CN116595685B - 基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统 - Google Patents

基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统 Download PDF

Info

Publication number
CN116595685B
CN116595685B CN202310883419.5A CN202310883419A CN116595685B CN 116595685 B CN116595685 B CN 116595685B CN 202310883419 A CN202310883419 A CN 202310883419A CN 116595685 B CN116595685 B CN 116595685B
Authority
CN
China
Prior art keywords
value
magnetic suspension
suspension blower
blade top
noise
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310883419.5A
Other languages
English (en)
Other versions
CN116595685A (zh
Inventor
范志强
蒋大红
雷新海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Greatall Power Co ltd
Beijing Gretuo Power Equipment Co ltd
Original Assignee
Greatall Power Co ltd
Beijing Gretuo Power Equipment Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Greatall Power Co ltd, Beijing Gretuo Power Equipment Co ltd filed Critical Greatall Power Co ltd
Priority to CN202310883419.5A priority Critical patent/CN116595685B/zh
Publication of CN116595685A publication Critical patent/CN116595685A/zh
Application granted granted Critical
Publication of CN116595685B publication Critical patent/CN116595685B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D25/00—Pumping installations or systems
    • F04D25/02—Units comprising pumps and their driving means
    • F04D25/08—Units comprising pumps and their driving means the working fluid being air, e.g. for ventilation
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/002—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying geometry within the pumps, e.g. by adjusting vanes
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D29/00—Details, component parts, or accessories
    • F04D29/66—Combating cavitation, whirls, noise, vibration or the like; Balancing
    • F04D29/661—Combating cavitation, whirls, noise, vibration or the like; Balancing especially adapted for elastic fluid pumps
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)

Abstract

本发明涉及一种基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，涉及人工智能技术领域。所述磁悬浮鼓风机包括：分向判断机构，用于遍历轴向调节机构可调节叶顶间隙数值范围内的各项数值以采用人工智能解析模型分别执行各次智能预测操作，获得各项数值分别对应的各份风压数值以及各份噪声数值；信息选择机构，用于基于各份风压数值以及各份噪声数值选择磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值。通过本发明，针对每一工作环境下难以保证最佳工作性能的技术问题，能够采用人工智能解析模型采用数值遍历分析实现最佳叶顶间隙数据的解析和设置，从而完成对磁悬浮鼓风机在各个工作环境下的最佳参数配置。

