用于礦井通風網絡解算的通風機風壓性能曲線自動識別方法

吳奉亮 寇露

文章編號：1671?251X（2024）04?0103?09 ?DOI：10.13272/j.issn.1671-251x.2023100036

摘要：從通風機性能曲線圖像中采樣并識別風壓性能曲線，進而擬合出風壓性能函數是礦井通風網絡解算的關鍵技術。目前常用人工方式識別風壓性能曲線，效率低且準確性不高。提出一種基于圖像處理技術的通風機風壓性能曲線自動識別方法。采用雙邊濾波、圖像銳化和二值化技術對原始通風機風壓性能曲線圖像進行預處理，以提高圖像質量。分別基于腐蝕算法、輪廓檢測算法提取通風機性能曲線圖像中的網格線和坐標文字，采用邏輯運算、中值濾波、輪廓檢測和 K3M算法提取風壓性能曲線。以逐行像素識別方式識別風壓性能曲線的像素坐標，采用模板匹配算法識別坐標數字，進而完成像素坐標到物理坐標的轉換，實現風壓性能曲線識別。將通風機風壓性能曲線自動識別方法集成至通風網絡解算軟件，對通風機風壓性能曲線進行識別試驗，結果表明，該方法對單條風壓性能曲線的采樣速度為24 Samples/s，識別的風壓性能曲線與原始曲線的重合度高，風壓擬合值與原始值的最大誤差僅為0.88%，較人工識別方法大大提高了通風網絡解算效率和準確性。

關鍵詞：礦井通風網絡；通風網絡解算；通風機；風壓性能曲線；圖像自動識別；風壓性能函數擬合

中圖分類號：TD724 ?文獻標志碼：A

Automatic recognition method of ventilator wind pressure performance curve for mine ventilation network calculation

WU Fengliang， KOU Lu

（College of Safety Science and Engineering， Xi'an University of Science and Technology， Xi'an 710054， China）

Abstract： Sampling and recognizing the wind pressure performance curve from the wind performance curve image， and then fitting the wind pressure performance function， is a key technology for solving the mine ventilation network. Currently， manual methods are commonly used to recognize wind pressure performance curves， which have low efficiency and poor accuracy. This study proposes an automatic recognition method for the wind pressure performance curve of ventilator based on image processing technology. The method uses bilateral filtering， image sharpening， and binarization techniques to preprocess the original ventilator wind pressure performance curve image， in order to improve image quality. The method extracts grid lines and coordinate text from the performance curve image of the ventilator based on corrosion algorithm and contour detection algorithm. The method uses logical operation， median filtering， contour detection， and K3M algorithm to extract the wind pressure performance curve. The pixel coordinates of the wind pressure performance curve are recognized using a row by row pixel recognition method. The method uses template matching algorithm to recognize coordinate numbers， and then complete the conversion from pixel coordinates to physical coordinates， achieving wind pressure performance curve recognition. The automatic recognition method for the wind pressure performance curve of the ventilator is integrated into the ventilation network calculation software. The recognitionexperiment is conducted on the wind pressure performance curve of the ventilator. The results show that the sampling speed of the method for a wind pressure performance curve is 24 Samples/s. The recognized wind pressure performance curve has a high overlap with the original curve. The maximum error between the wind pressure fitting value and the original value is only 0.88%. Compared to manual recognition methods， the method greatly improves the efficiency and accuracy of the ventilation network calculation .

Key words： mine ventilation network; ventilation network calculation; ventilator; wind pressure performance curve; automatic image recognition; wind pressure performance function fitting

0引言

我國礦井通風正在經歷自動化、智能化的變革，智能通風系統已成為煤炭行業智能礦井建設中的重要內容[1-3]。礦井通風網絡解算是智能通風系統主要內容之一[4-6]，提高礦井通風網絡解算軟件友好性、智能性的相關研究具有重要意義[7-9]。通風機風壓性能函數是礦井通風網絡解算中的關鍵信息，相關的原始資料多為圖像文件。通過計算機自動、準確地識別出圖像文件中的風壓性能曲線坐標，再自動擬合出精準的風壓函數，是智能通風系統中不可或缺的技術，也是評價通風網絡解算系統智能性的重要指標。

