CN116505701B - 水冷复合内循环风冷的磁悬浮电机及其智能监测系统 - Google Patents
水冷复合内循环风冷的磁悬浮电机及其智能监测系统 Download PDFInfo
- Publication number
- CN116505701B CN116505701B CN202310768098.4A CN202310768098A CN116505701B CN 116505701 B CN116505701 B CN 116505701B CN 202310768098 A CN202310768098 A CN 202310768098A CN 116505701 B CN116505701 B CN 116505701B
- Authority
- CN
- China
- Prior art keywords
- air
- cooling
- opening area
- water
- intelligent monitoring
- 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.)
- Active
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 290
- 238000012544 monitoring process Methods 0.000 title claims abstract description 108
- 239000002131 composite material Substances 0.000 title claims abstract description 55
- 239000000725 suspension Substances 0.000 title claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims abstract description 99
- 238000005457 optimization Methods 0.000 claims abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 208
- 238000005339 levitation Methods 0.000 claims description 84
- 230000000875 corresponding effect Effects 0.000 claims description 67
- 238000000034 method Methods 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 31
- 239000000565 sealant Substances 0.000 claims description 18
- 238000013473 artificial intelligence Methods 0.000 claims description 16
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004804 winding Methods 0.000 claims description 8
- 230000033228 biological regulation Effects 0.000 claims description 6
- 230000002596 correlated effect Effects 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 230000001154 acute effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 239000010963 304 stainless steel Substances 0.000 claims description 2
- 229910000589 SAE 304 stainless steel Inorganic materials 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims 4
- 230000001360 synchronised effect Effects 0.000 abstract description 5
- 230000017525 heat dissipation Effects 0.000 abstract description 4
- 238000000547 structure data Methods 0.000 abstract description 3
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000000110 cooling liquid Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K5/00—Casings; Enclosures; Supports
- H02K5/04—Casings or enclosures characterised by the shape, form or construction thereof
- H02K5/20—Casings or enclosures characterised by the shape, form or construction thereof with channels or ducts for flow of cooling medium
- H02K5/203—Casings or enclosures characterised by the shape, form or construction thereof with channels or ducts for flow of cooling medium specially adapted for liquids, e.g. cooling jackets
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K5/00—Casings; Enclosures; Supports
- H02K5/04—Casings or enclosures characterised by the shape, form or construction thereof
- H02K5/20—Casings or enclosures characterised by the shape, form or construction thereof with channels or ducts for flow of cooling medium
