CN114048675A - 一种磁滞电机零组件耦合方法 - Google Patents
一种磁滞电机零组件耦合方法 Download PDFInfo
- Publication number
- CN114048675A CN114048675A CN202111284294.1A CN202111284294A CN114048675A CN 114048675 A CN114048675 A CN 114048675A CN 202111284294 A CN202111284294 A CN 202111284294A CN 114048675 A CN114048675 A CN 114048675A
- Authority
- CN
- China
- Prior art keywords
- motor
- power curve
- database
- executing
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010168 coupling process Methods 0.000 title claims abstract description 40
- 238000012417 linear regression Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 230000008878 coupling Effects 0.000 claims abstract description 28
- 238000005859 coupling reaction Methods 0.000 claims abstract description 28
- 238000013178 mathematical model Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 21
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 229910000831 Steel Inorganic materials 0.000 claims description 4
- 239000010959 steel Substances 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 239000007788 liquid Substances 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 5
- 238000000611 regression analysis Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000034423 Delivery Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及电机装配方法,具体涉及一种磁滞电机零组件耦合方法,用于解决现有数学模型无法准确描述磁滞电机零组件参数与功率曲线平稳性之间关系的不足之处。该磁滞电机零组件耦合方法通过对历史磁滞电机零组件参数与功率曲线平稳性得分进行多重线性回归分析,可以定量地确定两者的相关性,并建立相关性数学模型,并基于相关性数学模型,建立目标函数,通过遗传算法对目标函数进行求解,得到待装配电机零组件的最优耦合结果;通过增加样本数量和多重线性回归分析迭代次数后不断修正相关性数学模型,从而提高磁滞电机的功率曲线平稳性,进而提升后续装配的液浮陀螺的精度。
Description
技术领域
本发明涉及电机装配方法,具体涉及一种磁滞电机零组件耦合方法。
背景技术
陀螺电机广泛应用于航空航天等领域,用于装配液浮、半液浮陀螺,其转子保持高速、匀速转动,为陀螺提供恒定角动量,是液浮陀螺、半液浮陀螺的重要组成部分。
现有研究表明,陀螺电机的功率曲线平稳性与陀螺的精度存在强相关性,陀螺电机的功率曲线平稳性越好,陀螺的精度越高,因此,提高陀螺电机功率曲线平稳性是液浮惯性仪表领域的重要研究课题,而在陀螺电机装配调试生产过程中,零组件参数、工装仪器设备、工艺方法、操作者技能水平等因素都会影响其功率曲线的平稳性。
参照图1,中国专利CN2020116149134公开了一种基于遗传算法的多目标优化选择装配方法,该方法构建装配尺寸链方程计算封闭环的实际尺寸,封闭环中间偏差及封闭环公差;该方法以质量损失成本最小为优化目标,将装配合格率和装配精度两项指标作为装配质量综合评价,建立零件选配的适应度函数数学模型;该方法通过利用遗传算法求解所述优化数学模型,并获得批量零件最终装配方案。该方法是一种零组件选配、耦合方法,解决了在传统装配工作中面临合格的零件由于偏差传递,使得封闭环实际尺寸不符合设计精度要求,导致装配产品不符合质量要求且质量稳定性差等问题的不足之处。该方法解决的问题主要涉及尺寸间选配问题,合格与否可通过直观的加减计算判断,优化目标函数比较明确,但这种方法并不适用于磁滞电机零组件耦合。
