用神经网络实现 Simpack 齿轮接触AI计算，大幅提升仿真效率

2月前浏览275

在机械传动领域，齿轮箱的动力学仿真一直是研发过程中的关键环节。然而，传统的有限元齿接触动态仿真往往因计算量大而耗时良久，成为研发效率提升的一大瓶颈。德国亚琛工业大学机床实验室（WZL）的研究团队带来了一项突破性技术 —— 利用神经网络加速 Simpack 中的齿轮接触计算，为行业带来了显著的效率提升。

一、研究背景：传统仿真的痛点与神经网络的机遇

1. 齿轮箱仿真的关键指标与挑战

齿轮箱仿真涉及众多关键参数，包括齿面修形、轴向位置偏差、接触斑形态、接触几何、传动误差、齿根应力、齿面压力、NVH 特性以及承载能力等。这些参数的精确计算对齿轮箱的设计与优化至关重要。

2. 传统仿真方法的局限

基于有限元的准静态接触仿真
虽能详细建模齿接触，但无法考虑动态效应。
基于解析法的动态接触仿真
考虑了动态效应且计算较快，但齿接触建模精度较低。
基于有限元的动态接触仿真
虽能同时考虑动态效应和详细齿接触建模，但计算速度缓慢。

基于Simpack的有限元齿接触动态仿真过程。

3. 神经网络的潜在价值

在基于有限元的动态接触仿真中，重复的齿接触分析（TCA）是导致计算缓慢的主要原因之一。研究团队思考：能否利用已有的齿接触分析结果，避免在动态仿真步骤中重复进行 TCA，从而加速动态仿真？神经网络强大的预测能力为解决这一问题提供了可能。

二、研究目标与方法：构建神经网络驱动的仿真加速方案

1. 核心目标

利用先前执行的齿接触分析结果，避免在动态仿真步骤中进行 TCA，从而加速 Simpack 中的动态仿真过程。

2. 技术路线

步骤 1
生成 LHC 数据集，包含运动学和力 / 扭矩数据。
步骤 2
利用数据集训练神经网络。
步骤 3
在 Simpack 中构建基于神经网络的用户力模型，实现动力学仿真中的力 / 扭矩预测。

三、实施过程：从数据准备到神经网络部署

1. 神经网络数据集的创建

齿轮参数设定：

齿数：23/82（传动比 i=3.565）
法向模数：1.84 mm
法向压力角：19.2°
螺旋角：30.0°/-30.0°
齿宽：35/35 mm
变位系数：0.010105/0.382383
齿顶圆直径：53.8/179.2 mm
中心距：112.5 mm

数据边界定义
涵盖齿轮 1 转角、齿轮 2 转角、倾角、偏斜、侧向偏移、轴向中心距等自由度。
数据筛选与处理：

原始数据集包含 50,000,000 个变体。
剔除扭矩为 0 Nm 和扭矩大于 100 Nm 的数据，以及异常值。
最终得到 4,333,468 个变体，其中 3,466,744 个用于训练，866,694 个用于测试。

2. 神经网络的训练

网络拓扑结构：

输入层：包含齿轮 1 转角的正弦和余弦值、理论穿透量、倾角、偏斜、侧向偏移、轴向中心距等参数。
隐藏层：采用多层结构，包括 Softplus 层（256 个神经元，HeNormal 初始化）和双曲正切层（256 个神经元，GlorotUniform 初始化）。
输出层：预测齿轮 1 和齿轮 2 在 x、y、z 方向上的力和扭矩。