简介《昆仑风机选型-v3.2.6》是一款面向暖通、工业通风及设备管理领域工程技术人员的专业选型工具用于根据实际工况快速匹配合适的风机型号解决人工查表效率低、参数匹配不精准的问题。软件围绕风机类型、性能参数、工作条件等核心维度展开支持输入风量、风压、功率等工况数据后自动推荐型号并可对比不同品牌与机型的能耗与运行成本辅助判断离心、轴流、罗茨等类型在不同场景下的适用性。资源包共2个文件以exe可执行程序和htm说明文档为主压缩包约5.51MB其中说明文档涵盖系统要求、安装步骤与使用指引便于快速上手。目前已有741人学习下载适合需要频繁选型或管理风机设备的工程技术人员参考使用可帮助缩短选型周期、提升参数匹配的准确性并借助版本迭代获得更稳定的操作体验。1. 风机选型这件事为什么值得用一套工具链来管做通风、除尘、锅炉配套的工程师大多有过类似经历工况参数给了一堆风量、风压、温度、介质密度、海拔、管网阻力全在表格里可到了选型环节还是靠翻样本、打电话、等厂家回传曲线。一个项目来回三四轮一周就没了。昆仑风机选型-v3.2.6 这类工具要解决的就是把「查样本 算工况 比型号 出参数」这条链路收进一个可复现的流程里让选型从经验活变成可验证的计算活。它适合三类人做系统集成的工艺工程师、负责设备采购的技术负责人以及需要快速给出初选方案的售前支持。核心价值不在「自动出结果」而在参数可追溯、边界可复算、方案可对比。2. 选型计算的底层逻辑从工况点到性能曲线的匹配2.1 风机选型到底在匹配什么选型的本质是找一条性能曲线让工况点落在高效区且不越界。工况点由两个量确定体积流量 Q 和全压 P。但工程上给的往往是质量流量、温度、介质成分需要先换算成风机进口状态下的体积流量。这里有个容易被忽略的点样本曲线通常标注的是标准进气状态比如 20℃、101.325kPa、密度 1.2kg/m³而实际工况的温度、海拔、介质密度都会让曲线整体偏移。所以选型第一步不是查样本是把实际工况折算到样本基准状态或者反过来把样本曲线换算到实际状态。换算的核心公式是相似定律。同一台风机转速变化时流量比 转速比全压比 转速比的平方轴功率比 转速比的三次方密度变化时流量不变全压与密度成正比轴功率与密度成正比这意味着如果你拿到的样本是 1.2kg/m³ 下的曲线而实际介质密度是 0.9kg/m³那么同一转速下全压要乘以 0.75功率也乘以 0.75。很多初选翻车就翻在这里直接拿样本全压去对管网阻力结果选大了或者选小了。2.2 用 Python 做工况换算与曲线匹配下面这段代码做两件事把实际工况折算到样本基准状态然后在给定的样本曲线点上做插值找出最接近工况点的转速和型号。样本曲线用离散点表示实际工程中可以从样本表或厂家数据里整理成这种结构。import numpy as np # 样本曲线某型号在标准状态(20C, 101.325kPa, rho1.2)下的离散点 # 每行: [流量 m3/h, 全压 Pa, 轴功率 kW, 转速 rpm] sample_curve np.array([ [2000, 3200, 3.2, 2900], [2500, 3000, 3.6, 2900], [3000, 2700, 4.0, 2900], [3500, 2300, 4.3, 2900], [4000, 1800, 4.5, 2900], ]) def correct_to_sample(Q_act, P_act, rho_act, rho_sample1.2): 把实际工况折算到样本基准状态 Q_act: 实际体积流量 m3/h P_act: 实际全压 Pa rho_act: 实际介质密度 kg/m3 # 流量不随密度变化 Q_sample Q_act # 全压按密度比折算 P_sample P_act * (rho_sample / rho_act) return Q_sample, P_sample def find_operating_point(Q_sample, P_sample, curve): 在样本曲线上找最接近的工况点返回插值结果和偏差 Qs curve[:, 0] Ps curve[:, 1] # 按流量插值出曲线上的全压 P_on_curve np.interp(Q_sample, Qs, Ps) # 偏差实际需求全压与曲线全压之差 diff P_sample - P_on_curve return Q_sample, P_on_curve, diff # 实际工况风量 3200 m3/h全压需求 2000 Pa介质密度 0.95 kg/m3 Q_act, P_act, rho_act 3200, 