使用六种Sigma技术的设计改进发动机冷却风扇

工程师和科学家使用各种方法来改善或设计质量。下载188bet金宝搏本文介绍了六个Sigma从业者-DMAIC的流行设计框架之一，用于定义，测量，分析，改进和控制 - 展示如何马铃薯， 这统计和机器学习工具箱，而且优化工具箱可以提高汽车发动机冷却风扇的性能。

用电流冷却风扇定义问题

发动机冷却系统的一个关键部件是冷却风扇，其通过散热器循环空气以消散过量的发动机热量。我们的冷却风扇类似于图1所示的风扇。在困难的驾驶条件下，如停止和驾驶或温暖的天气，我们的冷却风扇未能通过散热器循环足够的空气以保持发动机冷却。我们估计冷却风扇必须至少拉到至少875英尺^3.每分钟通过散热器在困难的条件下充分冷却发动机。我们的任务是确定是否可以修改电流冷却风扇设计以提供所需的气流，而不会增加电驱动电动机（120W）的功耗或修改周围接口。我们将首先测量当前的冷却风扇性能以建立基线，然后确定我们可以改变粉丝性能的设计因素。

测量冷却风扇的性能

为了测量基线性能，我们从现有风扇中收集数据。图2显示了适合数据的正态分布。我们现有风扇的平均气流是842英尺^3.每分钟标准偏差为±2英尺^3.每分钟。因为这种基线性能不符合我们875英尺的要求^3.每分钟，我们需要确定可以调整哪些设计变量以提高风扇性能并实现我们的目标气流。

分析影响风扇性能的因素

我们可以修改和分析对风扇性能的影响的因素包括风扇从散热器的距离，风扇叶片和护罩之间的尖端间隙，以及叶片桨距角。其他因素，例如叶片几何和风扇直径，不能由于时间和空间约束而改变。我们设计实验，以分析距离，刀片尖端间隙和叶片间距影响冷却风扇气流。我们选择一个Box-Behnken响应表面设计，以研究因素对气流的影响。表1显示了因素的可接受的上限和下限。

表1.选择的测试范围的测试范围。

具有三个因素的Box-Behnken设计产生了15个测试组合（13个唯一加2重复），如表2所示。我们以随机顺序执行15个测试，每次测量气流。

表2表明，对于不同因素组合，气流随之而变化。

我们适合二次模型来估计每个因素的线性，相互作用和二次效应。适用于我们因素的二次模型具有以下形式：

AF = B._0.+ B.₁X₁+ B.₂X₂+ B._3.X_3.+ B._4.X₁X₂+ B._5.X₁X_3.+ B._6.X₂X_3.+ B._7.X₁²+ B._8.X₂²+ B._9.X_3.²那

AF =气流通过散热器（FT^3./分钟）
X₁=距散热器的距离（英寸）
X₂=风扇螺距角度（度）
X_3.=风扇叶片和护罩之间的尖端间隙（英寸）。

我们使用regstats.从统计和机器学习工具箱的功能将二次模型适合数据并绘制系数，以显示对气流最大影响的系数（图3）。

s = regstats（testResult，ranalizedfactors，'二次'）;酒吧（S.Beta（2:10））

我们将其范围内的因素正常化，以帮助识别重要因素和相互作用。没有归一化，必须调整因子的系数以获得其单位值（例如ft^3.每分钟，英寸和度），使解释更加困难。图3显示了每个因素有助于总气流的贡献。大线性桨距系数表示，更大的俯仰角通常导致较高的气流，而大的负二次术语表示俯仰角和气流之间的关系不是严格的线性的。音高是主导因素。距离的负系数反映了当风扇更靠近散热器时气流增加的事实。刀片尖端间隙术语的小系数表明该因子对气流影响不大。

通过生成响应曲面图，我们可以查看多个输入变量和一个输出变量之间的关系。统计和机器学习工具箱包括响应曲面工具（rstool），这使您可以从数据交互地生成响应曲面图。图4示出了从二次模型生成的我们的气流数据的响应面图。该图证实了系数已经显示的内容：叶片桨距角，距离和叶片尖端间隙的效果分别是非线性，线性和可忽略的。显然，沥青对气流的影响最强。

改善冷却风扇性能

我们可以用rstool.交互式调整因素设置，并估计三个因素的最佳设置，最大限度地提高风扇气流。然而，以这种方式交互式地估计最佳设置是费时的，而且容易出错。我们可以使用最优化工具箱自动化找到最优设置的过程。为了找到最佳的风机性能，我们使用粉刺从优化工具箱功能解决我们约束的优化问题：

f = @（x）-x2fx（x，'二次'）* s.beta;lb = [-1 -1 -1];UB = [1 1 1];x0 = [0 0 0];[Optuctors，FVAL] = Fmincon（F，X0，[]，[]，[]，[]，LB，UB）;

优化函数，f，是二次方程的系数(s.beta)从执行的回归regstats.。问题的约束是为三个因素指定的下限（LB）和上限（UB）。定义初始条件X0以启动优化例程。因为每个因素的范围在-1到1之间归一化，所以我们缩放了返回的结果粉刺正确代表表1中的因子设置范围。最佳气流返回882英尺^3.每分钟发生以下因子值：

该结果表明，最佳配置是具有27.3度间距的风扇，该风扇从风扇叶片的尖端和护罩之间具有一英寸间隙的27.3度间距。因为俯仰角对气流产生了很大的影响，所以我们执行一些额外的测试以验证27.3度的俯仰角是最佳的。

我们使用可变俯仰测试风扇，从15至35度的0.5度增量变化，测量气流。我们在最佳值下设置距离和刀片尖端间隙。图5示出了通过散热器的平均气流，用于每个俯仰角增量。适用于测试结果的二次模型估计882英尺的最大气流^3.每分钟以27.5度的俯仰角度，这验证了在我们优化中计算的最佳俯仰角的精度。

在对气流上的三个因素的影响建模之后，我们使用我们的模型来估计优化设计中的变化。两个主要贡献者影响性能变化：模型不确定性和制造变异性。从我们模型的平均误差（输出）regstats.功能），我们确定模型的标准偏差为0.96英尺^3.每分钟。我们使用此值来估计噪声对模型的影响。我们预计三种设计因素的可变性通常用以下手段和标准偏差分发：

为了估算如何变化会影响我们的设计，我们使用蒙特卡罗模拟。我们定义了正常分布式的数据集，它通过使用来表示模型不确定性和因子公差诺尔纽德功能：

DIST = NORMRND（OPTFACTORS（1），0.25，[10000 1]）;间距= NARMRND（OPTFACTORS（2），0.05，[10000 1]）;清除= NARMRND（OPTFACTORS（3），0.125，[10000 1]）;噪声= NORMRND（0,0.96，[10000 1]）;

这OptFactors.变量是一个3×1向量，其中包含最佳因子设置粉刺。我们估计了10,000个测试模拟的气流，其在上述公差范围内使用因子设置的随机组合。图6总结了我们蒙特卡罗模拟的结果。

平均气流为882英尺^3.每分钟，标准偏差为2英尺^3.每分钟。Monte Carlo仿真预测，我们的新风扇设计将产生大于875英尺的目标的气流^3.每分钟超过99.999％的时间。我们的模型预测，如果我们对制造变异性的假设是正确的，我们应该没有难以满足我们的设计目标。我们需要监控和控制制造和安装过程，以确保我们的设计在制造和安装不确定性的情况下可实现和可维护。

控制风扇制造和安装

我们使用统计过程控制（SPC）技术监控和评估制造和安装过程，以确保我们的设计在实践中的工作。图7显示了我们新的冷却风扇的生产数据的前30天，以每天五个冷却风扇生产。根据结果​​，我们的制造过程处于统计控制，如缺乏对数据中数据中的控制限制或非random模式的侵犯。

总结

我们使用MATLAB，统计和机器学习工具箱，以及优化工具箱通过设计提高发动机冷却风扇的性能，实现六种Sigma DMAIC方法。我们的初始风扇没有通过散热器循环足够的空气，以在困难的条件下保持发动机冷却。我们设计了一种实验，以研究三种性能因素的效果：距散热器，刀尖间隙和叶片桨距角的风扇距离。我们使用测试数据来估计每个因素的最佳值，导致设计的设计超出了我们875英尺的目标^3.每分钟。仿真验证了新设计应根据我们的规格制作气流，超过99.999％的风扇制造的风扇。