基于数字孪生的齿轮传动系统振动性能监测方法

doi:10.3969/j.issn.1004-132X.2026.05.018

摘要/Abstract

摘要：

为更好地监测齿轮传动系统在运行过程中的振动状态，提出了基于数字孪生的齿轮传动系统振动性能监测方法。考虑物理模型、数字孪生模型和二者之间的交互，建立了齿轮传动系统的数字孪生框架。基于广义有限元法建立了齿轮传动系统的机理模型，利用其生成的仿真数据构建了代理模型，以替代计算耗时的机理模型。通过Sobol灵敏度分析方法对模型参数进行了筛选，结合试验数据采用遗传算法进行模型更新，并使用更新后的模型进行振动监测，从而完成了数字孪生模型的构建。以人字齿轮传动系统为例，应用所提方法对其进行了振动性能监测。研究结果表明，建立的数字孪生模型能准确地反映齿轮传动系统在运行过程中的振动性能，不同转速下经过更新后的模型在各个测点处仿真值与试验值之间的相对误差最大值为15.21%，验证了所提方法的有效性。

关键词: 数字孪生, 齿轮传动系统, 模型更新, 振动监测, 代理模型

Abstract:

In order to monitor the vibration states of the gear transmission systems during operation， a digital twin-based method was proposed for monitoring the vibration performances of the gear transmission systems. Considering the physical model， the digital twin model and the interaction between the two models， a digital twin framework of the gear transmission systems was developed. A mechanism model of the gear transmission systems was presented based on the generalized finite element method， and the simulation data produced were used to construct a surrogate model which was constructed using the simulation data generated by this mechanism model， so as to replace the original computationally expensive mechanism model. The model parameters were selected by the Sobol sensitivity analysis method， and a genetic algorithm was used to update the model in combination with the experimental data. The updated model was then used to monitor the vibration performances， thus completing the construction of the digital twin model. The proposed method was applied to monitor the vibration performances of a herringbone gear transmission system. The results show that the digital twin model may reflect the vibration performances of the gear transmission systems accurately during operation. Under different rotational speeds， the maximum relative error among the simulation and experimental results at each measurement point is as 15.21%， which verifies the effectiveness of the proposed method.

Key words: digital twin, gear transmission system, model update, vibration monitoring, surrogate model

中图分类号:

TH132

张润成, 刘捷舟, 汪义伟, 刘更, 佟瑞庭. 基于数字孪生的齿轮传动系统振动性能监测方法[J]. 中国机械工程, 2026, 37(5): 1183-1192.

ZHANG Runcheng, LIU Jiezhou, WANG Yiwei, LIU Geng, TONG Ruiting. Digital Twin Based Vibration Performance Monitoring Method for Gear Transmission Systems[J]. China Mechanical Engineering, 2026, 37(5): 1183-1192.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.05.018

https://www.cmemo.org.cn/CN/Y2026/V37/I5/1183

图/表 21

图1 齿轮传动系统数字孪生框架

Fig.1 Digital twin framework for gear transmission systems

图2 人字齿轮副动力学模型（左侧）

Fig.2 Dynamic model of a herringbone gear pair（left side）

图3 接触点的接触过程

Fig.3 Contact process of a contact point

图4 GA优化过程

Fig.4 GA optimization process

图5 机械式封闭功率流人字齿轮振动试验系统

Fig.5 Mechanical closed power flow herringbone gear vibration test system

图6 传感器布置图

Fig.6 Diagram of acceleration sensor layout

表1 试验设备

Tab.1 Instruments required for testing

设备名称	型号	数量
数据采集仪	MI-8014	1
三向加速度计传感器	PCB356A17	4
扭矩转速仪	三晶A型	1

表2 齿轮副基本参数

Tab.2 Parameters of a gear pair

参数	数值
齿数	23（小齿轮）/46（大齿轮）
法向模数/mm	5
螺旋角/（°）	24.784
法向压力角/（°）	20
齿宽/mm	50
齿顶高系数	1
顶隙系数	0.25
中心距/mm	190
精度等级	5

图7 振动信号

Fig.7 Vibration signal

图8 数字孪生模型更新前振动信号RMS试验值与仿真值的对比

Fig.8 Comparison of the experimental and simulated RMS values of the vibration signal prior to digital twin model updating

图9 数字孪生模型更新前试验值与仿真值之间的相对误差

Fig.9 Relative error between the experimental and simulated values prior to digital twin model updating

表3 模型参数初值及取值范围

Tab.3 Initial values and ranges of parameters

模型参数	初始值	取值范围
x₁~x₄：轴承1~4径向支承刚度 k_xx /（N·m $- 1$ ）	2×10⁸	［4×10⁷， 3×10⁹］
x₅~x₈：轴承1~4径向支承刚度 k_yy /（N·m $- 1$ ）	2×10⁸	［4×10⁷， 3×10⁹］
x₉~x₁₂：轴承1~4径向摆动刚度 k_t_x /（N·m $- 1$ ）	1×10⁵	［2.0×10⁴， 1.5×10⁶］
x₁₃~x₁₆：轴承1~4径向摆动刚度 k_t_y /（N·m $- 1$ ）	1×10⁵	［2.0×10⁴， 1.5×10⁶］
x₁₇~x₁₈：轴承3、4轴向支承刚度 k_z /（N·m $- 1$ ）	1×10⁶	［2.0×10⁵， 1.5×10⁷］
x₁₉~x₂₂：轴承1~4径向支承阻尼 c_xx /（N·s·m $- 1$ ）	1×10⁴	［1000，1×10⁵］
x₂₃~x₂₆：轴承1~4径向支承阻尼 c_yy /（N·s·m $- 1$ ）	1×10⁴	［1000，1×10⁵］
x₂₇~x₃₀：轴承1~4径向摆动阻尼 c_t_x /（N·s·m $- 1$ ）	100	［10，1000］
x₃₁~x₃₄：轴承1~4径向摆动阻尼 c_t_y /（N·s·m $- 1$ ）	100	［10，1000］
x₃₅~x₃₆：轴承3、4轴向支承阻尼 c_z /（N·s·m $- 1$ ）	1000	［100，1×10⁴］
x₃₇：啮合阻尼比ζ	0.05	［0.03，0.17］
x₃₈：时变啮合刚度缩放系数α_k	1	［0.5，2.0］

表3 模型参数初值及取值范围

Tab.3 Initial values and ranges of parameters

模型参数	初始值	取值范围
x₁~x₄：轴承1~4径向支承刚度 k_xx /（N·m $- 1$ ）	2×10⁸	［4×10⁷， 3×10⁹］
x₅~x₈：轴承1~4径向支承刚度 k_yy /（N·m $- 1$ ）	2×10⁸	［4×10⁷， 3×10⁹］
x₉~x₁₂：轴承1~4径向摆动刚度 k_t_x /（N·m $- 1$ ）	1×10⁵	［2.0×10⁴， 1.5×10⁶］
x₁₃~x₁₆：轴承1~4径向摆动刚度 k_t_y /（N·m $- 1$ ）	1×10⁵	［2.0×10⁴， 1.5×10⁶］
x₁₇~x₁₈：轴承3、4轴向支承刚度 k_z /（N·m $- 1$ ）	1×10⁶	［2.0×10⁵， 1.5×10⁷］
x₁₉~x₂₂：轴承1~4径向支承阻尼 c_xx /（N·s·m $- 1$ ）	1×10⁴	［1000，1×10⁵］
x₂₃~x₂₆：轴承1~4径向支承阻尼 c_yy /（N·s·m $- 1$ ）	1×10⁴	［1000，1×10⁵］
x₂₇~x₃₀：轴承1~4径向摆动阻尼 c_t_x /（N·s·m $- 1$ ）	100	［10，1000］
x₃₁~x₃₄：轴承1~4径向摆动阻尼 c_t_y /（N·s·m $- 1$ ）	100	［10，1000］
x₃₅~x₃₆：轴承3、4轴向支承阻尼 c_z /（N·s·m $- 1$ ）	1000	［100，1×10⁴］
x₃₇：啮合阻尼比ζ	0.05	［0.03，0.17］
x₃₈：时变啮合刚度缩放系数α_k	1	［0.5，2.0］

图10 代理模型预测效果

Fig.10 Prediction effects of the surrogate models

图11 灵敏度分析结果

Fig.11 Sensitivity analysis results

表4 模型参数优化结果

Tab.4 Model parameters after optimization

模型参数	初值	优化结果
x₁/（N · m $- 1$ ）	2×10⁸	1.67×10⁹
x₂/（N · m $- 1$ ）	2×10⁸	2.90×10⁹
x₃/（N · m $- 1$ ）	2×10⁸	1.51×10⁹
x₅/（N · m $- 1$ ）	2×10⁸	1.56×10⁹
x₆/（N · m $- 1$ ）	2×10⁸	2.88×10⁹
x₇/（N · m $- 1$ ）	2×10⁸	1.91×10⁹
x₈/（N · m $- 1$ ）	2×10⁸	2.22×10⁹
x₁₉/（N · s · m $- 1$ ）	1×10⁴	3.15×10⁴
x₂₃/（N · s · m $- 1$ ）	1×10⁴	1.96×10⁴
x₂₄/（N · s · m $- 1$ ）	1×10⁴	9.94×10⁴
x₂₅/（N · s · m $- 1$ ）	1×10⁴	8.52×10⁴
x₂₆/（N · s · m $- 1$ ）	1×10⁴	5.85×10⁴
x₃₀/（N · s · m $- 1$ ）	100	704
x₃₇	0.05	0.1677
x₃₈	1	0.57

表4 模型参数优化结果

Tab.4 Model parameters after optimization

模型参数	初值	优化结果
x₁/（N · m $- 1$ ）	2×10⁸	1.67×10⁹
x₂/（N · m $- 1$ ）	2×10⁸	2.90×10⁹
x₃/（N · m $- 1$ ）	2×10⁸	1.51×10⁹
x₅/（N · m $- 1$ ）	2×10⁸	1.56×10⁹
x₆/（N · m $- 1$ ）	2×10⁸	2.88×10⁹
x₇/（N · m $- 1$ ）	2×10⁸	1.91×10⁹
x₈/（N · m $- 1$ ）	2×10⁸	2.22×10⁹
x₁₉/（N · s · m $- 1$ ）	1×10⁴	3.15×10⁴
x₂₃/（N · s · m $- 1$ ）	1×10⁴	1.96×10⁴
x₂₄/（N · s · m $- 1$ ）	1×10⁴	9.94×10⁴
x₂₅/（N · s · m $- 1$ ）	1×10⁴	8.52×10⁴
x₂₆/（N · s · m $- 1$ ）	1×10⁴	5.85×10⁴
x₃₀/（N · s · m $- 1$ ）	100	704
x₃₇	0.05	0.1677
x₃₈	1	0.57

图12 数字孪生模型更新后振动信号RMS试验值与仿真值的对比

Fig.12 Comparison of the experimental and simulated RMS values of the vibration signal after digital twin model updating

图13 数字孪生模型更新后试验值与仿真值之间的相对误差

Fig.13 Relative error between the experimental and simulated values after digital twin model updating

图14 6~12 s内振动信号RMS试验值与数字孪生模型仿真值对比

Fig.14 Comparison of the experimental RMS values of the vibration signal with those simulated by digital twin model from 6 to 12 s

图15 6~12 s内试验值与数字孪生模型仿真值之间的相对误差

Fig.15 Relative error between experimental values and the values simulated by digital twin model from 6 to 12 s

图16 不同转速下各测点处试验值与数字孪生模型仿真值的对比

Fig.16 Comparison of experimental results and simulation results of digital twin model at each measuring point under different rotational speeds

表5 不同转速下各测点处试验值与数字孪生模型仿真值之间的最大相对误差 (%)

Tab.5 Maximum relative errors between the experimental results and the simulation results of the digital twin model at each measuring point under different rotational speeds

