新能源汽车的蓬勃发展对其动力总成核心部件———电驱减速器的可靠性提出了前所未有的高标准与严苛要求。作为传递扭矩与转速的关键载体，减速器齿轮长期服役于高速、重载、急启急停等复杂交替的极端工况下，极易诱发点蚀、裂纹、胶合和磨损等多种损伤模式。这些损伤若未能被及时、准确地检测与评估，将从局部失效演变为整个传动系统的连锁故障，最终威胁行车安全，并带来巨大的经济成本。因此，发展高效、精准的齿轮在役损伤智能诊断与剩余寿命（Remaining Useful Life，RUL）预测技术，对于保障新能源汽车的安全可靠运行具有重大的工程现实意义与学术研究价值。

目前，针对齿轮系统的状态监测与损伤识别，国内外学者已开展了广泛研究，并形成了多种技术路线。基于振动信号分析的方法是当前工程应用中最主流的手段。该方法通过安装在箱体上的加速度传感器采集振动信号，并利用信号处理技术（如傅里叶变换、小波包分解等）提取与齿轮故障特征频率相关的时域、频域或时频域指标，以实现故障类型的判别。基于油液分析的方法则侧重于通过分析润滑油中的磨粒成分、形态、浓度及尺寸分布来间接推断齿轮的磨损状态与损伤类型。尽管该方法能有效捕捉早期磨损信息，但分析周期长、实时性差，且无法对损伤进行精准的定位与量化，多作为一种辅助性的离线监测手段。基于声发射技术的方法对齿轮表面裂纹萌生与扩展等微观活动较为敏感，理论上具备实现早期故障预警的潜力。但其传感系统复杂、数据量大，对环境声学噪声极为敏感，在实际工业场景的部署与应用中存在较高门槛。已无法适应现代化工业智能化、数字化的发展趋势。 

在剩余寿命预测领域，现有方法可大致分为3类：基于物理机理的模型、基于数据驱动的模型及融合模型。基于物理机理的模型（如Paris定律、连续损伤力学等）从失效物理出发，建模严谨，但通常依赖于精确的模型参数与边界条件，在实际复杂工况下其泛化能力受到挑战。基于数据驱动的浅层机器学习方法（如支持向量机、随机森林等）或深度学习模型（如时序卷积网络、长短期记忆网络LSTM）能够从历史监测数据中自动学习退化规律，但往往需要海量、完备的失效数据作为支撑，且其预测结果缺乏明确的物理含义，可解释性较差。

随着深度学习与计算机视觉技术的迅猛发展，基于机器视觉的检测方法为齿轮损伤的直接、精准识别开辟了新的途径。该类方法通过高分辨率工业相机直接获取齿轮表面的图像信息，能够直观地呈现损伤的形态、位置与尺寸，在损伤的定量化分析方面展现出巨大潜力。

有鉴于此，本文提出了一套机器视觉与物理机理模型相融合的智能损伤识别与剩余寿命预测方法。本研究旨在通过改进YOLOv11目标检测算法，实现多类齿轮损伤的快速、精准识别；进而，将视觉识别所获取的损伤量化信息作为输入，驱动基于物理机理的寿命预测模型，最终实现齿轮个体化、精准化的剩余寿命评估。本研究不仅为电驱减速器的智能状态监测提供了创新性解决方案，也为实现“视觉-机理”融合的预测性维护提供了有益的理论探索与工程实践。 

依据GB/T 3481.1—2025《齿轮轮齿的磨损和损伤第1部分：术语和特性》和GB/Z 3481.2—2025《齿轮轮齿的磨损和损伤第2部分：补充信息》，对齿轮的各种损伤进行系统分类。考虑到制造问题和其他表面损伤主要源于设计与制造阶段，本文结合工程实际，重点针对胶合、裂纹和点蚀3种典型损伤情况进行详细分析，并建立相应的预测模型。表1为3种典型损伤情况的主要特征及图片。

表1 齿轮损伤的详细分类

齿轮接触疲劳是其主要失效形式之一。传统预测模型存在明显局限：统计模型过度依赖实验经验公式，忽略材料本构和残余应力等物理因素，无法揭示失效机理。为此，本研究采用连续损伤力学模型，将疲劳描述为材料性能连续退化的动态过程，通过损伤变量演化关系揭示失效本质。Jalalahmadi等和Singh等提出了能考虑材料晶体结构影响的累积损伤方程如式（1）所示

式中：D_e为弹性损伤分量；N为循环次数；τ_j为等效剪切应力；τ_R为参考剪切应力；D为累积损伤；m为弹性损伤指数。Zhan等针对多轴循环加载工况，提出了塑性损伤演化方程

式中：D_p为塑性损伤分量；σ_M为最大应力幅值；ES为损伤能量密度阈值；q为塑性损伤指数；Δ_εp为塑性应变幅值。本文整合Jalalahmadi微观损伤模型和Zhan宏观损伤模型，建立齿轮弹塑性接触疲劳模型

式中：D为总累积损伤，由弹性损伤率dD_e/dN和塑性损伤率dD_p/dN叠加。在微观尺度上，Jalalahmadi模型有效捕捉了材料晶体结构中晶界滑移等微观缺陷引发的早期损伤，特别适用于高周疲劳工况的分析。在宏观尺度上，Zhan模型准确描述了循环载荷作用下宏观塑性变形导致的损伤累积机制，为低周疲劳预测提供了理论依据。2个模型的有机结合实现了参数体系的互补优化，通过统一的损伤变量建立了跨尺度的关联关系，实现了对齿轮接触疲劳全寿命周期的精确预测。

含裂纹齿轮的剩余寿命采用断裂力学方法进行估算。首先，确定初始裂纹的尺寸、形状、位置和取向；其次，根据材料的断裂韧度确定构件的临界裂纹尺寸；最后，通过积分疲劳裂纹扩展速率，计算裂纹从初始尺寸扩展至临界尺寸所需的循环次数，从而得到恒定应力幅度下构件的剩余寿命。疲劳裂纹扩展速率表达为

式中：dα/dN为裂纹扩展速率；ΔK₁为应力强度因子幅度；C和m为材料相关常数。为了反映应力比R等因素对裂纹扩展速率的影响，对公式（4）进行了修正

式中：R为应力比，是同一个载荷循环中裂纹尖端处的最小应力强度因子与最大应力强度因子的比值，是载荷循环不对称性的度量。公式（5）是断裂力学中描述材料在循环载荷下疲劳裂纹扩展速率的核心经验公式。它建立了裂纹扩展速率dα/dN与驱动裂纹扩展的关键力学参量应力强度因子范围ΔK之间的幂律关系，用于描述疲劳裂纹在循环载荷作用下的扩展速率。 

在齿轮失效预测中，胶合失效作为一种灾难性破坏形式，其发生与润滑油的黏度变化密切相关。本文主要从润滑油黏稠度变化的角度，对齿轮胶合失效情况、剩余寿命进行预测。本模型主要原理为建立润滑油黏度温度与时间的关系，再进一步由润滑油黏度推导摩擦系数，最后由基于绝热剪切失稳理论的胶合失效临界判据模型进行推断。润滑油黏度-温度-时间演化模型考虑润滑油的黏度随温度与使用时间变化，其通用表达式为

式中：ν为运动黏度；t为润滑剂使用时间；T为绝对温度；A₁、A₂、B₁、B₂为与润滑油类型和工作环境相关的常数。基础摩擦学模型

式中：η为动力黏度（Pa·s），与运动黏度ν通过密度关联；为剪切率；A为接触面积；F_N为法向载荷。胶合失效的临界判据模型绝热剪切失稳理论的核心公式为

式中：μ为摩擦系数；p_H 为赫兹接触压力；v_s为相对滑动速度；τ_y为剪切屈服强度；f_p为Taylor-Quinney系数；f_hp为热分配系数；a为椭圆接触区长半轴半径；ρ为材料密度；c_p为材料比热容；k为材料的热传导系数；v_r为滚动速度；B为常数；T₀为温度的参考值。

