降低成本,提高效率。
上一轮的效率变革是机器替换了流水线工人,本质是“机器代替体力”。而这一轮效率变革将是“数据智能代替脑力”,一些有明确目标、有明确规则、很多可重复细节的脑力工作将不可避免的会被算法取代。保守者因循守旧,先行者们拥抱未来。本篇介绍我们团队用算法治理电机噪音的一些实践经验。
01
—
基本原理
我们选择的中间变量是“电磁力”,原因有三:
1、电磁力是常见的噪音来源
从我们接触的NVH故障案例中,80%以上的问题是电磁噪音辐射问题,而辐射的来源基本上都是电磁力,其中径向电磁力产生的径向振动为主要故障模式,而切向电磁力产生的扭转振动和齿顶局部振动相对较少为次要故障模式。也就是说控制住了电磁力也就能控制住电机的噪音。
2、电磁力可被数学建模。
3、径向电磁力兼顾了效率和精度
因此选择“电磁力”作为自动优化的变量,是兼顾经济性和准确性的最佳实施方案。
02
—
实施方式
在完成诊断后,确定了关键阶次电磁力优化目标后,我们 采用多目标优化工具将电磁力作为直接优化目标,通过遗传算法对其进行优化,同时考量到工程的其它需求“效率”、“成本”、和不同工况下的“电磁力”都同时作为优化目标。
下图是我们算法优化的过程,可以通过不同的参数对来监控收敛情况。观察发现:电磁力是“可防可控的”,可以通过定转子结构调整来找到较小的电磁力目标。在多目标优化时,因为十几个目标相互影响,收敛域可能呈现在边界处,如下图右:“齿槽转矩”和“反电动势畸变率THD”目标对,也可能不在边界处,如“下图左:额定转矩脉动”-“24阶电磁力”目标对。
03
—
实施案例
资料保存2021年11月