外转子电机及其智能化生产方法技术

一种外转子电机及其智能化生产方法，其获取由摄像头采集的填充粉末的检测图像；采用基于深度学习的人工智能技术，挖掘填充粉末的检测图像的隐含特征信息，并进行所述检测图像中关于填充粉末的材料特性隐含分布特征信息的充分表达，以基于实际导磁粉末和永磁粉末的材料特性进行烧结温度和时间的自适应控制

【技术实现步骤摘要】
外转子电机及其智能化生产方法


[0001]本申请涉及智能化生产
，并且更具体地，涉及一种外转子电机及其智能化生产方法
。

技术介绍

[0002]外转子电机的转子由外层和内层组成，外层一般由钢板制成，但制备工艺复杂且具有局限性
。
为提高外转子电机的转动平衡和稳定性，通常在外转子电机的转子外层内表面粘接永磁磁环作为永磁层，但现有的粘接永磁体的纯度和磁性能较低，影响了电机的效率和性能
。
而具有高磁性的烧结永磁体难以制成具有固定形态的永磁磁环，也难以与转子实现紧配，在装配过程中容易崩裂，限制了其应用
。
[0003]针对上述问题，中国专利
CN103545998A
揭露了一种外转子电机的转子及其制造方法，其采用粉末冶金工艺，将填充导磁粉末和永磁粉末的层同时高温烧结成型无间隙过渡的外转子电机的转子，以减小磁阻
、
提高效率和稳定性
。
并且，导磁层由导磁粉末高温烧结而成，其厚度可通过控制填充导磁粉末的量和调整压制模具来实现，相较于钢板制备的方式，具有更低的制造难度和局限性
。
[0004]然而，在使用上述方案实际进行外转子电机的制备过程中发现，导磁粉末和永磁粉末之间的结合并不牢固，减弱了转子的机械强度和磁性能
。
究其原因为：在高温烧结控制过程中，只是将烧结温度和时间控制在一定的合理范围内，并没有根据导磁粉末和永磁粉末的材料特性和压制密度对其进行自适应控制，导致过烧或欠烧的现象发生，不仅会影响转子制备质量，还会造成能源浪费
。
[0005]因此，期望一种优化的外转子电机的智能化生产方案
。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种外转子电机及其智能化生产方法，其获取由摄像头采集的填充粉末的检测图像；采用基于深度学习的人工智能技术，挖掘填充粉末的检测图像的隐含特征信息，并进行所述检测图像中关于填充粉末的材料特性隐含分布特征信息的充分表达，以基于实际导磁粉末和永磁粉末的材料特性进行烧结温度和时间的自适应控制
。
这样，可以避免过烧或欠烧的现象发生，进而提高外转子的制备质量
。
[0007]第一方面，提供了一种外转子电机的智能化生产方法，其包括：
[0008]获取由摄像头采集的填充粉末的检测图像；
[0009]将所述填充粉末的检测图像通过作为浅层提取器的第一卷积神经网络模型以从所述第一卷积神经网络模型的各层提取多个浅层特征图；
[0010]融合所述多个浅层特征图以得到多尺度浅层特征图；
[0011]将所述多尺度浅层特征图通过作为深层特征提取器的第二卷积神经网络模型以从所述第二卷积神经网络模型的最后一层得到深层特征图；
[0012]融合所述多尺度浅层特征图和所述深层特征图以得到解码特征图；以及
[0013]将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的烧结温度和烧结时间
。
[0014]在上述外转子电机的智能化生产方法中，将所述填充粉末的检测图像通过作为浅层提取器的第一卷积神经网络模型以从所述第一卷积神经网络模型的各层提取多个浅层特征图，包括：使用所述作为浅层提取器的第一卷积神经网络模型的各层在层的正向传递中分别对所述填充粉末的检测图像进行卷积处理
、
池化处理和非线性激活处理以从所述作为浅层提取器的第一卷积神经网络模型的各层提取所述多个浅层特征图
。
[0015]在上述外转子电机的智能化生产方法中，将所述多尺度浅层特征图通过作为深层特征提取器的第二卷积神经网络模型以从所述第二卷积神经网络模型的最后一层得到深层特征图，包括：使用所述作为深层特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对所述多尺度浅层特征图进行卷积处理
、
池化处理和非线性激活处理以从所述作为深层特征提取器的第二卷积神经网络模型的最后一层提取所述深层特征图
。
[0016]在上述外转子电机的智能化生产方法中，将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的烧结温度和烧结时间，包括：使用所述解码器以如下解码公式对所述解码特征图进行解码回归以得到所述解码值；其中，所述解码公式为：公式对所述解码特征图进行解码回归以得到所述解码值；其中，所述解码公式为：
F
d
表示所述解码特征图，
Y
表示解码值，
W
表示权重矩阵，
B
表示偏置向量，表示矩阵乘
。
[0017]在上述外转子电机的智能化生产方法中，还包括训练步骤：用于对所述作为浅层提取器的第一卷积神经网络模型
、
所述作为深层特征提取器的第二卷积神经网络模型和所述解码器进行训练
。
[0018]在上述外转子电机的智能化生产方法中，所述训练步骤，包括：获取训练数据，所述训练数据包括由所述摄像头采集的填充粉末的训练检测图像，以及，所述推荐的烧结温度和烧结时间的真实值；将所述填充粉末的训练检测图像通过所述作为浅层提取器的第一卷积神经网络模型以从所述第一卷积神经网络模型的各层提取多个训练浅层特征图；融合所述多个训练浅层特征图以得到训练多尺度浅层特征图；将所述训练多尺度浅层特征图通过所述作为深层特征提取器的第二卷积神经网络模型以从所述第二卷积神经网络模型的最后一层得到训练深层特征图；融合所述训练多尺度浅层特征图和所述训练深层特征图以得到训练解码特征图；对所述训练解码特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化训练解码特征图；将所述优化训练解码特征图通过所述解码器以得到解码损失函数值；以及，基于所述解码损失函数值并通过梯度下降的方向传播来对所述作为浅层提取器的第一卷积神经网络模型
、
所述作为深层特征提取器的第二卷积神经网络模型和所述解码器进行训练
。
[0019]在上述外转子电机的智能化生产方法中，对所述训练解码特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到优化训练解码特征图，包括：以如下优化公式对所述训练解码特征图进行基于低廉瓶颈机制堆叠的特征冗余优化以得到所述优化训练解码特征图；其中，所述优化公式为：
[0020][0021][0022]F
b
＝
Cov(F
a
)
[0023]其中，
F
为所述训练解码特征图，
Cov
表示单层卷积操作，表示特征图的逐位置相加，表示特征图的逐位置相减，
⊙
分别表示特征图的逐位置相乘，且
B1和
B2为偏置特征图，
F
为所述优化训练解码特征图
。
[0024]′
[0025]在上述外转子电机的智能化生产方法中，将所述优化训练解码特征图通过所述解码器以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种外转子电机的智能化生产方法，其特征在于，包括：获取由摄像头采集的填充粉末的检测图像；将所述填充粉末的检测图像通过作为浅层提取器的第一卷积神经网络模型以从所述第一卷积神经网络模型的各层提取多个浅层特征图；融合所述多个浅层特征图以得到多尺度浅层特征图；将所述多尺度浅层特征图通过作为深层特征提取器的第二卷积神经网络模型以从所述第二卷积神经网络模型的最后一层得到深层特征图；融合所述多尺度浅层特征图和所述深层特征图以得到解码特征图；以及将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的烧结温度和烧结时间
。2.
根据权利要求1所述的外转子电机的智能化生产方法，其特征在于，将所述填充粉末的检测图像通过作为浅层提取器的第一卷积神经网络模型以从所述第一卷积神经网络模型的各层提取多个浅层特征图，包括：使用所述作为浅层提取器的第一卷积神经网络模型的各层在层的正向传递中分别对所述填充粉末的检测图像进行卷积处理
、
池化处理和非线性激活处理以从所述作为浅层提取器的第一卷积神经网络模型的各层提取所述多个浅层特征图
。3.
根据权利要求2所述的外转子电机的智能化生产方法，其特征在于，将所述多尺度浅层特征图通过作为深层特征提取器的第二卷积神经网络模型以从所述第二卷积神经网络模型的最后一层得到深层特征图，包括：使用所述作为深层特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对所述多尺度浅层特征图进行卷积处理
、
池化处理和非线性激活处理以从所述作为深层特征提取器的第二卷积神经网络模型的最后一层提取所述深层特征图
。4.
根据权利要求3所述的外转子电机的智能化生产方法，其特征在于，将所述解码特征图通过解码器以得到解码值，所述解码值用于表示推荐的烧结温度和烧结时间，包括：使用所述解码器以如下解码公式对所述解码特征图进行解码回归以得到所述解码值；其中，所述解码公式为：
F
d
表示所述解码特征图，
Y
表示解码值，
W
表示权重矩阵，
B
表示偏置向量，表示矩阵乘
。5.
根据权利要求4所述的外转子电机的智能化生产方法，其特征在于，还包括训练步骤：用于对所述作为浅层提取器的第一卷积神经网络模型
、
所述作为深层特征提取器的第二卷积神经网络模型和所述解码器进行训练
。6.
根据权利要求5所述的外转子电机的智能化生产方法，其特征在于，所述训练步骤，包括：获取训练数据，所述...

【专利技术属性】
技术研发人员：邵明元，郭豪峰，王韬，唐章俊，松尾繁，金波，李英杰，边树军，陈昱，费利明，
申请(专利权)人：湖州越球电机有限公司，
类型：发明
国别省市：