2000, 0.95 Q_s, P_s correct_to_sample(Q_act, P_act, rho_act) print(f折算到样本状态: Q{Q_s:.0f} m3/h, P{P_s:.0f} Pa) Q_op, P_curve, diff find_operating_point(Q_s, P_s, sample_curve) print(f曲线上对应全压: {P_curve:.0f} Pa, 偏差: {diff:.0f} Pa) # 如果偏差为正说明样本曲线在该流量下全压不够需要提高转速或换型号 # 转速调整估算n_new n_old * sqrt(P_need / P_curve) if diff 0: n_old sample_curve[0, 3] n_new n_old * np.sqrt(P_s / P_curve) print(f建议转速提升至: {n_new:.0f} rpm)这段代码的逻辑分三层。第一层是状态折算把实际密度下的全压需求换算到样本的 1.2kg/m³ 基准这样后续才能直接和样本曲线比较。第二层是插值匹配用np.interp在离散曲线点上按流量插出全压得到当前流量下样本能提供的全压。第三层是偏差判断如果需求全压高于曲线全压说明该型号在目标流量下压头不够需要提转速或换大一号机型。参数说明rho_sample默认 1.2如果样本标注的是其他基准比如 1.0 或 1.165要改成对应值。sample_curve的转速列在变转速场景下要按相似定律重新生成曲线族不能只存一条。实际使用时样本曲线点越多插值越准建议每个型号至少保留 8 到 12 个点覆盖从关死点到最大流量的范围。2.3 管网阻力曲线的拟合与工况点求解风机的工作点不是单方面决定的是风机曲线和管网阻力曲线的交点。管网阻力近似满足 P K * Q²K 是阻力系数由管道长度、弯头、阀门、过滤器等决定。工程上常用实测点反推 K再用它预测不同流量下的阻力。def fit_duct_K(points): 用实测点拟合管网阻力系数 K points: [(Q1, P1), (Q2, P2), ...] 单位 m3/h, Pa Qs np.array([p[0] for p in points]) Ps np.array([p[1] for p in points]) # P K * Q^2最小二乘解 K sum(P*Q^2) / sum(Q^4) K np.sum(Ps * Qs**2) / np.sum(Qs**4) return K def solve_operating_point(curve, K): 求风机曲线与管网曲线的交点 在流量范围内扫描找 P_fan - P_duct 变号的位置 Qs curve[:, 0] Ps_fan curve[:, 1] Ps_duct K * Qs**2 diff Ps_fan - Ps_duct # 找符号变化点 idx np.where(np.diff(np.sign(diff)))[0] if len(idx) 0: return None i idx[0] # 线性插值求交点 Q1, Q2 Qs[i], Qs[i1] d1, d2 diff[i], diff[i1] Q_op Q1 - d1 * (Q2 - Q1) / (d2 - d1) P_op np.interp(Q_op, Qs, Ps_fan) return Q_op, P_op # 实测管网点两个工况下的流量和阻力 duct_points [(1800, 800), (2800, 1900)] K fit_duct_K(duct_points) print(f管网阻力系数 K {K:.6f}) op solve_operating_point(sample_curve, K) if op: print(f工作点: Q{op[0]:.0f} m3/h, P{op[1]:.0f} Pa)这里的关键是 K 的拟合。实测点至少两个最好覆盖常用流量段。如果只有设计工况一个点K 可以按 P/Q² 直接算但预测其他流量时误差会大。求解交点用扫描加线性插值比解析法更稳因为实际曲线不是单调的关死点附近有驼峰。注意solve_operating_point返回的是第一个交点如果曲线有多个交点不稳定工况需要结合效率曲线判断哪个是稳定工作点。3. 把选型流程拆成可复用的模块3.1 输入参数的结构化定义选型翻车的一大原因是输入参数散落在聊天记录和邮件里。我一般会先定义一个参数结构把必填项和选填项分开。必填项包括体积流量或质量流量、全压或管网阻力描述、介质温度、介质密度、海拔、防爆要求、噪声限值。