Description

基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统。
背景技术
一般地，磁悬浮鼓风机由高速电机直接驱动，由变频器来调速，利用主动式磁悬浮轴承系统，通过可控电磁力对内部转动的磁悬浮轴承进行无接触、无磨损的悬浮支撑，磁悬浮轴承与叶轮直接连接，传动零损失，以此达到成功输送气体而机器内部无磨损、低噪音、无需润滑等效果。磁悬浮轴承的功能是实现转轴悬浮。它通过内置的位置传感器检测转轴的位置信号，将此信号送入磁悬浮轴承控制器进行调理、运算和放大得到控制电流，再将该控制电流输入磁轴承，产生对转子可控的吸力，从而实现转轴的悬浮。
实际操作中，在磁悬浮鼓风机内，叶轮顶部与蜗壳壳体之间的间距构成了磁悬浮鼓风机的叶顶间隙。流体例如风体通过叶顶间隙会产生泄露流动，叶顶泄露流动是构成磁悬浮鼓风机内部各种气体流动的重要组成部分，也是磁悬浮鼓风机内部损失产生的重要组成部分，叶顶间隙的泄露流动不仅仅增加了叶顶附近的载荷，降低了磁悬浮鼓风机的工作效率，严重时还会堵塞气体流通通道，引起喘振和较大噪声，降低了磁悬浮鼓风机的稳定工作范围，所以研究磁悬浮鼓风机的叶顶间隙意义重大。
示例地，中国发明专利公开文本CN113738674A提出的一种可调叶顶间隙的磁悬浮鼓风机及调试方法，该鼓风机包括机壳、电机轴、磁轴承装置、多个径轴向传感器、叶轮、轴向调节块和蜗壳；轴向调节块固定在机壳上，蜗壳固定在轴向调节块上；蜗壳设置有鼓风通道，叶轮位于鼓风通道内；轴向调节块为铝合金材料，轴向调节块设置有冷却水道和电阻丝；冷却水道进水端和出水端分别用于连通进水装置和出水装置，电阻丝用于对轴向调节块进行加热；鼓风通道进风端和出风端分别设置有压差流量计和压力计，压差流量计和压力计分别用于检测鼓风通道进风端气体流量和鼓风通道出风端的气体压力。该鼓风机可以对叶顶间隙的动态调节，提高磁悬浮鼓风机鼓风质量。
示例地，中国实用新型专利公开文本CN216111446U提出的一种可调节叶顶间隙的鼓风机；所述鼓风机包括机壳、电机轴、轴承装置、叶轮、蜗壳和多个调节弹簧；叶轮内侧固定在电机轴一端，叶轮外侧固定设置有第一调节磁钢；蜗壳包括鼓风通道、进风导叶、配合孔和调节压板，进风导叶固定设置在鼓风通道内，并且进风导叶固定设置有第二调节磁钢；第一调节磁钢和第二调节磁钢的位置相对应，并且两者对应表面的磁极相同；蜗壳通过配合孔与机壳外壁滑动配合；调节弹簧处于压缩状态，并且调节弹簧对蜗壳产生的推力与第一调节磁钢和第二调节磁钢之间产生的排斥力大小相等方向相反。该鼓风机保证叶轮和蜗壳之间的叶顶间隙不变，提高磁悬浮鼓风机鼓风质量。
显然，上述技术中对鼓风机的叶顶间隙的调节仅仅局限于硬件设置方面或者粗糙的控制操作，无法对磁悬浮鼓风机的每一工作环境下不同叶顶间隙引起磁悬浮鼓风机工作性能数据的变化进行定量分析，导致现有技术无法针对磁悬浮鼓风机的每一工作环境比较以及探求最佳的叶顶间隙数值，进而导致磁悬浮鼓风机在各种工作环境下都无法实现最佳的工作性能。
发明内容
为了解决现有技术中的技术问题，本发明提供了一种基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，针对具有定制结构的磁悬浮鼓风机，设计针对性的用于预测每一叶顶间隙的具体取值下的磁悬浮鼓风机的各项性能数据的人工智能解析模型，采用数值分析的模式实现对磁悬浮鼓风机每一工作环境下的最佳叶顶间隙数据的解析和设置，从而完成对磁悬浮鼓风机在各个工作环境下的最佳参数配置，保证磁悬浮鼓风机在各个工作环境的最佳工作性能。
本发明提供了一种基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，所述磁悬浮鼓风机主体包括
设置有鼓风通道的蜗壳、叶轮、调节叶顶间隙且设置在机壳上的轴向调节机构、磁轴承装置、机壳和电机轴，所述蜗壳固定在所述轴向调节机构上，所述叶轮位于所述鼓风通道内，所述鼓风通道具有进风开口和出风开口，机壳内孔固定嵌设有电机定子，电机轴固定设置有电机转子，电机定子与电机转子的位置相对应，叶轮固定在电机轴一端，所述智能调节系统包括：
设置分析机构，用于获取所述磁悬浮鼓风机主体的各项设置信息，所述磁悬浮鼓风机主体的各项设置信息包括所述磁悬浮鼓风机主体的进风开口半径、出风开口半径、叶轮直径、叶轮宽度、转子推力盘的截面面积以及鼓风通道长度；
数据测量机构，用于测量所述磁悬浮鼓风机主体的各项工作数据，所述磁悬浮鼓风机主体的各项工作数据包括所述磁悬浮鼓风机主体的进风开口温度、出风开口温度、进风口给定总压以及电机额定功率；
性能解析机构，分别与所述设置分析机构以及所述数据测量机构连接，用于采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值；
分向判断机构，与所述性能解析机构连接，用于遍历所述轴向调节机构可调节叶顶间隙数值范围内的叶顶间隙的各项数值以采用人工智能解析模型分别执行各次的所述智能预测操作，获得所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值；
信息选择机构，与所述分向判断机构连接，用于基于风压数值优先权高于噪声数值优先权的选择模式根据所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值选择所述磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值并作为优化间隙数值输出；
其中，所述人工智能解析模型为经过固定数目的各次训练后的BP神经网络，所述固定数目的取值与所述鼓风通道长度的数值单调正向关联；
其中，所述轴向调节机构与所述信息选择机构连接，用于在所述磁悬浮鼓风机主体启动前，将所述磁悬浮鼓风机主体的叶顶间隙的数值设置为所述优化间隙数值。
有益效果
与现有技术相比，本发明具有如下有益效果：
