电机选型及校核方法总结

article/2025/9/25 18:40:15

序:原先最初是没打算写电机选型总结的,而是准备写一些关于数字信号处理相关的东西,但是我的一个朋友提醒了我。他说,现在网上关于数字信号处理的东西写的太多了,特别是基础的知识都写烂了,你再写也没人看,而且也不见得写的有多好。要是写点专业的就更没人看。你倒不如写个关于电机选型的总结,现在在知乎上关于机电选型的内容大部分都是一些传统的方法,不是总结的不太好就是内容不太全。

于是《机电选型及校核方法介绍》这篇文章就这么确定下来了。提到电机选型其实用的最多的方法是最简单的经验选型,没有公式,没有校核,全靠经验。在许多行业都是这种情况,我和上面那个人曾经谈论过,我说为什么有这么多电机选型的理论现在却被束之高阁,没有人使用。反倒都使用最简单的经验方法。我当时心里的答案是:因为经验选择,简单方便,粗暴有效,是长期以来劳动者留下的智慧。而他说,其实是中国的机械制造特别是机电系统没有形成一个完善的体系。现在的电气工程上的型号或者参数体系大部分是外国形成的。对于比较大的精密制造工程,电机选型需要精确计算。但是对于普通实际的使用,其实并没有人来遵循这些算法,只需要用结果论选择一个能用的电机就行。

开始之前还是要说明,本文相对枯燥乏味,请无关人士或不感兴趣人士尽快撤离。

正文:

本文主要介绍三种电机选型方法,一:常规电机选型方法;二:基于功率匹配的电机选型;三:规范化方法电机选型。其中常规电机选型方法包括:惯量匹配、容量匹配和速度匹配选型,同时文章也花了一部分篇幅介绍了电机的校核方法。

1. 常规电机选型方法

在设计伺服系统时,当选定了伺服系统的类型以后,需要选定执行元件。对于电气式伺服系统来说,就是要根据伺服系统的负载情况,确定伺服电机的型号,这就是伺服电机与机械负载的匹配问题,即伺服系统的动力方法设计。伺服电机与机械负载的匹配主要是指惯量、容量和速度的匹配

1.1 惯量匹配

JL/Jm>3时,对电机的灵敏度和响应时间有很大的影响,甚至使伺服放大器不能在正常调节范围内工作。

小惯量直流伺服电机的惯量低达Jm≈10^{-3}kg×m^{2},其特点是转矩—惯量比大,机械时间常数小,加速能力强,所以其动态性能好,响应快。但是,使用小惯量电机时容易发生对电源频率的响应共振,当存在间隙、死区时容易造成振荡和蠕动,这才提出了“惯量匹配原则”,并在数控机床伺服进给系统采用大惯量电机。

所谓大惯量是相对小惯量而言的,其数值Jm≈0.1~0.6kg×m^{2}。大惯量宽调速直流伺服电机的特点是惯量大、转矩大,且能在低速下提供额定转矩,常常不需要传动装置而与滚珠丝杠等直接相联,而且受惯性负载的影响小,调速范围大;热时间常数有的长达100 min,比小惯量电机的热时间常数2~3min长得多,并允许长时间的过载。其转矩—惯量比高于普通电机而低于小惯量电机,其快速性在使用上已经足够。此外,由于其特殊构造使其转矩波动系数很小(<2%),因此,采用这种电机能获得优良的低速范围的速度刚度和动态性能,因而在现代数控机床中应用较广。

交流伺服电机的惯量匹配与直流电机相似 。

为了使步进电机具有良好的起动能力及较快的响应速度通常推荐JL/Jm<4,由于步进电机的起动矩频特性曲线是在空载下作出的,检查其起动能力时应考虑惯性负载对起动频率的影响,即根据起动惯频特性曲线找出带惯性负载的起动频率,然后,再查其起动转矩和计算起动时间。