选填项包括调速方式、安装方式、材质要求、轴承寿命要求。用 Python 的 dataclass 可以把这个结构固定下来避免漏项。from dataclasses import dataclass, field from typing import Optional dataclass class FanDuty: Q_m3h: float # 体积流量 m3/h P_pa: float # 全压 Pa temp_c: float 20.0 # 介质温度 rho_kgm3: Optional[float] None # 介质密度None 则按空气温度算 altitude_m: float 0.0 # 海拔 explosion_proof: bool False # 是否防爆 noise_limit_db: Optional[float] None control: str 定速 # 定速/变频/液力耦合 def actual_density(self): 按温度、海拔估算实际密度或返回用户给定值 if self.rho_kgm3 is not None: return self.rho_kgm3 # 标准大气压随海拔衰减温度对密度的影响 p0 101325 * (1 - 2.25577e-5 * self.altitude_m) ** 5.25588 T self.temp_c 273.15 R 287.05 # 空气气体常数 return p0 / (R * T) duty FanDuty(Q_m3h3200, P_pa2000, temp_c120, altitude_m800) print(f实际密度: {duty.actual_density():.3f} kg/m3)actual_density这个方法把海拔和温度的影响都算进去了。海拔 800m 时大气压约 92kPa120℃ 下密度只有约 0.83kg/m³比标准状态低了 30% 以上。如果选型时忽略这一点全压和功率都会严重高估。control字段用来标记调速方式变频和定速在曲线换算上逻辑不同后面匹配时要分支处理。3.2 型号库的组织与筛选型号库不需要很复杂一个 CSV 或 SQLite 表就够。字段包括型号、转速、叶轮直径、样本曲线点、效率点、噪声、重量、材质选项。筛选逻辑分两步先按防爆、材质、噪声这些硬性条件过滤再按工况点匹配度排序。import sqlite3 import json def init_db(pathfan_models.db): conn sqlite3.connect(path) conn.execute( CREATE TABLE IF NOT EXISTS models ( id INTEGER PRIMARY KEY, name TEXT, speed_rpm REAL, impeller_mm REAL, curve_json TEXT, -- [[Q,P,kW], ...] efficiency REAL, noise_db REAL, explosion_proof INTEGER, material TEXT ) ) conn.commit() return conn def filter_models(conn, duty, max_noiseNone, need_explosionFalse): 按硬性条件筛选型号 sql SELECT * FROM models WHERE 11 params [] if need_explosion: sql AND explosion_proof 1 if max_noise is not None: sql AND noise_db ? params.append(max_noise) rows conn.execute(sql, params).fetchall() return rows def score_model(row, duty): 按工况点匹配度打分返回偏差和效率 curve np.array(json.loads(row[4])) Q_s, P_s correct_to_sample(duty.Q_m3h, duty.P_pa, duty.actual_density()) P_curve np.interp(Q_s, curve[:, 0], curve[:, 1]) diff P_s - P_curve # 偏差越小越好效率越高越好 score abs(diff) / P_s - row[5] * 0.1 return score, diff, row[1]filter_models只做硬性过滤不参与排序这样逻辑清晰。