A：针对包括设置有鼓风通道的蜗壳、叶轮、调节叶顶间隙且设置在机壳上的轴向调节机构、磁轴承装置、机壳和电机轴的定制结构的磁悬浮鼓风机主体，针对性设计用于预测每一叶顶间隙的具体取值下的磁悬浮鼓风机主体的各项性能数据的人工智能解析模型，所述人工智能解析模型为经过固定数目的各次训练后的BP神经网络，所述固定数目的取值与所述鼓风通道长度的数值单调正向关联，从而保证了人工智能解析模型预测数据的有效性和稳定性；
B：对轴向调节机构可调节的叶顶间隙数值范围内，遍历叶顶间隙的各项数值以采用人工智能解析模型分别执行各次智能预测操作，获得所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值，并采用风压数值优先权高于噪声数值优先权的选择模式选择磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值以用于后续实际工作的优化配置，从而能够快速、可靠地获取任一工作环境下的优化工作参数；
C：具体的基于风压数值优先权高于噪声数值优先权的选择模式中，获取各份风压数值中最大值对应的叶顶间隙的数值以作为候选叶顶间隙数值，在候选叶顶间隙数值存在两项以上时，将两项以上的候选叶顶间隙分别对应的两项以上的噪声数值中最小的噪声数值对应的候选叶顶间隙作为优化间隙数值输出；
D：采用磁悬浮鼓风机主体的每一次历史运行测量数据执行对BP神经网络的一次训练操作，在对BP神经网络执行的每一次训练操作中，将测量到的、已知的在某一项叶顶间隙的具体数值下的磁悬浮鼓风机主体的出风开口处的风压数值以及磁悬浮鼓风机主体的出风开口处的噪声数值作为BP神经网络的逐项输入内容，将所述某一项叶顶间隙的具体数值、磁悬浮鼓风机主体的各项设置信息以及磁悬浮鼓风机主体的各项工作数据作为BP神经网络的逐项输出内容，完成对BP神经网络执行的该次训练，从而保证了对BP神经网络的训练效果。
附图说明
以下将结合附图对本发明的实施方案进行描述，其中：
图1为根据本发明的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统及调试方法的技术流程图。
图2为根据本发明的第一实施例示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统的结构示意图。
图3为根据本发明的第二实施例示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统的结构示意图。
具体实施方式
如图1所示，给出了根据本发明示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统及调试方法的技术流程图。
如图1所示，本发明的具体的技术流程如下：
技术流程一，为定制结构的磁悬浮鼓风机主体针对性设计人工智能解析模型，所述人工智能解析模型用于解析每一叶顶间隙的具体取值下的磁悬浮鼓风机主体的各项性能数据的人工智能解析模型，所述人工智能解析模型的输入数据还包括所述磁悬浮鼓风机主体的当前工作环境信息，因此，每一次解析到的性能数据为当前工作环境下的性能数据；
示例地，所述人工智能解析模型的针对性设计之处在于：所述人工智能（AI）解析模型为经过固定数目的各次训练后的BP神经网络，所述固定数目的取值与磁悬浮鼓风机主体的鼓风通道长度的数值单调正向关联，从而保证了人工智能解析模型预测数据的有效性和稳定性；
例如，所述人工智能解析模型的各项输入内容包括叶顶间隙的当前数值、磁悬浮鼓风机主体的各项设置信息以及磁悬浮鼓风机主体的各项工作数据；所述磁悬浮鼓风机主体的各项设置信息包括所述磁悬浮鼓风机主体的进风开口半径、出风开口半径、叶轮直径、叶轮宽度、转子推力盘的截面面积以及鼓风通道长度；所述磁悬浮鼓风机主体的各项工作数据包括所述磁悬浮鼓风机主体的进风开口温度、出风开口温度、进风口给定总压以及电机额定功率，所述磁悬浮鼓风机主体的各项工作数据用于表述所述磁悬浮鼓风机的当前工作环境信息；
技术流程二，在所述磁悬浮鼓风机主体的当前工作环境下，采用数值遍历的模式遍历叶顶间隙的各项具体取值，并分别投入所述人工智能解析模型以分别智能预测各自对应的各项性能数据；
示例地，每一叶顶间隙的具体取值对应的性能数据包括在所述磁悬浮鼓风机主体的当前工作环境下采用所述叶顶间隙的具体取值获取的所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值；
技术流程三，针对叶顶间隙的各项具体取值分别对应的各项性能数据，采用风压数值优先权高于噪声数值优先权的选择模式获取最佳性能数据，进而获取最佳性能数据对应的叶顶间隙的具体取值以作为在所述磁悬浮鼓风机主体的当前工作环境下的最佳叶顶间隙数值；
例如，在风压数值优先权高于噪声数值优先权的选择模式中，各项性能数据为各份风压数值和各份噪声数值，获取各份风压数值中最大值对应的叶顶间隙的数值以作为候选叶顶间隙数值，在候选叶顶间隙数值存在两项以上时，将两项以上的候选叶顶间隙分别对应的两项以上的噪声数值中最小的噪声数值对应的候选叶顶间隙作为最佳叶顶间隙数值输出；
技术流程四，采用获取的最佳叶顶间隙数值对当前工作环境下的所述磁悬浮鼓风机主体的叶顶间隙进行配置，并将配置叶顶间隙后的所述磁悬浮鼓风机主体投入运行，从而获得当前工作环境下的所述磁悬浮鼓风机主体的最佳工作性能；
显然，在每一工作环境都能采用上述四个技术流程进行叶顶间隙的最佳参数的配置，从而能够获得各个工作环境下的所述磁悬浮鼓风机主体的最佳工作性能，实现了采用相对简单的数值分析模式探索最佳工作参数对采用相对繁琐的海量实际测试模式探索最佳工作参数的有效替换。
本发明的关键点在于：为定制结构的磁悬浮鼓风机主体针对性设计人工智能解析模型、海量叶顶间隙数值遍历的数值分析模式对海量实际测试模式的有效替换、探求每一工作环境下最佳叶顶间隙数值时采用的风压数值优先权高于噪声数值优先权的选择模式。
下面，将对本发明的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统及调试方法以实施方案的方式进行具体说明。
第一实施例
图2为根据本发明的第一实施例示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统的结构示意图。
