Time-dependent reliability of spur gear system based on gradually wear process

To study dynamic evolution law of mechanical reliability caused by wear, gear transmission system is taken as a research object. Considering the effect of clearance caused by wear on gear teeth load in double meshing area, the formula of dynamic distribution load which is undertaken by two adjacent teeth is deduced. And the distributed pressure and meshing speed, which should be taken into account while calculating gear wear, are obtained based on the Winkler surface model and principle of tooth mesh. Based on the Archard’s wear model, numerical simulation model for wear in spur gear is deduced, and the wear depth of each meshing points on teeth outline with different wear cycles are obtained. The calculation wear model is replaced with a surrogate model with Neural Network and Kriging method to overcome time-consuming defect. Random process model is integrated with the surrogate model, and dynamic reliability for nonlinear stochastic structure with unknown distribution characteristic is obtained with Neural Network-based Edgeworth series technique and four moment methods, which is compared with Kriging-based Monte Carlo simulation method. The computational efficiency and accuracy are also demonstrated.

W artykule badano prawo dynamicznej ewolucji niezawodności mechanicznej powodowanej zużyciem na przykładzie układu przekładni zębatej. Na podstawie rozważań nad wpływem luzu powstałego na skutek zużycia na obciążenie zębów przekładni w obszarze podwójnych zazębień, wyprowadzono wzór na dynamiczny rozkład obciążeń przyjmowanych przez pary sąsiadujących zębów. Rozłożone naciski i prędkość zazębiania, które należy uwzględnić przy obliczaniu zużycia przekładni, otrzymano na podstawie modelu powierzchniowego Winklera oraz zasady zazębienia. W oparciu o model zużycia Archarda, wyprowadzono numeryczny model symulacyjny zużycia w przekładni zębatej oraz obliczono głębokość zużycia każdego z punktów zazębienia na zarysie zębów przy różnych cyklach zużycia. Aby uniknąć problemu czasochłonności, obliczeniowy model zużycia zastąpiono modelami zastępczymi bazującymi na sieci neuronowej i metodzie krigingu. Model procesu losowego zintegrowano z modelem zastępczym, a dynamiczną niezawodność dla nieliniowej struktury stochastycznej o nieznanej charakterystyce rozkładu uzyskano za pomocą techniki serii Edgeworth opartej na sieci neuronowej oraz metody czterech momentów, którą porównano z metodą symulacji Monte Carlo opartą na krigingu. Wykazano także wydajność obliczeniową i dokładność omawianej metody.