一直以來，關于準確獲取通風機風壓性能函數的研究受到許多學者的關注。唐輝雄等[10]以零偏差點個數、零偏差點比率、總偏差、平均偏差和偏差率作為評估指標，采用最小一乘法擬合通風機風壓等性能函數。尹昌盛等[11]采用正反拋物線對通風機風壓性能曲線中的“駝峰”位置進行擬合，避免了二次多項式假收斂和五次多項式曲線振蕩問題。葉敏等[12]基于通風機特性曲線矢量化軟件，指出風壓曲線樣點的采集應集中在曲線拐彎處。賈騰等[13]使用最小二乘法擬合通風機在不同安裝角度下風壓與風量之間的關系式，并利用1stOpt 中的公式自動搜索擬合關系式。吳奉亮[14]采用偏回歸系數顯著性檢驗來確定通風機風壓性能曲線擬合多項式函數的階數。

上述研究均以人工采集的通風機風壓性能曲線圖像上有限的樣點為原始參數，樣點采集效率低，風壓性能曲線識別準確率不高。直接識別通風機性能曲線圖像中的風壓性能曲線，進而基于大數據量樣點擬合風壓性能函數，對于提高曲線識別精度和通風網絡解算軟件的智能性有現實意義。本文采用圖像處理技術，提出了一種通風機風壓性能曲線自動識別方法，得到了滿足通風網絡解算要求的風壓性能函數。

1通風機風壓性能曲線特征及對網絡解算的影響

礦井通風機在出廠或后期性能測定過程中會形成性能曲線圖像，主要有效率性能曲線和風壓性能曲線。某對旋式通風機性能曲線圖像如圖1所示。橫坐標為通風機風量，縱坐標為通風機在不同葉片安裝角下的輸出風壓。風壓性能曲線上的數字為對旋式通風機2個葉片的安裝角，效率性能曲線上的數字為通風機運行效率。在有效的工作范圍內，風量與風壓呈單調遞減關系，即風量越小，通風機輸出風壓（承擔的阻力）越大。風壓性能曲線中的每一個點均為通風機潛在的工況點。通過人工準確計算通風機運行于某實際礦井中的工況點往往很難完成，這是因為礦井通風系統復雜，通風機與風網、井巷風阻耦合作用決定網絡中的流量分配。

某簡化礦井通風網絡如圖2所示，箭頭表示風流方向，分支8的風量為通風機風量。

在通風機作用下，風流在巷道中流動滿足節點流量平衡定律（式（1））與風壓平衡定律（式（2））。

式中：N 為礦井通風網絡分支數；bkj 為節點?k 與分支?j 關系；qj 為分支?j 的風量；M為礦井通風網絡節點數；cij 為分支?j 與回路?i 的關系；rj 為分支?j 的風阻；?hfj 為分支?j 中通風機的風壓性能函數，是分支風量?qj 的函數；l 為獨立回路數，l=N?M+1。

通風網絡解算即求解式（1）和式（2）組成的非線性方程組，以求得每條分支風量的過程。在式（2）中，通風機性能以風壓性能函數 hfj 的形式表現，但其多以如圖1所示的曲線圖像文件存在，因此需在通風網絡解算軟件中對通風機性能曲線圖像進行識別，得出風壓性能函數。

2通風機性能曲線圖像預處理

圖1中存在印刷產生的黑色污點和像素值區分度低導致的圖像模糊等問題，且采集圖像時可能因光照不均勻產生光斑，影響識別效果，需對通風機性能曲線圖像進行預處理，以提高圖像質量。預處理操作包括將圖像尺寸統一為900×800、濾波去噪、銳化和二值化。

分別采用均值濾波、中值濾波和雙邊濾波算法對原始的通風機性能曲線圖像進行濾波去噪，結果如圖3所示。可看出3種方法均能夠有效去除噪聲，但雙邊濾波能更好地保留圖像邊緣信息[15]，因此選用雙邊濾波去噪。通過對多張通風機性能曲線圖像進行雙邊濾波發現，將與待處理像素點距離為50、像素值相差15的像素點視為相似并賦予更高權重時，濾波效果最佳。

濾波去噪操作會引入一定程度的圖像模糊。為了提升圖像的清晰度，需進行圖像銳化處理。本文采用圖像卷積[16]方式來實現。定義一個中心數值為5、周圍數值為?1的卷積核，對濾波圖像進行卷積操作。該設置可以突出中心像素點，減弱周圍像素點的影響，從而強化圖像邊緣。