- H02K5/207—Casings or enclosures characterised by the shape, form or construction thereof with channels or ducts for flow of cooling medium with openings in the casing specially adapted for ambient air
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K9/00—Arrangements for cooling or ventilating
- H02K9/02—Arrangements for cooling or ventilating by ambient air flowing through the machine
- H02K9/04—Arrangements for cooling or ventilating by ambient air flowing through the machine having means for generating a flow of cooling medium
- H02K9/06—Arrangements for cooling or ventilating by ambient air flowing through the machine having means for generating a flow of cooling medium with fans or impellers driven by the machine shaft
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02K—DYNAMO-ELECTRIC MACHINES
- H02K9/00—Arrangements for cooling or ventilating
- H02K9/19—Arrangements for cooling or ventilating for machines with closed casing and closed-circuit cooling using a liquid cooling medium, e.g. oil
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/64—Electric machine technologies in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Tests Of Circuit Breakers, Generators, And Electric Motors (AREA)
- Motor Or Generator Cooling System (AREA)
Abstract
本发明涉及一种水冷复合内循环风冷的磁悬浮电机及其智能监测系统,涉及电机技术领域。所述系统包括:遍历分析机构,用于基于遍历的磁悬浮电机的每一份面积数值组合与其各项固定结构数据采用人工智能模型智能分析每一份面积数值组合对应的定子降温幅度的智能监测值和转子降温幅度的智能监测值;优化判断机构,用于获取各份面积数值组合分别对应的各份智能监测值,并以转子降温幅度优于定子降温幅度的选择模式执行投入使用的面积数值组合的选择。通过本发明,采用人工智能模型以及海量分析模式执行转子冷却优先级高于定子的优化冷却策略,从而达到转子和定子的真正同步散热。
Description
技术领域
本发明涉及磁悬浮电机技术领域,尤其涉及一种水冷复合内循环风冷的磁悬浮电机及其智能监测系统。
背景技术
磁悬浮电机,指的是定子和动子无接触运行的特种电机。按磁场作用力,可以将磁悬浮电机分为吸引型和推斥型;按磁场耦合程度,可以将磁悬浮电机分为悬浮力与驱动力独立控制型和悬浮力与驱动力耦合控制型;按定子和动子结构,可以将磁悬浮电机分为磁悬浮旋转电机和磁悬浮直线电机。
一般地,磁悬浮电机主要用于磁悬浮列车、磁悬浮轴承和磁悬浮人工心脏血泵等场合,由于磁悬浮电机经常处于高速运转状态,磁悬浮电机的转子和定时的发热严重,需要进行冷却以避免磁悬浮电机内部各个位置过热,防止影响磁悬浮电机的正常工作性能。
示例地,中国实用新型专利公开文本CN215871025U提出的一种兼容水冷和风冷系统的磁悬浮电机外壳和电机,该电机外壳包括电机筒、第一轴承座和第二轴承座;第一轴承座和第二轴承座分别固定在电机筒两端,电机筒设置有轴向贯穿的冷却通道和通气口,通气口两端分别与电机筒内孔和电机外部相连通;第一轴承座和第二轴承座都包括限位区、通风区和盲孔,限位区用于固定嵌设径向磁轴承;盲孔一端与通风区相连通,冷却通道两端分别与第一轴承座和第二轴承座的盲孔另一端相对齐。该电机外壳能够兼容风冷加水冷冷却和单独采用风冷冷却两种冷却方式,从而降低了加工复杂度和整个设备成本。
示例地,中国实用新型专利公开文本CN218335566U提出的一种风水冷磁悬浮电机及具有其的风机,所述风水冷磁悬浮电机通过在转轴上设置叶轮,在机壳圆周方向分布风道和水道,风道与机壳内部连通用于实现机壳内部定子两侧及气隙间的空气循环,水道与外部的冷却液循环系统连通用于冷却定子和风道内的空气。转子组件通过磁作用力悬浮在定子内,电机极限转速比机械轴承的电机高,同时不需要轴承润滑,噪音低,使用寿命久;同时设置风冷和水冷的冷却方式,采用水冷循环系统在给定子降温的同时,还能够对风循环进行降温,在机壳内部即可完成风循环降温,不与外界有空气交换,能够很好的解决一些特殊工况下的电机风冷问题。
但是,在工业实践的过程中,发现磁悬浮电机的现有冷却技术存在以下不足:现有的冷却系统常有水冷或水冷加外部风冷的形式,其能够降低靠近电机外侧如定子等的部件的温度,但是,电机中间位置如转子等部件散热效果差,即使存在将定子和转子处于相同地位的冷却机制,然而由于定子处于电机外侧,其本身更容易散热,而转子更靠近电机中间位置,本身散热效果更差,导致实际上转子的冷却效果还是不如定子的冷却效果,从上述定子和转子的位置设置决定了需要将转子的冷却优先级排到定子的冷却优先级之前,再融合定子容易散热的安装位置,从而将定子和转子真正处于相同的冷却地位,避免磁悬浮电机内部各个位置过热,防止影响磁悬浮电机的正常工作性能。
发明内容
为了解决现有技术中的技术问题,本发明提供了一种水冷复合内循环风冷的磁悬浮电机及其智能监测系统,通过引入定制结构的水冷复合内循环风冷系统以兼顾磁悬浮电机定子和转子的冷却处理,尤为关键的是,采用完成多次学习后的人工智能模型基于遍历水冷复合内循环风冷系统的进水开口面积、出水开口面积、进风开口面积以及出风开口面积每一份数值组合预测在对应面积参数设置下的定子单位时间降温幅度的智能监测数值以及转子单位时间降温幅度的智能监测数值,在选择最终的面积参数时,执行转子单位时间降温幅度优先于定子单位时间降温幅度的选择策略,从而采用有限运算的数值分析模式替换海量次数的试验模式,实现将转子的冷却优先级排到定子的冷却优先级之前的优化冷却策略,融合定子相对于转子处于电机外侧的安装位置,达到转子和定子的真正同步散热。
