这些方法往往需要复杂的数学计算和重复的实验设计，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。基于引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算法和引风机历史运行数据建立性能预测模型，引风机采用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。（2）通过观察原型风机和斜槽风机叶片通道的流线图，可以看出设计风机的长、短叶片吸力面分离较弱，但没有强涡流区。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，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。

引风机模型训练完成后，将测试数据应用到所建立的模型中，验证模型的有效性。如果所建立的引风机模型满足建模的停止条件，则应用该模型。如果建立的模型不能满足建模的停止条件，则需要收集更多的数据进行模型训练。本文选取RBF核函数作为LSSVM的核函数。通过网格搜索方法得到核参数。煤矿主通风机采用离心风机。本文以离心风机为研究对象。采用LSSVM算法建立了风机性能预测模型，验证了该方法的有效性。引风机模型培训和测试样本从现场分布式控制系统中获得。采用lhs法，从离心风机稳定运行区选取100组数据进行模型培训，选择50组试验数据进行模型验证，模型培训的停止条件为rmse<0.05。引风机利用MATLAB实现了上述模型。为了减少引风机蜗舌与叶轮间隙过大造成的流量损失，第三种改进方案适当减小了蜗舌与叶轮间隙。图3显示了具有不同训练样本数的预测模型的RMSE。从图3可以看出，随着训练样本的增加，预测模型的RMSE值不断下降，最终趋于稳定。当训练样本数为30时，模型满足训练停止条件。当模型满足停止条件时，即使使用30个训练样本，模型的预测值也与实际值进行比较。由图4可以看出，该模型能较好地预测离心风机的出力，预测值与实际数据吻合较好。

为改善引风机受气体粘性影响导致流动分离加剧的现象，在传统蜗壳型线设计理论的基础上，研究气体粘性力矩对蜗壳壁线分布的影响，并采用动量矩修正方法对其进行改型设计。另外，为真实反映风机内流场分布情况，在标准k-ε 计算模型的扩散项中加入粘性应力作用，使其高计算误差降低至3%。对比分析改型前后风机数值模拟计算和试验测量结果可知，采用修改的k-ε 模型进行计算发现改型后风机内旋涡强度减小，蜗壳出口靠近蜗舌处流动分离得到改善。从表中可以看出，在设计条件下，风机的总压和效率随网格密度变化不大。试验结果表明：改型引风机出口静压提升约25Pa，较大全压效率较原型机提升约10%。

同时，由于蜗壳张开度扩大能够抑制流动分离，使蜗舌附近区域的旋涡强度及其影响区域减小，从而有效地降低了多翼离心风机噪声2.5dB。多翼离心风机广泛应用于国民经济的各个领域，是工业生产中主要耗能设备之一，蜗壳作为离心风机中不可或缺的基本元件，其结构的不对称性及内部流动的复杂性会对叶轮出口气流角造成较大影响，使其沿圆周方向呈现出明显的不对称性。而在风机实际运行过程中，引风机叶轮出口气流与蜗壳壁面间存在强烈的非定常干涉，使得蜗壳壁面成为风机的主要噪声源。因此提高蜗壳型线设计水平，不仅能改善风机气动性能，还能达到降低噪声的效果。研究结果表明，通过考虑气体粘性，对蜗壳型线进行改进，可以减小蜗壳内的流动损失，提高风机的效率。目前国内外学者对离心风机蜗壳型线的研究，主要集中在寻找能真实反映蜗壳内流体流动状态的设计方法。