score_model里的打分公式是经验性的偏差占比权重高效率权重低因为偏差直接决定能不能用效率影响运行成本。实际项目中可以把噪声、重量也加进打分但要注意量纲统一。curve_json存的是[[Q,P,kW], ...]功率列在变转速换算时要用到。3.3 变转速与变频方案的曲线生成变频是现在的主流选型时不能只看工频点。变转速下曲线按相似定律平移但要注意相似定律在转速变化超过 ±20% 时误差会变大因为雷诺数变化导致效率偏移。工程上一般按等效率曲线做粗略换算再留 5% 到 10% 的余量。def generate_vfd_curves(base_curve, speed_ratios): 按相似定律生成变转速曲线族 base_curve: [[Q,P,kW], ...] 基准转速下的曲线 speed_ratios: [0.7, 0.8, 0.9, 1.0] 转速比列表 curves {} for r in speed_ratios: Q_new base_curve[:, 0] * r P_new base_curve[:, 1] * r**2 kW_new base_curve[:, 2] * r**3 curves[r] np.column_stack([Q_new, P_new, kW_new]) return curves base sample_curve[:, :3] # 取 Q, P, kW 三列 vfd generate_vfd_curves(base, [0.7, 0.8, 0.9, 1.0]) for r, c in vfd.items(): print(f转速比 {r}: 最大流量 {c[-1,0]:.0f} m3/h, 对应全压 {c[-1,1]:.0f} Pa)这段代码生成的是理论曲线族。实际变频选型时还要看电机在低频下的散热能力和转矩特性。如果转速比低于 0.6普通异步电机可能过热需要选变频专用电机或加独立风机。另外变频器的载波频率会影响电机噪声和轴电流这些在选型阶段就要和电气专业确认不能等到调试时才发现。4. 避坑与排查选型计算里最容易翻车的五个地方4.1 密度折算漏了海拔全压和功率全偏现象平原项目直接搬到高原风机风量看起来够但实际抽不动电机还过载。原因海拔升高后大气压下降同样体积流量下质量流量减少但管网阻力是按实际密度算的样本曲线却是标准状态。如果只按温度折算密度、漏了海拔实际密度会高估导致全压需求被低估。解决用actual_density这类方法把海拔和温度一起算进去或者直接查当地大气压表。折算后如果全压需求比样本高 15% 以上优先考虑换大一号机型而不是硬提转速。4.2 管网阻力系数 K 用设计点单点拟合现象设计工况能跑但一调阀门就震荡或者风量调不上去。原因K 用单个设计点 P/Q² 算出来只在该点附近准偏离后误差大。实际管网有弯头、变径、过滤器阻力曲线不是严格二次方。解决至少取两个实测点拟合 K最好覆盖 50% 到 110% 流量范围。如果拿不到实测点按管道类型分段估算 K 再求和比单点拍脑袋强。4.3 电机功率只按轴功率选忽略传动损失和工况波动现象调试时电机频繁跳闸热继电器动作。原因轴功率乘 1.1 就选电机没考虑传动效率皮带 0.95、联轴器 0.98、电机裕量一般 1.15、以及系统可能出现的最大流量工况。解决电机功率 轴功率 × 传动损失系数 × 电机裕量 × 工况波动系数。工况波动系数按系统类型取除尘系统取 1.1锅炉引风取 1.15空调送风取 1.05。4.4 噪声限值只看样本值没算管道传播衰减现象风机本体噪声达标但末端房间超标。原因样本噪声是风机进口或出口 1m 处的声压级经过管道、弯头、消声器后会有衰减但如果管道短、弯头少衰减量很小。解决选型时把噪声限值反推到风机 1m 处预留 5 到 10dB 余量。如果空间允许优先选低转速大叶轮机型比高转速小机型噪声低 8 到 12dB。4.5 防爆要求只看了电机忘了叶轮和壳体材质现象防爆审查不通过返工换叶轮。原因防爆不只是电机防爆风机叶轮和壳体如果采用普通碳钢摩擦或撞击可能产生火花。解决防爆场景下叶轮和壳体要选铝制、不锈钢或加涂层且叶轮与进风口的间隙要符合防爆标准。选型时把explosion_proof字段和材质字段联动过滤掉不满足的型号。5. 用参数化脚本做方案对比与快速迭代5.1 批量跑工况输出对比表实际项目里经常要对比三五个方案定速 vs 变频、大叶轮低转速 vs 小叶轮高转速、单台 vs 并联。手动算太慢用脚本批量跑输出一张对比表决策会快很多。