本发明一方面提供了一种水冷复合内循环风冷的磁悬浮电机,其包括机壳1,壳体内部设置有水冷通道11,壳体中央沿轴向设置有转子3,转子3周围设置有定子2,在壳体的前端和后端分别设置有前端磁轴承总成4和后端磁轴承总成5,转子3的轴分别设置于前端磁轴承总成4和后端磁轴承总成5上,其特征在于,转子3和定子2之间形成了风冷内循环通道6,水冷通道11设有进水口111、出水口112;所述定子2包括铁芯21、绕组22和灌封胶,所述定子2的铁芯21、灌封胶23在与机壳1的接触面设有定子外风道24,所述转子3由转轴31和推力盘32组成,所述转子3的转轴31与定子2之间设有气隙33,所述推力盘32包括推力盘底座321、推力盘前盖322、叶片323和推力盘后盖324,所述推力盘32的内腔在叶片323旋转时形成旋转风道34,所述旋转风道34设有进风口341和出风口342,所述前端磁轴承总成4与机壳1、定子2、转子3之间形成前端风道41,所述后端磁轴承总成5与机壳1、定子2、转子3之间形成后端进风道51、后端出风道52,所述后端进风道51连接气隙33与旋转风道34,所述后端出风道52连接旋转风道34与定子外风道24,所述风冷内循环通道6由前端风道41、气隙33、后端进风道51、旋转风道34、后端出风道52、定子外风道24串联组成。
选选地,所述灌封胶23设置在绕组22的表面,所述灌封胶23的截面设置为与铁芯21内外径相同的圆环。
优选地,所述定子外风道24设置为铁芯21和灌封胶23上的矩形槽口,所述定子外风道24沿着圆周方向均匀分布。
优选地,所述推力盘32的纵截面设置为“T”字型,所述推力盘底座321、推力盘前盖322和推力盘后盖324的横截面为圆环形。
优选地,所述叶片323的位置设置在推力盘前盖322和推力盘后盖324之间,所述叶片323设置形状为平行四边形,所述叶片323与推力盘圆周方向夹角为锐角;所述叶片沿圆周方向N等分均布分布,所述N为大于或者等于2的整数。
优选地,所述推力盘底座321的横截面内径略小于转轴31的外径形成过盈配合,使得推力盘32内的旋转风道34能随转轴作一起圆周运动。
优选地,所述旋转风道34的纵截面外形设置呈“7”字形,所述进风口341设置在轴向,所述进风口341的截面为圆环,所述出风口342设置在径向,所述出风口342的截面设置为多个带圆角的矩形,所述进风口341的总面积等于或略大于出风口342。
根据本发明,还提供了上述水冷复合内循环风冷的磁悬浮电机的智能监测系统,所述系统包括:
进水调节机构,包括第一调节单元以及第二调节单元,用于分别调节所述进水口的进水开口面积以及所述出水口的出水开口面积;
风口调节机构,包括第三调节单元以及第四调节单元,用于分别调节所述进风口的进风开口面积以及所述出风口的出风开口面积;
降幅测量机构,包括第一测量单元以及第二测量单元,用于分别测量磁悬浮电机的定子的单位时间降温幅度以及磁悬浮电机的转子的单位时间降温幅度以分别作为第一降温幅度和第二降温幅度输出;
模型构建机构,用于采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值;
学习处理机构,与所述模型构建机构连接,用于对所述人工智能模型执行多次学习处理以获得对应的学习处理后模型,所述多次学习处理的次数与所述定子和所述转子的重量的和值单调正向关联;
遍历分析机构,分别与所述学习处理机构、所述进水调节机构、所述风口调节机构以及所述降幅测量机构连接,用于遍历进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值,以获得构成的每一份数值组合,并将遍历获取的每一份数值组合与水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速一并输入到学习处理后模型,并执行学习处理后模型,以获得学习处理后模型输出的该份数值组合对应的第一降温幅度的智能监测值和第二降温幅度的智能监测值;
优化判断机构,与所述遍历分析机构连接,用于获取各份数值组合分别对应的各份第一降温幅度的智能监测值和各份第二降温幅度的智能监测值,以第二降温幅度优于第一降温幅度的选择模式执行数值组合的选择。
由此可见,本发明至少具备以下几处显著的技术进步:
第一处:在采用定制结构的水冷复合内循环风冷系统执行对磁悬浮电机的转子降温和定子降温时,针对磁悬浮电机的转子位于磁悬浮电机内部、相比较于定子更难从外部进行降温的特性,采用完成多次学习后的人工智能模型基于遍历水冷复合内循环风冷系统的进水开口面积、出水开口面积、进风开口面积以及出风开口面积每一份数值组合预测在对应面积参数设置下的定子单位时间降温幅度的智能监测数值以及转子单位时间降温幅度的智能监测数值,在选择最终的面积参数时,执行转子单位时间降温幅度优先于定子单位时间降温幅度的选择策略,从而采用有限运算的数值分析模式替换海量次数的试验模式,实现对定制结构的水冷复合内循环风冷系统的优化工作参数的快速、精确解析;
第二处:具体的转子单位时间降温幅度优先于定子单位时间降温幅度的选择策略中,在各份数值组合中,将数值最大的转子单位时间降温幅度的智能监测数值对应的多份数值组合作为多份参考数值组合,并在多份参考数值组合中,将数值最大的定子单位时间降温幅度的智能监测数值对应的一份以上的数值组合中的每一份数值组合作为进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值的优选配置数据,从而获取定制结构的水冷复合内循环风冷系统的优化工作参数;
第三处:为保证预测结果的有效性和稳定性,对人工智能模型执行多次学习处理以获得完成多次学习后的人工智能模型,所述多次学习处理的次数与磁悬浮电机的定子和转子的重量的和值单调正向关联,以及在每一次学习处理中,将进水调节机构以及风口调节机构每一次完成调节后的输出面积数据作为人工智能模型的部分输入信息,将进水调节机构以及风口调节机构每一次完成调节后的降幅测量机构的输出降温幅度数据作为人工智能模型的全部输出信息,执行对所述人工智能模型的单次学习处理。
附图说明
以下将结合附图对本发明的实施例进行描述,其中:
图1为本发明(提供的水冷复合内循环风冷的磁悬浮电机的剖面视图。
图2为本发明提供的水冷复合内循环风冷的磁悬浮电机的推力盘侧视图。
图3是图2中A-A剖面图。
图4是图2中B-B剖面图。
图5为根据本发明的水冷复合内循环风冷的磁悬浮电机的智能监测系统的技术流程图。
图6为根据本发明的第一实施例示出的水冷复合内循环风冷的磁悬浮电机的智能监测系统的结构组件图。
图7为根据本发明的第二实施例示出的水冷复合内循环风冷的磁悬浮电机的智能监测系统的结构组件图。
图8为根据本发明的第三实施例示出的水冷复合内循环风冷的磁悬浮电机的智能监测系统的结构组件图。
附图标记:1、机壳;2、定子;3、转子;4、前端磁轴承总成;5、后端磁轴承总成;6、风冷内循环通道;11、水冷通道;111、进水口;112、出水口;21、铁芯;22、绕组;23、灌封胶;24、定子外风道;31、转轴;32、推力盘;321、推力盘底座;322、推力盘前盖; 323、叶片;324、推力盘后盖; 33、气隙;34、旋转风道;341、进风口;342、出风口;41、前端风道;51、后端进风道;52、后端出风道。
具体实施方式