二值圖能更好地突出圖像邊緣信息，提高圖像處理效率，因此對通風機性能曲線圖像進行二值化處理。閾值取200，將大于200的灰度值變為圖像中的最大灰度值，小于200的灰度值變為0。

圖1的預處理結果如圖4所示。可看出圖像清晰度明顯提升，數字間距明顯，噪聲被消除。

3通風機性能曲線圖像分割

通風機性能曲線圖像包括網格線（藍色）、坐標數字（紫色）和曲線（紅色）3個部分，如圖5所示。3個部分相互交叉，統一識別會導致算法冗雜和識別結果不準確，因此需要進行圖像分割。

3.1基于腐蝕的網格線提取

腐蝕和膨脹都是針對二值圖像的處理算法。腐蝕通過消除物體邊界點來分開看似相連的區域；膨脹通過擴大物體邊緣，將分開的區域連接或消除小的空洞。提取網格線實質上是消除其他區域，因此采用腐蝕算法。

腐蝕效果與腐蝕算法采用的結構元素密切相關，結構元素是以某點為中心定義的像素塊，如矩形、十字形等。對背景為黑色的圖像進行腐蝕操作時，將結構元素的中心點依次置于圖像中每個非0像素點P（白色）處，若待處理圖像中結構元素覆蓋區域內存在0像素點（黑色），則將點P 的像素值置為0，否則保留其像素值。

從腐蝕的原理可知，當結構元素完全被包含在某圖形中時，腐蝕操作不會對圖形造成影響。因此設置尺寸為100×1的水平線型結構元素對二值化的通風機性能曲線圖像（圖4（b））進行腐蝕和反色操作，結果如圖6（a）所示，可看出只有完全包含水平線型結構元素的橫線被保留。同理，設置尺寸為1×100的垂直線型結構元素提取豎線，結果如圖6（b）所示。對圖6（a）與圖6（b）進行邏輯“或”運算，得到網格線，如圖6（c）所示。若輸入的通風機性能曲線圖像中沒有網格線，只有橫縱坐標軸，上述算法依然可識別出橫線和豎線。

3.2基于輪廓檢測的坐標值提取

分析通風機性能曲線圖像可看出，坐標數字單獨存在于網格線之外，因此將原圖像中網格線外輪廓范圍內的內容全部置為背景色，即可提取出坐標數字。需要說明的是，如果在坐標文字附近存在干擾數字及文字，如人為涂畫的痕跡，則需要人工清除這些痕跡，否則會影響算法執行。采用圖像處理中的輪廓檢測算法提取坐標文字，基本思想是從圖像中某個起始點開始，沿著輪廓邊緣進行追蹤，直到回到起始點。常用的輪廓檢測算法有邊緣追蹤算法[17]、分水嶺算法[18]等。

本文采用邊緣追蹤算法對識別出的網格線（圖6（c））進行最外層的輪廓檢測。從該輪廓中某個0像素點 P0出發，按順時針或逆時針順序在點 P0周圍上、下、左、右、右上、右下、左上、左下的八鄰域點中尋找下一個0像素點 M0，然后從點 M0開始重復此操作，直到回到點 P0，完成輪廓檢測。用矩形對該輪廓進行框選，得到如圖7（a）所示的紅色矩形框。對該矩形填充白色，得到如圖7（b）所示的含坐標數字圖像。若輸入圖像沒有網格線，只有橫縱坐標軸，仍可通過上述方法得到紅色矩形，完成坐標數字的分割。

3.3曲線提取

曲線部分完全存在于網格線范圍內。為提取曲線，需先提取網格線范圍內的所有內容，再去除網格線和標注文字。對于通風機性能曲線，每個風量值（橫坐標值）只對應唯一的風壓值（縱坐標值），但在像素層面，曲線上的點由多個像素點構成，即每個橫坐標對應多個縱坐標，因此需對曲線做細化處理。曲線提取過程如圖8所示，步驟如下。

1）利用邏輯運算和中值濾波去除網格線。提取網格線范圍內所有內容，結果如圖8（a）所示。該圖中背景色與圖6（c）中背景色均為白色，因此對二者進行邏輯“異或”運算，使圖8（a）背景色變成黑色，與圖8（a）中網格線同色，即成功去除圖像中的網格線。對運算結果進行反色操作，結果如圖8（b）所示。可看出大部分網格線已被去除，殘留的部分痕跡可視作隨機噪聲。常用的方框濾波、雙邊濾波、中值濾波等濾波方法中，中值濾波對隨機噪聲的消除效果最好，因此選用尺寸為3×3的中值濾波器濾除隨機噪聲，結果如圖8（c）所示。可看出圖像噪聲被大量去除，僅含有標注文字和被網格線斷開的曲線。采用膨脹和腐蝕操作連接斷開的曲線，結果如圖8（d）所示。若輸入圖像中只有橫縱坐標軸，通過上述算法可去除橫縱坐標線并保證曲線的完整性。