磁悬浮鼓风机主体，包括设置有鼓风通道的蜗壳、叶轮、调节叶顶间隙且设置在机壳上的轴向调节机构、磁轴承装置、机壳和电机轴，所述蜗壳固定在所述轴向调节机构上，所述叶轮位于所述鼓风通道内，所述鼓风通道具有进风开口和出风开口，机壳内孔固定嵌设有电机定子，电机轴固定设置有电机转子，电机定子与电机转子的位置相对应，叶轮固定在电机轴一端，示例地，磁悬浮鼓风机主体还可以包括微控制器，用于分别与轴向调节机构以及电机连接，用于分别执行对轴向调节机构以及电机的运行参数的现场配置；
以及示例地，调节叶顶间隙且设置在机壳上的轴向调节机构可以为温控机制下的轴向调节设备，例如，所述轴向调节块设置有冷却水道和电阻丝；冷却水道进水端和出水端分别用于连通进水装置和出水装置，电阻丝用于对轴向调节块进行加热；
如图2所示，所述基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统包括以下部件：
设置分析机构，用于获取所述磁悬浮鼓风机主体的各项设置信息，所述磁悬浮鼓风机主体的各项设置信息包括所述磁悬浮鼓风机主体的进风开口半径、出风开口半径、叶轮直径、叶轮宽度、转子推力盘的截面面积以及鼓风通道长度；
数据测量机构，用于测量所述磁悬浮鼓风机主体的各项工作数据，所述磁悬浮鼓风机主体的各项工作数据包括所述磁悬浮鼓风机主体的进风开口温度、出风开口温度、进风口给定总压以及电机额定功率；
例如，所述数据测量机构可以包括四个不同的数据测量部件，用于分别测量所述磁悬浮鼓风机主体的进风开口温度、出风开口温度、进风口给定总压以及电机额定功率；
性能解析机构，分别与所述设置分析机构以及所述数据测量机构连接，用于采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值；
示例地，采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值包括：可以选择采用数值仿真模式实现采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值的处理；
分向判断机构，与所述性能解析机构连接，用于遍历所述轴向调节机构可调节叶顶间隙数值范围内的叶顶间隙的各项数值以采用人工智能解析模型分别执行各次的所述智能预测操作，获得所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值；
信息选择机构，与所述分向判断机构连接，用于基于风压数值优先权高于噪声数值优先权的选择模式根据所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值选择所述磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值并作为优化间隙数值输出；
其中，所述人工智能解析模型为经过固定数目的各次训练后的BP神经网络，所述固定数目的取值与所述鼓风通道长度的数值单调正向关联；
例如，所述固定数目的取值与所述鼓风通道长度的数值单调正向关联包括：所述鼓风通道长度的数值为2米，所述固定数目的取值为60，所述鼓风通道长度的数值为3米，所述固定数目的取值为80，所述鼓风通道长度的数值为4米，所述固定数目的取值为110；
其中，所述轴向调节机构与所述信息选择机构连接，用于在所述磁悬浮鼓风机主体启动前，将所述磁悬浮鼓风机主体的叶顶间隙的数值设置为所述优化间隙数值；
其中，基于风压数值优先权高于噪声数值优先权的选择模式根据所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值选择所述磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值并作为优化间隙数值输出包括：获取各份风压数值中最大值对应的叶顶间隙的数值以作为候选叶顶间隙数值，在候选叶顶间隙数值存在两项以上时，将两项以上的候选叶顶间隙分别对应的两项以上的噪声数值中最小的噪声数值对应的候选叶顶间隙作为优化间隙数值输出；
其中，基于风压数值优先权高于噪声数值优先权的选择模式根据所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值选择所述磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值并作为优化间隙数值输出包括：采用数值仿真模式完成基于风压数值优先权高于噪声数值优先权的选择模式的设定。
第二实施例
图3为根据本发明的第二实施例示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统的结构示意图。
如图3所示，与图2中的系统不同，图3中的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统还包括：
模型生成机构，与所述性能解析机构连接，用于对BP神经网络执行固定数目的各次训练以获得所述人工智能解析模型；
示例地，对BP神经网络执行固定数目的各次训练以获得所述人工智能解析模型包括：可以采用MATLAB工具箱完成对BP神经网络执行的固定数目的各次训练以获得所述人工智能解析模型；
其中，对BP神经网络执行固定数目的各次训练以获得所述人工智能解析模型包括：对BP神经网络执行的每一次训练对应所述磁悬浮鼓风机主体一次运行测量数据。
第三实施例
相比较于图2中的系统，根据本发明的第三实施例示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统还包括：
噪声测量机构，设置在所述磁悬浮鼓风机主体的出风开口处，用于测量所述磁悬浮鼓风机主体的出风开口处的噪声数值并作为实时噪声数值输出；
示例地，所述噪声测量机构包括均匀间隔的多个噪声测量部件，用于获取出风开口各处的现场噪声数值；
其中，测量所述磁悬浮鼓风机主体的出风开口处的噪声数值并作为实时噪声数值输出包括：将多个噪声测量部件分别获取的出风开口各处的现场噪声数值进行算术平均值计算以获得所述磁悬浮鼓风机主体的出风开口处的噪声数值并作为实时噪声数值输出。