磁滞电机零组件耦合重点考虑的并非是各零组件间的尺寸配合,而是要通过确定零组件参数与功率曲线平稳性的关系,来提高电机的功率曲线平稳性,从而达到提高陀螺精度的目的。零组件参数与功率曲线平稳性之间的关系是一种多自变量对单因变量的相关性,目前没有完善的数学模型可以准确描述,因此需要通过多重线性回归分析大量样本数据确定。
发明内容
本发明的目的是解决现有数学模型无法准确描述磁滞电机零组件参数与功率曲线平稳性之间关系的不足之处,而提供一种磁滞电机零组件耦合方法,通过量化磁滞电机零组件参数与功率曲线平稳性的相关性,以提升生产的整批组磁滞电机的功率曲线平稳性。
为了解决上述现有技术所存在的不足之处,本发明提供了如下技术解决方案:
一种磁滞电机零组件耦合方法,其特殊之处在于,包括以下步骤:
步骤(1):建立数据库D_assemble
(1.1)绘制历史电机的电机功率曲线,评价电机功率曲线平稳性,得到电机功率曲线得分,具体步骤如下:
将电机放置于工作温度环境下,采集电机1~2小时工作状态下的功率值,重复测试B次;将采集的B组功率值绘制成功率曲线,依次判读各功率曲线的平稳性(B≥4);若功率曲线平稳,则电机功率曲线得分为1分;否则,电机功率曲线得分为0分;
若功率曲线满足如下条件,则认为功率曲线平稳:功率曲线整体呈平稳状态,无明显的尖跳、均值波动等情况;若功率曲线幅度相对较宽,但整体较为平稳,也认为其平稳;若功率曲线存在细微尖跳,但相对均值为对称分布,也认为其平稳;
(1.2)统计步骤(1.1)中电机的相关信息,建立数据库D_assemble,所述相关信息包括电机编号、各项零组件参数和电机功率曲线得分;
步骤(2):对数据库D_assemble进行多重线性回归分析
(2.1)对数据库D_assemble进行多重线性回归分析,其中各项零组件参数为自变量,电机功率曲线得分为因变量;
(2.2)根据数据库D_assemble的多重线性回归分析结果,得到各项零组件参数与电机功率曲线平稳性的相关性,确定与电机功率曲线平稳性具有强相关性的零组件参数作为重要零组件参数;
步骤(3):建立数据库D_key_parameter
提取重要零组件参数和电机功率曲线得分,建立数据库D_key_parameter;
步骤(4):对数据库D_key_parameter进行多重线性回归分析
对数据库D_key_parameter进行多重线性回归分析,其中重要零组件参数为自变量,电机功率曲线得分为因变量;
步骤(5):建立“相关性数学模型”
根据数据库D_key_parameter的多重线性回归分析结果,建立“相关性数学模型”如下:
Y=ξ1X1……+ξnXn+ξ0
其中,Y为电机功率曲线得分的预测值;X1为第1项重要零组件参数,Xn为第n项重要零组件参数,ξ1为第1项重要零组件参数的偏回归系数;ξn为第n项重要零组件参数;n为重要零组件参数总项数,n不大于零组件参数总项数;ξ0为常数项;
步骤(6):若新齐套一个批组电机的待装配零组件,则执行步骤(7),否则结束流程;
步骤(7):建立数据库D_subset
统计该齐套批组电机的待装配重要零组件参数,建立数据库D_subset;
步骤(8):建立目标函数
建立目标函数如下:
其中,Max Y总分为该齐套批组电机的电机功率曲线得分的预测值总计最大值;为第1项重要零组件参数的第i个实测值,为第n项重要零组件参数的第i个实测值,A为该齐套批组电机的具备重要零组件参数的零组件个数;
步骤(9):计算待装配电机零组件的最优耦合结果
使用遗传算法(GA算法)对目标函数Max Y总分进行求解,得到该齐套批组电机的待装配电机零组件的最优耦合结果,并更新数据库D_subset;
步骤(10):按最优耦合结果生产电机
(10.1)生产现场按照步骤(9)所得的最优耦合结果执行,装配调试电机;并在数据库D_subset中录入每套零组件对应的电机编号;
(10.2)电机装配调试、验收测试后,按照步骤(1.1)中方法绘制电机功率曲线,得到电机功率曲线得分,并录入数据库D_subset;
(10.3)将数据库D_subset中信息汇入数据库D_assemble中,返回步骤(2)。
进一步地,所述步骤(2)还包括步骤(2.3)技术指标反向优化过程,具体包括以下步骤:
(2.3.1)提取重要零组件参数,执行步骤(2.3.2);提取非重要零组件参数,执行步骤(2.3.5);