2）利用輪廓檢測算法去除標注文字。由于標注文字具有獨立的輪廓，并與曲線的輪廓屬于同一層次，所以可將標注文字與曲線分別圈定，并根據文字輪廓明顯小于曲線輪廓的特點進行區分。對圖8（d）進行輪廓檢測，并對大小為10～1000像素的輪廓用藍色矩形進行框選和填充，結果如圖8（e）所示。可看出文字和噪聲均為藍色。將矩形顏色改為背景色，即可去除標注文字。為使曲線更加平滑，再次進行膨脹、腐蝕和中值濾波操作，結果如圖8（f）所示。至此成功提取出曲線部分。

3）采用 K3M 算法細化曲線。圖像細化是將圖像的線條從多像素寬度減小到單位像素寬度并保持原形狀的過程。K3M 算法是一種簡單易實現的圖像細化算法[19]。采用 K3M 算法對提取的曲線（圖8（f））進行圖像細化時，需經過多次迭代處理。每次迭代從左上角開始，逐行對每個0像素點進行6次檢查，查看其八鄰域內是否有3～7個相鄰的0像素點。若有則說明該點不屬于曲線骨架部分，需要刪除。當某個0像素點不滿足刪除條件時，迭代停止，完成圖像細化，如圖9所示。可看出圖像中的曲線形態與原圖像一致，且曲線寬度減小為1個像素寬度。

4 風壓性能曲線識別

針對圖像細化結果，識別曲線上的工況點。由 于圖像像素坐標系與通風機性能曲線的物理坐標系 不同，所以需將識別出的像素坐標轉換為物理坐標。

4.1 風壓性能曲線像素坐標識別

對圖像細化結果進行像素坐標識別時，從圖像 左上角開始，按行逐像素搜索構成曲線段的黑色像 素點。當在第 n 行第 m 列檢測到某 0 像素點 P1 時， 將其作為某段性能曲線的起點，并在該點的八鄰域 內尋找第 2 個 0 像素點 P2。由于風壓性能曲線是單 調遞減的，若點 P2 和點 P1 滿足單調遞減的規律，則 認為這 2 個點為風壓性能曲線中的點，保存二者的 像素坐標信息后將其變為白色，以避免重復搜索。 從點 P2 開始，按相同方法搜索構成風壓性能曲線的 下一個點。當搜索到第 n 個點的八鄰域內沒有 0 像 素點時，表示這段曲線搜索結束，該點為曲線段終 點。然后從圖像中第 n 行第 m+1 列開始尋找下一段 曲線的首個 0 像素點。重復上述操作，找出所有曲 線段。需要說明的是，部分效率性能曲線也呈現單 調遞減趨勢，與風壓性能曲線相比，這部分效率性能 曲線在橫軸方向上的跨度遠大于縱軸方向，據此去 除效率性能曲線。另外，圖 9 中除曲線骨架外，還存 在一些特別短小的直線，因此，設定某條曲線段的樣 點數少于 25 時將其舍去。這使得識別出來的風壓 性能曲線呈斷裂狀，如圖 10 所示。可看出 5 條曲線 共斷裂成 31 條曲線段。之后通過膨脹、腐蝕、曲線 細化等操作得到完整的曲線坐標。

4.2 基于模板匹配算法的數字識別

為了將曲線的像素坐標轉換為物理坐標，需要 確定坐標系之間的轉換關系。識別出坐標軸上數字 及其所在的像素位置即可建立轉換關系，因此，坐標 轉換的關鍵是數字識別。

通風機性能曲線圖像中的數字以印刷體呈現， 與手寫體相比，數字樣式和比例更加固定，采用模板匹配算法進行識別更為簡潔。1個模板就是1張確定大小的圖像，只與0?9中的1個數字對應，圖像中顯示的也是該數字，如圖11所示（模板大小為30×40）。匹配就是計算模板圖像和與其具有相同大小的待匹配圖像之間的像素相似度，取得最大相似度的模板對應的數字即待匹配圖像中顯示的數字。本文采用歸一化相關匹配法[20]計算相似度。該方法基于矩陣內積來判斷相似性，2個矩陣的內積在一定程度上反映它們之間的相似度，內積越大，則相似度越高。為了避免光照對相似度的影響，歸一化相關匹配法先將模板和待匹配圖像的像素值分別減去各自的均值，再進行內積運算，將內積歸一化到[?1，1]范圍內。