第四实施例
相比较于第三实施例中的系统，根据本发明的第四实施例示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统还包括：
数值报警机构，与所述噪声测量机构连接，用于在接收到的实时噪声数值超过或者等于设定分贝阈值时，发出噪声超标指令；
例如，可以采用声学报警机构来实现所述数值报警机构，用于在接收到的实时噪声数值超过或者等于设定分贝阈值时，发出噪声超标指令；
其中，在接收到的实时噪声数值超过或者等于设定分贝阈值时，发出噪声超标指令包括：所述设定分贝阈值的取值在80-85分贝之间。
第五实施例
相比较于图2中的系统，根据本发明的第五实施例示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统还包括：
压力检测机构，设置在所述磁悬浮鼓风机主体的出风开口处，用于检测所述磁悬浮鼓风机主体的出风开口处的风压数值并作为实时风压数值输出；
例如，所述压力检测机构包括均匀间隔的多个压力检测部件，用于获取出风开口各处的现场压力数值；
其中，检测所述磁悬浮鼓风机主体的出风开口处的风压数值并作为实时风压数值输出包括：将多个压力检测部件分别获取的出风开口各处的现场压力数值进行算术平均值计算以获得所述磁悬浮鼓风机主体的出风开口处的风压数值并作为实时风压数值输出。
第六实施例
相比较于图2中的系统，根据本发明的第六实施例示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统还包括：
温度传感机构，与所述数据测量机构连接，用于感应所述磁悬浮鼓风机主体的进风开口温度以及所述磁悬浮鼓风机主体的出风开口温度；
其中，所述温度传感机构包括两个温度传感单元，分别设置在所述磁悬浮鼓风机主体的进风开口位置以及所述磁悬浮鼓风机主体的出风开口位置，用于分别感应所述磁悬浮鼓风机主体的进风开口温度以及所述磁悬浮鼓风机主体的出风开口温度；
示例地，所述两个温度传感单元或者为两个接触式温度传感器，或者为两个非接触式温度传感器。
在上述实施方案的任一实施方案中，可选地，在所述基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统中：
采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值包括：将叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据作为所述人工智能解析模型的逐项输入内容；
其中，采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值还包括：将在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值作为所述人工智能解析模型的逐项输出内容，以执行所述人工智能解析模型；
其中，将叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据作为所述人工智能解析模型的逐项输入内容包括：在将叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据并行输入到所述人工智能解析模型之前，对叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据同时执行数值归一化处理，并将数值归一化处理后的叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据并行输入到所述人工智能解析模型之前，对叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据并行输入到所述人工智能解析模型；
例如，对叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据同时执行数值归一化处理包括：对叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据同时执行二进制数值转换处理；
其中，将在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值作为所述人工智能解析模型的逐项输出内容，以执行所述人工智能解析模型包括：在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值为完成数值归一化处理后的数值表示模式；
相应地，在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值为完成数值归一化处理后的数值表示模式包括：在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值为完成二进制数值转换处理后的数值表示模式。
以及在上述实施方案的任一实施方案中，可选地，在所述基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统中：
转子推力盘设置在电机转子承受风力的最前端，所述轴向调节机构通过控制转子推力盘的轴向位置执行对叶顶间隙的调节；
其中，转子推力盘设置在电机转子承受风力的最前端，所述轴向调节机构通过控制转子推力盘的轴向位置执行对叶顶间隙的调节包括：所述轴向调节机构对叶顶间隙的调节的数值范围在0.1毫米到2毫米之间；
示例地，所述轴向调节机构对叶顶间隙的调节的数值范围在0.1毫米到2毫米之间包括：所述轴向调节机构调节后的叶顶间隙的数值为0.1毫米、0.5毫米、1.0毫米、1.5毫米或者2.0毫米。
第七实施例
根据本发明的第七实施例示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统调试方法具体包括以下步骤：
