《Machines》:Rapid Noise Prediction of a Three-Stage Helical Gear Reducer Using a BOA-ISSA-BPNN Surrogate Model
Zihan Geng,
Xutang Zhang,
Tianguo Jin,
Hongqian Feng and
Xinwang Li
编辑推荐:
为了减少齿轮减速器噪声评估中振动-声学仿真(vibro-acoustic simulations)的时间和计算成本,研究人员开发了一个针对三级斜齿轮减速器的仿真驱动代理建模框架。建立了一条高保真“振动–声辐射”(vibration–acoustic radia
为了减少齿轮减速器噪声评估中振动-声学仿真(vibro-acoustic simulations)的时间和计算成本,研究人员开发了一个针对三级斜齿轮减速器的仿真驱动代理建模框架。建立了一条高保真“振动–声辐射”(vibration–acoustic radiation)仿真链,将在Romax Designer中计算得到的箱体振动响应映射到ACTRAN中,以获得辐射噪声。采用最优拉丁超立方抽样(Optimal Latin Hypercube Sampling),通过改变第一级小齿轮微修形参数(齿向鼓形、齿向斜度和齿廓修形,即tooth drum, tooth slope, and tooth profile)生成300个设计样本,并将六个场点上的平均均方根声压级(RMS sound pressure level)作为噪声指标。随后,构建了一个BP神经网络(BPNN)代理模型,其中使用贝叶斯优化(Bayesian Optimization, BOA)来调整隐藏层节点数和学习率,并采用改进麻雀搜索算法(improved Sparrow Search Algorithm, ISSA)优化初始权重和偏置,形成了所提出的BOA-ISSA-BPNN模型。在测试集上,该模型实现了R2 = 0.97499、RMSE = 0.91385和MAE = 0.6547,平均预测时间为32.35秒。同时,与SVM、BPNN、BOA-BPNN、SSA-BPNN和ISSA-BPNN的对比表明,该模型具有更优的预测精度;此外,相对于高保真仿真小时级的计算成本,所提出的代理模型能够实现数十秒量级的快速噪声评估,从而支持快速的微修形设计迭代和实际工程决策。
**论文解读:基于BOA-ISSA-BPNN代理模型的三级斜齿轮减速器快速噪声预测**
**研究背景与问题**
齿轮减速器是现代传动系统的关键部件,广泛用于工业机器人等先进制造装备。其振动噪声性能直接影响运行可靠性与声学舒适性,且在噪声敏感应用中尤为关键。早期故障常表现为异常振动和辐射噪声,因此准确噪声预测对状态监测和早期故障诊断具有重要价值。然而,传统基于有限元分析(FEA)和边界元法(BEM)的仿真方法计算成本极高,单次评估需数小时,难以满足快速设计迭代需求。近年虽有学者采用BP神经网络(BPNN,一种多层前馈神经网络)等代理模型预测减速器噪声,但单一模型易陷入局部最优,精度和稳定性不足。为此,研究人员提出了结合贝叶斯优化(BOA)与改进麻雀搜索算法(ISSA)的BOA-ISSA-BPNN代理模型,旨在实现高精度、低成本的快速噪声评估。该论文发表在《Machines》。
**主要关键技术方法**
研究人员构建了仿真驱动数据生成流水线:首先在Romax Designer 2024中建立三级斜齿轮减速器动力学模型,进行谐响应分析获得箱体振动响应;然后在ACTRAN 2020中建立声学模型,将振动响应映射为声学边界条件,计算六场点平均均方根声压级(RMS SPL)作为噪声指标。采用最优拉丁超立方抽样(OLHS)生成300组第一级小齿轮微修形参数(齿向鼓形、齿向斜度、齿廓修形)样本。代理模型方面,使用贝叶斯优化(BOA)优化BPNN隐藏层节点数和学习率,并通过改进麻雀搜索算法(ISSA)优化初始权重和偏置,最终形成BOA-ISSA-BPNN模型。
**研究结果**
**1. 齿轮减速器振动响应仿真**
通过模态分析获得箱体前九阶固有频率,与齿轮啮合频率(一阶660 Hz、二阶248 Hz、三阶98 Hz)差异显著,排除了共振可能。谐响应分析表明:一阶齿轮副激励下箱体振动加速度峰值(1.4 m/s2)远高于二、三阶,其振动占主导地位,因此后续研究聚焦于一阶小齿轮微修形参数。
**2. 齿轮减速器噪声响应仿真**
声学仿真显示,在660 Hz附近噪声最大,主要集中于箱体顶部,与振动加速度分布一致。六个场点的RMS SPL曲线呈宽带特征,主要由齿面微观形貌引起的动态激励导致。
**3. 训练样本生成**
基于ISO标准和经验公式确定一阶小齿轮微修形参数范围,通过OLHS生成300组样本,经仿真获得对应噪声值。敏感性分析表明,修形参数对噪声影响显著。
**4. BOA-ISSA-BPNN代理模型性能**
在测试集上,BOA-ISSA-BPNN模型R2 = 0.97499、RMSE = 0.91385、MAE = 0.6547、相关系数R = 0.97665,训练集和全数据集R2分别为0.99617和0.98838,拟合与泛化能力优异。
**5. 与其他代理模型对比**
与SVM、BPNN、BOA-BPNN、SSA-BPNN、ISSA-BPNN相比,BOA-ISSA-BPNN的R2最高、RMSE和MAE最低。例如,相比BPNN,RMSE降低62.26%,MAE降低55.68%,R2提升23.09%。平均预测时间仅32.35秒,远低于高保真仿真的2小时以上,计算效率显著提升。
**总结与讨论**
研究结论翻译如下(保留原文上下标格式):
在测试集上,所提出的BOA-ISSA-BPNN模型实现了R
2 = 0.97499、RMSE = 0.91385、MAE = 0.6547和R = 0.97655,在SVM、BPNN、BOA-BPNN、SSA-BPNN和ISSA-BPNN中取得了最佳整体精度。相比BPNN/BOA-BPNN/ISSA-BPNN,RMSE分别降低62.26%/53.73%/44.49%,MAE降低55.68%/44.24%/32.80%,R
2分别提升23.09%/9.38%/4.5%。效率方面,单次高保真噪声评估需2小时以上,而代理模型平均32.35秒即可完成预测,大幅降低了计算成本。
总体而言,所提出的BOA-ISSA-BPNN代理模型为传统高保真振动-声学仿真提供了精确且计算高效的替代方案,将单案例评估时间从2小时以上缩短至数十秒,因此支持齿轮减速器研发中的快速微修形评估、设计迭代和NVH导向决策。未来工作将把模型推广至多工况和更广泛的设计变量(如多级微修形和结构参数),并引入不确定性量化以进一步提高工程应用的鲁棒性。