除塵風機廠家廣泛應用于冶金、化工、鋼鐵、水泥等重工業(yè)。其結構特點是整體結構緊湊，葉輪寬徑比小，內、外徑比小，長、短葉片分布均勻，壓力系數高，流量系數小，因此常用于高壓、小流量場合。針對風機效率低、加工工藝復雜等缺點，提出了一種改進的風機效率設計方案，并采用CFD數值計算方法進行了分析驗證。能夠看出在延伸短葉片后，改善計劃一的風機短葉片吸力面的兩個旋渦消失，葉片鄰近的別離區(qū)顯著的減小，但改善計劃一的長葉片吸力面依然存在較大的別離區(qū)，因此風機的全體功率進步并不太顯著。

本文對風機進行改進和設計的主要思路是利用N-S方程和SSTK-U湍流模型計算斜槽風機樣機的流量。數值計算結果與原始測量數據吻合較好，證明了該計算模型和數值計算方法的可行性。通過對除塵風機廠家不同截面的等值線和流線的觀測，分析了葉輪通道內流動損失的原因。通過控制葉片吸力面邊界層的分離，降低了風機的內部流動損失。針對風機內部流動狀況，提出了三種不同的改進方案。在改進方案不能滿足性能要求的情況下，對風機進行了重新設計。為了使風機葉片通道內的流動更加合理，根據葉輪通道截面面積逐漸變化的原理，建立了風機葉片型線形成的數學模型，并根據該數學模型完成了風機葉片型線的設計。風機葉片的設計采用“雙圓弧”成形方法，不僅簡化了風機的加工工藝，而且使風機的總壓力提高到5257pa，效率提高到68%。后介紹了離心風機的瞬態(tài)計算方法，分析了瞬態(tài)計算中時間步長的選擇原則。采用瞬態(tài)數值方法對新設計的風機內部流動進行了數值模擬。在瞬態(tài)計算結果穩(wěn)定后，除塵風機廠家采用FW-H模型計算了設計風機的氣動噪聲，遠場噪聲值為58dB。首先由除塵風機廠家的活動特性分析中能夠知道，除塵風機廠家的短葉片吸力面存在兩個旋渦區(qū)，為了改善渦流帶來的活動損失，提出了通過改變短葉片的長度來改善風機活動的計劃。

除塵風機廠家的葉輪進口直徑和出口直徑增大，葉片進口安裝角增大，葉輪進口寬度、出口寬度和葉片出口安裝角減小。為了保證葉輪通道的橫截面積逐漸變化，葉片安裝角aβ由1aβ逐漸變?yōu)?aβ。因此，根據除塵風機廠家葉片安裝角隨葉輪半徑線性變化的規(guī)律，設計了風機葉片安裝角。通過對第三章斜槽離心風機內部流動特性的分析，可以看出，具有復雜“多弧”葉片的原型葉片吸力面具有較強的渦度，導致風機內部流動損失增大，無法提高風機的整體效率。改善完成后按照除塵風機廠家原型機的數值計算方法，對改善后的風機進行數值計算，能夠看出通過向內延伸斜槽式離心風機的短葉片，將風機的所需扭矩由4。

為了避免樣機葉片結構復雜，提高風機效率，提高風機葉片的加工工藝，采用“雙圓弧”拼接的方法進行葉片成型。離心風機蝸殼成形及參數選擇離心風機蝸殼是將離開葉輪的氣體引至蝸殼出口，將部分氣體動能轉化為靜壓的裝置。下面介紹了離心風機蝸殼主要幾何參數和參數的選擇方法。蝸殼的主要幾何參數包括蝸殼橫截面積的周向變化、橫截面積的形狀、橫截面積的徑向位置、蝸殼的入口位置和蝸殼舌的結構。除塵風機廠家根據不同的截面形狀，蝸殼可分為矩形截面、平行壁蝸殼、圓形截面蝸殼等。斜槽風機的長葉片吸力面的別離區(qū)開始向葉道出口處偏移，別離區(qū)有所減小，但短葉片的吸力面仍然存在兩個旋渦，但旋渦也有所削弱，因此風機在1。

除塵風機廠家的矩形截面蝸殼成型時，蝸殼側壁只需用鋼板切斷，在滾筒上滾動即可。加工制造方便。因此，選擇離心風機常用的矩形截面蝸殼作為風機蝸殼截面的設計依據。介紹了蝸殼型線的設計方案。采用等循環(huán)法完成了蝸殼型線的設計，選擇等邊單元法進行了蝸殼型線的近似繪制。研究結果表明，除塵風機廠家葉片結構復雜，不僅使風機難以加工，而且增加了風機內部的流動損失，降低了風機的效率。

除塵風機廠家蝸殼外形參數的選擇

蝸殼寬度的選擇和蝸殼較佳寬度的選擇并沒有給出一種固定的計算方法。建議蝸殼B的寬度為葉輪出口寬度的2-5倍[52-54]。蝸殼的寬度也可通過公式確定。由式計算的蝸殼寬度為0.069m~0.099m，b值為0.72m，為風機葉輪出口寬度的6倍。通過對設計風機的建模和數值計算，當殼體厚度為葉輪出口寬度的6倍時，效率低，流量大，總壓低。因此，根據除塵風機廠家的數值計算和文獻綜述的結果，蝸殼寬度是葉輪出口寬度的4倍，即b為0.48m。在對除塵風機廠家電機基礎和電機進行技術改造的基礎上，通過改變引風機的葉輪形式和直徑，增加引風機的輸出，并根據原風機的輸出，將引風機的容量提高1500帕。

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，隨著人工智能算法的發(fā)展，數據驅動建模方法逐漸應用于風機性能預測?；诔龎m風機廠家的歷史運行數據，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(yōu)化，可能導致建模數據過度集中，容易陷入局部較優(yōu)。.大型離心風機性能預測方法，采用LSSVM算法和除塵風機廠家歷史運行數據建立性能預測模型，除塵風機廠家采用LHS方法保證建模數據在建模區(qū)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，因此有必要設計實驗來采集必要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，并在每個部分隨機采集數據，保證了數據分布的均勻性，避免了數據過度集中。風機數值計算和測量的效率特性曲線表明，斜槽離心風機的設計流量為0。