def compare_schemes(duty, schemes): schemes: [{name: 方案A, model: row, speed_ratio: 1.0}, ...] results [] for s in schemes: curve np.array(json.loads(s[model][4])) r s.get(speed_ratio, 1.0) # 按转速比换算曲线 Q_curve curve[:, 0] * r P_curve curve[:, 1] * r**2 kW_curve curve[:, 2] * r**3 Q_s, P_s correct_to_sample(duty.Q_m3h, duty.P_pa, duty.actual_density()) P_avail np.interp(Q_s, Q_curve, P_curve) kW_at_op np.interp(Q_s, Q_curve, kW_curve) margin (P_avail - P_s) / P_s * 100 results.append({ 方案: s[name], 型号: s[model][1], 转速比: r, 可用全压: round(P_avail, 0), 需求全压: round(P_s, 0), 余量%: round(margin, 1), 轴功率kW: round(kW_at_op, 2), 噪声dB: s[model][6], }) return results # 假设从数据库取到两个型号 schemes [ {name: 工频直驱, model: (1, M-500, 2900, 500, json.dumps(sample_curve[:, :3].tolist()), 0.82, 85, 0, 碳钢), speed_ratio: 1.0}, {name: 变频降速, model: (1, M-500, 2900, 500, json.dumps(sample_curve[:, :3].tolist()), 0.82, 85, 0, 碳钢), speed_ratio: 0.85}, ] for row in compare_schemes(duty, schemes): print(row)输出是一张可以直接贴进方案书的表。余量百分比是关键指标一般控制在 5% 到 15% 之间。余量太小管网稍微积灰就抽不动余量太大工作点偏离高效区能耗高。变频方案在部分负荷下的功率优势明显但初投资高要结合运行小时数算回收期。5.2 用灵敏度分析找关键参数选型输入里有些参数是估算的比如管网阻力、介质密度、未来扩产余量。这些参数的不确定性对结果影响多大可以用灵敏度分析快速看。def sensitivity(duty, model_row, param, values): 对某个参数做扫描看工作点余量怎么变 curve np.array(json.loads(model_row[4])) out [] for v in values: d FanDuty(**{**duty.__dict__, param: v}) Q_s, P_s correct_to_sample(d.Q_m3h, d.P_pa, d.actual_density()) P_avail np.interp(Q_s, curve[:, 0], curve[:, 1]) out.append((v, round((P_avail - P_s) / P_s * 100, 1))) return out # 对全压需求做扫描看余量变化 for v, margin in sensitivity(duty, schemes[0][model], P_pa, [1800, 2000, 2200, 2400]): print(f全压需求 {v} Pa - 余量 {margin}%)如果全压需求从 2000 变到 2400余量从正变负说明这个型号对阻力估算很敏感要么留更大余量要么选大一号。灵敏度分析不用很复杂单参数扫描就能暴露大部分风险点。5.3 一个我常犯的错误忽略启动转矩最后说一个血泪教训。曾经有个项目选型计算全对工作点、功率、噪声都达标但调试时电机启动就跳闸。查了半天是风机惯性大启动时间超过电机允许的热积累。后来加了软启动器才解决。选型阶段很少有人算启动转矩但对于大叶轮、高惯量的风机启动电流持续时间可能到十几秒普通电机的热保护会动作。习惯做法是叶轮直径超过 800mm 或转动惯量大的机型选型时就标注需要软启动或变频启动别等调试时再补。这个坑不常遇到遇到一次就够记一辈子。希望帮到你。本文还有配套的精品资源点击获取