[发明专利]鉴别齿轮的方法、设备、计算机程序和计算机可读的介质

说明书

一种用于鉴别在变速器中引起振动的齿轮(5)的计算机实施的方法，包括以下步骤：借助于一组基准齿轮(19)的训练数据集来训练通用的AI模型，其中为该组的每个基准齿轮(19)设置基准齿轮(19)的表面(21)的至少一个基准轮廓和齿轮类别，其中将齿轮类别的第一齿轮类别(23)与该组的在变速器中引起等于或大于振动阈值的振动的每个基准齿轮(19)相关联，并且将齿轮类别的第二齿轮类别(25)与在变速器中引起低于振动阈值的振动的每个基准齿轮(19)相关联，经训练的AI模型可以将齿轮类别的一齿轮类别与每个齿轮(5)相关联；检测齿轮(5)的表面(11)的轮廓；和根据检测到的轮廓通过经训练的AI模型将齿轮类别之一与齿轮(5)相关联。本发明还涉及相应的设备，以及相应的计算机程序和相应的计算机可读的介质。

技术领域

本发明涉及一种用于鉴别在变速器中引起振动的齿轮的计算机实施的方法、设备、计算机程序和计算机可读的介质。

背景技术

从现有技术已知用于鉴别在变速器引起振动的齿轮的方法。通常将变速器、尤其齿轮变速器制成为，使得其由其齿轮和变速器的其它部件组成。制成的变速器于是通常在所谓的生产线末端检查步骤中检查。在所述检查步骤中，可以通过检查台来通过以下方式模拟变速器的运行：即将变速器置于对于运行典型的状态中。于是，在不同状态下可以测量和评估通过变速器部件引起的振动。

如果变速器的测量到的振动等于阈值或高于阈值，则所述变速器不能被投入使用，并且也可以称作为故障的变速器。

一般而言值得期望的是：最小化变速器的平均制造持续时间以及最小化用于变速器故障分析的时间耗费。

发明内容

因此，本发明的目的是：最小化变速器的平均制造持续时间并且最小化用于变速器故障分析的时间耗费。

根据本发明的第一方面，所述目的通过具有权利要求1所述的特征的计算机实施的方法来实现。该方法用于鉴别在变速器中引起振动的齿轮。该方法包括以下步骤：借助于一组基准齿轮的训练数据集来训练通用的AI模型。为该组的每个基准齿轮设置基准齿轮的表面的至少一个基准轮廓和齿轮类别。将齿轮类别的第一齿轮类别与该组的在变速器中引起等于或大于振动阈值的振动的每个基准齿轮相关联。将齿轮类别的第二齿轮类别与在变速器中引起低于振动阈值的振动的每个基准齿轮相关联。经训练的AI模型可以为每个齿轮分配齿轮类别的一齿轮类别。该方法还包括以下步骤：检测齿轮的表面的轮廓。该方法还包括以下步骤：根据检测到的轮廓通过训练过的AI模型为该齿轮分配齿轮类别之一。

该方法用于鉴别在变速器中引起振动的齿轮。特别地，该方法适合于：鉴别在变速器中引起等于或高于振动阈值的振动的齿轮。振动阈值优选地是以下阈值，自所述阈值起变速器不能被投入使用。特别地，该方法用于：从一组齿轮中鉴别在变速器中引起等于或大于振动阈值的振动的齿轮，所述齿轮设置用于所述变速器。该方法适合于：鉴别齿轮，所述齿轮可以是例如正齿轮或锥齿轮。该方法同样可用于其它类型的齿轮。

该方法包括：借助于一组基准齿轮的训练数据集训练通用的AI 模型。通用的AI模型也可以称为通用的人工智能模型。AI模型可以基于例如机器学习方法。例如，AI模型可以基于利用神经网络的深度学习方法。优选地，AI模型基于以下分类器之一：朴素贝叶斯分类器、基于逻辑回归的分类器、线性支持向量机(SVM)、非线性 SVM、基于神经网络的分类器、基于人工神经网络的分类器、基于决策树的分类器或基于随机森林的分类器。系列检查表明：AI模型当其在基于神经网络的分类器的基础上时可以尤其精确地预测：哪个齿轮在变速器中引起等于或高于振动阈值的振动。此外，所述系列检查表明：AI模型当其在基于随机森林的分类器的基础上时同样可以非常精确地预测：哪个齿轮在变速器中引起等于或高于振动阈值的振动。