步骤S1：使用磁悬浮鼓风机主体，包括设置有鼓风通道的蜗壳、叶轮、调节叶顶间隙且设置在机壳上的轴向调节机构、磁轴承装置、机壳和电机轴，所述蜗壳固定在所述轴向调节机构上，所述叶轮位于所述鼓风通道内，所述鼓风通道具有进风开口和出风开口，机壳内孔固定嵌设有电机定子，电机轴固定设置有电机转子，电机定子与电机转子的位置相对应，叶轮固定在电机轴一端；
示例地，磁悬浮鼓风机主体还可以包括微控制器，用于分别与轴向调节机构以及电机连接，用于分别执行对轴向调节机构以及电机的运行参数的现场配置；
以及示例地，调节叶顶间隙且设置在机壳上的轴向调节机构可以为温控机制下的轴向调节设备，例如，所述轴向调节块设置有冷却水道和电阻丝；冷却水道进水端和出水端分别用于连通进水装置和出水装置，电阻丝用于对轴向调节块进行加热；
步骤S2：使用设置分析机构，用于获取所述磁悬浮鼓风机主体的各项设置信息，所述磁悬浮鼓风机主体的各项设置信息包括所述磁悬浮鼓风机主体的进风开口半径、出风开口半径、叶轮直径、叶轮宽度、转子推力盘的截面面积以及鼓风通道长度；
步骤S3：使用数据测量机构，用于测量所述磁悬浮鼓风机主体的各项工作数据，所述磁悬浮鼓风机主体的各项工作数据包括所述磁悬浮鼓风机主体的进风开口温度、出风开口温度、进风口给定总压以及电机额定功率；
例如，所述数据测量机构可以包括四个不同的数据测量部件，用于分别测量所述磁悬浮鼓风机主体的进风开口温度、出风开口温度、进风口给定总压以及电机额定功率；
步骤S4：使用性能解析机构，分别与所述设置分析机构以及所述数据测量机构连接，用于采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值；
示例地，采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值包括：可以选择采用数值仿真模式实现采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值的处理；
步骤S5：使用分向判断机构，与所述性能解析机构连接，用于遍历所述轴向调节机构可调节叶顶间隙数值范围内的叶顶间隙的各项数值以采用人工智能解析模型分别执行各次的所述智能预测操作，获得所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值；
步骤S6：使用信息选择机构，与所述分向判断机构连接，用于基于风压数值优先权高于噪声数值优先权的选择模式根据所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值选择所述磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值并作为优化间隙数值输出；
其中，所述人工智能解析模型为经过固定数目的各次训练后的BP神经网络，所述固定数目的取值与所述鼓风通道长度的数值单调正向关联；
例如，所述固定数目的取值与所述鼓风通道长度的数值单调正向关联包括：所述鼓风通道长度的数值为2米，所述固定数目的取值为60，所述鼓风通道长度的数值为3米，所述固定数目的取值为80，所述鼓风通道长度的数值为4米，所述固定数目的取值为110；
其中，所述轴向调节机构与所述信息选择机构连接，用于在所述磁悬浮鼓风机主体启动前，将所述磁悬浮鼓风机主体的叶顶间隙的数值设置为所述优化间隙数值；
其中，基于风压数值优先权高于噪声数值优先权的选择模式根据所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值选择所述磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值并作为优化间隙数值输出包括：获取各份风压数值中最大值对应的叶顶间隙的数值以作为候选叶顶间隙数值，在候选叶顶间隙数值存在两项以上时，将两项以上的候选叶顶间隙分别对应的两项以上的噪声数值中最小的噪声数值对应的候选叶顶间隙作为优化间隙数值输出；
其中，基于风压数值优先权高于噪声数值优先权的选择模式根据所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值选择所述磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值并作为优化间隙数值输出包括：采用数值仿真模式完成基于风压数值优先权高于噪声数值优先权的选择模式的设定。
另外，在根据本发明示出的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统及调试方法中：
对BP神经网络执行固定数目的各次训练以获得所述人工智能解析模型还包括：在对BP神经网络执行的每一次训练中，将测量到的、已知的在某一项叶顶间隙的具体数值下的所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值作为BP神经网络的逐项输入内容，将所述某一项叶顶间隙的具体数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据作为BP神经网络的逐项输出内容，完成对BP神经网络执行的该次训练；
其中，在对BP神经网络执行的每一次训练中，将测量到的、已知的在某一项叶顶间隙的具体数值下的所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值作为BP神经网络的逐项输入内容，将所述某一项叶顶间隙的具体数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据作为BP神经网络的逐项输出内容，完成对BP神经网络执行的该次训练包括：选择采用MATLAB工具箱完成对BP神经网络执行的每一次训练的测试和仿真处理。
对本发明示例性实施方案的前述描述是为了例示和描述的目的而提供的。其并非旨在穷举或者将本发明限于所公开的确切形式。显然，许多修改和变型对于本领域技术人员是显而易见的。选择并描述示例性实施方案是为了最好地说明本发明的原理及其实际应用，从而使得本领域其他技术人员能够理解本发明的适用于所构想特定用途的各种实施方案和各种变型方案。旨在由所附权利要求及其等同物来限定本发明的范围。