如图1-4所示,本发明提供的水冷复合内循环风冷的磁悬浮电机包括机壳1,壳体内部设置有水冷通道11,壳体中央沿轴向设置有转子3,转子3周围设置有定子2,在壳体的前端和后端分别设置有前端磁轴承总成4和后端磁轴承总成5,转子3的轴分别设置于前端磁轴承总成4和后端磁轴承总成5上;转子3和定子2之间形成了风冷内循环通道6,水冷通道11设有进水口111、出水口112;所述定子2包括铁芯21、绕组22和灌封胶,所述定子2的铁芯21、灌封胶23在与机壳1的接触面设有定子外风道24,所述转子3由转轴31和推力盘32组成,所述转子3的转轴31与定子2之间设有气隙33,所述推力盘32由推力盘底座321、推力盘前盖322、叶片323和推力盘后盖324,所述推力盘32的内腔在叶片323旋转时形成旋转风道34,所述旋转风道34设有进风口341和出风口342,所述前端磁轴承总成4与机壳1、定子2、转子3之间形成前端风道41,所述后端磁轴承总成5与机壳1、定子2、转子3之间形成后端进风道51、后端出风道52,所述后端进风道51连接气隙33与旋转风道34,所述后端出风道52连接旋转风道34与定子外风道24,所述风冷内循环通道6由前端风道41、气隙33、后端进风道51、旋转风道34、后端出风道52、定子外风道24串联组成。
本发明中,所述灌封胶23设置在绕组22的表面,所述灌封胶23的截面设置为与铁芯21内外径相同的圆环。
本发明中,所述定子外风道24设置为铁芯21和灌封胶23上的矩形槽口,所述定子外风道24沿着圆周方向均匀分布。
本发明中,所述推力盘32的纵截面设置为“T”字型,所述推力盘底座321、推力盘前盖322和推力盘后盖324的横截面设置为圆环。
本发明中,所述叶片323的位置设置在推力盘前盖322和推力盘后盖324之间,所述叶片323设置形状为平行四边形,所述叶片323与推力盘圆周方向夹角为锐角,优选50度;所述叶片沿圆周方向N等分均布分布,优选16等分,所述N为大于或者等于2的整数。
本发明中,所述推力盘底座321的横截面内径略小于转轴31的外径形成过盈配合,使得推力盘32内的旋转风道34能随转轴作一起圆周运动。
本发明中,所述旋转风道34的纵截面外形设置呈“7”字形,所述进风口341设置在轴向,所述进风口341的截面为圆环,所述出风口342设置在径向,所述出风口342的截面设置为多个带圆角的矩形,所述进风口341的总面积等于或略大于出风口342,所述多个优选为16个。
如图5所示,给出了根据本发明示出的水冷复合内循环风冷的磁悬浮电机的智能监测系统的技术流程图。
在图5中,本发明的具体的技术流程如下:
首先,针对服务于磁悬浮电机的定制结构的水冷复合内循环风冷系统,建立用于预测智能监测数据的人工智能模型,所述人工智能模型以水冷复合内循环风冷系统的进水开口面积、出水开口面积、进风开口面积以及出风开口面积每一份数值组合以及水冷复合内循环风冷系统的多项固定结构数据为各项输入内容,以每一份数值组合对应的磁悬浮电机的定子单位时间降温幅度的智能监测数值、转子单位时间降温幅度的智能监测数值为输出内容,达到不需要实际运行水冷复合内循环风冷系统,即能够获取定子转子降温效果的预测数据的技术效果,从而避免进行繁琐、负载的实际系统操作;
具体地,水冷复合内循环风冷系统的多项固定结构数据包括水冷通道容积、风冷内循环通道总容积、进水口的进水温度以及进风口的进风风速;
示例地,为了保证人工智能模型输出的作为预测数据的智能监测数值的可靠性和稳定性,对人工智能模型执行多次学习处理以获得完成多次学习后的人工智能模型,所述多次学习处理的次数与磁悬浮电机的定子和转子的重量的和值单调正向关联;
以及在每一次学习处理中,将进水调节机构以及风口调节机构每一次完成调节后的输出面积数据作为人工智能模型的部分输入信息,将进水调节机构以及风口调节机构每一次完成调节后的降幅测量机构的输出降温幅度数据作为人工智能模型的全部输出信息,执行对所述人工智能模型的单次学习处理;
其次,采用完成多次学习后的人工智能模型遍历各份面积数值组合以智能预测分别对应的各份定子转子的智能监测数值,从而采用大量数值分析模式替换海量冷却试验模式,快速、有效地获取各项试验结果数据;
如图5所示,遍历N份面积数值组合,例如面积数值组合1、面积数值组合2一直到面积数值组合N,采用完成多次学习后的人工智能模型分别执行N次智能预测处理,以分别获得智能监测数值1、智能监测数值2一直到智能监测数值N,N为海量数值,以实现对各份面积数值组合的尽量接近穷尽的遍历,从而实现相比较于实地实验操作的数值分析的优势;
图5中的每一份面积数值组合包括进水开口面积、出水开口面积、进风开口面积以及出风开口面积的四项具体数值,以及每一份面积数值组合对应的智能监测数值为在该份面积数值组合的具体取值下模拟运行水冷复合内循环风冷的磁悬浮电机后对应的定子单位时间降温幅度和转子单位时间降温幅度二者分别对应的预测数值;
示例地,可以通过数值仿真模式实现采用完成多次学习后的人工智能模型遍历的每一份面积数值组合智能预测对应的一份定子转子的智能监测数值的操作过程;
再次,在选择最终的投入使用的面积数值组合时,以各份定子转子的智能监测数值作为选择的基础数据,执行转子单位时间降温幅度优先于定子单位时间降温幅度的选择策略,以获得真正保证磁悬浮电机内部各个位置同步降温的优化配置参数,从而提升了磁悬浮电机的冷却系统的冷却性能,保证磁悬浮电机的稳定、可靠的运行和工作;
具体地,由于磁悬浮电机的定子处于磁悬浮电机的机壳内部的外侧,磁悬浮电机的转子更靠近磁悬浮电机的机壳内部的中间位置,执行转子单位时间降温幅度优先于定子单位时间降温幅度的选择策略,再融合定子位置更容易散热的特性,能够真正实现磁悬浮电机的定子和转子的同步冷却处理;
最后,采用选择的最终的投入使用的面积数值组合对磁悬浮电机的水冷复合内循环风冷系统进行参数配置,从而获取最优冷却性能的水冷复合内循环风冷系统。
本发明的关键点在于:转子单位时间降温幅度优先于定子单位时间降温幅度的选择策略、用于预测智能监测数据的人工智能模型的构建和学习、基于遍历操作的大量数值分析模式对海量冷却试验模式的有效替换。
下面,将对本发明的水冷复合内循环风冷的磁悬浮电机的智能监测系统以实施例的方式进行具体说明。
第一实施例
图6为根据本发明的第一实施例示出的水冷复合内循环风冷的磁悬浮电机的智能监测系统的结构组件图。
如图6所示,所述水冷复合内循环风冷的磁悬浮电机的智能监测系统包括以下组件:
进水调节机构,包括第一调节单元以及第二调节单元,用于分别调节所述进水口的进水开口面积以及所述出水口的出水开口面积;
风口调节机构,包括第三调节单元以及第四调节单元,用于分别调节所述进风口的进风开口面积以及所述出风口的出风开口面积;
示例地,所述第一调节单元、所述第二调节单元、所述第三调节单元以及所述第四调节单元中每一个调节单元都包括相应的微控电机、步进控制器、伸缩面板以及位置传感器,所述微控电机分别与所述步进控制器、所述伸缩面板以及所述位置传感器连接,用于控制对应的调节单元步进式调节其伸缩面板的每一次的伸缩距离;
例如,所述微控电机分别与所述步进控制器、所述伸缩面板以及所述位置传感器连接,用于控制对应的调节单元步进式调节其伸缩面板的每一次的伸缩距离包括:在所述微控电机的每一次调节后,其伸缩面板伸缩或者缩进固定长度,所述固定长度的取值在1到10毫米之间;
降幅测量机构,包括第一测量单元以及第二测量单元,用于分别测量磁悬浮电机的定子的单位时间降温幅度以及磁悬浮电机的转子的单位时间降温幅度以分别作为第一降温幅度和第二降温幅度输出;
