齿轮设计中赫兹接触应力预测的机器学习代理模型比较研究

《Next Research》：Machine Learning surrogate models for Hertzian contact stress prediction in gear design: A comparative study of multiple approaches

本研究针对齿轮设计阶段接触应力预测耗时且依赖传统方法（如有限元仿真）的问题，研究人员开展了基于ISO 6336标准的机器学习代理模型预测渐开线齿轮副赫兹接触应力的主题研究。研究比较了弹性网络、支持向量机、集成方法和神经网络等多种回归模型，结果表明神经网络代理模型能高精度（R2>0.99）且快速地复现ISO标准计算结果，为齿轮耐久性设计和多目标优化提供了高效工具，显著加速了设计进程。

　　

在机械工程领域，尤其是在齿轮传动系统的设计中，准确预测接触应力是确保齿轮耐久性、可靠性和优化性能的关键环节。传统的应力预测方法，如基于ISO 6336等标准进行解析计算、执行复杂的有限元分析（FEM, Finite Element Method）或依赖实验测试，虽然精度较高，但往往计算资源消耗大、耗时漫长，难以满足现代设计流程中对快速迭代和大量方案评估的需求。这种计算瓶颈严重限制了工程师在早期设计阶段探索广阔设计空间、平衡多目标（如强度、重量、噪音）的能力。因此，开发能够快速、准确预测应力的计算工具，成为齿轮工程领域一个重要的研究方向。

近年来，机器学习（ML, Machine Learning）技术，特别是监督学习中的回归算法，在建立复杂系统的代理模型（或称元模型，Surrogate Model）方面展现出巨大潜力。代理模型的核心思想是学习高保真模型（如FEM仿真或解析公式）的输入-输出关系，从而用一个计算成本极低的近似模型来替代原始耗时的计算过程。这为加速齿轮设计流程提供了新的可能性。已有研究将机器学习应用于预测齿轮根应力、静态传递误差（STE, Static Transmission Error）乃至齿轮啸叫噪声，并取得了显著成效。然而，大多数研究依赖于有限元仿真或实验数据作为训练标签，而基于广泛认可的国际标准（如ISO 6336）来构建代理模型的研究相对较少。将标准的权威性与机器学习的高效性相结合，有望为齿轮设计提供一种既可靠又快捷的新方法。

在此背景下，发表在《Next Research》上的这项研究，由Fabio Bruzzone、Daniele Fabbri和Carlo Rosso合作完成，旨在系统性地探讨多种机器学习算法在预测齿轮赫兹接触应力（Hertzian Contact Stress）方面的表现。研究重点关注赫兹接触应力而非齿根弯曲应力，因为前者对于评估齿轮表面疲劳、点蚀失效等关键寿命指标更为重要。该研究不仅比较了不同算法的预测精度和泛化能力，还深入分析了输入特征的重要性，并探索了主成分分析（PCA, Principal Component Analysis）作为降维技术在此类工程问题中的应用效果，为后续集成到多目标优化框架中奠定了基础。

为了开展这项研究，研究人员首先构建了一个大规模的数据集。该数据集并非来自仿真或实验，而是完全基于ISO 6336-2标准中关于赫兹接触应力（σ_H1）的解析计算公式生成。通过系统地改变齿轮的宏观几何参数（如法向模数m_n、齿数z₁、齿宽b、压力角α_t、螺旋角β、变位系数x₁, x₂等）和载荷条件（输入扭矩T），生成了超过五百万个样本数据点，确保了数据覆盖了广泛的设计场景。在模型构建方面，研究团队采用了严谨的机器学习工作流程，包括数据清洗、特征工程（如处理数据偏态、评估多重共线性）、数据集划分（80%训练，20%测试）、超参数调优以及模型评估。研究重点比较了几类回归模型：线性模型（弹性网络，Elastic Net）、核方法（支持向量回归机，SVR, Support Vector Regressor）、集成学习算法（随机森林，Random Forest；直方图梯度提升，Histogram-based Gradient Boosting）以及神经网络（NN, Neural Network），后者又分别使用了Scikit-learn的MLPRegressor和TensorFlow/Keras框架进行实现。此外，研究还专门探讨了PCA降维对模型性能的影响，创建了基于原始特征和PCA转换特征的两条并行建模路径。最终，为了严格测试模型的鲁棒性和泛化能力，研究人员生成了一个全新的、具有不同输入分布（特别是扭矩范围发生变化）的验证数据集（约65万个样本），对所有训练好的模型进行了外部验证。

2.1. 数据集准备

研究人员通过ISO 6336-2标准公式生成了包含约535万个样本的数据集，每个样本包含15个输入特征和1个目标变量（赫兹接触应力σ_H1）。他们对数据进行了深入的探索性分析，包括检查异常值、评估特征的偏态和峰度，并对严重偏态的特征进行了如Yeo-Johnson变换等预处理，以改善数据分布，使其更适合机器学习算法。通过计算皮尔逊相关系数矩阵，识别并移除了具有完全共线性的冗余特征，最终保留了14个特征。此外，研究还应用了主成分分析（PCA）进行降维，前10个主成分保留了原始数据95%的方差，形成了一个用于对比分析的低维数据集。