(2.3.2)逐个判断重要零组件参数与电机功率曲线平稳性的正负相关性,若为正相关,执行步骤(2.3.3);若为负相关,执行步骤(2.3.4);
(2.3.3)选取淘汰的,或专门加工、采购一批该重要零组件参数超出其技术指标上差的零组件进行装配电机试验,判断电机在符合各项指标的前提下,电机功率曲线平稳性是否有显著改善,若有,执行步骤(2.3.6);否则,执行步骤(2.3.7);
(2.3.4)选取淘汰的,或专门加工、采购一批该重要零组件参数超出其技术指标下差的零组件进行装配电机试验,判断电机在符合各项指标的前提下,电机功率曲线平稳性是否有显著改善,若有,执行步骤(2.3.6);否则,执行步骤(2.3.7);
(2.3.5)放宽该非重要零组件参数的技术指标范围,选取符合更改后技术指标范围的零组件进行装配电机试验,判断电机是否符合各项指标,以及电机功率曲线平稳性是否劣化,若符合且无劣化,执行步骤(2.3.6);若不符合或者劣化,执行步骤(2.3.7);
(2.3.6)依据装配电机试验结果,优化调整该零组件参数的技术指标;
(2.3.7)该零组件参数的技术指标保持不变。
进一步地,所述步骤(9)中,还包括根据得到的最优耦合结果预测该齐套批组电机的合格数量制定生产计划,具体实施步骤如下:
(9.1)将该齐套批组电机的待装配电机零组件的最优耦合结果代入步骤(5)所得的“相关性数学模型”,计算每块电机的电机功率曲线得分的预测值,从而得到该齐套批组电机的预测合格数量N预测;
(9.2)判断N预测-N≥n,其中N为该齐套批组电机需要的合格数量(即目标合格数量),n为预设误差数量;若上式满足,则执行步骤(10);若上式不满足,则执行步骤(10),同时执行步骤(9.3);
(9.3)令N=N+n-N预测,尽快新齐套一个批组电机的待装配零组件,返回步骤(7)。
进一步地,步骤(2.2)中,所述重要零组件参数为数据库D_assemble多重线性回归分析结果的P值小于0.05的零组件参数。
进一步地,所述步骤(1.1)中,采集电机2小时工作状态下的功率值,重复测试4次。
进一步地,步骤(1.2)中,所述各项零组件参数包括轴承接触角、轴承刚度、钢球尺寸、保持架含油率、端盖刚度、剩磁、比磁滞损耗、壳体与端盖配合的过盈量、端盖与轴承外环配合的过盈量。
与现有技术相比,本发明的有益效果是:
(1)本发明通过对历史磁滞电机零组件参数与功率曲线平稳性得分进行多重线性回归分析,可以定量地确定两者的相关性,并建立相关性数学模型,较原本的定性分析相关性更具指导意义;并在此基础上,通过增加样本数量和多重线性回归分析迭代次数不断进行修正,可使相关性数学模型迫近真值。
(2)本发明通过智能算法求解磁滞电机零组件最优耦合方案,可以提高整批生产的磁滞电机的功率曲线平稳性,进而提升后续装配的液浮陀螺的精度。
(3)本发明公开了技术指标反向优化过程,通过该过程可以放宽非重要零组件参数技术指标,降低生产难度、控制成本;调整或加严重要零组件参数技术指标,提高磁滞电机质量和可靠性。
(4)本发明公开了预测电机的合格数量制定生产计划的方法,该方法可以通过预测某批生产的磁滞电机的合格率,合理安排生产计划,防止出现为齐套更多待装配零组件而导致电机生产线闲置,或是待齐套待装配零组件过多而导致电机生产线的产能无法满足的情况,进而规避交付风险。
附图说明
图1为现有一种基于遗传算法的多目标优化选择装配方法的流程图;
图2为本发明一种磁滞电机零组件耦合方法一个实施例的流程图;
图3为本发明中技术指标反向优化过程的流程图;
图4为本发明中根据得到的最优耦合结果预测该齐套批组电机的合格数量制定生产计划的流程图;
图5为图2实施例的轴承接触角偏回归系数变化曲线图;
图6为图2实施例的轴承刚度偏回归系数变化曲线图;
图7为图2实施例的保持架含油率偏回归系数变化曲线图;
图8为图2实施例的常数项变化曲线图。
具体实施方式
下面结合附图和示例性实施例对本发明作进一步地说明。
参照图2,一种磁滞电机零组件耦合方法,包括以下步骤:
步骤(1):建立数据库D_assemble
(1.1)绘制最近6个月生产的电机的电机功率曲线,评价电机功率曲线平稳性,得到电机功率曲线得分,具体步骤如下:
将电机放置于工作温度环境下,采集电机2小时工作状态下的功率值,重复测试4次;将采集的4组功率值绘制成功率曲线,依次判读各功率曲线的平稳性,若功率曲线平稳,则电机功率曲线得分为1分;否则,电机功率曲线得分为0分;
若功率曲线满足如下条件,则认为功率曲线平稳:功率曲线整体呈平稳状态,无明显的尖跳、均值波动等情况;若功率曲线幅度相对较宽,但整体较为平稳,也认为其平稳;若功率曲线存在细微尖跳,但相对均值为对称分布,也认为其平稳;