示例地,分别测量磁悬浮电机的定子的单位时间降温幅度以及磁悬浮电机的转子的单位时间降温幅度以分别作为第一降温幅度和第二降温幅度输出包括:所述单位时间的取值为固定数值,以及所述固定数值在15分钟到60分钟之间;
模型构建机构,用于采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值;
示例地,所述磁悬浮电机的转子工作转速在3万转每分钟到5万转每分钟之间且为固定数值;
具体地,采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值包括:选择采用数值仿真模式完成对采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值的处理过程的仿真操作;
学习处理机构,与所述模型构建机构连接,用于对所述人工智能模型执行多次学习处理以获得对应的学习处理后模型,所述多次学习处理的次数与所述定子和所述转子的重量的和值单调正向关联;
例如,所述多次学习处理的次数与所述定子和所述转子的重量的和值单调正向关联包括:所述定子和所述转子的重量的和值为200公斤,所述多次学习处理的次数为50次,所述定子和所述转子的重量的和值为300公斤,所述多次学习处理的次数为100次,所述定子和所述转子的重量的和值为400公斤,所述多次学习处理的次数为150次;
遍历分析机构,分别与所述学习处理机构、所述进水调节机构、所述风口调节机构以及所述降幅测量机构连接,用于遍历进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值,以获得构成的每一份数值组合,并将遍历获取的每一份数值组合与水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速一并输入到学习处理后模型,并执行学习处理后模型,以获得学习处理后模型输出的该份数值组合对应的第一降温幅度的智能监测值和第二降温幅度的智能监测值;
例如,可以采用SOC芯片、FPGA芯片、CPLD芯片或者ASIC芯片中的一种实现所述遍历分析机构,以及在采用CPLD芯片实现所述遍历分析机构时,使用VHDL语言对CPLD芯片进行工作模式的设计;
优化判断机构,与所述遍历分析机构连接,用于获取各份数值组合分别对应的各份第一降温幅度的智能监测值和各份第二降温幅度的智能监测值,以第二降温幅度优于第一降温幅度的选择模式执行数值组合的选择;
其中,获取各份数值组合分别对应的各份第一降温幅度的智能监测值和各份第二降温幅度的智能监测值,以第二降温幅度优于第一降温幅度的选择模式执行数值组合的选择包括:在各份数值组合中,将数值最大的第二降温幅度的智能监测值对应的多份数值组合作为多份参考数值组合,并在多份参考数值组合中,将数值最大的第一降温幅度的智能监测值对应的一份以上的数值组合中的每一份数值组合作为进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值的优选配置数据;
其中,所述第一调节单元、所述第二调节单元、所述第三调节单元以及所述第四调节单元均包括设置在对应开口位置的伸缩面板,用于实现对应开口的面积调节;
其中,所述第一调节单元、所述第二调节单元、所述第三调节单元以及所述第四调节单元均包括设置在对应开口位置的伸缩面板,用于实现对应开口的面积调节包括:所述伸缩面板为304不锈钢材料;
其中,所述第一调节单元、所述第二调节单元、所述第三调节单元以及所述第四调节单元均包括设置在对应开口位置的伸缩面板,用于实现对应开口的面积调节包括:所述第一调节单元、所述第二调节单元、所述第三调节单元以及所述第四调节单元分别设置有与各自对应的伸缩面板连接的微控电机;
示例地,所述第一调节单元、所述第二调节单元、所述第三调节单元以及所述第四调节单元分别设置有与各自对应的伸缩面板连接的微控电机包括:所述微控电机为直流无刷电机;
其中,磁悬浮电机的定子由铁芯、绕组和灌封胶组成,所述定子的铁芯、灌封胶在与机壳的接触面设有定子内风道,磁悬浮电机的转子由转轴和推力盘组成,所述转子的转轴与所述定子之间设有气隙,所述推力盘由推力盘底座、推力盘前盖、叶片和推力盘后盖组成,所述推力盘的内腔在叶片旋转时形成旋转风道;
其中,磁悬浮电机的前端磁轴承总成与所述机壳、所述定子、所述转子之间形成前端风道,磁悬浮电机的后端磁轴承总成与所述机壳、所述定子、所述转子之间形成后端进风道和后端出风道。
第二实施例
图7为根据本发明的第二实施例示出的水冷复合内循环风冷的磁悬浮电机的智能监测系统的结构组件图。
如图7所示,与图6不同,所述水冷复合内循环风冷的磁悬浮电机的智能监测系统还包括以下组件:
配置执行机构,分别与所述优化判断机构、所述进水调节机构以及所述风口调节机构连接,用于采用进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值的优选配置数据通过所述进水调节机构以及所述风口调节机构执行对进水开口面积、出水开口面积、进风开口面积以及出风开口面积的面积数据配置操作以实现对磁悬浮电机定子转子的优化降温处理;
这样,由于磁悬浮电机的定子处于磁悬浮电机的机壳内部的外侧,磁悬浮电机的转子更靠近磁悬浮电机的机壳内部的中间位置,执行转子单位时间降温幅度优先于定子单位时间降温幅度的选择策略,再融合定子位置更容易散热的特性,能够真正实现磁悬浮电机的定子和转子的同步冷却处理;
因此,使用配置执行机构采用选择的最终的投入使用的面积数值组合对磁悬浮电机的水冷复合内循环风冷系统进行参数配置,从而获取最优冷却性能的水冷复合内循环风冷系统。
第三实施例
图8为根据本发明的第三实施例示出的水冷复合内循环风冷的磁悬浮电机的智能监测系统的结构组件图。
如图8所示,与图6不同,所述水冷复合内循环风冷的磁悬浮电机的智能监测系统还包括以下组件:
温度感应机构,与所述模型构建机构连接且设置在所述进水口处,用于实时感应所述进水口的进水温度;
示例地,所述温度感应机构为接触式温度传感器或者非接触式温度传感器中的一种。
第四实施例
相比较于本发明的第一实施例,根据本发明的第四实施例示出的水冷复合内循环风冷的磁悬浮电机的智能监测系统还包括以下组件:
风速检测机构,与所述模型构建机构连接且设置在所述进风口处,用于实时检测所述进风口的进风风速;
示例地,所述风速检测机构内置定位单元和与所述定位单元连接的风速感应单元,所述定位单元用于确定所述风速感应单元是否位于所述进风口处,所述风速感应单元用于实时检测所述进风口的进风风速。
第五实施例
相比较于本发明的第一实施例,根据本发明的第五实施例示出的水冷复合内循环风冷的磁悬浮电机的智能监测系统还包括以下组件:
数据存储芯片,与所述学习处理机构连接,用于执行对所述学习处理后模型的各项模型数据的存储;
例如,所述数据存储芯片可以选型为CF存储芯片、MMC存储芯片或者FLASH闪存中的一种;
其中,所述数据存储芯片还用于存储表示所述多次学习处理的次数与所述定子和所述转子的重量的和值的单调正向关联的数值关系函数。
接着,对本发明的各个实施例进行进一步地说明。
在根据本发明的各个实施例中的水冷复合内循环风冷的磁悬浮电机的智能监测系统中:
采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值包括:所述风冷内循环通道总容积等于前端风道容积、气隙容积、后端进风道容积、旋转风道容积、后端出风道容积以及定子内风道容积的和值;
示例地,在将水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积输入到所述人工智能模型之前,对水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别进行基于二进制数值转换的数值归一化处理;
以及相应地,所述人工智能模型输出的在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值都为二进制数值。
在根据本发明的各个实施例中的水冷复合内循环风冷的磁悬浮电机的智能监测系统中:
对所述人工智能模型执行多次学习处理以获得对应的学习处理后模型,所述多次学习处理的次数与所述定子和所述转子的重量的和值单调正向关联包括:将进水调节机构以及风口调节机构每一次完成调节后的输出面积数据作为人工智能模型的部分输入信息,将进水调节机构以及风口调节机构每一次完成调节后的降幅测量机构的输出降温幅度数据作为人工智能模型的全部输出信息,执行对所述人工智能模型的单次学习处理;
其中,将进水调节机构以及风口调节机构每一次完成调节后的输出面积数据作为人工智能模型的部分输入信息,将进水调节机构以及风口调节机构每一次完成调节后的降幅测量机构的输出降温幅度数据作为人工智能模型的全部输出信息,执行对所述人工智能模型的单次学习处理包括:人工智能模型的其他输入信息为水冷通道容积、风冷内循环通道总容积、进水口的进水温度和进风口的进风风速。
以及在根据本发明的各个实施例中的水冷复合内循环风冷的磁悬浮电机的智能监测系统中:
采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值包括:将水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积并行输入到所述人工智能模型;
其中,采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值还包括:运行所述人工智能模型以获得所述人工智能模型输出的在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值;
示例地,运行所述人工智能模型以获得所述人工智能模型输出的在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值包括:可以使用可编程逻辑器件在完成编程操作后执行运行所述人工智能模型以获得所述人工智能模型输出的在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值的数值转换过程。
另外,在根据本发明的水冷复合内循环风冷的磁悬浮电机的智能监测系统中:
对所述人工智能模型执行多次学习处理以获得对应的学习处理后模型,所述多次学习处理的次数与所述定子和所述转子的重量的和值单调正向关联包括:采用数值关系函数表示所述多次学习处理的次数与所述定子和所述转子的重量的和值的单调正向关联;
其中,对所述人工智能模型执行多次学习处理以获得对应的学习处理后模型,所述多次学习处理的次数与所述定子和所述转子的重量的和值单调正向关联还包括:所述数值关系函数为两输入一输出的转换函数,在所述两输入一输出的转换函数中,所述定子的重量和所述转子的重量为所述转换函数的两项输入数据,与所述定子和所述转子的重量的和值单调正向关联的多次学习处理的次数为所述转换函数的一项输出数据;
以及其中,采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值包括:可以选择采用MATLAB工具箱完成所述预测处理。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (15)
1.一种水冷复合内循环风冷的磁悬浮电机,其包括机壳(1),壳体内部设置有水冷通道(11),壳体中央沿轴向设置有转子(3),转子(3)周围设置有定子(2),在壳体的前端和后端分别设置有前端磁轴承总成(4)和后端磁轴承总成(5),转子(3)的轴分别设置于前端磁轴承总成(4)和后端磁轴承总成(5)上,其特征在于,转子(3)和定子(2)之间形成了风冷内循环通道(6),水冷通道(11)设有进水口(111)、出水口(112);所述定子(2)包括铁芯(21)、绕组(22)和灌封胶,所述定子(2)的铁芯(21)、灌封胶(23)在与机壳(1)的接触面设有定子外风道(24),所述转子(3)由转轴(31)和推力盘(32)组成,所述转子(3)的转轴(31)与定子(2)之间设有气隙(33),所述推力盘(32)包括推力盘底座(321)、推力盘前盖(322)、叶片(323)和推力盘后盖(324),所述推力盘(32)的内腔在叶片(323)旋转时形成旋转风道(34),所述旋转风道(34)设有进风口(341)和出风口(342),所述前端磁轴承总成(4)与机壳(1)、定子(2)、转子(3)之间形成前端风道(41),所述后端磁轴承总成(5)与机壳(1)、定子(2)、转子(3)之间形成后端进风道(51)、后端出风道(52),所述后端进风道(51)连接气隙(33)与旋转风道(34),所述后端出风道(52)连接旋转风道(34)与定子外风道(24),所述风冷内循环通道(6)由前端风道(41)、气隙(33)、后端进风道(51)、旋转风道(34)、后端出风道(52)、定子外风道(24)串联组成,所述磁悬浮电机还包括智能监测系统,智能监测系统包括:
进水调节机构,包括第一调节单元以及第二调节单元,用于分别调节所述进水口的进水开口面积以及所述出水口的出水开口面积;
风口调节机构,包括第三调节单元以及第四调节单元,用于分别调节所述进风口的进风开口面积以及所述出风口的出风开口面积;
降幅测量机构,包括第一测量单元以及第二测量单元,用于分别测量磁悬浮电机的定子的单位时间降温幅度以及磁悬浮电机的转子的单位时间降温幅度以分别作为第一降温幅度和第二降温幅度输出;
模型构建机构,用于采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值;
学习处理机构,与所述模型构建机构连接,用于对所述人工智能模型执行多次学习处理以获得对应的学习处理后模型,所述多次学习处理的次数与所述定子和所述转子的重量的和值单调正向关联;
遍历分析机构,分别与所述学习处理机构、所述进水调节机构、所述风口调节机构以及所述降幅测量机构连接,用于遍历进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值,以获得构成的每一份数值组合,并将遍历获取的每一份数值组合与水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速一并输入到学习处理后模型,并执行学习处理后模型,以获得学习处理后模型输出的该份数值组合对应的第一降温幅度的智能监测值和第二降温幅度的智能监测值;
优化判断机构,与所述遍历分析机构连接,用于获取各份数值组合分别对应的各份第一降温幅度的智能监测值和各份第二降温幅度的智能监测值,以第二降温幅度优于第一降温幅度的选择模式执行数值组合的选择。
2.根据权利要求1所述的水冷复合内循环风冷的磁悬浮电机,其特征在于,所述灌封胶(23)设置在绕组(22)的表面,所述灌封胶(23)的截面设置为与铁芯(21)内外径相同的圆环。
3.根据权利要求2所述的水冷复合内循环风冷的磁悬浮电机,其特征在于,所述定子外风道(24)设置为铁芯(21)和灌封胶(23)上的矩形槽口,所述定子外风道(24)沿着圆周方向均匀分布。
4.根据权利要求3所述的水冷复合内循环风冷的磁悬浮电机,其特征在于,所述推力盘(32)的纵截面设置为“T”字型,所述推力盘底座(321)、推力盘前盖(322)和推力盘后盖(324)的横截面为圆环形。
5.根据权利要求4所述的水冷复合内循环风冷的磁悬浮电机,其特征在于,所述叶片(323)的位置设置在推力盘前盖(322)和推力盘后盖(324)之间,所述叶片(323)设置形状为平行四边形,所述叶片(323)与推力盘圆周方向夹角为锐角;所述叶片沿圆周方向N等分均布分布,所述N为大于或者等于2的整数。
6.根据权利要求5所述的水冷复合内循环风冷的磁悬浮电机,其特征在于,所述推力盘底座(321)的横截面内径略小于转轴(31)的外径形成过盈配合,使得推力盘(32)内的旋转风道(34)能随转轴作一起圆周运动。
7.根据权利要求6所述的水冷复合内循环风冷的磁悬浮电机,其特征在于,所述旋转风道(34)的纵截面外形设置呈“7”字形,所述进风口(341)设置在轴向,所述进风口(341)的截面为圆环,所述出风口(342)设置在径向,所述出风口(342)的截面设置为多个带圆角的矩形,所述进风口(341)的总面积等于或略大于出风口(342)。
8.根据权利要求1所述的水冷复合内循环风冷的磁悬浮电机,其特征在于:
获取各份数值组合分别对应的各份第一降温幅度的智能监测值和各份第二降温幅度的智能监测值,以第二降温幅度优于第一降温幅度的选择模式执行数值组合的选择包括:在各份数值组合中,将数值最大的第二降温幅度的智能监测值对应的多份数值组合作为多份参考数值组合,并在多份参考数值组合中,将数值最大的第一降温幅度的智能监测值对应的一份以上的数值组合中的每一份数值组合作为进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值的优选配置数据;
其中,所述第一调节单元、所述第二调节单元、所述第三调节单元以及所述第四调节单元均包括设置在对应开口位置的伸缩面板,用于实现对应开口的面积调节;
其中,所述第一调节单元、所述第二调节单元、所述第三调节单元以及所述第四调节单元均包括设置在对应开口位置的伸缩面板,用于实现对应开口的面积调节包括:所述伸缩面板为304不锈钢材料;
其中,所述第一调节单元、所述第二调节单元、所述第三调节单元以及所述第四调节单元均包括设置在对应开口位置的伸缩面板,用于实现对应开口的面积调节包括:所述第一调节单元、所述第二调节单元、所述第三调节单元以及所述第四调节单元分别设置有与各自对应的伸缩面板连接的微控电机。
9.根据权利要求1所述的水冷复合内循环风冷的磁悬浮电机,其特征在于,所述智能监测系统还包括:
配置执行机构,分别与所述优化判断机构、所述进水调节机构以及所述风口调节机构连接,用于采用进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值的优选配置数据通过所述进水调节机构以及所述风口调节机构执行对进水开口面积、出水开口面积、进风开口面积以及出风开口面积的面积数据配置操作以实现对磁悬浮电机定子转子的优化降温处理。
10.根据权利要求1所述的水冷复合内循环风冷的磁悬浮电机,其特征在于,所述智能监测系统还包括:
温度感应机构,与所述模型构建机构连接且设置在所述进水口处,用于实时感应所述进水口的进水温度。
11.根据权利要求1所述的水冷复合内循环风冷的磁悬浮电机,其特征在于,所述智能监测系统还包括:
风速检测机构,与所述模型构建机构连接且设置在所述进风口处,用于实时检测所述进风口的进风风速。
12.根据权利要求1所述的水冷复合内循环风冷的磁悬浮电机,其特征在于,所述智能监测系统还包括:
数据存储芯片,与所述学习处理机构连接,用于执行对所述学习处理后模型的各项模型数据的存储;
其中,所述数据存储芯片还用于存储表示所述多次学习处理的次数与所述定子和所述转子的重量的和值的单调正向关联的数值关系函数。
13.根据权利要求1-12任一项所述的水冷复合内循环风冷的磁悬浮电机,其特征在于:
采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值包括:所述风冷内循环通道总容积等于前端风道容积、气隙容积、后端进风道容积、旋转风道容积、后端出风道容积以及定子内风道容积的和值。
14.根据权利要求1-12任一项所述的水冷复合内循环风冷的磁悬浮电机,其特征在于:
对所述人工智能模型执行多次学习处理以获得对应的学习处理后模型,所述多次学习处理的次数与所述定子和所述转子的重量的和值单调正向关联包括:将进水调节机构以及风口调节机构每一次完成调节后的输出面积数据作为人工智能模型的部分输入信息,将进水调节机构以及风口调节机构每一次完成调节后的降幅测量机构的输出降温幅度数据作为人工智能模型的全部输出信息,执行对所述人工智能模型的单次学习处理;
其中,将进水调节机构以及风口调节机构每一次完成调节后的输出面积数据作为人工智能模型的部分输入信息,将进水调节机构以及风口调节机构每一次完成调节后的降幅测量机构的输出降温幅度数据作为人工智能模型的全部输出信息,执行对所述人工智能模型的单次学习处理包括:人工智能模型的其他输入信息为水冷通道容积、风冷内循环通道总容积、进水口的进水温度和进风口的进风风速。
15.根据权利要求1-12任一项所述的水冷复合内循环风冷的磁悬浮电机,其特征在于:
采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值包括:将水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积并行输入到所述人工智能模型;
其中,采用人工智能模型以基于水冷通道容积、风冷内循环通道总容积、转子工作转速、进水口的进水温度、进风口的进风风速、进水开口面积、出水开口面积、进风开口面积以及出风开口面积预测在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值还包括:运行所述人工智能模型以获得所述人工智能模型输出的在进水开口面积、出水开口面积、进风开口面积以及出风开口面积分别对应的四项具体数值构成的一份数值组合下第一降温幅度的智能监测值和第二降温幅度的智能监测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768098.4A CN116505701B (zh) | 2023-06-28 | 2023-06-28 | 水冷复合内循环风冷的磁悬浮电机及其智能监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768098.4A CN116505701B (zh) | 2023-06-28 | 2023-06-28 | 水冷复合内循环风冷的磁悬浮电机及其智能监测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116505701A CN116505701A (zh) | 2023-07-28 |
CN116505701B true CN116505701B (zh) | 2023-08-25 |
Family
ID=87325221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310768098.4A Active CN116505701B (zh) | 2023-06-28 | 2023-06-28 | 水冷复合内循环风冷的磁悬浮电机及其智能监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116505701B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117394580B (zh) * | 2023-12-12 | 2024-02-09 | 江苏远东电机制造有限公司 | 基于动力磁悬浮轴承支承的高转速电机 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110345013A (zh) * | 2019-07-24 | 2019-10-18 | 曲阜师范大学 | 基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法 |
CN110985432A (zh) * | 2020-02-01 | 2020-04-10 | 盾石磁能科技有限责任公司 | 磁悬浮鼓风机多机运行智能控制系统 |
CN112594199A (zh) * | 2020-12-01 | 2021-04-02 | 浙江上风高科专风实业股份有限公司 | 一种高速磁悬浮鼓风机的机心结构及防泄漏密封设计方法 |
CN215344291U (zh) * | 2021-08-04 | 2021-12-28 | 天津飞旋科技股份有限公司 | 一种磁悬浮电机 |
CN215871025U (zh) * | 2021-08-03 | 2022-02-18 | 鑫磊压缩机股份有限公司 | 一种兼容水冷和风冷系统的磁悬浮电机外壳和电机 |
CN218335566U (zh) * | 2022-08-17 | 2023-01-17 | 格瑞拓动力股份有限公司 | 一种风水冷磁悬浮电机及具有其的风机 |
-
2023
- 2023-06-28 CN CN202310768098.4A patent/CN116505701B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110345013A (zh) * | 2019-07-24 | 2019-10-18 | 曲阜师范大学 | 基于神经网络模型预测控制的磁悬浮垂直轴风电机组控制方法 |
CN110985432A (zh) * | 2020-02-01 | 2020-04-10 | 盾石磁能科技有限责任公司 | 磁悬浮鼓风机多机运行智能控制系统 |
CN112594199A (zh) * | 2020-12-01 | 2021-04-02 | 浙江上风高科专风实业股份有限公司 | 一种高速磁悬浮鼓风机的机心结构及防泄漏密封设计方法 |
CN215871025U (zh) * | 2021-08-03 | 2022-02-18 | 鑫磊压缩机股份有限公司 | 一种兼容水冷和风冷系统的磁悬浮电机外壳和电机 |
CN215344291U (zh) * | 2021-08-04 | 2021-12-28 | 天津飞旋科技股份有限公司 | 一种磁悬浮电机 |
CN218335566U (zh) * | 2022-08-17 | 2023-01-17 | 格瑞拓动力股份有限公司 | 一种风水冷磁悬浮电机及具有其的风机 |
Also Published As
Publication number | Publication date |
---|---|
CN116505701A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116505701B (zh) | 水冷复合内循环风冷的磁悬浮电机及其智能监测系统 | |
AU653300B2 (en) | Methods and apparatus for ventilating electric machines | |
US5883449A (en) | Ceiling fan motors | |
CN107247471B (zh) | 一种超高速超精密空气静压电主轴主动热控制系统及其方法 | |
CN211266684U (zh) | 一种端板设有叶轮的永磁电动机及使用该电动机的电动车 | |
US20060028075A1 (en) | Totally hermetically sealed motor for a vehicle | |
US8704414B2 (en) | Machines and methods and assembly for same | |
CN211880253U (zh) | 电机结构 | |
CN103390942A (zh) | 发电机,具体是用于风力涡轮机的发电机 | |
KR101407999B1 (ko) | 차량용 모터 냉각장치 | |
CN204511995U (zh) | 一种悬臂式离心泵的冷却液或加热液循环系统 | |
CN105784233A (zh) | 轴向压力流与周向剪切流交互影响彼此间隙流动阻力的测试装置及方法 | |
JPH0823661A (ja) | 全閉外扇形電動機の冷却構造 | |
CN113394890B (zh) | 一种电机定子冷却系统及电机 | |
CN211880254U (zh) | 转子结构和电机结构 | |
CN210327192U (zh) | 超高速电机的转子结构 | |
CN108832785B (zh) | 密闭循环多路逆流冷却的双定子与筒式永磁转子加速器 | |
CN112283128A (zh) | 一种主氦风机电机冷却通风结构及主氦风机电机 | |
CN111262391B (zh) | 一种新能源汽车用永磁同步电机温控系统 | |
CN112039286A (zh) | 一种自带冷却风路结构的ip23工业吊扇电机 | |
CN114048690B (zh) | 一种磁悬浮电机直驱离心鼓风机的设计方法 | |
CN217002315U (zh) | 一种气悬浮鼓风机的风冷结构 | |
CN219436801U (zh) | 一种具有风冷系统的电机 | |
CN209786973U (zh) | 一种风扇内置式内部风冷电动机 | |
CN217102620U (zh) | 自风冷永磁同步曳引机 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |