价格：面议
0
联系人：
电话：
地址：
改造后，对两台离心风机进行性能评价试验，包括全负荷风机数据试验、改造前后数据试验和风机较大出力试验数据，如下所示。（1）满负荷风机数据试验：锅炉满负荷运行时，炉内氧含量维持在2.5%，炉内负压维持在0-50pa，锅炉稳定运行2小时后，现场测量两台引风机数据。满足机组满负荷要求。风机满负荷数据见表2。
（2）改造前后数据试验：风机改造后，锅炉正常运行1小时，运行参数稳定。采集风机的数据，并与改造前的数据进行比较。锅炉满负荷时，两台引风机电流降低48A。
（3）离心风机较大出力试验：冷态下，风机挡板开度为80%时，风机电流达到设计值。A风机入口挡板开启80%时，风机电流为146A，B风机入口挡板开启80%时，风机电流为145.6A，满足设计要求。
结论
（1）与改造前后引风机试验数据相比，A风机效率提高17.2%，B风机效率提高13.8%。正常运行时，风机进口挡板开度为50%~55%，风机电流95~100A，满足机组满负荷运行要求。
（2）改造后离心风机电耗降低26384 kWh，增压风机电耗降低52159 kWh，合计77543 kWh，辅助电耗降低0.5%。
（3）改造后，取消风机冷却水，风机轴承高温度为55C，满足设计要求。通过排除冷却水，每年可节约约5万吨水。
（4）通过离心风机性能试验报告和实际运行，引风机改造能满足运行要求，节电效果明显。
这些方法往往需要复杂的数学计算和重复的实验设计，管道离心风机，建模周期长，成本高，存在风机历史运行数据使用不足，造成信息资源浪费等问题。近年来，随着人工智能算法的发展，数据驱动建模方法逐渐应用于风机性能预测。基于离心风机的历史运行数据，提出了一种基于模糊RBF神经网络的离心风机建模方法。该方法取得了一定的效果。然而，神经网络建模所需的数据量大，建模周期长，建模数据分布不优化，可能导致建模数据过度集中，容易陷入局部较优。.大型离心风机性能预测方法，采用LSSVM算法和离心风机历史运行数据建立性能预测模型，离心风机采用LHS方法保证建模数据在建模区间内均匀分布，提高模型的通用性。离心风机的数据采集是建立离心风机模型的基础，因此有必要设计实验来采集必要的离心风机模型数据。影响离心风机性能的输入变量很多，忽略了二次变量的影响。影响离心风机性能的主要变量是进口压力、进口温度、进口流量和转速。选择出口压力作为衡量离心风机性能的指标。为了提高模型的通用性，烟台离心风机，避免局部建模，采集的训练和测试数据应均匀分布在风机的整个运行范围内。lhs采用分层采样，将采样间隔均匀划分为若干等分，并在每个部分随机采集数据，保证了数据分布的均匀性，避免了数据过度集中。
因此，离心风机选择了LHS方法对离心风机的实验数据进行采集。离心风机在实验的初始阶段，收集的数据不应超过总实验数据的25%。假设收集的总数据n=10天（d为输入变量的维数），初始实验中收集的实验数据n 0应满足n 0lt;0.25n=2.5d的要求，因此本文采用n 0=0。实验初期采用25N作为实验数据。数据采集的硬件实现方案如图1所示。首先，用传感器测量被测通风机的入口压力、温度、流量和转速。然后将测量数据通过总线传输到DAQ数据采集系统。离心风机的DAQ数据采集系统通过I/O设备将数据打包到上位机中。由于变量之间的维数差异，高压离心风机厂家，采集到的数据没有直接应用于模型训练，因此有必要对数据进行规范化，即将无量纲数据转换为无量纲数据，离心风机厂，并将采集到的数据映射到[0，1]的范围内，以提高模型的收敛速度和精度。模型。模型训练和模型验证离心风机性能预测模型的训练结构如图2所示。该结构可分为两部分：数据采集与处理和模型训练。前者主要完成实验数据的采集和处理，后者实现了性能预测模型的建立和验证。首先，采用LHS方法采集离心风机的实验数据（入口温度、压力、流量和风机转速），并对离心风机数据进行处理，用于LSSVM模型。
