目前高压离心风机的湍流数值模拟方法有直接数值模拟法、雷诺时间平均法和大涡模拟法。每个湍流模型都有其各自的优缺点。对于直接数值模拟方法，其优点是可以在不引入经验模型假设的情况下模拟流场中各尺寸的湍流波动，因此被称为精准的湍流波动。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。精细计算高压离心风机流体数值模拟方法的缺点是在直接数值计
高压离心风机
目前高压离心风机的湍流数值模拟方法有直接数值模拟法、雷诺时间平均法和大涡模拟法。每个湍流模型都有其各自的优缺点。对于直接数值模拟方法，其优点是可以在不引入经验模型假设的情况下模拟流场中各尺寸的湍流波动，因此被称为精准的湍流波动。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。精细计算高压离心风机流体数值模拟方法的缺点是在直接数值计算中，网格尺寸要求很小，导致计算量的增加。它通常需要较大的内存和的CPU，因此在实际工程中很难应用。雷诺时间平均法是工程中常用的数值模拟方法。高压离心风机通过引入雷诺应力的封闭方程，可以求解时间平均雷诺方程。其优点是避免了直接数值模拟计算量过大的问题，但这些经验模型只适用于有限的环境。直接数值模拟（DNS）是瞬时湍流控制方程的直接解。DNS的较大优点是它不需要对湍流进行任何简化或近似。理论上，可以得到相对准确的结果。然而，直接高压离心风机数值模拟所需的网格节点数量巨大，计算量大。目前，只有一些简单的流动机理可以研究，如室内空气流动、静水中的气泡上升、颗粒与筒体在流动过程中的碰撞磨损等。
可以看出，高压离心风机样机长、短叶片的吸力面不仅产生分离现象，而且产生两个涡，设计工况下设计风机长、短叶片的吸力面存在一些分离现象，但没有明显的分离现象。产生了美国漩涡。通过比较两种方法的流线图可以看出，所设计的风机的整体流动性能得到了很大的提高，设计的风机的效率得到了很大的提高。为了计算风机内部的气动噪声，采用瞬态计算方法对离心风机内部的流场进行了计算。在瞬态计算结果稳定后，利用FW-H模型对设计风机的气动噪声进行了计算。风机的瞬态计算过程如下所述。瞬态计算的收敛性判断。在高压离心风机瞬态计算过程中，每一时间步都相当于一个稳态过程。因此，有必要保证计算在每个时间步的收敛性。瞬态计算过程中存在内迭代的概念，内迭代的原理与稳态解的原理相同。内部迭代次数可以通过模型树节点的运行计算面板中的参数maxIteration/timestep来设置。瞬态计算时间步长的确定是瞬态解的关键步骤。时间步长设置不当会导致一系列问题。如果时间步长太大，一个时间步长很难收敛和发散，时间分辨率太低。如果时间步长太小，迭代次数会增加，计算开销也会增加。因此，设定合理的时间步长是非常重要的。高压离心风机采用公式计算时间步长。设置原则是风机转子每转一次。
因此，高压离心风机选择了LHS方法对离心风机的实验数据进行采集。高压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 0<0.25n=2.5d的要求，因此本文采用n 0=0。基于高压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。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。高压离心风机的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，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，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），并对高压离心风机数据进行处理，用于LSSVM模型。
（作者： 来源：）