当在起动惯频特性曲线查不到带惯性负载时的最大起动频率时,可用下式近似计算:fL = \frac{fm}{\sqrt{1+JL/Jm}}

式中  fL——带惯性负载的最大自起动频率;fm——电机本身的最大空载起动频率;JL——折算到电机轴上的转动惯量;Jm——电机轴转子的转动惯量。

JL/Jm= 3时,fL = 0.5 fm

1.2 容量匹配

    在选择伺服电机时,要根据电机的负载大小确定伺服电机的容量,即使电机的额定转矩与被驱动的机械系统负载相匹配。若选择容量偏小的电机则可能在工作中出现带不动的现象,或电机发热严重,导致电机寿命减小。反之,电机容量过大,则浪费了电机的“能力”,且相应提高了成本,重量,这也是不能容忍的。在进行容量匹配时,对于不同种类的伺服电机匹配方法也不同。

  1. TL——工作过程中电机轴所受的最大等效负载力矩;Tmax——步进电机的最大静转矩。
  2. 工作条件最恶劣的时候,各种负载综合作用于电机轴上

直流伺服电机的转矩—速度特性曲线分成连续工作区、断续工作区和加减速工作区。图4-67所示是北京数控设备厂生产的FB—15型直流伺服电机的转矩—速度特性曲线。图中abcde五条曲线组成了电机的三个区域,描述了电机输出转矩和速度之间的关系。

在规定的连续工作区内,速度和转矩的任何组合都可长时间连续工作。

而在断续工作区内,电机只允许短时间工作或周期性间歇工作,即工作一段时间,停歇一段时间,间歇循环允许工作时间的长短因载荷大小而异。

加减速区的意思是指电机在该区域中供加减速期间工作。

曲线a为电机温度限制线,在此曲线上电机达到绝缘所允许的极限值,故只允许电机在此曲线内长时间连续运行。

曲线c为电机最高转速限制线,随着转速上升,电枢电压升高,整流子片间电压加大,超过一定值时有发生起火的危险。

曲线d中最大转矩主要受永磁材料的去磁特性所限制,当去磁超过某值后,铁氧体磁性发生变化。

由于这三个工作区的用途不同,电机转矩的选择方法也应不同。但工程上常根据电机发热条件的等效原则,将重复短时工作制等效于连续工作制的电机来选择。其基本方法是:计算在一个负载工作周期内,所需电机转矩的均方根值,即等效转矩,并使此值小于连续额定转矩,就可确定电机的型号和规格

1.3 速度匹配

同样功率的电机,额定转速高则电机尺寸小,重量轻;另外,根据等效转动惯量计算和等效负载的计算可以得知,电机转速越高,传动比就会越大,这对于减小伺服电机的等效转动惯量,提高电机的负载能力有利。因此,在实际应用中,电机常工作在高转速、低扭矩状态。但是,一般机电系统的机械装置工作在低转速、高扭矩状态,所以在伺服电机与机械装置之间需要减速器匹配,在某种程度上讲,伺服电机与机械负载的速度匹配就是减速器的设计问题。减速器的减速比不可过大也不能太小,减速比太小,对于减小伺服电机的等效转动惯量,有效提高电机的负载能力不利,减速比过大,则减速器的齿隙、弹性变形、传动误差等势必影响系统的性能,精密减速器的制造成本也较高。因此应根据系统的实际情况,在对负载分析的基础上合理地选择减速器的减速比。有关减速器的设计可参考有关资料。

在工程实践中,常遇到的伺服系统的典型情况有以下几种:

(1)系统经常处于近似恒速,加速度很小;(例:机床主轴,雷达旋转)

(2)系统变化剧烈,且有很大加速度;(例:车载稳定平台,并联机床,bonding机)

(3)系统要同时满足对一定的速度和加速度的要求;(例:舰载稳定平台)

(4)系统经常处于周期性运动。 (例:龙门刨床)

下面按系统输出同时满足一定速度和一定加速度要求的情况进行举例说明。

 

