這些方法往往需要復雜的數學計算和重復的實驗設計，建模周期長，成本高，存在風機歷史運行數據使用不足，造成信息資源浪費等問題。近年來，隨著-算法的發展，數據驅動建模方法逐漸應用于風機性能預測。基于風機的歷史運行數據，提出了一種基于模糊rbf神經網絡的離心風機建模方法。該方法取得了一定的效果。然而，神經網絡建模所需的數據量大，建模周期長，建模數據分布不優化，可能導致建模數據過度集中，容易陷入局部較優。.大型離心風機性能預測方法，采用lssvm算法和風機歷史運行數據建立性能預測模型，風機采用lhs方法---建模數據在建模區間內均勻分布，提高模型的通用性。離心風機的數據采集是建立離心風機模型的基礎，因此有---設計實驗來采集---的離心風機模型數據。影響離心風機性能的輸入變量很多，忽略了二次變量的影響。影響離心風機性能的主要變量是進口壓力、進口溫度、進口流量和轉速。選擇出口壓力作為衡量離心風機性能的指標。為了提高模型的通用性，避免局部建模，采集的訓練和測試數據應均勻分布在風機的整個運行范圍內。lhs采用分層采樣，將采樣間隔均勻劃分為若干等分，熱循環風機，并在每個部分隨機采集數據，---了數據分布的均勻性，避免了數據過度集中。
風機葉輪由若干結構參數組成，這些參數對離心風機的性能有著重要的影響。相似原理在風機上的應用，---地促進了風機的設計和改進。在風機設計中，根據相似原理，9-1---機，可以選擇現有的風機或經過試驗的機型進行相似設計，以---風機達到預期效果。在沒有合適、的風機或模型的情況下，可以根據風機相似原理制作模型，然后將模型試驗的結果轉換為機器的實際結果，完成風機的設計。然而，相似原理的應用必須嚴格滿足幾何相似、運動相似和動態相似等相似條件。可以看出，在相同的條件下，通過風機轉速與葉輪出口直徑的比值，可以得到風機流量、靜壓、總壓和內功率的比例關系。然而，當只改變葉輪結構參數時，改進后的風機與原型風機的相似性將不能得到滿足。因此，本文通過改變風機葉輪的結構參數和數值計算方法，對改進后的風機性能進行了評價和分析。離心風機結構參數試驗模型為2900轉/分斜槽離心風機，傳動方式為a型傳動。斜槽離心風機主要由葉輪、蝸殼和集熱器組成。葉輪由前、后、葉片三部分組成。前盤為錐形弧。葉輪直徑480mm，葉片數20片。短刃10片，東營風機，長刃10片，分布均勻。短葉片為截短半徑的前葉片，其余部分與長葉片結構相同，所有葉片出口安裝角度為140度。葉輪圖如圖3.1所示。蝸殼為矩形截面，寬度為69mm。
在風機樣機的基礎上，只增加了風機葉輪的旋轉直徑。因此，改進后的風扇與樣機的幾何相似性不滿足風扇相似性原理的條件。因此，通過改進后的數值計算分析了改進效果。第二種改進方案的基本思想是在風機外殼不變的情況下，增加風機葉輪的旋轉直徑。風機葉輪的具體改進方法在保持葉片出口安裝角度不變的前提下，風機葉輪的旋轉直徑分別由480 mm增加到490 mm和500 mm。通過對改進后的風機的數值計算，在第二種改進方案中通過增加葉輪的旋轉直徑來提高風機的總壓。當葉輪旋轉直徑增加到490m時，改進后的風機總壓力增加到4765pa，相應的風機運行力矩增加到4.65n.m，風機效率基本不變。當葉輪旋轉直徑增加到500m時，風機總壓力增加到4835pa，但風機扭矩相應增大，風機效率降低。風機樣機蝸舌流線圖表明，6-3---機，當氣體流經樣機蝸舌位置時，大量氣體通過蝸舌與葉輪之間的間隙t流回蝸殼，流量損失較大。
登錄后臺
