималии waviness: \(f_{f\alpha}/2\).

Усулҳои surrogate: Kriging ва radial basis function (RBF).

Surrogate validation: Тақсимоти RMSE; 50 training/testing iteration; kernel density estimation.

SMC: Миёна/инҳирофи стандартӣ бевосита аз 20 physics sample.

KBMC: 20 physics sample → Kriging surrogate → 10.000 MC surrogate sample.

RBMC: 20 physics sample → RBF surrogate → 10.000 MC surrogate sample.

20-sample ISO Class 6 PPSTE mean STD: DO 0.41819; SMC 0.25308; KBMC 0.19869; RBMC 0.21047.

20-sample ISO Class 6 efficiency mean STD: DO 1.41E-05; SMC 2.02E-05; KBMC 9.88E-06; RBMC 1.35E-05.

Selected final DO PPSTE:миёна 2.12 μm; STD 0.48 μm.

Selected final KBMC PPSTE:миёна 2.14 μm; STD 0.13 μm.

Selected final DO efficiency:миёна 0.99974; STD 7.75E-06.

Selected final KBMC efficiency:миёна 0.99974; STD 4.70E-06.

Номувофиқии ададии дохили манбаъ: Table 5 барои ISO Class 6 \(\sigma_\eta=1.67E-05\) медиҳад, аммо Table 6 \(CV_\eta=1.67E-06\) менависад; бо \(\mu_\eta=0.99970\)-и дода шуда ин ду рақам мустақиман мувофиқ наменамоянд. Маълумот хомӯшона ислоҳ нашудааст.

Ҷузъиёти маҳдудияти бехатарии дохили манбаъ: Table 1 \(S_{Fmin}=1.4\) медиҳад, аммо рӯйхати robust optimization constraint шарти \(S_F>1\)-ро истифода мебарад; манбаъ шарҳи иловагӣ намедиҳад.

Wall-clock benchmark: Ҷадвали алоҳидаи вақти кор гузориш нашудааст. Манбаъ мегӯяд, ки азбаски ҳар се усул харҷи 20 physics-based evaluation-и гаронро тақсим мекунанд, вақти умумии optimization танҳо каме фарқ мекунад.

Маблағгузорӣ: Korea Institute of Planning and Evaluation for Technology in Food, Agriculture and Forestry (IPET), Technology Commercialization Support Program; Ministry of Agriculture, Food and Rural Affairs (MAFRA); RS-2024-00401556.

Бархӯрди манфиатҳо: Муаллифон набудани бархӯрди марбут ба манфиатҳои молиявӣ ё ғайримолиявиро гузориш кардаанд.

Дастрасии маълумот: Гуфта шудааст, ки маълумоти дастгиркунандаи натиҷаҳо аз муаллифон бо дархост дастрас мешавад.

CRediT / саҳмҳои муфассали муаллифон: Дар PDF-и боршудаи Article-in-Press бахши алоҳидаи Author Contributions / CRediT вуҷуд надорад; дар ин ҷо сохта нашудааст.