前言

在羅茨風機中，具有較好的進出風口設計，而且其對三葉轉子進行了較好應用，所以在實際運作過程中，其不會產生較大的噪聲污染，對周邊居民的正常生活影響較小；羅茨風機具有較好的持久性能，而且風機整體容量較大，有著較高的應用價值；軸承在風機中具有重要作用，而羅茨風機中的軸承具有較好質量，所以延長了風機的使用壽命。但是羅茨風機也極易遭受外界因素的影響，所以技術人員必須加強對其的研究。

羅茨風機中應用到了三葉轉子，在實際運作中，由于轉速和風量處于平衡狀態，所以羅茨風機不會造成較大的震動，也不會產生極大噪聲污染，所以不會對周邊居民的正常生活和工作造成影響。羅茨風機中有著較好的進出風口設計，風機端蓋與葉輪之間留有一定的縫隙，而且葉輪端面與風機端蓋間也留有一定的間隙，從而較好對風進行輸送。羅茨風機一般具有較簡單的結構，而且在運作和安裝方面都不需要進行復雜操作，其有著較好性能，穩定性較高，所以被廣泛應用于多種行業，促進了更行業良好發展。

羅茨風機在實際運作過程中，極易遭受自然因素及人為因素的影響，所以很容易出現故障，最終給各項工作的順利進行帶來極大不利，所以技術人員必須加強對羅茨風機工作狀態的監管，及時處理存在的問題，確保其能夠正常運作。

當羅茨風機內溫度過高時，一般是因為郵箱內的油過多且質量較差，或者壓力過大以及通風效果差，面對這種問題，技術人員須對雜質進行清除，合理設置通風口，并提高轉速，從而有效降低溫度。

當葉輪出現摩擦現象時，一般是由于齒輪不牢固或者葉輪間間隙較小，在處理這種問題時，技術人員須增加齒輪牢固度，并合理調整葉輪之間的間隙，從而防止葉輪出現摩擦現象。

如果出現流量不足現象，可能是由于過濾器出現堵塞現象或者皮帶出現打滑情況，在處理這種問題時，技術人員可以對過濾器中的雜質進行清除，并將皮帶拉緊，并對進口壓力值進行檢測和調整，從而確保流量穩定。

當電機出現超載現象時，可能是因為流量過大或者進出口位置出現堵塞情況，所以技術人員可以將氣體進行卸放，保證流量穩定，并且對進出口堵塞物進行清除，從而促進電機正常運作。

基于羅茨風機自身特性，其雖然在許多行業中都能發揮出較好作用，提高工作產量和效率、并降低整體成本、提高企業的經濟效益，但是其極易遭受自然因素及人為因素的影響，羅茨風機一旦在運作過程中出現問題，不僅對各項工作的正常進行造成極大影響，而且會給企業帶來巨大的損失，所以建立羅茨風機診斷模型有著重要意義，技術人員可以通過羅茨風機建立故障數據庫，當羅茨風機在工作中出現問題時，技術人員能夠及時根據故障數據庫對相關問題進行解決，從而更好發揮出羅茨風機作用。

3.1 應用小波神經網絡

本文主要對小波分析與神經網絡技術進行融合，并對機械技術進行合理利用，從而建立羅茨風機摩擦故障診斷模型。技術人員在對小波分析以及神經網絡技術進行結合時，主要有兩種方法，首先，技術人員可以對尺度函數以及小波函數進行合理利用，將小波分析與神經網絡進行結合，主要對不均勻信息進行處理。其次，技術人員主要通過小波變換對信號向量進行引出，并融入神經網絡，實現有效結合，能夠較好對故障進行診斷。在機械管理要求下，技術人員須在羅茨風機摩擦故障診斷模型中設置機械動力學模型，用以檢測轉子故障，并與神經網絡進行結合，促進檢測自動化。

3.2 選取神經網絡樣本

在對神經網絡樣本進行選取時，基于機械設備故障診斷特性，可以用測振傳感器對信號進行提取。技術人員必須對故障指標進行合理分析，確保其能夠對故障產生較大反應，一般可將裕度指數、峭度指數、脈沖指數等作為羅茨風機故障指標，能夠起到較好作用。在機械動力學基礎上，由于轉子系統具有一定的方程表達式，因此技術人員還需對表達式內相關特征量進行提取，表達式如下：

Mq+Dq+Kq=Q

其中M指的是機械動力學模型中質量矩陣，主要包括圓盤質量及軸；D指的是阻尼陣，主要包括陀螺運動、軸內阻以及軸承阻尼；K指的是剛度陣；Q指的是合外力向量。

技術人員還可以對小波包進行分解，獲得一系列子帶能量值，并將其作為故障指標輸進神經網絡，從而有效選取神經網絡樣本。由于各種數據存在差異性，所以技術人員需對其進行統一化，一般可以采用極差方式，并合理設置各類數據對應的羅茨風機故障情況，主要包括重度摩擦、輕度摩擦、無摩擦三種形式。

3.3 明確神經網絡數據

在對神經網絡數據進行明確時，基于機械管理特性，技術人員需對輸入層以及輸出層的神經元個數進行明確，并對轉子特征信號進行明確，一般可根據機械動力學基礎，對輸入特征向量以及輸出的特征向量進行確定，技術人員可將裕度指數、峭度指數、脈沖指數以及小波包分解后的30個特征向量作為輸出神經元個數以及輸入神經元個數，所以輸出神經元個數為2，輸入神經元個數為33。

在隱層方面，一般情況下，單隱層BP網絡能夠較好復合模型要求，所以技術人員可以直接選擇單隱層BP網絡，但是如何有效選擇單隱層神經元數量存在較大的問題。由于單隱層自身特性，神經元數量以及轉子特征信號過多過少都會對模型試驗造成影響，所以技術人員必須進行多次實驗，合理選擇神經元數量及轉子特征信號。

3.4 進行神經網絡實測

本文主要對6組樣本進行試驗，實驗結果如表1。

表1 羅茨風機摩擦故障診斷結果

由表1可知，診斷準確率為83.3%，所以能夠較好對羅茨風機故障進行診斷。

在實際情況中，羅茨風機在多方面都能發揮出較好作用，但是其極易遭受人為因素及自然因素的影響，所以技術人員必須采取有效措施完善羅茨風機，有效解決存在的各種問題。技術人員可以通過對羅茨風機故障原因及風機自身特性建立診斷模型，對各類數據進行補充，從而完善羅茨風機故障數據庫，為有效處理羅茨風機故障帶來便利。

作者：劉文敬

來源：《山東魯碧建材有限公司》

微信公眾號：備件網（關注查詢更多資訊）

（本文來源網絡，若涉及版權問題，請作者來電或來函聯系！）