(1.2)统计步骤(1.1)中电机的相关信息,建立数据库D_assemble,数据库D_assemble每行表示一块电机的所有相关信息,每列表示所有电机的某项相关信息;所述相关信息包括电机编号、各项零组件参数和电机功率曲线得分,各项零组件参数包括轴承接触角、轴承刚度、钢球尺寸、保持架含油率、端盖刚度、剩磁、比磁滞损耗、壳体与端盖配合的过盈量、端盖与轴承外环配合的过盈量;
步骤(2):对数据库D_assemble进行多重线性回归分析
(2.1)使用Excel对数据库D_assemble进行多重线性回归分析,其中零组件参数为自变量,电机功率曲线得分为因变量;
(2.2)数据库D_assemble的多重线性回归分析结果为:线性回归系数0.27;回归分析的显著性1.09×10-7;轴承接触角P值2.07×10-9;轴承刚度P值0.017;钢球尺寸P值0.171;保持架含油率P值0.002;端盖刚度P值0.186;剩磁P值0.593;比磁滞损耗P值0.988;壳体与端盖配合的过盈量P值0.816;端盖与轴承外环配合的过盈量P值0.056;
其中,回归分析的显著性远小于0.01,说明电机零组件参数与电机功率曲线平稳性的回归效果高度显著;各项零组件参数中,轴承接触角、轴承刚度、保持架含油率的P值均小于0.05,说明这三个参数与功率曲线平稳性具有相关性,因此确定轴承接触角、轴承刚度、保持架含油率为重要零组件参数;
步骤(3):建立数据库D_key_parameter
提取重要零组件参数和电机功率曲线得分,建立数据库D_key_parameter;
步骤(4):对数据库D_key_parameter进行多重线性回归分析
对数据库D_key_parameter进行多重线性回归分析,其中重要零组件参数为自变量,电机功率曲线得分为因变量;
步骤(5):建立“相关性数学模型”
数据库D_key_parameter的多重线性回归分析结果为:线性回归系数0.24;回归分析的显著性3.37×10-9;轴承接触角P值6.61×10-10;轴承刚度P值0.001;保持架含油率P值0.002;
其中,回归分析的显著性远小于0.01,且较步骤(2.2)中的1.09×10-7进一步减小,说明仅对轴承接触、轴承刚度、保持架含油率三个强相关参数进行多重线性回归分析,回归效果显著性进一步提高;三个强相关参数的P值小于0.05,且较步骤(2.2)中的P值进一步减小,说明仅对轴承接触、轴承刚度、保持架含油率三个强相关参数进行多重线性回归分析,相关性进一步增强;
根据数据库D_key_parameter的多重线性回归分析结果,轴承接触角的偏回归系数为-0.360,轴承刚度的偏回归系数为-0.431,保持架含油率的偏回归系数为-21.137,常数项为16.549,由此建立“相关性数学模型”如下:
Y=-0.36X1-0.431X2-21.137X3+16.549
其中,X1为轴承接触角,X2为轴承刚度,X3为保持架含油率;
步骤(6):新齐套一个批组电机的待装配零组件;
步骤(7):建立数据库D_subset
统计该齐套批组电机的待装配重要零组件参数:轴承接触角、轴承刚度、保持架含油率,建立数据库D_subset;
步骤(8):建立目标函数
建立目标函数如下:
其中,Max Y总分为该齐套批组电机的电机功率曲线得分的预测值总计最大值;为轴承接触角第i个实测值,轴承刚度第i个实测值,为保持架含油率第i个实测值;A为该齐套批组电机的具备以上重要零组件参数的零组件个数;
步骤(9):计算待装配电机零组件的最优耦合结果
使用遗传算法(GA算法)对目标函数Max Y总分进行求解,得到待装配重要零组件的最优耦合结果,并更新数据库D_subset;
步骤(10):按最优耦合结果生产电机
(10.1)生产现场按照步骤(9)所得的最优耦合结果执行,装配调试电机;并在数据库D_subset中录入每套零组件对应的电机编号;
(10.2)电机装配调试、验收测试后,按照步骤(1.1)中方法统计电机功率曲线,得到电机功率曲线得分,并录入数据库D_subset;
(10.3)将数据库D_subset中信息汇入数据库D_assemble中,返回步骤(2)。
依照上述流程,再重复10次步骤(2)至步骤(10)后,偏回归系数和常数项不断迫近真值,轴承接触角偏回归系数变化曲线如图5所示,轴承刚度偏回归系数变化曲线如图6所示,保持架含油率偏回归系数变化曲线如图7所示,常数项变化曲线如图8所示,最终获得的“相关性数学模型”为:
Y=-0.232X1-0.22X2-13.455X3+11.413。
对“相关性数学模型”预测能力进行验证,结果表明预测准确率由初始的52.5%最终提高至76.5%,说明随着样本数量和分析迭代次数的增加,“相关性数学模型”的预测准确率也逐步提升,验证步骤具体如下:
步骤(a):将每次循环步骤(9)所得的最优耦合结果代入当次循环的“相关性数学模型”,计算电机功率曲线得分的预测值,并进行评价;若预测值≥3,则预测该电机合格;否则,预测该电机不合格;
步骤(b):将步骤(10.2)所得的电机功率曲线得分作为实际值进行评价,若实际值≥3,则该电机合格;否则该电机不合格;
步骤(c):比较步骤(a)的预测值评价结果和步骤(b)的实际值评价结果,若相同,则表示预测正确;若不同,则表示预测错误;
步骤(d):计算“相关性数学模型”的预测准确率:
其中,N正确为该批组电机预测正确的数量,N总数为该批组电机的总数。
在另一实施例中,参照图3,步骤(2)还包括步骤(2.3)技术指标反向优化过程,其余步骤及结果和上述实施例相同,步骤(2.3)技术指标反向优化过程的具体步骤如下:
(2.3.1)提取重要零组件参数:轴承接触角、轴承刚度、保持架含油率,执行步骤(2.3.2);提取非重要零组件参数,执行步骤(2.3.5);
(2.3.2)逐个判断重要零组件参数与电机功率曲线平稳性的正负相关性,若该重要零组件参数的偏回归系数为正数,则为正相关,执行步骤(2.3.3);若为数,则为负相关,执行步骤(2.3.4);
(2.3.3)采购一批该重要零组件参数超出其技术指标上差的零组件进行装配电机试验,判断电机在符合各项指标的前提下,电机功率曲线平稳性是否有显著改善,若有,执行步骤(2.3.6);否则,执行步骤(2.3.7);
(2.3.4)采购一批该重要零组件参数超出其技术指标下差的零组件进行装配电机试验,判断电机在符合各项指标的前提下,电机功率曲线平稳性是否有显著改善,若有,执行步骤(2.3.6);否则,执行步骤(2.3.7);
(2.3.5)放宽该非重要零组件参数的技术指标范围,选取符合更改后技术指标范围的零组件进行装配电机试验,判断电机是否符合各项指标,以及电机功率曲线平稳性是否劣化,若符合、无劣化,执行步骤(2.3.6);若不符合、劣化,执行步骤(2.3.7);
(2.3.6)依据装配电机试验结果,优化调整该零组件参数的技术指标;
(2.3.7)该零组件参数的技术指标保持不变。
随着样本数量的增大,多重线性回归分析的结果已经可以较为准确的定性、定量反应各项零组件参数与电机功率曲线平稳性的相关性,这可以指导设计、工艺人员重点关注强相关的零组件参数,根据其正负相关性和偏回归系数调整技术指标要求,开展装配电机试验,根据试验结果对技术指标进行优化调整,以提高电机功率曲线平稳性及装调合格率。对于其余零组件参数,设计、工艺人员可以尝试放宽指标,开展装配电机试验,根据试验结果优化调整指标,以降低零组件的加工采购成本。
在另一实施例中,参照图4,步骤(9)中,还包括根据得到的最优耦合结果预测该齐套批组电机的合格数量制定生产计划,具体实施步骤如下:
(9.1)将该齐套批组电机的待装配电机零组件的最优耦合结果代入步骤(5)所得的“相关性数学模型”,计算每块电机的电机功率曲线得分的预测值,从而得到该齐套批组电机的预测合格数量N预测;
(9.2)判断N预测-N≥n,其中N为该齐套批组电机需要的合格数量,n为预设误差数量;若上式满足,则执行步骤(10);若上式不满足,则执行步骤(9.3);
(9.3)令N=N+n-N预测,根据电机生产线的产能以及上游供应链的供给能力,尽快新齐套一个批组电机的待装配零组件,返回步骤(7)。
步骤(9.1)至(9.3)可以预测该批组齐套批组电机的合格数量和合格率,基于此可迅速决策补充电机零组件,以规避风险,保证正常交付。
以上实施例仅用以说明本发明的技术方案,而非对其限制,对于本领域的普通专业技术人员来说,可以对前述各实施例所记载的具体技术方案进行修改,或者对其中部分技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明所保护技术方案的范围。
Claims (6)
1.一种磁滞电机零组件耦合方法,其特征在于,包括以下步骤:
步骤(1):建立数据库D_assemble
(1.1)绘制历史电机的电机功率曲线,评价电机功率曲线平稳性,得到电机功率曲线得分,具体步骤如下:
将电机放置于工作温度环境下,采集电机1~2小时工作状态下的功率值,重复测试B次;将采集的B组功率值绘制成功率曲线,依次判读各功率曲线的平稳性(B≥4);若功率曲线平稳,则电机功率曲线得分为1分;否则,电机功率曲线得分为0分;
若功率曲线满足如下条件,则认为功率曲线平稳:功率曲线整体呈平稳状态,无明显的尖跳、均值波动等情况;若功率曲线幅度相对较宽,但整体较为平稳,也认为其平稳;若功率曲线存在细微尖跳,但相对均值为对称分布,也认为其平稳;
(1.2)统计步骤(1.1)中电机的相关信息,建立数据库D_assemble,所述相关信息包括电机编号、各项零组件参数和电机功率曲线得分;
步骤(2):对数据库D_assemble进行多重线性回归分析
(2.1)对数据库D_assemble进行多重线性回归分析,其中各项零组件参数为自变量,电机功率曲线得分为因变量;
(2.2)根据数据库D_assemble的多重线性回归分析结果,得到各项零组件参数与电机功率曲线平稳性的相关性,确定与电机功率曲线平稳性具有强相关性的零组件参数作为重要零组件参数;
步骤(3):建立数据库D_key_parameter
提取重要零组件参数和电机功率曲线得分,建立数据库D_key_parameter;
步骤(4):对数据库D_key_parameter进行多重线性回归分析
对数据库D_key_parameter进行多重线性回归分析,其中重要零组件参数为自变量,电机功率曲线得分为因变量;
步骤(5):建立“相关性数学模型”
根据数据库D_key_parameter的多重线性回归分析结果,建立“相关性数学模型”如下:
Y=ξ1X1……+ξnXn+ξ0
其中,Y为电机功率曲线得分的预测值;X1为第1项重要零组件参数,Xn为第n项重要零组件参数,ξ1为第1项重要零组件参数的偏回归系数;ξn为第n项重要零组件参数;n为重要零组件参数总项数,n不大于零组件参数总项数;ξ0为常数项;
步骤(6):若新齐套一个批组电机的待装配零组件,则执行步骤(7),否则结束流程;
步骤(7):建立数据库D_subset
统计该齐套批组电机的待装配重要零组件参数,建立数据库D_subset;
步骤(8):建立目标函数
建立目标函数如下:
其中,Max Y总分为该齐套批组电机的电机功率曲线得分的预测值总计最大值;为第1项重要零组件参数的第i个实测值,为第n项重要零组件参数的第i个实测值,A为该齐套批组电机的具备重要零组件参数的零组件个数;
步骤(9):计算待装配电机零组件的最优耦合结果
使用遗传算法(GA算法)对目标函数Max Y总分进行求解,得到该齐套批组电机的待装配电机零组件的最优耦合结果,并更新数据库D_subset;
步骤(10):按最优耦合结果生产电机
(10.1)生产现场按照步骤(9)所得的最优耦合结果执行,装配调试电机;并在数据库D_subset中录入每套零组件对应的电机编号;
(10.2)电机装配调试、验收测试后,按照步骤(1.1)中方法绘制电机功率曲线,得到电机功率曲线得分,并录入数据库D_subset;
(10.3)将数据库D_subset中信息汇入数据库D_assemble中,返回步骤(2)。
2.根据权利要求1所述的一种磁滞电机零组件耦合方法,其特征在于:
所述步骤(2)还包括步骤(2.3)技术指标反向优化过程,具体包括以下步骤:
(2.3.1)提取重要零组件参数,执行步骤(2.3.2);提取非重要零组件参数,执行步骤(2.3.5);
(2.3.2)逐个判断重要零组件参数与电机功率曲线平稳性的正负相关性,若为正相关,执行步骤(2.3.3);若为负相关,执行步骤(2.3.4);
(2.3.3)选取淘汰的,或专门加工、采购一批该重要零组件参数超出其技术指标上差的零组件进行装配电机试验,判断电机在符合各项指标的前提下,电机功率曲线平稳性是否有显著改善,若有,执行步骤(2.3.6);否则,执行步骤(2.3.7);
(2.3.4)选取淘汰的,或专门加工、采购一批该重要零组件参数超出其技术指标下差的零组件进行装配电机试验,判断电机在符合各项指标的前提下,电机功率曲线平稳性是否有显著改善,若有,执行步骤(2.3.6);否则,执行步骤(2.3.7);
(2.3.5)放宽该非重要零组件参数的技术指标范围,选取符合更改后技术指标范围的零组件进行装配电机试验,判断电机是否符合各项指标,以及电机功率曲线平稳性是否劣化,若符合且无劣化,执行步骤(2.3.6);若不符合或者劣化,执行步骤(2.3.7);
(2.3.6)依据装配电机试验结果,优化调整该零组件参数的技术指标;
(2.3.7)该零组件参数的技术指标保持不变。
3.根据权利要求1或2所述的一种磁滞电机零组件耦合方法,其特征在于:
所述步骤(9)中,还包括根据得到的最优耦合结果预测该齐套批组电机的合格数量制定生产计划,具体实施步骤如下:
(9.1)将该齐套批组电机的待装配电机零组件的最优耦合结果代入步骤(5)所得的“相关性数学模型”,计算每块电机的电机功率曲线得分的预测值,从而得到该齐套批组电机的预测合格数量N预测;
(9.2)判断N预测-N≥n,其中N为该齐套批组电机需要的合格数量(即目标合格数量),n为预设误差数量;若上式满足,则执行步骤(10);若上式不满足,则执行步骤(10),同时执行步骤(9.3);
(9.3)令N=N+n-N预测,尽快新齐套一个批组电机的待装配零组件,返回步骤(7)。
4.根据权利要求3所述的一种磁滞电机零组件耦合方法,其特征在于:步骤(2.2)中,所述重要零组件参数为数据库D_assemble多重线性回归分析结果的P值小于0.05的零组件参数。
5.根据权利要求4所述的一种磁滞电机零组件耦合方法,其特征在于:
所述步骤(1.1)中,采集电机2小时工作状态下的功率值,重复测试4次。
6.根据权利要求5所述的一种磁滞电机零组件耦合方法,其特征在于:
步骤(1.2)中,所述各项零组件参数包括轴承接触角、轴承刚度、钢球尺寸、保持架含油率、端盖刚度、剩磁、比磁滞损耗、壳体与端盖配合的过盈量、端盖与轴承外环配合的过盈量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111284294.1A CN114048675A (zh) | 2021-11-01 | 2021-11-01 | 一种磁滞电机零组件耦合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111284294.1A CN114048675A (zh) | 2021-11-01 | 2021-11-01 | 一种磁滞电机零组件耦合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114048675A true CN114048675A (zh) | 2022-02-15 |
Family
ID=80206712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111284294.1A Pending CN114048675A (zh) | 2021-11-01 | 2021-11-01 | 一种磁滞电机零组件耦合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048675A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106126975A (zh) * | 2016-06-28 | 2016-11-16 | 中国地质科学院水文地质环境地质研究所 | 基于数理统计的基因定量微生物油气勘探方法 |
US20170153163A1 (en) * | 2014-05-12 | 2017-06-01 | Kabushiki Kaisha Kobe Seiko Sho (Kobe Steel, Ltd.) | Method for predicting rolling resistance of tire and device for predicting rolling resistance of tire |
US20200341062A1 (en) * | 2019-04-25 | 2020-10-29 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Estimating Temperature and Heat Loss in Electric Motors |
CN111843626A (zh) * | 2020-07-16 | 2020-10-30 | 上海交通大学 | 基于高斯模型的气驱动执行器迟滞建模方法、系统及介质 |
US10896271B1 (en) * | 2020-03-31 | 2021-01-19 | Mirmex Motor Sa | Optimized development of electro-mechanical devices |
-
2021
- 2021-11-01 CN CN202111284294.1A patent/CN114048675A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170153163A1 (en) * | 2014-05-12 | 2017-06-01 | Kabushiki Kaisha Kobe Seiko Sho (Kobe Steel, Ltd.) | Method for predicting rolling resistance of tire and device for predicting rolling resistance of tire |
CN106126975A (zh) * | 2016-06-28 | 2016-11-16 | 中国地质科学院水文地质环境地质研究所 | 基于数理统计的基因定量微生物油气勘探方法 |
US20200341062A1 (en) * | 2019-04-25 | 2020-10-29 | Mitsubishi Electric Research Laboratories, Inc. | System and Method for Estimating Temperature and Heat Loss in Electric Motors |
US10896271B1 (en) * | 2020-03-31 | 2021-01-19 | Mirmex Motor Sa | Optimized development of electro-mechanical devices |
CN111843626A (zh) * | 2020-07-16 | 2020-10-30 | 上海交通大学 | 基于高斯模型的气驱动执行器迟滞建模方法、系统及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116167657A (zh) | 一种企业全生命周期碳足迹评价方法和系统、存储介质 | |
CN115169818B (zh) | 一种基于数字化建模的技术工程测算方法及系统 | |
CN110285781B (zh) | 一种相对于基准面的平面平行度快速评定方法 | |
CN114611844A (zh) | 一种转炉出钢过程合金加入量的确定方法和系统 | |
CN112861436A (zh) | 一种发动机排放实时预测方法 | |
CN114492198A (zh) | 一种基于改进pso算法辅助svm算法的切削力预测方法 | |
CN111667156A (zh) | 一种多点生产的卷烟物理质量一致性评价的方法 | |
CN116579795A (zh) | 基于大数据的市政建筑工程造价评估系统 | |
Wang et al. | An intelligent process parameters determination method based on multi-algorithm fusion: A case study in five-axis milling | |
CN114757572A (zh) | 一种考虑不确定性的机电产品关键质量特性确定方法 | |
CN117312816B (zh) | 一种特种钢材的冶炼效果评估方法及系统 | |
CN114819178A (zh) | 一种铁路施工进度指标预测和在线更新方法 | |
CN114048675A (zh) | 一种磁滞电机零组件耦合方法 | |
CN111639715B (zh) | 基于ls-svm的汽车仪表组装质量预测方法与系统 | |
CN117131732A (zh) | 一种基于数字孪生的四辊热轧机支撑辊磨损量预测方法 | |
CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
CN115985411A (zh) | 基于高斯过程回归模型的高分子熔融指数软测量方法 | |
Jin et al. | Hybrid model based on recursive feature elimination with cross validation and Tradaboost for workpiece surface topography prediction of five-axis flank milling | |
CN112365022A (zh) | 一种基于多阶段的发动机轴承故障预测方法 | |
CN111080160B (zh) | 包含偏好辅助决策因子优选的交互式多准则决策方法、装置及计算机设备 | |
CN108415372B (zh) | 精密机床热误差补偿方法 | |
Liao et al. | Obtaining more appropriate temperature sensor locations for thermal error modeling: reduction, classification, and selection | |
CN115034370B (zh) | 基于bp网络模型预测高炉炉缸活性的方法 | |
Chen et al. | The Application of Adaptive Generalized NGBM (1, 1) To Sales Forecasting: A Case Study of an Underwear Shop. | |
Cao et al. | Combined prediction model of quantum genetic grey prediction model and support vector machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |