從誤差曲線可以看出，離心式風(fēng)機(jī)型號(hào)計(jì)算值與原測(cè)量值之間的誤差小于小流量條件下的誤差。然而，當(dāng)只改變?nèi)~輪結(jié)構(gòu)參數(shù)時(shí)，改進(jìn)后的風(fēng)機(jī)與原型風(fēng)機(jī)的相似性將不能得到滿足。全壓計(jì)算的誤差為8.1%，效率計(jì)算的誤差為3.6%，誤差較小。因此，所采用的數(shù)值計(jì)算方法更為準(zhǔn)確，可用于風(fēng)機(jī)的改進(jìn)和設(shè)計(jì)。為了研究斜槽風(fēng)機(jī)內(nèi)部的壓力分布和速度分布，分析斜槽風(fēng)機(jī)在不同工況下的內(nèi)部流動(dòng)，找出了3.4段斜槽風(fēng)機(jī)效率急劇下降和設(shè)計(jì)工況效率低下的原因。橫截面是在葉輪出口寬度處創(chuàng)建的，該寬度垂直于葉輪旋轉(zhuǎn)軸，等于葉輪出口寬度。由于葉輪轉(zhuǎn)動(dòng)，離心式風(fēng)機(jī)型號(hào)葉輪進(jìn)口產(chǎn)生較大的負(fù)壓值，使空氣從集塵器進(jìn)入葉輪。在葉輪中，由于葉輪的轉(zhuǎn)動(dòng)和葉片對(duì)氣體的作用，葉輪內(nèi)部沿徑向由內(nèi)向外移動(dòng)，總壓值逐漸增大?？倝涸谌~輪出口外緣和葉片壓力面上。由此可見(jiàn)，由于葉輪旋轉(zhuǎn)的離心力，沿離心式風(fēng)機(jī)型號(hào)葉輪的徑向，葉輪內(nèi)的速度由內(nèi)向外逐漸增大。通過(guò)截取葉輪出口的圓形截面，觀察截面上的徑向速度值，可以觀察到離心風(fēng)機(jī)普遍存在的尾流結(jié)構(gòu)。離心式風(fēng)機(jī)型號(hào)葉片壓力面附近的徑向速度值較大，形成射流區(qū)；葉片吸力面附近的徑向速度值較小，形成尾跡區(qū)。

采用本文所述的設(shè)計(jì)方法，對(duì)所設(shè)計(jì)風(fēng)機(jī)的穩(wěn)態(tài)計(jì)算結(jié)果進(jìn)行了分析。在風(fēng)機(jī)設(shè)計(jì)中，根據(jù)相似原理，可以選擇現(xiàn)有的高效風(fēng)機(jī)或經(jīng)過(guò)試驗(yàn)的機(jī)型進(jìn)行相似設(shè)計(jì)，以保證風(fēng)機(jī)達(dá)到預(yù)期效果。在離心風(fēng)機(jī)設(shè)計(jì)完成后，根據(jù)具體設(shè)計(jì)參數(shù)建立了離心風(fēng)機(jī)的三維模型。第三章采用樣機(jī)的數(shù)值計(jì)算方法，對(duì)設(shè)計(jì)工況下的風(fēng)機(jī)進(jìn)行了計(jì)算。給出了離心式風(fēng)機(jī)型號(hào)樣機(jī)設(shè)計(jì)的數(shù)值計(jì)算參數(shù)表。根據(jù)計(jì)算數(shù)據(jù)和公式，設(shè)計(jì)離心式風(fēng)機(jī)型號(hào)和斜槽風(fēng)機(jī)的比轉(zhuǎn)速分別為13.89和11.08。根據(jù)風(fēng)機(jī)按不同比轉(zhuǎn)速分類的原則，可以看出所設(shè)計(jì)的風(fēng)機(jī)和原型風(fēng)機(jī)屬于不同的系列，但在全壓、效率等方面性能有所提高。明朝第四章扇子的設(shè)計(jì)方法是正確合理的。通過(guò)對(duì)設(shè)計(jì)風(fēng)機(jī)的數(shù)值計(jì)算參數(shù)與風(fēng)機(jī)初始設(shè)計(jì)值的比較，可以看出設(shè)計(jì)風(fēng)機(jī)的總壓值高于設(shè)計(jì)目標(biāo)，效率為68%，效率比原型風(fēng)機(jī)高19.9%，總壓值由4626提高到4626。PA至5257PA，均滿足合作單位的性能要求。

這些方法往往需要復(fù)雜的數(shù)學(xué)計(jì)算和重復(fù)的實(shí)驗(yàn)設(shè)計(jì)，建模周期長(zhǎng)，成本高，存在風(fēng)機(jī)歷史運(yùn)行數(shù)據(jù)使用不足，造成信息資源浪費(fèi)等問(wèn)題。離心式風(fēng)機(jī)型號(hào)樣機(jī)蝸舌流線圖表明，當(dāng)氣體流經(jīng)樣機(jī)蝸舌位置時(shí)，大量氣體通過(guò)蝸舌與葉輪之間的間隙T流回蝸殼，流量損失較大。近年來(lái)，隨著人工智能算法的發(fā)展，數(shù)據(jù)驅(qū)動(dòng)建模方法逐漸應(yīng)用于風(fēng)機(jī)性能預(yù)測(cè)?；陔x心式風(fēng)機(jī)型號(hào)的歷史運(yùn)行數(shù)據(jù)，提出了一種基于模糊RBF神經(jīng)網(wǎng)絡(luò)的離心風(fēng)機(jī)建模方法。該方法取得了一定的效果。然而，神經(jīng)網(wǎng)絡(luò)建模所需的數(shù)據(jù)量大，建模周期長(zhǎng)，建模數(shù)據(jù)分布不優(yōu)化，可能導(dǎo)致建模數(shù)據(jù)過(guò)度集中，容易陷入局部較優(yōu)。.大型離心風(fēng)機(jī)性能預(yù)測(cè)方法，采用LSSVM算法和離心式風(fēng)機(jī)型號(hào)歷史運(yùn)行數(shù)據(jù)建立性能預(yù)測(cè)模型，離心式風(fēng)機(jī)型號(hào)采用LHS方法保證建模數(shù)據(jù)在建模區(qū)間內(nèi)均勻分布，提高模型的通用性。離心風(fēng)機(jī)的數(shù)據(jù)采集是建立離心風(fēng)機(jī)模型的基礎(chǔ)，因此有必要設(shè)計(jì)實(shí)驗(yàn)來(lái)采集必要的離心風(fēng)機(jī)模型數(shù)據(jù)。影響離心風(fēng)機(jī)性能的輸入變量很多，忽略了二次變量的影響。影響離心風(fēng)機(jī)性能的主要變量是進(jìn)口壓力、進(jìn)口溫度、進(jìn)口流量和轉(zhuǎn)速。選擇出口壓力作為衡量離心風(fēng)機(jī)性能的指標(biāo)。為了提高模型的通用性，避免局部建模，采集的訓(xùn)練和測(cè)試數(shù)據(jù)應(yīng)均勻分布在風(fēng)機(jī)的整個(gè)運(yùn)行范圍內(nèi)。lhs采用分層采樣，將采樣間隔均勻劃分為若干等分，并在每個(gè)部分隨機(jī)采集數(shù)據(jù)，保證了數(shù)據(jù)分布的均勻性，避免了數(shù)據(jù)過(guò)度集中。

離心式風(fēng)機(jī)型號(hào)模型訓(xùn)練完成后，將測(cè)試數(shù)據(jù)應(yīng)用到所建立的模型中，驗(yàn)證模型的有效性。短葉片為截短半徑的前葉片，其余部分與長(zhǎng)葉片結(jié)構(gòu)相同，所有葉片出口安裝角度為140度。如果所建立的離心式風(fēng)機(jī)型號(hào)模型滿足建模的停止條件，則應(yīng)用該模型。如果建立的模型不能滿足建模的停止條件，則需要收集更多的數(shù)據(jù)進(jìn)行模型訓(xùn)練。本文選取RBF核函數(shù)作為L(zhǎng)SSVM的核函數(shù)。通過(guò)網(wǎng)格搜索方法得到核參數(shù)。煤礦主通風(fēng)機(jī)采用離心風(fēng)機(jī)。本文以離心風(fēng)機(jī)為研究對(duì)象。采用LSSVM算法建立了風(fēng)機(jī)性能預(yù)測(cè)模型，驗(yàn)證了該方法的有效性。離心式風(fēng)機(jī)型號(hào)模型培訓(xùn)和測(cè)試樣本從現(xiàn)場(chǎng)分布式控制系統(tǒng)中獲得。采用lhs法，從離心風(fēng)機(jī)穩(wěn)定運(yùn)行區(qū)選取100組數(shù)據(jù)進(jìn)行模型培訓(xùn)，選擇50組試驗(yàn)數(shù)據(jù)進(jìn)行模型驗(yàn)證，模型培訓(xùn)的停止條件為rmse<0.05。離心式風(fēng)機(jī)型號(hào)利用MATLAB實(shí)現(xiàn)了上述模型。圖3顯示了具有不同訓(xùn)練樣本數(shù)的預(yù)測(cè)模型的RMSE。從圖3可以看出，隨著訓(xùn)練樣本的增加，預(yù)測(cè)模型的RMSE值不斷下降，終趨于穩(wěn)定。當(dāng)訓(xùn)練樣本數(shù)為30時(shí)，模型滿足訓(xùn)練停止條件。當(dāng)模型滿足停止條件時(shí)，即使使用30個(gè)訓(xùn)練樣本，模型的預(yù)測(cè)值也與實(shí)際值進(jìn)行比較。由圖4可以看出，該模型能較好地預(yù)測(cè)離心風(fēng)機(jī)的出力，預(yù)測(cè)值與實(shí)際數(shù)據(jù)吻合較好。