每個坐標數字均由單個數字組成，在進行匹配前需將數字切割為單個數字。利用膨脹和腐蝕操作，將圖7（b）中組成各數的數字連成整體，再通過輪廓檢測算法找到如800等數字的矩形外輪廓。針對每個找到的矩形區域，采用膨脹、腐蝕和輪廓檢測算法找到每個數字（如800中的8，0，0）的矩形外輪廓，將其從圖7（b）中截取，即得到單個數字的圖像，并將尺寸調整為與模板相同大小。從圖7（b）中采集的數字8圖像如圖12所示，其與圖11（b）模板的相似度為0.92，與其他9個模板的相似度均小于該值，與圖11（a）模板的相似度僅為0.18，因此該圖片被識別為數字8。

完成坐標數字識別后，選取通風機性能曲線圖像橫坐標軸上最大值點A 和縱坐標軸上最大值點 B 為參考點，建立坐標系轉換關系 dx 和 dy。假設點 A 的像素坐標為（pxmax，pymin），物理坐標為（sxmax， symin）；點 B 的像素坐標為（pxmin，pymax），物理坐標為（sxmin，symax），則轉換關系為

5 方法應用

5.1程序實現

經過上述處理可從通風機性能曲線圖像中識別出足夠的樣點，再根據文獻[14]中的方法即可得到風壓性能函數。將相關算法集成到已有礦井通風網絡解算軟件中[21]，開發工具主要有 VC++，ObjectARX， OpenCV 等。 OpenCV 是一個開源的視覺庫，提供了豐富的圖像處理和計算機視覺算法。本文使用的 OpenCV 函數見表1，程序界面如圖13所示。使用時只需選擇待識別通風機性能曲線圖像，即可自動識別出風壓性能曲線。

5.2實例應用

為檢驗通風機風壓性能曲線自動識別方法的準確性與效率，對15張通風機性能曲線圖像進行識別。對于1張圖像，自動識別方法平均25 s完成3000個樣點采集，單條曲線采樣速度達24 Samples/s，而人工識別一般需30 min，可見本文方法效率明顯高于人工識別方法。

分別采用人工識別方法和自動識別方法對圖13中的通風機風壓性能曲線進行識別，結果如圖14所示。可看出人工識別結果在彎曲度較大的位置與原始曲線有明顯的分離，而自動識別結果幾乎與原始曲線重合，準確性更高。

軟件采用三階多項式對人工識別方法和自動識別方法獲得的風壓性能曲線進行擬合，擬合函數見表2，其中 Q 為風量。

2種方法擬合曲線上的部分工況點對比見表3。可看出人工識別方法的擬合風壓與原圖像中數值（原始值）的最大誤差為8.87%，最小誤差為1.49%；自動識別方法的擬合值最大誤差為0.88%，最小誤差僅為0.10%。自動識別方法獲取風壓性能曲線的平均準確率為人工識別方法的10倍以上。

設圖2中分支1?8的風阻分別為0.0009，0.0124，0.0123，0.0131，0.0113，0.0105，0.0096，0.0450 N?s2/m8，對應的實際工況點為（148 m3/s，3280 Pa）。對人工識別和自動識別出的風壓性能曲線進行網絡解算，所得通風機工況點如圖15所示。自動識別方法對應的工況點為（147.4 m3/s，3268.3 Pa），分支1?8的風量分別為140.197，69.984，70.213，1.214，68.770，71.427，140.197，140.197 m3/s，而人工識別方法對應的工況點為（149.7 m3/s，3371.9 Pa）。自動識別方法對應的工況點更貼合實際，解算精度更高。

6結論

1）基于圖像濾波、膨脹、腐蝕、輪廓檢測等計算機圖像處理方法，建立了一種通風機風壓性能曲線自動識別方法，采用三階多項式擬合出風壓性能函數，用于通風網絡解算。

2）自動識別方法對單條通風機風壓性能曲線上樣點的采集速度達24 Samples/s，較人工識別方法大大提高了通風網絡解算效率。

3）實例應用結果表明，與人工識別方法相比，自動識別方法得到的風壓性能曲線與原始曲線的重合度更高，10個工況點的風壓擬合值與原始值的最大誤差僅為0.88%，約為人工識別方法的1/10，驗證了自動識別方法具有更高的計算準確度。

參考文獻（References）：

[1]李偉宏，魏志丹.礦井智能通風控制系統研究及應用[J].工礦自動化，2021，47（增刊1）：72-74，84.

