毕设记录_论文阅读(动磁式音圈电机的开发与应用)_20241207

前言

提醒:

文章内容为方便作者自己后日复习与查阅而进行的书写与发布,其中引用内容都会使用链接表明出处(如有侵权问题,请及时联系)。

其中内容多为一次书写,缺少检查与订正,如有问题或其他拓展及意见建议,欢迎评论区讨论交流。

文章目录


论文信息


英语单词 汉语翻译
special linear motor 特殊直线电机
voice coil motor 音圈电机
moving-magnet voice coil motor 动磁式音圈电机
large thrust 大推力
large displacement 大位移
high frequency 高频率
Parameter Sweep method 参数扫描方法
the air gap size 气隙尺寸
fatigue test system 疲劳测试系统
static compression 静态压缩
static maximum load of ±750N 静态最大负载±750N
dynamic maximum load of ±1250N 动态最大负载±1250N
precision of the load is 0.001N 负载精度为0.001N

第一章内容摘要

电机的分类

动圈式音圈电机、动铁式音圈电机和动磁式音圈电机是三种常见的音圈电机类型,每种电机的工作原理和应用场景各有不同。以下是对这三种电机的简要分析:

1. 动圈式音圈电机(Voice Coil Motor, VCM)

动圈式音圈电机的原理基于安培力定律,即通电导线在磁场中会受到力的作用。电机定子由永磁体和铁芯构成,产生恒定磁场;而动子部分是一个空心线圈,处于磁场中,电流通过时受到安培力作用,产生往复运动。

  • 优点:

    • 结构简单,原理直接,便于设计和制造。
    • 无磁滞损耗,输出动力与电流成线性关系。
    • 动子质量较轻,惯性小,适合高频运动和小推力应用。
    • 空载时轴向力为零,动子不受非轴向的力。
  • 缺点:

    • 由于通电线圈产生的热量,效率较低,尤其在电流较大时热量损失更为显著。
    • 作动线圈的散热较困难,影响了电机的长期稳定性。
    • 长时间运行的可靠性较差,尤其在高功率和寿命要求较高的应用场合。
  • 应用:

    • 常用于扬声器、硬盘、微位移调整等需要小功率和高频运动的场合。

2. 动铁式音圈电机(Magnetic Resistance Voice Coil Motor)

动铁式音圈电机的工作原理基于"磁阻最小"原则,即磁通总是沿磁阻最小的路径闭合,通常称为磁阻直线电机。其定子由励磁线圈和铁芯构成,动子由具有高磁导率的铁磁性材料制成,通过交变电流在励磁线圈中形成变化的磁场,进而驱动动子产生往复运动。

  • 优点:

    • 不需要永磁体,成本较低。
    • 制造与安装相对简单。
    • 对高温、振动和腐蚀等环境适应性强。
    • 可在相同体积下产生较大的驱动力。
  • 缺点:

    • 动子在运动过程中容易偏离气隙中轴,导致较大的径向力。
    • 电机功率密度较低,尤其在需要高效能的应用中不适合。
  • 应用:

    • 适用于对驱动力要求高但对精度要求较低的场合,如喇叭、振动筛、打桩机等。

3. 动磁式音圈电机(Magnetic Voice Coil Motor)

动磁式音圈电机是将动圈式音圈电机的定子与动子互换而成。定子由励磁线圈和铁芯构成,动子则由永磁体排列而成,产生恒定磁场。通过改变励磁线圈中的电流方向形成交变磁场,驱动动子产生轴向往复运动。

  • 优点:

    • 结构紧凑,运动质量小,功率密度高。
    • 没有动圈式音圈电机的飞线问题,设计上较为简便。
    • 散热设计相对容易,能有效提高电机的功率和效率。
  • 缺点:

    • 结构较为复杂,设计时需要考虑磁场耦合、永磁体消磁等因素。
    • 推力呈非线性,可能导致性能不稳定。
    • 存在齿槽效应,尤其是大行程的电机中。
    • 对永磁体的性能依赖较大,受稀土资源等因素的影响,可能导致成本增加。
  • 应用:

    • 适用于高功率密度和需要较高效率的场合,但由于其依赖永磁体的特性,主要应用于高端设备,如高精度扬声器、电动执行器等。

总结:

  • 动圈式音圈电机适用于高频、小推力的应用,但存在热效率问题和长期运行的可靠性限制。
  • 动铁式音圈电机成本低,适合对驱动力要求高、但对精度要求不高的场合,但功率密度较低。
  • 动磁式音圈电机由于其高功率密度和较小的运动质量,适合高效能的高端应用,但设计复杂且成本较高。

这些电机各有优势和适用场景,选择哪种类型取决于具体应用的需求,包括驱动力、效率、精度、成本等因素。

第二章内容摘要

电机结构

论文中电机采用动磁式结构,电机结构原理简图如图所示:

线圈结构示意简图:



B Z = 1 2 μ 0 N I { ( 1 2 + z ) ln ⁡ r 0 + r 0 2 + ( 1 2 + z ) 2 r i + r i 2 + ( 1 2 + z ) 2 + ( 1 2 − z ) ln ⁡ r 0 + r 0 2 + ( 1 2 − z ) 2 r i + r i 2 + ( 1 2 − z ) 2 } B_Z = \frac{1}{2} \mu_0 NI \left\{ \left( \frac{1}{2} + z \right) \ln \frac{r_0 + \sqrt{r_0^2 + \left(\frac{1}{2} + z\right)^2}}{r_i + \sqrt{r_i^2 + \left(\frac{1}{2} + z\right)^2}} + \left( \frac{1}{2} - z \right) \ln \frac{r_0 + \sqrt{r_0^2 + \left(\frac{1}{2} - z\right)^2}}{r_i + \sqrt{r_i^2 + \left(\frac{1}{2} - z\right)^2}} \right\} BZ=21μ0NI⎩ ⎨ ⎧(21+z)lnri+ri2+(21+z)2 r0+r02+(21+z)2 +(21−z)lnri+ri2+(21−z)2 r0+r02+(21−z)2 ⎭ ⎬ ⎫

python 复制代码
import numpy as np
import matplotlib.pyplot as plt

# 给定的参数
mu_0 = 4 * np.pi * 1e-7  # 真空磁导率
N = 100  # 匝数
I = 1    # 电流大小
r_0 = 1  # 外半径
r_i = 0.5  # 内半径

# 定义计算B_z的函数
def B_z(z):
    term1 = (0.5 + z) * np.log((r_0 + np.sqrt(r_0**2 + (0.5 + z)**2)) / (r_i + np.sqrt(r_i**2 + (0.5 + z)**2)))
    term2 = (0.5 - z) * np.log((r_0 + np.sqrt(r_0**2 + (0.5 - z)**2)) / (r_i + np.sqrt(r_i**2 + (0.5 - z)**2)))
    return (mu_0 * N * I / 2) * (term1 + term2)

# z的取值范围
z = np.linspace(-2, 2, 400)

# 计算B_z
B_z_values = B_z(z)

# 绘制图像
plt.figure(figsize=(10, 6))
plt.plot(z, B_z_values, label='B_z to z')
plt.xlabel('z')
plt.ylabel('B_z')
plt.title('B_z to z')
plt.legend()
plt.grid(True)
plt.show()

给定的参数:
mu_0 = 4 * np.pi * 1e-7 # 真空磁导率
N = 100 # 匝数
I = 1 # 电流大小
r_0 = 1 # 外半径
r_i = 0.5 # 内半径

等效磁路分析

可参考:
电机学4------【等效磁路法】原理知识及模型分析

电驱动系列:二十四、电机磁路

相关推荐
小嗷犬2 小时前
【论文笔记】VisionZip: Longer is Better but Not Necessary in Vision Language Models
论文阅读·人工智能·语言模型·大模型·多模态
薛定谔的短耳猫5 小时前
【开源】基于SpringBoot框架的音乐网站与分享平台(计算机毕业设计)+万字说明文档 T011
spring boot·开源·课程设计
工业互联网专业8 小时前
Python毕业设计选题:基于协同过滤的动漫推荐系统设计与实现_django+hive+spider
hive·python·django·源码·课程设计·spider
星夜Zn19 小时前
小语言模型综述(A Survey of Small Language Models)-全文中文翻译
论文阅读·人工智能·深度学习·语言模型·小语言模型
苹果酱05671 天前
React学习笔记2-初识React
java·vue.js·spring boot·mysql·课程设计
B站计算机毕业设计超人1 天前
计算机毕业设计Python中华古诗词知识图谱可视化 古诗词智能问答系统 古诗词数据分析 古诗词情感分析模型 自然语言处理NLP 机器学习 深度学习
大数据·人工智能·深度学习·机器学习·知识图谱·课程设计·数据可视化
25 Hz1 天前
Mind 爱好者周刊 第6期 | 关于假设检验的贝叶斯因子(含R包)、高阶冥想期间的神经现象学、大脑中广泛的 β 网络、视觉和听觉审美具有不同的神经机制……
论文阅读·学习
chenjinxu20031 天前
Learning to (Learn at Test Time): RNNs with Expressive Hidden States 论文阅读
论文阅读
MorleyOlsen1 天前
【经典论文阅读】Latent Diffusion Models(LDM)
论文阅读