2.2. 线性回归模型

研究采用了带有弹性网络（Elastic Net）正则化的随机梯度下降（SGD, Stochastic Gradient Descent）线性回归模型。在原始数据集上，经过超参数调整和早期停止策略，模型最终在测试集上取得了70.29 MPa的RMSE和0.852的R²。然而，当在PCA转换后的数据集上训练时，模型性能显著下降（测试RMSE升至97.56 MPa，R²降至0.717），表明PCA过程中可能丢失了对线性模型预测至关重要的信息。

2.3. 支持向量机回归模型

由于SVR在处理海量数据时计算成本高昂，研究采用了分层抽样获取5万个样本子集进行训练。在原始数据集上，使用径向基函数（RBF, Radial Basis Function）核的SVR模型取得了较好的效果，测试RMSE为32.47 MPa，R²为0.968。同样，在PCA数据集上训练的SVR模型性能出现下降，测试RMSE为49.99 MPa，R²为0.926。

2.4. 决策树和集成方法

研究评估了两种集成学习策略：基于Bagging的随机森林（Random Forest）和基于Boosting的直方图梯度提升回归器（HGBR）。在原始数据集的子集上，随机森林模型表现出色，测试RMSE为29.62 MPa，R²为0.974。特征重要性分析显示，输入扭矩（Input_T）是预测中最具影响力的特征，贡献度超过50%，其次是工作节圆直径（dw1）和齿宽（b）。HGBR模型表现更佳，测试RMSE低至14.82 MPa，R²高达0.994。当在PCA数据集上应用时，两种集成方法的性能均有所降低。特征重要性分析进一步确认，在主成分中，与扭矩高度相关的PC10成分占据了主导地位。

2.5. 神经网络回归模型

神经网络模型在本研究中展现了最卓越的预测性能。使用Scikit-learn的MLPRegressor（三层结构：200-100-50神经元）在原始数据集上获得了极低的训练误差（RMSE 3.34 MPa）和测试误差（RMSE 3.43 MPa）。使用Keras Tuner优化的自定义神经网络模型（如三层结构：160-192-96神经元）进一步将测试RMSE降低至4.63 MPa。在PCA数据集上，神经网络同样表现最佳，但性能略低于原始特征集上的模型。统计检验（配对t检验）结果表明，神经网络（MLP）的预测性能显著优于其他所有对比模型。

3. 新数据集上的结果

为了评估模型的真实泛化能力，研究使用了一个全新的数据集进行验证，该数据集的输入特征分布（特别是扭矩）与训练集有所不同。验证结果清晰地表明，神经网络模型展现出强大的鲁棒性。MLPRegressor和最佳Keras模型在新数据集上的RMSE分别仅为12.04 MPa和12.63 MPa，R²保持在0.99左右，且预测误差（残差）分布紧密地集中在零附近。相比之下，线性模型（Elastic Net）和集成模型（Random Forest, HGBR）在新数据集上性能急剧下降，RMSE大幅升高，表明其 extrapolation（外推）能力有限，对输入分布的变化非常敏感。尤为重要的是，所有基于固定PCA转换（使用初始数据集计算的主成分）的模型在新数据集上均完全失效，预测误差极大，这凸显了当输入数据分布发生变化时，固定降维变换的局限性。

本研究通过系统性的比较分析，有力地证明了机器学习代理模型，特别是深度神经网络，在快速、准确预测齿轮赫兹接触应力方面的有效性和巨大潜力。研究的主要结论是，神经网络模型能够高保真地复现ISO 6336标准的计算结果（R² > 0.99），并且在面对未见过的、输入分布有所变化的工况时，表现出优异的泛化能力和鲁棒性，远胜于线性模型、支持向量机以及传统的集成学习算法。这意味着在齿轮设计阶段，工程师可以利用训练好的神经网络代理模型，在毫秒级别内获得可靠的应力预测值，从而极大地加速设计迭代和优化过程。

该研究的深刻意义在于，它成功地将权威的国际标准与前沿的机器学习技术相结合，为齿轮工程领域提供了一种兼具可靠性、高效性和实用性的新工具。通过聚焦于赫兹接触应力，该模型直接服务于齿轮表面耐久性和抗点蚀能力的设计校核，这对于提高齿轮传动系统的可靠性和寿命至关重要。此外，研究也指出了当前方法的局限性和未来改进方向。例如，集成模型在训练域内表现良好，但对外部数据泛化能力较差，提示我们需要构建覆盖更广设计空间、特别是更宽扭矩范围的数据集来提升模型的普适性。主成分分析（PCA）在本研究中的应用效果不佳，主要是因为训练数据分布与验证数据分布存在差异，但这并不否定降维技术在处理高维齿轮动力学问题中的潜在价值，未来在更具代表性的数据集上应用PCA或其他降维方法仍值得探索。

最终，这项工作为将来开发更复杂的、集成于多目标优化框架中的齿轮设计代理模型奠定了坚实的基础。展望未来，此类模型将能够同时平衡应力、重量、效率、振动噪声等多个相互冲突的设计目标，帮助工程师快速识别出最优且稳健的齿轮配置方案。虽然本研究完全基于ISO标准的数据驱动方法，但未来的研究可以进一步探索将物理定律嵌入机器学习模型的混合建模框架，如物理信息神经网络（PINNs, Physics-Informed Neural Networks），以期在保持计算效率的同时，进一步增强模型的可解释性和物理一致性。总之，这项研究标志着机器学习在齿轮设计从经验依赖、仿真驱动向数据驱动、智能优化转变的过程中，迈出了坚实而关键的一步。