LI Weihong，WEI Zhidan. Research of mine intelligent ventilation control system and its application[J]. Industry and Mine Automation，2021，47（S1）：72-74，84.

[2]王凱，裴曉東，楊濤，等.礦井智能通風聯動調控理論與供需匹配實驗研究[J].工程科學學報，2023，45（7）：1214-1224.

WANG Kai，PEI Xiaodong，YANG Tao，et al. Study on intelligent ventilation linkage control theory and supply- demand matching experiment in mines[J]. Chinese Journal of Engineering，2023，45（7）：1214-1224.

[3]任子暉，李昂，吳新忠，等.礦井通風網絡風量智能調控研究[J].工礦自動化，2022，48（11）：110-118.

REN Zihui，LI Ang，WU Xinzhong，et al. Research on intelligent control of air volume of mine ventilation network[J]. Journal of Mine Automation，2022，48（11）：110-118.

[4]范京道，李川，閆振國.融合5G 技術生態的智能煤礦總體架構及核心場景[J].煤炭學報，2020，45（6）：1949-1958.

FAN Jingdao， LI Chuan， YAN Zhenguo. Overall architecture and core scenario of a smart coal mine in- corporating 5G technology ecology[J]. Journal of China Coal Society，2020，45（6）：1949-1958.

[5]談國文.復雜礦井通風網絡可視化動態解算及預警技術[J].工礦自動化，2020，46（2）：6-11.

TAN Guowen. Visualized dynamic solution and early warning technology for ventilation network of complex mine[J]. Industry and Mine Automation，2020，46（2）：6-11.

[6]周福寶，辛海會，魏連江，等.礦井智能通風理論與技術研究進展[J].煤炭科學技術，2023，51（1）：313-328.

ZHOU Fubao，XIN Haihui，WEI Lianjiang， et al. Research progress of mine intelligent ventilation theory and technology[J]. Coal Science and Technology，2023，51（1）：313-328.

[7]張浪，劉彥青.礦井智能通風與關鍵技術研究[J].煤炭科學技術，2024，52（1）：178-195.

ZHANG Lang，LIU Yanqing. Research on technology of key steps of intelligent ventilation in mines[J]. Coal Science and Technology，2024，52（1）：178-195.

[8]劉劍.礦井智能通風關鍵科學技術問題綜述[J].煤礦安全，2020，51（10）：108-111，117.

LIU Jian. Overview on key scientific and technical issues of mine intelligent ventilation[J]. Safety in Coal Mines，2020，51（10）：108-111，117.

[9]魏連江，周福寶，夏同強，等.礦井智能通風與災變應急決策平臺[J].中國安全科學學報，2022，32（9）：158-167.

WEI Lianjiang，ZHOU Fubao，XIA Tongqiang，et al. Mine intelligent ventilation and disaster emergency decision platform[J]. China Safety Science Journal，2022，32（9）：158-167.

[10]唐輝雄，趙伏軍，張柏，等.基于最小一乘準則求解礦井通風機性能曲線[J].中國安全生產科學技術，2014，10（10）：16-21.

TANG Huixiong，ZHAO Fujun，ZHANG Bai，et al. Solution on performance curves of mine ventilator based on least absolute deviation criteria[J]. Journal of Safety Science and Technology，2014，10（10）：16-21.

[11]尹昌勝，劉劍，鄧立軍.正反相切拋物線方法擬合通風機特性曲線[J].遼寧工程技術大學學報（自然科學版），2015，34（1）：77-81.

YIN Changsheng，LIU Jian，DENG Lijun. Characteristic curve of fan fitted with two positive and negative tangent parabolic curve method[J]. Journal of Liaoning Technical University（Natural Science），2015，34（1）：77-81.

[12]葉敏，楊應迪.軸流式風機特性曲線的圖形數字化及優化研究[J].煤炭工程，2013，45（增刊1）：110-