Claims (8)

1.一种基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，其特征在于，磁悬浮鼓风机主体包括：
包括设置有鼓风通道的蜗壳、叶轮、调节叶顶间隙且设置在机壳上的轴向调节机构、磁轴承装置、机壳和电机轴，所述蜗壳固定在所述轴向调节机构上，所述叶轮位于所述鼓风通道内，所述鼓风通道具有进风开口和出风开口，机壳内孔固定嵌设有电机定子，电机轴固定设置有电机转子，电机定子与电机转子的位置相对应，叶轮固定在电机轴一端；
调节系统包括：
设置分析机构，用于获取所述磁悬浮鼓风机主体的各项设置信息，所述磁悬浮鼓风机主体的各项设置信息包括所述磁悬浮鼓风机主体的进风开口半径、出风开口半径、叶轮直径、叶轮宽度、转子推力盘的截面面积以及鼓风通道长度；
数据测量机构，用于测量所述磁悬浮鼓风机主体的各项工作数据，所述磁悬浮鼓风机主体的各项工作数据包括所述磁悬浮鼓风机主体的进风开口温度、出风开口温度、进风口给定总压以及电机额定功率；
性能解析机构，分别与所述设置分析机构以及所述数据测量机构连接，用于采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值；
分向判断机构，与所述性能解析机构连接，用于遍历所述轴向调节机构可调节叶顶间隙数值范围内的叶顶间隙的各项数值以采用人工智能解析模型分别执行各次的智能预测操作，获得所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值；
信息选择机构，与所述分向判断机构连接，用于基于风压数值优先权高于噪声数值优先权的选择模式，根据所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值，选择所述磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值并作为优化间隙数值输出；
其中，所述人工智能解析模型为经过固定数目的各次训练后的BP神经网络，所述固定数目的取值与所述鼓风通道长度的数值单调正向关联；
其中，所述轴向调节机构与所述信息选择机构连接，用于在所述磁悬浮鼓风机主体启动前，将所述磁悬浮鼓风机主体的叶顶间隙的数值设置为所述优化间隙数值；
其中，采用人工智能解析模型基于叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据智能预测在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值包括：将叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据作为所述人工智能解析模型的逐项输入内容，具体包括：在将叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据并行输入到所述人工智能解析模型之前，对叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据同时执行数值归一化处理，并将数值归一化处理后的叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据并行输入到所述人工智能解析模型之前，对叶顶间隙的当前数值、所述磁悬浮鼓风机主体的各项设置信息以及所述磁悬浮鼓风机主体的各项工作数据并行输入到所述人工智能解析模型；
将在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值作为所述人工智能解析模型的逐项输出内容，以执行所述人工智能解析模型，具体包括：在叶顶间隙的当前数值下所述磁悬浮鼓风机主体的出风开口处的风压数值以及所述磁悬浮鼓风机主体的出风开口处的噪声数值为完成数值归一化处理后的数值表示模式。
2.如权利要求1所述的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，其特征在于：
基于风压数值优先权高于噪声数值优先权的选择模式，根据所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值，选择所述磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值并作为优化间隙数值输出包括：获取各份风压数值中最大值对应的叶顶间隙的数值以作为候选叶顶间隙数值，在候选叶顶间隙数值存在两项以上时，将两项以上的候选叶顶间隙分别对应的两项以上的噪声数值中最小的噪声数值对应的候选叶顶间隙作为优化间隙数值输出；
其中，基于风压数值优先权高于噪声数值优先权的选择模式根据所述叶顶间隙的各项数值分别对应的各份风压数值以及各份噪声数值选择所述磁悬浮鼓风机主体的最佳性能对应的叶顶间隙的数值并作为优化间隙数值输出包括：采用数值仿真模式完成基于风压数值优先权高于噪声数值优先权的选择模式的设定。
3.如权利要求2所述的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，其特征在于，所述磁悬浮鼓风机还包括：
模型生成机构，与所述性能解析机构连接，用于对BP神经网络执行固定数目的各次训练以获得所述人工智能解析模型；
其中，对BP神经网络执行固定数目的各次训练以获得所述人工智能解析模型包括：对BP神经网络执行的每一次训练对应所述磁悬浮鼓风机主体一次运行测量数据。
4.如权利要求2所述的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，其特征在于，所述磁悬浮鼓风机还包括：
噪声测量机构，设置在所述磁悬浮鼓风机主体的出风开口处，用于测量所述磁悬浮鼓风机主体的出风开口处的噪声数值并作为实时噪声数值输出。
5.如权利要求4所述的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，其特征在于，所述磁悬浮鼓风机还包括：
数值报警机构，与所述噪声测量机构连接，用于在接收到的实时噪声数值超过或者等于设定分贝阈值时，发出噪声超标指令；
其中，在接收到的实时噪声数值超过或者等于设定分贝阈值时，发出噪声超标指令包括：所述设定分贝阈值的取值在80-85分贝之间。
6.如权利要求2所述的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，其特征在于，所述磁悬浮鼓风机还包括：
压力检测机构，设置在所述磁悬浮鼓风机主体的出风开口处，用于检测所述磁悬浮鼓风机主体的出风开口处的风压数值并作为实时风压数值输出。
7.如权利要求2所述的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，其特征在于，所述磁悬浮鼓风机还包括：
温度传感机构，与所述数据测量机构连接，用于感应所述磁悬浮鼓风机主体的进风开口温度以及所述磁悬浮鼓风机主体的出风开口温度；
其中，所述温度传感机构包括两个温度传感单元，分别设置在所述磁悬浮鼓风机主体的进风开口位置以及所述磁悬浮鼓风机主体的出风开口位置，用于分别感应所述磁悬浮鼓风机主体的进风开口温度以及所述磁悬浮鼓风机主体的出风开口温度。
8.如权利要求2-7任一所述的基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统，其特征在于：
转子推力盘设置在电机转子承受风力的最前端，所述轴向调节机构通过控制转子推力盘的轴向位置执行对叶顶间隙的调节；
其中，转子推力盘设置在电机转子承受风力的最前端，所述轴向调节机构通过控制转子推力盘的轴向位置执行对叶顶间隙的调节包括：所述轴向调节机构对叶顶间隙的调节的数值范围在0.1毫米到2毫米之间。
CN202310883419.5A 2023-07-19 2023-07-19 基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统 Active CN116595685B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310883419.5A CN116595685B (zh) 2023-07-19 2023-07-19 基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310883419.5A CN116595685B (zh) 2023-07-19 2023-07-19 基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统

