神経ネットワークとオートエンコーダを用いた螺旋歯車ペアの時間変動メッシュ剛性の効率的分析

要旨 本研究では、ギアペアの時間変動メッシュ剛性（TVMS）を推定するためのサロゲートベースのアプローチを提案します。TVMSは、ギア伝動動的シミュレーションにおけるパラメトリック誘発振動の重要な源です。従来、TVMSは、荷重歯接触解析（LTCA）のような計算負荷の高い有限要素ベースの手法を用いて推定されてきました。ギアのジオメトリ寸法決定のステップでは、モジュール、圧力角、らせん角などのマクロジオメトリパラメータが特定の範囲内で変化し、実行可能なギアデザインが特定されます。その後、LTCAは、トルクやプロファイルクラウンなどのマイクロジオメトリパラメータの変動に対して有効な設計のTVMSを計算します。TVMS応答は、ギアのメッシングサイクルの非線形挙動を捉えるために300の転がり位置に離散化されます。2つのモデルが提案されています：(1) ModelNN、すべての転がり位置のTVMSをロール角を入力特徴量として使用して予測する完全連結ニューラルネットワーク（FCNN）、および (2) ModelAE-NN、300次元のTVMS応答を5〜20の低次元特徴量に削減し、その後FCNNを使用して推定します。両モデルは、200の未見のテストサンプルで検証され、R 2（決定係数）が0.99を超える値を達成しました。ただし、ModelAE-NNは次元削減が過学習を減少させ、一般化を向上させるため、より堅牢であることが示されています。両モデルは、LTCAと比較して24,000倍の速度でTVMS推定を加速します。全体的な感度分析から、トルクが非線形ギアメッシュ挙動に影響を与える主要因であることが明らかになりました。全体として、本研究はTVMS予測におけるサロゲートモデリングの効果を示しています。