MétaCan
Menu
Retour à la cohorte
Enregistrement W3090015679 · doi:10.1109/aparm49247.2020.9209480

Dynamic Modeling of a Planetary Gearbox with Sun Gear Crack and Bearing Clearance

2020· article· en· W3090015679 sur OpenAlexaff
Xianhua Chen, Xingkai Yang, Ming J. Zuo, Zhigang Tian

Notice bibliographique

Revue2020 Asia-Pacific International Symposium on Advanced Reliability and Maintenance Modeling (APARM) · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueGear and Bearing Dynamics Analysis
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésBearing (navigation)TorqueDisplacement (psychology)Automotive engineeringNon-circular gearStructural engineeringPlanetDynamic load testingDynamic simulationEngineeringFriction torqueMain bearingComputer scienceMechanical engineeringSpiral bevel gearSimulationPhysics

Résumé

récupéré en direct d'OpenAlex

Planetary gearboxes are widely used in industrial applications, such as wind turbines, automobiles, and mining equipment. Although well designed, planetary gearboxes may experience failures if no early detection is conducted due to harsh working environment, such as high torque and heavy dust. To improve system reliability and reduce maintenance cost, it is important to carry out early fault detection. This study investigates the dynamic responses of a planetary gearbox with a tooth root crack in the sun gear. Reported studies have not considered the effects of bearing clearance on dynamic responses of planetary gearboxes with sun gear tooth crack. In this study, we consider the carrier bearing clearance, planet gear bearing clearance, and sun gear bearing clearance in a planetary gearbox with fixed ring gear. Simulation results reveal that if the bearing clearance is much smaller than the displacement of its corresponding gear, the clearance will not affect the dynamic response. Otherwise, the clearance will increase the displacement of its corresponding gear and change the dynamic responses of other gears.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,111
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,006
Tête enseignante GPT0,194
Écart entre enseignants0,188 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revue2020 Asia-Pacific International Symposium on Advanced Reliability and Maintenance Modeling (APARM)Même sujetGear and Bearing Dynamics AnalysisTravaux en français237 207