Publications (2)

Publication Number Publication Date
CN116595685A CN116595685A (zh) 2023-08-15
CN116595685B true CN116595685B (zh) 2023-09-15

Family

ID=87595987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310883419.5A Active CN116595685B (zh) 2023-07-19 2023-07-19 基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统

Country Status (1)

Country Link
CN (1) CN116595685B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017208035A1 (en) * 2016-06-01 2017-12-07 Licitar Antonijo A vertical wind and solar energy generator
CN113935126A (zh) * 2021-09-10 2022-01-14 南京磁谷科技股份有限公司 一种磁悬浮风机工作效率优化方法
CN216077649U (zh) * 2021-09-09 2022-03-18 鑫磊压缩机股份有限公司 一种可调叶顶间隙的磁悬浮鼓风机
CN216111446U (zh) * 2021-09-22 2022-03-22 鑫磊压缩机股份有限公司 一种可调节叶顶间隙的鼓风机

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017208035A1 (en) * 2016-06-01 2017-12-07 Licitar Antonijo A vertical wind and solar energy generator
CN216077649U (zh) * 2021-09-09 2022-03-18 鑫磊压缩机股份有限公司 一种可调叶顶间隙的磁悬浮鼓风机
CN113935126A (zh) * 2021-09-10 2022-01-14 南京磁谷科技股份有限公司 一种磁悬浮风机工作效率优化方法
CN216111446U (zh) * 2021-09-22 2022-03-22 鑫磊压缩机股份有限公司 一种可调节叶顶间隙的鼓风机

Also Published As

Publication number Publication date
CN116595685A (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN113339310B (zh) 基于磁悬浮轴向位置控制的压缩机喘振预测控制方法
CN112465239B (zh) 基于改进pso-fcm算法的脱硫系统运行优化方法
CN113536710B (zh) 一种泵及泵组能效可视化监测方法
Aviña-Corral et al. Bearing fault detection in adjustable speed drive-powered induction machine by using motor current signature analysis and goodness-of-fit tests
CN116595685B (zh) 基于人工智能解析模型的磁悬浮鼓风机叶顶间隙调节系统
WO2004017038A1 (en) Detector of defects for rotating machinery
CN111120411B (zh) 一种冷却控制装置、磁悬浮系统及其冷却控制方法
CN107489658A (zh) 基于叶片改型的电风扇降噪方法及改进的电风扇叶片结构
CN112149913A (zh) 基于高斯过程回归的离心泵外特性预测方法
Dutta et al. PROAD (Process Advisor): A health monitoring framework for centrifugal pumps
CN109976300B (zh) 伺服系统的性能指标检测方法及计算机存储介质
CN116335977B (zh) 一种轴流式通风机、控制方法及存储介质
CN111102215B (zh) 轴流压气机流线流动稳定性预测方法及装置
Tóth et al. Industry 4.0 perspectives of axial and radial fans in smart industrial ventilation: conceptual case studies
CN108760329B (zh) 一种低压涡轮噪声试验方法及其改进方法
CN115688319A (zh) 一种变循环压缩系统试验匹配特性建模方法
CN114492163A (zh) 一种高炉风机运行工况预测方法、装置、设备及存储介质
CN211975355U (zh) 一种数据机房空调变频压缩机跳频带宽检测系统
CN115881882A (zh) 电极涂布面密度的控制方法和相关产品
CN112362156A (zh) 数据采集系统及方法
CN114880889B (zh) 一种高效的风机系统节能设计方法
Qiu et al. Accuracy study of energy-saving control for parallel pump systems
Huang et al. Flow performance analysis on shutoff condition in centrifugal pump based on CFD simulation
Kerres On stability and surge in turbocharger compressors
CN211290382U (zh) 云机房环境调节装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant