Aujourd'hui, à l'heure du développement rapide de l'intelligence artificielle embarquée, les robots, les équipements intelligents et d'autres entités intelligentes font le saut d'une capacité bidimensionnelle de « perception - décision» à une capacité tridimensionnelle en boucle fermée de « perception - décision - exécution». En tant que centre central reliant la « prise de décision» à l '« exécution», les performances des transmissions telles que les boîtes de vitesses, les réducteurs harmoniques, les servomoteurs, les vis à billes, les tiges à rouleaux, etc. déterminent directement la précision du Mouvement, la capacité de charge, l'adaptabilité environnementale et la fiabilité à long terme du corps intelligent. On peut dire que la transmission est le « nerf moteur» de l'intelligence corporelle et que sa technologie de test de fiabilité, d'efficacité et de longévité est un « système d'examen médical» essentiel pour garantir le bon fonctionnement de ce « nerf». Cet article analysera en profondeur la logique technique et les avancées de pointe dans les tests de fiabilité, les tests d'efficacité et les tests de durée de vie autour des besoins de test de base des transmissions dans le scénario de l'IA personnelle.

Pourquoi l'IA personnelle repose - t - elle sur une transmission haute performance?

La caractéristique typique d’une intelligence corporelle est « d’effectuer des tâches de manière autonome dans le monde physique réel » et son contrôle du Mouvement est confronté à trois défis majeurs:

Réponse dynamique élevée: besoin de suivre rapidement des trajectoires complexes (telles que le fonctionnement précis au niveau millimétrique du robot chirurgical, l'évitement des obstacles par saut du robot à quatre pattes)

Adaptation aux conditions de travail multiples: doit fonctionner de manière stable dans des environnements variables tels que la température, l'humidité, la poussière, les chocs et autres (tels que le travail continu de 24 heures du bras robotique industriel, l'érosion par le vent et la pluie du robot de patrouille extérieur)

3, faible consommation d'énergie et longue endurance: les tâches de temps de croissance doivent être effectuées sous des contraintes énergétiques limitées (telles que la patrouille extérieure du robot Humanoïde, le transport à distance de la charge montée par drone).

La transmission, en tant que « dernier kilomètre» de la transmission de puissance, détermine directement la capacité d'exécution des tâches d'un corps intelligent avec sa précision de transmission (qui détermine la précision du contrôle du mouvement), son efficacité (qui détermine l'utilisation de l'énergie), sa fiabilité (qui détermine le temps de fonctionnement sans cause) et sa durée de vie (qui détermine le coût du cycle de vie complet). Par example, un excès de rétrodifférentiel (back GAP) du réducteur harmonique entraîne une erreur de positionnement de l'extrémité du bras robotique; Une perte de friction trop élevée de la boîte de vitesses raccourcit l'endurance du robot; L'usure précoce des roulements peut provoquer des pannes soudaines qui menacent la sécurité de la collaboration homme - machine. Par conséquent, la technologie de test systématique pour les transmissions est une IA personnelle qui passe du laboratoire au scénario réel. "Doit - passer. "

II. Test de fiabilité: de « réparation après défaillance» à « protection prédictive»

La fiabilité est un indicateur central de la transmission, défini comme « la capacité à remplir une fonction spécifiée dans des conditions spécifiées et dans un délai spécifié». Les scénarios d'IA personnels imposent des exigences plus strictes en matière de fiabilité de la transmission: non seulement « pas mauvais», mais aussi des performances stables dans des spectres de charge complexes tels que les chocs, les vibrations, les contraintes alternatives. Ses techniques de test s’articulent autour de « l’exposition accélérée aux défauts – la quantification de la probabilité de défaillance – la prédiction de la durée de vie restante ».

1. Méthode d'essai de base: de l'essai accéléré au couplage Multi - contraintes

Les tests de fiabilité traditionnels utilisent de nombreux « tests de durée de vie dans des conditions de fonctionnement nominales», mais les caractéristiques variables de l'IA nécessitent des tests simulant des scénarios réels de contraintes multiples (contraintes mécaniques, thermiques, chimiques, etc.). Les méthodes typiques comprennent:

Test de durée de vie accélérée (ALT): accélère l'apparition d'un défaut et raccourcit la période d'essai en appliquant des contraintes supérieures au niveau nominal (p. ex., surcharge, températures élevées, vibrations à haute fréquence). Par exemple, un essai de chargement cyclique de 2 fois le couple nominal est effectué sur un réducteur harmonique, en combinaison avec les données de défaillance ajustées de la distribution Weibull, extrapolant le MTBF (temps moyen sans cause) dans des conditions de fonctionnement normales.

Essai multiphysique de couplage de champ: simulant l'environnement de la température et de l'humidité, du brouillard salin, de la poussière, etc., en appliquant simultanément une charge mécanique pour tester le mode de défaillance de la transmission sous des contraintes composites (par exemple, collage d'engrenage dû à une défaillance de la graisse, intrusion de poussière causée par le vieillissement du joint).

Analyse des modes de défaillance et des effets (fmea): identification des composants à haut risque (par exemple, les pistes de roulement, les pieds d'engrenage) à l'aide de données historiques de défaillance et de modèles physiques de défaillance (POF), ciblage des cas de test de conception. Par exemple, pour le Vice - pignon cycloïdal du réducteur RV, l'accent est mis sur le test de la fatigue de contact des dents de l'aiguille avec le pignon cycloïdal.

2. Principales difficultés techniques: prédiction de la défaillance sous un petit échantillon

Les Engrenages ai personnels entraînent souvent un nombre insuffisant d'échantillons défectueux en raison de conceptions personnalisées, telles que les boîtes de vitesses à paroi mince pour les robots collaboratifs légers. Introduction de l'analyse de fiabilité bayésienne combinée à la connaissance a priori (données de défaillance de produits similaires) avec les données d'essai actuelles pour mettre à jour les estimations de probabilité de défaillance; Ou utiliser l'apprentissage automatique (par exemple, les réseaux lstm) pour analyser les données de capteurs telles que les vibrations, la température, etc., pour permettre l'alerte précoce des défaillances (par exemple, l'extraction de faibles signatures vibratoires de piqûres de roulements).

Iii. Test d'efficacité: de "Calibration statique" à "Portrait d'efficacité énergétique dynamique"

L'efficacité est un indicateur central de l'économie de transfert d'énergie d'une transmission, définie comme le rapport de la puissance de sortie à la puissance d'entrée (η = P out / P in). Dans les scénarios d'IA, la transmission doit rester efficace sur une large plage de charge (par exemple, le bras robotique passe de vide à pleine charge), à des vitesses de rotation variables (par exemple, la commutation de démarrage et d'arrêt du robot de service), sinon elle peut entraîner une réduction de l'endurance ou une augmentation de la pression de gestion thermique. Les tests d'efficacité doivent dépasser les limites de la « Calibration à point unique de la condition de travail nominale» et construire une carte d'efficacité complète de la condition de travail.

1. Méthode d'essai: de la mesure du flux d'énergie à la décomposition des pertes

Les tests d'efficacité traditionnels mesurent le couple d'entrée - sortie avec la vitesse de rotation à travers un dynamomètre, calculent η. Mais l'IA a besoin d'un "Portrait d'efficacité" plus fin, qui doit être décomposé davantage source de perte:

Pertes mécaniques: y compris la friction d'engrenage, la friction de roulement du roulement, la friction de glissement du joint. Le couple de frottement de chaque composant peut être mesuré après démontage (comme la mesure du couple de frottement d'un roulement avec un capteur de couple)

Perte de lubrification: la viscosité de la graisse, la quantité de remplissage affectera la perte d'agitation, il est nécessaire de tester l'efficacité de l'atténuation dans différentes conditions de lubrification.

Fluctuation dynamique de l'efficacité: tester la courbe de variation de l'efficacité en fonction de la situation de travail dans des conditions de travail à charge variable et à vitesse de rotation variable (par exemple, mouvement de décélération des articulations du robot), identifier les intervalles d'inefficacité (par exemple, chute d'efficacité à faible vitesse avec des charges légères)

2. À la pointe de la technologie: prévision de l'efficacité basée sur des modèles

En établissant un modèle de couplage chaleur - machine de la transmission, l'efficacité peut être prédite dans différentes situations de travail. Par exemple, l'analyse par éléments finis (FEA) est utilisée pour calculer la chaleur générée par friction dans la zone de contact des engrenages, combinée à la mécanique des fluides (CFD) pour simuler la dissipation de chaleur par convection de l'huile de lubrification, ce qui modifie les paramètres du modèle d'efficacité. En outre, en combinaison avec des algorithmes d'IA tels que la régression de processus gaussienne, les modèles prédictifs d'efficacité peuvent être formés avec un petit nombre de données d'essai, permettant une estimation rapide de l'efficacité dans des conditions de travail inconnues.

Résumé: la technologie de test de transmission est la « pierre angulaire sous - jacente» de l'IA personnelle

L’objectif de l’intelligence artificielle personnelle est « d’interagir avec le monde physique de manière flexible et fiable comme un humain », et la transmission est le « pivot matériel » de cet objectif. Les tests de fiabilité garantissent qu’il « ne perd pas la chaîne » dans des scénarios complexes, les tests d’efficacité garantissent sa « longue durée de vie » et les tests de durée de vie permettent une « maintenance de précision ». À l'avenir, avec la convergence profonde de l'IA avec les technologies de test (telles que les essais virtuels basés sur les réseaux de confrontation génératifs (Gan), le diagnostic en temps réel basé sur l'Edge computing), les tests des transmissions passeront de la « vérification hors ligne» à la « gestion intelligente de la santé en ligne», offrant une garantie plus solide pour l'atterrissage à grande échelle des agents intelligents personnels.

Chaque rotation fiable de la transmission est un pas vers une « intelligence universelle» pour l'IA. C'est seulement en mâchant l '« os dur » de la technologie d'essai que l'intelligence peut vraiment « marcher, durer et être abordable ».