测点	更新前相对误差	更新后相对误差
1	12.54	3.99
2	101.59	12.47
3	64.59	15.21
4	84.43	3.16

参考文献 15

[1]	刘欣荣，王慧鹏，汪中厚，等. 宽域加工误差对拓扑修形齿轮传动误差的影响［J］. 机械工程学报， 2023， 59（15）： 131-141.
	LIU Xinrong， WANG Huipeng， WANG Zhonghou， et al. Influence of Wide-swath Machining Error on Transmission Error of Topological Modification Gear Transmission System［J］. Journal of Mechanical Engineering， 2023， 59（15）： 131-141.
[2]	WANG Pei， LUO Ming. A Digital Twin-based Big Data Virtual and Real Fusion Learning Reference Framework Supported by Industrial Internet towards Smart Manufacturing［J］. Journal of Manufacturing Systems， 2021， 58： 16-32.
[3]	WANG Gang， ZHANG Geng， GUO Xin， et al. Digital Twin-driven Service Model and Optimal Allocation of Manufacturing Resources in Shared Manufacturing［J］. Journal of Manufacturing Systems， 2021， 59： 165-179.
[4]	FENG K， JI J C， ZHANG Y C， et al. Digital Twin-driven Intelligent Assessment of Gear Surface Degradation［J］. Mechanical Systems and Signal Processing， 2023， 186： 109896.
[5]	CUI Lingli， XIAO Yongchang， LIU Dongdong， et al. Digital Twin-driven Graph Domain Adaptation Neural Network for Remaining Useful Life Prediction of Rolling Bearing［J］. Reliability Engineering & System Safety， 2024， 245： 109991.
[6]	ZHOU Yadong， ZHOU Jianxing， CUI Quanwei， et al. Digital Twin-driven Online Intelligent Assessment of Wind Turbine Gearbox［J］. Wind Energy， 2024， 27（8）：797-815.
[7]	唐贤炬，胡志安，佘亦曦，等. 数字孪生驱动的齿轮传动系统振动状态监测方法［J］. 机械传动， 2025， 49（10）： 142-149.
	TANG Xianju， HU Zhian， SHE Yixi， et al. Digital Twin-driven Vibration State Monitoring Method for Gear Transmission Systems［J］. Journal of Mechanical Transmission， 2025， 49（10）： 142-149.
[8]	GONG Jingyi， LIU Geng， LIU Lan， et al. Experimental Study on Vibration Characteristics of Double-helical Gearbox with Isolators［J］. Journal of Mechanical Science and Technology， 2022， 36（9）： 4379-4393.
[9]	YI Yuanyuan， QIN Datong， LIU Changzhao. Investigation of Electromechanical Coupling Vibration Characteristics of an Electric Drive Multistage Gear System［J］. Mechanism and Machine Theory， 2018， 121： 446-459.
[10]	童水光，何顺，童哲铭，等. 基于组合近似模型的轻量化设计方法［J］. 中国机械工程， 2020， 31（11）： 1337-1343.
	TONG Shuiguang， HE Shun， TONG Zheming， et al. Lightweight Design Method Based on Combined Approximation Model［J］. China Mechanical Engineering， 2020， 31（11）： 1337-1343.
[11]	王文竹，李杰，刘刚，等. 基于Kriging代理模型鼓式制动器稳定性的优化设计［J］. 振动与冲击， 2021， 40（11）： 134-138.
	WANG Wenzhu， LI Jie， LIU Gang， et al. Optimization Design of Drum Brake Stability Based on Kriging Surrogate Model［J］. Journal of Vibration and Shock， 2021， 40（11）： 134-138.
[12]	BASHEER I A， HAJMEER M. Artificial Neural Networks： Fundamentals， Computing， Design， and Application［J］. Journal of Microbiological Methods， 2000， 43（1）： 3-31.
[13]	张宁，史金光，王中原，等. 基于支持向量回归模型的弹用冲压发动机性能预测及优化［J］. 兵工学报， 2023， 44（10）： 2944-2953.
	ZHANG Ning， SHI Jinguang， WANG Zhongyuan， et al. Performance Prediction and Optimization of Ramjet for Projectiles Using Support Vector Regression Model［J］. Acta Armamentarii， 2023， 44（10）： 2944-2953.
[14]	SOBOL' I M. Global Sensitivity Indices for Nonlinear Mathematical Models and Their Monte Carlo Estimates［J］. Mathematics and Computers in Simulation， 2001， 55（1/3）： 271-280.
[15]	许华超，朱豪杰，韩振华，等. 基于代理模型和敏感度分析的直升机主减速器减振优化［J］. 航空动力学报， 2024， 39（11）： 402-411.
	XU Huachao， ZHU Haojie， HAN Zhenhua， et al. Vibration Reduction Optimization for Helicopter's Main Gearbox Based on Surrogate Model and Sensitivity Analysis［J］. Journal of Aerospace Power， 2024， 39（11）： 402-411.