2. 基于功率匹配计算的选型方法

使用功率匹配是为了选择电机的最佳容量。

最佳容量匹配原则:电机的机械特性应完全包围负载轨迹,并使特性与轨迹间的面积为最小。这时机械特性最合理、效率最高。

对于永磁直流电机而言,我们知道永磁直流电机的机械特性是一条直线,所以依照功率匹配的最佳原则就是使机械特性的中点与负载轨迹的最大功率点重合。

3. 电机选型的规范化方法

一般有两点要求:

(1)电机转速ωmax,m必须大于负载要求的最大速度;

(2)电机的转矩Tm必须大于负载所需要满足的出力力矩,在不同的情况下,Tm选择不同的值,可供参考的值有峰值堵转转矩和额定转矩。

 这两个变量都是以规范化的传动比作为自变量的,那么就可以通过分析这两个不等式,来确定电机是否符合要求,以及选择合适的传动比。下面就判断选择的电机是否符合要求。

由于i和i*的一一对应关系,所以在伺服系统减速比的确定中,研究i的大小和研究i*的大小是等价的,左边均为规范化传动比 的函数,而且是伺服驱动装置所必须满足的速度和力矩大小

3.1 规范化方法判断规则

3.2 传动比的确定

 假定某负载的轨迹曲线通过计算机仿真、计算得出如上图的虚线所示,其MLB曲线如上图的实线所示。

A表示所选择的电机在坐标系中的对应位置,通过A点作一条水平线和垂线,和负载曲线相交的区域所构成的区域中的传动比就是符合要求的i*区间。

电机A规范化的传动比范围是[3,7 ] ,真实的传动比范围是 [ 3/\sqrt{Jm},7/\sqrt{Jm} ] 。

3.3 电机规范化选型的步骤

(1)以i*为自变量作出规范化的负载轨迹曲线,并对所得到的负载轨迹曲线作出它的MLB曲线 ;

(2)规范化坐标系中标示出所有待选择的电机;

(3)分析得到的结果曲线;

(4)在MLB曲线上方的电机,确定它的规范化传动比区间,而后通过规范化传动比和实际传动比之间的关系,计算得到实际的传动比区间。

4 三种选型方法的比较

1)基于常规方法选择电机其计算简单,选择的电机安全系数高、可靠,但不是最优的选择。且选择电机的同时不能确定传动比的大小;

2)基于功率匹配方法所选择的电机,其冗余功率相对于常规方法较小,选择的电机相比常规方法较优。利用该方法不能确定减速比的大小,选型计算之前需要预先给出传动比的大小,选型计算过程繁琐复杂;

基于规范化方法选择伺服电机时,将所有的计算统一到一个规范的坐标系下。相比常规方法和功率匹配法,它有如下突出特点:

(1)规范化的负载轨迹将能满足系统动力学的电机和不能满足系统动力学要求的电机很清楚地区分开;

(2)选择电机的同时也可以选择减速器,并且针对满足要求的电机,其可行传动比区间可以很容易从负载轨迹曲线上得出;

对于某个新的需要检验是否满足要求的电机,计算过程相对较为方便,不需要从负载计算开始的一个完整过程,只需要在负载轨迹曲线上标定相应电机的点即可。

一般而言,采用规范化法选择伺服电机对载荷计算较合理,负载计算方便;可以同时选定传动比的区间。

5 校核方法

电机校核方法包括:发热和温升校核、短时超载校核、动态品质校核。

首先,伺服电机处于连续工作时的发热条件与周期负载的均方根力矩相对应,故在初选电动机后,必须根据负载转矩的均方根值来校核电机的发热情况。

 在转矩过载校核时需确定总传动比,否则负载无法向电机轴折算,除非是直驱型。需要注意的是最大负载持续作用时间,一定要在电机允许过载倍数的持续时间之内。

 

通常要求阶跃信号输入时系统的响应时间不大于ts,而单位反馈系统的开环截止频率近似估计为ws。


http://chatgpt.dhexx.cn/article/8umFPFi9.shtml

相关文章

核方法与核技巧

本文对核方法&#xff08;kernel method&#xff09;进行简要的介绍。 核方法的主要思想是基于这样一个假设&#xff1a;“在低维空间中不能线性分割的点集&#xff0c;通过转化为高维空间中的点集时&#xff0c;很有可能变为线性可分的” &#xff0c;例如下图 左图的两类数据…

机器学习中的核方法(Kernel Method)

说到机器学习中的核方法(Kernel Method),大部分人应该是在学习SVM的时候认识到它或者听说它。它的基本思想是说,普通的SVM分类超平面只能应对线性可分的情况,而对于线性不可分的情况我们则需要引入一个Kernel,这个Kernel可以把数据集从低维映射到高维,使得原来线性不可分…

支持向量机原理小结(3)——核方法和非线性支持向量机

前面两篇博客对线性支持向量机进行了详细的讲解&#xff0c;但线性SVM对于非线性的数据是无可奈何的。这篇博客将讲一下非线性支持向量机。 1. 核方法 对SVM有过一定耳闻的人&#xff0c;一定听说过“核技巧”、“核方法”这些名词&#xff0c;其实核方法并不是只能应用于SVM&…

核方法以及核函数讲解

核方法的主要思想是基于这样一个假设&#xff1a;“在低维空间中不能线性分割的点集&#xff0c;通过转化为高维空间中的点集时&#xff0c;很有可能变为线性可分的” &#xff0c;例如下图 左图的两类数据要想在一维空间上线性分开是不可能的&#xff0c;然而通过F(x)(x-a)(x-…

MLAPP————第十四章 核方法

第十四章 核方法 14.1 简介 到目前为止&#xff0c;我们书上提到的各种方法&#xff0c;包括分类&#xff0c;聚类或者是其它的一些处理手段&#xff0c;我们的特征都是固定大小的一个向量&#xff0c;一般具有如下的形式&#xff0c;。然而&#xff0c;对于某些类型的对象&a…

核方法的理解

核方法在非线性分类问题上有很好的解决思路&#xff0c;应用于学习器SVM以及降维KPCA上&#xff0c;当然二者路径也不同&#xff0c;SVM就是从低维不可分映射到高维可分&#xff0c;而KPCA是从低维不可分映射到高维后再降维到低维可分&#xff0c;但都脱离不来这个核方法。 核…

核方法原理

核方法原理 1.无力的线性分类器 一般情况下&#xff0c;我们考虑构造一个线性分类器来解决问题。但是实际中&#xff0c;线性分类器的效果达不到要求&#xff0c;因为大部分数据都不是线性可分的&#xff0c;如下面这幅图。一种改进的方法是把多个弱的线性分类器组合得到一个强…

核方法(kernel method)的主要思想

kernel method是针对低维线性不可分而提出的一种解决方法&#xff0c;在PRML中有一章节的介绍&#xff0c;对其理解&#xff0c;也是迭代更进的过程。 简单来说&#xff0c;kernel method是一种低维和高维特征空间映射的方法&#xff0c;利用低维内积的函数来表征高维内积&…

python svm核函数_Python.SVM(三)核方法

Python.SVM(三)核方法 1 什么是核方法 往简单里说&#xff0c;核方法是将一个低维的线性不可分的数据映射到一个高维的空间、并期望映射后的数据在高维空间里是线性可分的。 我们以异或数据集为例&#xff1a;在二维空间中、异或数据集是线性不可分的&#xff1b;但是通过将其映…

核方法回归

参考论文-DENSITY ESTIMATION FOR STATISTICS AND DATA ANALYSIS 给定数据集&#xff0c;来估计概率密度函数 Histograms The naive estimator 也是分成段的平行x轴直线连接起来 The kernel estimator 其中kernel可以是高斯核&#xff0c;结果图: 可以见到&#xff0c;高斯核…

【机器学习】SVM核方法

https://blog.csdn.net/qq_32742009/article/details/81430534 Kernel Trick 在 SVM 中引入核方法便可使得 SVM 变为非线性分类器&#xff0c;给定非线性可分数据集 &#xff0c;如下图所示&#xff0c;此时找不到一个分类平面来将数据分开&#xff0c;核方法可以将数据投影到…

核函数与核方法整理

一些之前提到过的知识, 对核函数相关进行详细梳理和串联. 根据胡老师建议的重点, 学习了一下: 核函数公式&#xff0c;作用&#xff0c;选择, 调参, 如何简化运算 目录 SVM回顾 严格线性可分问题 近似线性可分 核函数 什么是核函数 如何使用核函数 为什么要用核函数 …

核方法也称为核技巧(Kernel method)

简介 核函数是干嘛的&#xff1f; 核方法的好处#套用ice110956的说法 1. 在线性与非线性间架起一座桥梁&#xff0c;低维空间里面数据特征是非线性的&#xff0c;没法儿用线性方法解决&#xff0c;当数据特征映射到高维的时候&#xff0c;可以用线性方法解决。 2. 通…

Kernel Method核方法—应用与理解

前一篇主要梳理了几个基本概念以及相关关系&#xff0c;这一篇主要针对核方法的应用进行讨论&#xff0c;并理解核方法的思想&#xff0c;了解为什么要引入核方法。 核方法在机器学习中是一种灵活的技术&#xff0c;主要归结为两个方面&#xff1a; 非线性问题转换为高维线性…

核方法学习

20201101 - 0. 引言 核方法&#xff08;kernel methods&#xff0c;核函数、核技巧&#xff09;是一种能够将在原始数据空间中的非线性数据转化到高维线性可分的方法。而最开始学习机器学习的时候&#xff0c;也是在SVM中接触到的。不过在那个时候之后&#xff0c;就很少从理…

核方法(kernel Method)

核方法 核方法定义 一种能够将在原始数据空间中的非线性数据映射到高维线性可分的方法。 核方法的用处 1、低维数据非线性&#xff0c;当其映射到高维空间&#xff08;feature space&#xff09;时&#xff0c;可以用线性方法对数据进行处理。 2、线性学习器相对于非线性学…

核方法概述----正定核以及核技巧(Gram矩阵推导正定核)

在再谈SVM&#xff08;hard-margin和soft-margin详细推导、KKT条件、核技巧&#xff09;中我们大致谈到了核函数以及为什么要用核函数&#xff0c;今天在这里更加详细的介绍一下。 核方法 1.核函数概述2.正定核2.1定义2.2证明 3.核技巧4.常见的核函数 1.核函数概述 从前面的学…

nginx编译器安装以及编译

一&#xff1a;nginx编译器安装 1&#xff1a;nginx编译器下载安装 http://nginx.org/download/nginx-1.23.1.tar.gz ----下载网址&#xff08;nginx-1.23.1.tar.gz-示例版本&#xff09; 2&#xff1a;将tar -zxvf nginx-1.23.1.tar.gz传入home目录下 mkdir /home/nginxchm…

mac编译安装Nginx

一、安装wget 使用homebrew安装wget brew install wget安装wget时报错 tar: Error opening archive: Failed to open /Users/xxx/Library/Caches/… 发现是install libunistring的时候失败报错&#xff1b; 单独安装此依赖; 安装成功&#xff0c;再继续安装wget&#xff1…

宝塔自定义html,宝塔面板Nginx编译安装添加自定义模块PageSpeed

我们在安装好宝塔的时候&#xff0c;首先要安装的都是nginx&#xff0c;PHP这些lnmp组合。估计很多童鞋选择的极速安装。确实&#xff0c;极速安装和编译安装在使用中&#xff0c;区别不大。但是&#xff0c;如果你想后期添加模块&#xff0c;极速安装就无法做到了&#xff0c;…