基于多源数据融合方法构建齿轮损伤图像数据库。数据来源包括仿真生成与公开数据集2部分，其中基于Blender软件三维建模，模拟多光照条件生成的仿真数据占比20%；来自工业缺陷检测及齿轮研究领域的公开数据占比80%。数据标注遵循YOLO格式，定义“胶合”“裂纹”“点蚀”和“断裂”4类损伤标签，并按7∶2∶1比例划分训练集、验证集与测试集。为提升模型泛化能力，采用多维图像增强策略。在几何层面引入随机旋转（±15°）、缩放（0.8~1.2 倍）、平移（±10%）与镜像翻转；在颜色空间进行亮度（±20%）、对比度（±15%）、饱和度（±10%）及色调（±5°）调整；在噪声模拟层面融合高斯噪声、椒盐噪声与动态模糊，并针对工业场景合成油污贴图、金属反光与光影变化。经增强后，训练集由78张原图扩展至5000余样本，验证集与测试集分别用于超参数调优与性能评估。

基于YOLOv11框架，对比分析Nano（YOLOv11n）、Small（YOLOv11s）、Medium（YOLOv11m）和Large（YOLOv11l）4种模型变体的技术特性。各模型在参数量、推理速度及平均精度方面呈现明显差异，见表2。其中，YOLOv11s在参数量为9.4M、推理速度为2.8ms的条件下，达到92.1%的检测精度，在精度与效率之间取得良好平衡，故选定为该研究的基础模型。

表2不同模型精度

在超参数配置方面，采用预训练权重进行迁移学习，训练周期设为1000轮，批大小设置为0.9，初始学习率为0.001，并配合3轮预热机制。数据增强方面综合色调、饱和度、明度调整等颜色空间变换，旋转、平移、缩放和剪切等几何变换，以及Mosaic、MixUp、Copy-Paste高级增强技术，提升模型对复杂工业场景的适应能力。同时启用自动混合精度训练以优化显存使用与计算效率，并设定每50轮保存检查点，结合早停机制防止过拟合。 

缺陷检测流程包含图像预处理、损伤识别与寿命预测3个核心环节，如图1所示。

图1 剩余寿命预测算法结构图

在预处理阶段，输入图像经尺寸标准化、BGR至RGB颜色空间转换及像素值归一化后，转换为Py－Torch张量格式以供推理。损 伤识别模块基于YOLOv11架构实现，其以边界框形式输出损伤类别、置信度、位置及面积信息。针对不同损伤类型，系统集成多种物理机理模型进行剩余寿命预测：点蚀寿命基于ISO6336接触应力计算与Palmgren-Miner累积损伤理论；裂纹扩展寿命通过 Paris定律结合应力强度因子范围进行估算；胶合风险则依据表面温度理论评估。最终系统通过多模式失效分析，取各损伤模式中预测寿命的最小值作为齿轮整体剩余寿命。

实验平台集成硬件采集与软件分析，通过工业摄像头采集齿轮表面的裂纹、胶合、点蚀等缺陷图像，传输至PC端进行预处理。基于Blender工具构建包含真实拍摄与公开数据的混合数据集，并利用 YOLOv11框架训练高精度检测模型。核心分析层融合改进的接触疲劳模型、损伤竞争机制及Paris定律等力学理论，实现缺陷的精准识别、损伤状态评估与剩余寿命预测。最终通过人机交互界面输出诊断结果，形成从数据到决策的闭环智能运维体系。 

软件开发基于Python3.8进行构建，图像处理模块集成OpenCV4.5库，用于完成几何变换、滤波及形态学操作等关键预处理任务。为兼顾开发效率与代码质量，系统采用VSCode与PyCharm作为集成开发环境，并利用Git进行版本控制。在模型训练阶段，系统通过CUDA11.8及对应cuDNN库调用GPU资源进行加速计算，提升迭代效率。为便于实际部署与应用，系统支持通过PyInstaller打包为独立可执行程序，同时提供基于Docker的容器化部署方案，确保环境一致性。 

核心功能模块采用3层架构设计。数据采集层负责通过工业相机接口与图像处理通道获取并优化原始数据，核心算法层依托损伤分类与寿命预测模型进行智能分析并生成决策建议，用户交互层则通过人性化界面呈现实时监控画面、检测结果与历史记录。

本项目采用YOLOv11作为核心目标检测框架，结合PyTorch与Lightning来组织训练流程，确保模型训练的规范性和可复现性。在界面设计上，基于QT框架开发了跨平台的GUI应用，使其能够在不同操作系统上稳定运行，包括智能检测、批量分析、参数配置、结果中心和实时检测五大功能。

为全面、系统地评估本文所提出的改进YOLOv11s损伤识别模型的性能，本研究从数据集构成、模型整体性能、子集性能分析、复合损伤识别能力及可视化效果等多个维度进行了综合验证。

实验数据集方面，共采集了111张齿轮图像样本，其中包括37张真实工业场景样本（IMG_20250311系列）、63张标准测试样本（cartoon系列）及11张特殊验证样本。从图像质量分布来看，高清样本（大于1080p）占比61.3%（68张），标准分辨率样本（720p~1080p）占31.5%（35张），低分辨率样本（小于720p）仅占7.2%（8张）。模拟了实际应用中由于采集设备与条件限制所造成的图像质量差异，为评估模型对图像质量的鲁棒性提供了条件。 

在完成训练后，模型在独立测试集上进行了全面评估，其整体性能指标见表3。结果表明，本研究提出的改进模型对4类典型损伤均实现了良好的识别性能。其中，点蚀损伤的识别效果最为突出，F1分数达到了0.861的优秀水平。这主要得益于点蚀的形态特征（分散的凹坑）在图像上较为明显，且本文改进的算法对此类纹理特征捕捉能力更强。胶合、裂纹与断裂的识别F1分数均稳定在0.70以上，评价为良好，充分验证了模型在多分类任务上的准确性与可靠性。

表3 齿轮图像样本的验证结果

在复合损伤检测能力方面，该系统展现出良好的多目标识别与分类性能。实验数据显示，包含双重至四重损伤组合的复合损伤样本占总样本量的84.7%，体现了实际工业场景中损伤共存的普遍性。在典型损伤组合的识别中，系统对“点蚀+裂纹”组合样本（共19张）及“断裂+点蚀+胶合+裂纹”复杂组合样本（共18张）的识别准确率均达到100%，表明模型在多重损伤特征共存条件下仍能保持稳定的判别能力。图2和图3分别为损伤识别算法对多种损伤形式的标记准确性与复合损伤识别的效果。由图2和图3可以看出，模型生成的边界框（BoundingBox）精准地贴合了各类损伤的轮廓区域，且分类置信度均较高（如0.86、0.92、0.84等）。不仅证明了YOLOv11s算法在目标定位上的优越性，也表明通过本文的改进和训练策略，模型能够充分学习到各类损伤的深层视觉特征。

图2 多种损伤形式的标记准确性

图3 复合损伤识别效果 

基于给定的齿轮参数对图像识别为点蚀损伤类型的齿轮进行剩余寿命预测，见表4。 

基于公式（3）计算损伤率。计算初始条件为D=0，N=0，设定损伤增量步长ΔD=0.01，逐步更新循环次数N=N+ΔN及当前弹性模量E_c=E·（1-D）。经100次迭代至D=1.0时材料失效，获得总疲劳寿命Ntotal=4.4×10⁶循环。关键节点数据见表5。

图4为齿轮点蚀损伤演化的数值模拟结果。该累积损伤曲线明确反映出疲劳损伤演化的3阶段特征：在循环载荷作用下，损伤依次经历初期的缓慢萌生、中期的稳定扩展和后期的加速扩展过程，最终在4.4×10⁶次循环时达到失效阈值（D=1）。基于当前损伤状态（D=0.30），可判定构件剩余疲劳寿命为0.7×10⁶次循环。该曲线为齿轮传动系统的可靠性评估与预测性维护提供了理论依据。

表4齿轮参数

表5关键节点数据

基于文献中提供的实验数据，本研究采用修正的Paris公式对齿轮齿根裂纹扩展寿命进行预测验证。计算所采用的材料为42CrMo4齿轮钢，相关参数包括：Paris指数m=1.16，断裂韧性K_c=82.9MPa·m^1/2，裂纹扩展门槛值ΔK_th=6.0MPa·m^1/2。载荷条件设定为基准工况3000N，对应齿根应力602.5MPa，应力比R=0（脉动循环）。裂纹形态设为半径0.2mm的半圆形初始裂纹，临界裂纹尺寸取0.638mm，该值对应于论文中所述的失稳扩展起点。

图4 齿轮点蚀损伤演化曲线

在基准工况下，本文模型预测的疲劳寿命为23685次循环，与文献中给出的实验寿命22410次循环相比，相对误差为5.7%，预测结果具有较高一致性。同时，裂纹扩展过程呈现出典型的“先慢后快”特征，且失稳扩展阶段持续时间较短，与文献中描述的规律相符。图5进一步表明，预测结果在载荷影响趋势方面与参考文献结论一致，验证了本模型在齿轮齿根裂纹剩余寿命预测中的有效性。

根据文献中提供的齿轮系统参数（表6）分析高速重载齿轮的胶合剩余寿命。基于给定工况参数：当前胶合面积比为0.15，闪温波动范围ΔT=80℃，最大接触应力为1500MPa，累计运行时间为2000h，油品黏度衰减至80cSt，表面粗糙度Ra=0.5μm，表面硬度为600HV，通过胶合失效模型计算，以临界胶合面积比0.25作为失效阈值，预测齿轮剩余寿命超过1000h，表明在当前运行状态下仍具备一定的持续服役能力。

图5载荷影响趋势 

表6齿轮系统参数

本研究针对电驱减速器齿轮损伤检测与剩余寿命预测的实际需求，提出了一套融合机器视觉与物理机理模型的智能评估与预测方法，并构建了完整的软硬件系统平台。主要研究成果与结论如下：

1）构建了齿轮损伤视觉识别系统。基于改进的YOLOv11s目标检测算法，实现了对胶合、裂纹、点蚀及断裂4类典型损伤的快速、精准识别。在构建的多源融合数据集上，模型对点蚀损伤的识别性能较为突出，F1分数达0.861，且在包含多重损伤的复杂场景下表现出稳定的判别能力，验证了该方法在实际工业应用中的有效性与鲁棒性。 

2）建立了融合微观与宏观机理的齿轮点蚀损伤演化模型。通过整合微观损伤模型与宏观塑性损伤模型，构建了齿轮弹塑性接触疲劳损伤演化方程。数值模拟结果揭示了点蚀损伤“缓慢萌生—稳定扩展—加速扩展”的3阶段演化规律，基于损伤状态的剩余寿命预测为齿轮传动系统的预测性维护提供了定量依据。 

3）验证了基于断裂力学与绝热剪切理论的裂纹与胶合寿命预测模型。裂纹扩展寿命预测结果与文献实验数据高度吻合，相对误差5.7%，证明了修正Paris公式在该应用场景下的有效性。胶合损伤模型则通过量化闪温、接触应力与材料性能的耦合作用，实现了对胶合风险与剩余服役寿命的工程化评估。