CN114330122A - 一种基于机器学习的水轮发电机组大轴轴线调整方法 - Google Patents

Abstract

本发明是一种基于机器学习的水轮发电机组大轴轴线调整方法，其特点是，包括：构建基于改进灰色预测模型的轴线净全摆度预测模型，预测模型由原轴线净全摆度序列的加速平移与均值变换、改进灰色系统预测模型构成；构建基于火烈鸟搜索算法的轴线调整方位寻优模型；构建基于改进径向基函数神经网络算法的轴线最大净全摆度预测模型，预测模型由RBF神经网络预测轴线最大净全摆度、结合轴线调整计算公式计算轴线调整量两部分构成。能够智能且准确地计算出待加垫位置和加垫量，减少人工工作量，提升轴线检修的效率，其科学合理，接近实际轴线净全摆度数据，为水轮发电机组大轴轴线检修领域提供了新的技术方法和借鉴思路。

Description

一种基于机器学习的水轮发电机组大轴轴线调整方法

技术领域

本发明涉及水轮发电机组轴线调整技术领域，是一种基于机器学习的水轮发电机组大轴轴线调整方法。

背景技术

随着电力系统性能的日益发展和快速变革，大型水轮发电机组也在发展，水轮发电机组(HGU)是水电站关键设备的一部分。水轮发电机组轴线状态趋势的可靠测量，对于保障机组安全、促进电力系统稳定具有重要意义。在实际工程中，轴线调整是机组安装后期最重要的一项工作，机组大修也必须经过轴线调整检查，机组轴线的好坏综合反映了加工制造和安装检修质量，更会直接影响机组的运行稳定性。在轴线调整的过程中，需要进行一些轴线数据计算，其中轴线净全摆度和最大净全摆度具有很重要的参考意义，因此研究HGU的轴线净全摆度预测和最大净全摆度预测以及对轴线调整方位的寻优，对于保障水轮发电机组的安全，减小水电站的经济损失具有重要意义。

水轮发电机组轴线调整中的净全摆度、相对摆度、轴线调整等计算传统方法中仍以人工计算为主。轴线计算过程比较复杂，涉及上导、下导、水导等部位的测量数据，需要上导至下导，上导至水导、推力头直径等尺寸。因此，高效的轴线净全摆度预测方法有利于对轴线测量次数的减少，也是实现轴线测量的基础和前提，准确的轴线调整方位寻优方法能够对轴线的工期缩短具有重要作用。迄今未见与本发明基于机器学习的水轮发电机组大轴轴线调整方法相关的文献报道和实际应用。

发明内容

本发明的构思基础是，将八点历史净全摆度值数据输入改进的灰色模型，对下一时刻八点净全摆度值数据进行预测，再对八点净全摆度值数据进行净全摆度正弦函数拟合，利用火烈鸟搜索算法搜索净全摆度正弦函数中的最大值，获取的净全摆度正弦函数的最大值对应着大轴处的待加垫位置；将历史最大净全摆度值数据输入基于粒子群优化的RBF神经网络算法，预测大轴处待加垫位置的最大净全摆度值，之后按照轴线计算公式计算大轴待加垫位置的轴线加垫量，按照加垫量在大轴待加垫位置上进行加垫以调整水轮发电机组的轴线。

本发明所要解决的技术问题是，克服目前轴线检修技术的不足，提供一种科学合理，计算步骤简单，适用性强的基于机器学习的水轮发电机组大轴轴线调整方法。

实现本发明目的采用的技术方案是：一种基于机器学习的水轮发电机组大轴轴线调整方法，其特征是，它包括以下内容：

1)构建基于改进灰色预测模型的轴线净全摆度预测模型，所述预测模型由原轴线净全摆度序列的加速平移与均值变换、改进灰色系统GM(1,1)预测模型构成：

①原轴线净全摆度序列的加速平移与均值变换：由于历史轴线净全摆度序列具有振荡波动现象，采用加速平移和均值变换方法来降低轴线净全摆度序列的波动性；

设A＝{a(1),a(2),…,a(n-1),a(n)}为原轴线净全摆度序列，若存在k,k∈[1,2,…,n-1]，使得a(k+2)-a(k+1)＜0,a(k+1)-a(k)＞0，则称A为随机波动序列，令：

Q＝maximum{a(k)|k＝1,2,…,n} (1)

q＝minimum{a(k)|k＝1,2,…,n} (2)

称Q-q为序列A的波动幅度，记为E；

对加速平移变换作出定义：定义轴线净全摆度序列AE₁＝{a(1)e₁,a(2)e₁,…,a(n)e₁}，式中：

a(k)e₁＝a(k)+(k-1)E,k＝1,2,…,n (3)

称e₁为加速平移变换因子，经过一系列的数学逻辑证明可证e₁变换之后序列具有单调性；

对均值变换作出定义：e₁因子变换之后的轴线净全摆度序列具有单调性，对轴线净全摆度的原始序列进行拟合，需要对其进行二次变换，变换方法是引入均值变换，均值变换序列定义为：AE₂＝{a(1)e₁e₂,a(2)e₁e₂,…,a(n-1)e₁e₂,a(n)e₁e₂}，式中：

定义均值变换因子为e₂，经过一系列的数学逻辑证明可证e₂变换之后的轴线净全摆度序列不仅能保持轴线净全摆度序列的单调性，而且序列变得更加平滑；

②基于改进灰色系统GM(1,1)的轴线净全摆度预测模型建模：

(a)对原轴线净全摆度序列A⁽⁰⁾进行e₁因子变换为

C⁽⁰⁾＝{c⁽⁰⁾(1),c⁽⁰⁾(2),…,c⁽⁰⁾(n-1),c⁽⁰⁾(n)} (5)

(b)对原轴线净全摆度序列C⁽⁰⁾进行e₂因子变换为

U⁽⁰⁾＝{u⁽⁰⁾(1),u⁽⁰⁾(2),…,u⁽⁰⁾(n-1),u⁽⁰⁾(n)} (6)

(c)对原轴线净全摆度序列U⁽⁰⁾进行一次累加为

U⁽¹⁾＝{u⁽¹⁾(1),u⁽¹⁾(2),…,u⁽¹⁾(n-1),u⁽¹⁾(n)} (7)

(d)构建U⁽¹⁾序列的GM(1,1)微分方程

g,h参数由最小二乘法

来进行确定，其中：

P＝[u⁽⁰⁾(2),u⁽⁰⁾(3),…,u⁽⁰⁾(n-1),u⁽⁰⁾(n)]^T (11)

(e)定义其方程的响应函数：

(f)u⁽⁰⁾的预测函数通过依次累减为

其中：

(g)U⁽⁰⁾使用e₂反变换还原为

其中，

且

(h)使用e₁对C⁽⁰⁾反变换来获取原轴线净全摆度序列的预测函数为

其中：

2)构建基于火烈鸟搜索算法的轴线调整方位寻优模型：

①初始化种群，将轴线净全摆度的正弦拟合函数的解作为火烈鸟的种群，种群设置为P，最大迭代次数为Iter_Max，第一部分轴线净全摆度的正弦拟合函数解的迁徙火烈鸟的比例为MP_b；

②轴线净全摆度的正弦拟合函数解的火烈鸟种群更新第i次迭代中，轴线净全摆度的正弦拟合函数解的觅食火烈鸟的数量为MP_r＝rand[0,1]×P×(1-MP_b)，在这个迭代的第一部分，轴线净全摆度的正弦拟合函数解的迁徙的火烈鸟的数量是MP₀＝MP_b×P，这个迭代的第二部分轴线净全摆度的正弦拟合函数解的迁徙的火烈鸟的数量为MP_t＝P-MP₀-MP_r，得到轴线净全摆度的正弦拟合函数解的火烈鸟个体的适应度值，并根据轴线净全摆度的正弦拟合函数解的个体的适应度值对火烈鸟种群进行排序，前火烈鸟MP_b适应度低并且前火烈鸟MP_t有着高的适应度被认为是轴线净全摆度的正弦拟合函数解的迁徙火烈鸟，而其他的被认为是轴线净全摆度的正弦拟合函数解的觅食火烈鸟；

③更新轴线净全摆度正弦函数解的迁徙火烈鸟，更新轴线净全摆度正弦函数解的觅食火烈鸟；

④检查出界的轴线净全摆度正弦函数解的火烈鸟；

⑤达到最大迭代次数，转⑥；否则，执行②；

⑥输出轴线净全摆度正弦函数的最优解和最优值；

通过迭代，如果满足终止条件，输出最优解，最优解即为轴线净全摆度正弦拟合函数的最大值，最大值即为轴线调整方位；

3)构建基于改进径向基函数(RBF)神经网络算法的轴线最大净全摆度预测模型，预测模型由RBF神经网络预测轴线最大净全摆度、结合轴线调整计算公式计算轴线调整量两部分构成；

①RBF神经网络预测轴线最大净全摆度：设目标搜索空间的维度是N，粒子群中粒子的数目为D，粒子群优化算法内容如下：

第i个粒子的所处位置为：

X_i＝(x_i,1,x_i2,…,x_i,N),i＝1,2,…,D (17)

第i个粒子的运动速度为：

V_i＝(v_i,1,v_i,2,…,v_i,N),i＝1,2,…,D (18)

第i个粒子目前搜索到的适应度最高的个体最优解：

p_best＝(p_i,1,p_i,2,…,p_i,N),i＝1,2,…,D (19)

粒子群落迄今为止搜索的全局最优解：

g_best＝(g₁,g₂,…,g_N-1,g_N) (20)

粒子在迭代过程中，逐步更新自己的运动速度和所处位置：

式(21)中：c为学习因子；r₁,r₂为[0,1]区间的随机数；t代表当前迭代次数；ω为惯性权重因子；

学习因子分为2种：一种为个体学习因子，记作c₁，另一种为社会学习因子，记作c₂；c₁和c₂共同决定了粒子的个体和群体适应度对粒子轨迹的影响，代表粒子间的信息交流密切程度，为了保障同步率，把c₁、c₂设置为相同数值，即c₁＝c₂＝2；

惯性权重因子ω取值会影响全局寻优和局部搜索寻优，需要对ω的取值进行弹性优化，ω的取值在[0.08,0.92]区间，给出优化式为：

ω＝0.08+0.84log_r(T-t-2) (22)

式(22)中：T为PSO算法的最大迭代次数；t为当前迭代次数；

随着迭代次数的增加，ω非线性的递减，在迭代的初期，粒子采用区间为[0.5,0.92]的惯性权重因子进行搜索，使算法具有更高的全局寻优能力，在迭代的后期，粒子采用区间为[0.08,0.3]的惯性权重因子，有利于粒子进行局部寻优；

对于RBF神经网络关键是确定网络参数，采取对RBF神经网络中每层的连接权值进行优化，在其反向传播过程中，连接权值和阈值是借助粒子群中的粒子来进行搜索，通过动态调整来获取网络参数的最优值，在对每层的连接权值优化过程中，粒子群的适应度函数：

其中，Y_i和

分别为实际轴线最大净全摆度输出和网络预测轴线最大净全摆度输出，此时将历史轴线最大净全摆度输入改进的RBF神经网络得到轴线最大净全摆度预测值；

②轴线调整计算公式计算轴线调整量：利用d＝L/2计算大轴待加垫位置处的轴线的倾斜值d，其中，L表示轴线最大净全摆度值；

利用M＝r×d计算大轴待加垫位置的加垫量，r表示所述水轮发电机组的主轴的半径，其中，还能计算得到预设部件处的相对摆度值LX，LX＝L/g，其中，g表示相对距离，相对距离是大轴维修部位相对于大轴基准部位的距离。

本发明一种基于机器学习的水轮发电机组大轴轴线调整方法的有益效果体现在：

1.能够更加智能且准确地计算出待加垫位置以及加垫量，极大降低检修人工的工作量，提升轴线检修的效率，经试验数据验证本申请的一种基于机器学习的水轮发电机组大轴轴线调整方法；

2.经实验数据表明轴线净全摆度预测精度可达到约96％，该方法科学合理，接近实际轴线净全摆度数据，为水轮发电机组大轴轴线检修领域提供了新的技术方法和借鉴思路。

附图说明

图1为本发明的一种基于机器学习的水轮发电机组大轴轴线调整方法的流程示意图；

图2为法兰处的8分位点平面图；

图3为水轮发电机组轴线测量布置图；

图4为改进的灰色预测模型的误差结果图；

图5为轴线净全摆度正弦拟合函数的示意图；

图6为搜索净全摆度正弦函数中的最大值的实验结果图；

图7为下一次的轴线最大净全摆度值数据的预测结果图。

具体实施方式

下面利用附图和实施例对本发明的一种基于机器学习的水轮发电机组大轴轴线调整方法进行详细说明。

参照图1，本发明的一种基于机器学习的水轮发电机组大轴轴线调整方法，包括以下步骤：

1)将历史轴线八点净全摆度数据输入改进的灰色预测模型，预测下一时刻的轴线八点净全摆度数据，轴线净全摆度数据包括：水轮发电机组的大轴处的多个检修位置，以及每个大轴检修位置的净全摆度；

2)对所述下一次的轴线净全摆度值数据进行正弦函数拟合，得到净全摆度正弦函数，利用火烈鸟搜索算法搜索所述净全摆度正弦函数中的最大值，获取所述最大值对应的大轴检修位置处的待加垫位置；

3)将所述历史轴线最大净全摆度值数据输入基于粒子群优化的RBF神经网络算法，预测所述大轴检修处的最大净全摆度值，并根据所述轴线最大净全摆度值计算所述大轴待加垫位置的加垫量，按照所述加垫量，在所述大轴待加垫位置进行加垫以调整所述水轮发电机组的轴线。

能够更加智能且准确地计算出待加垫位置以及加垫量，极大降低人工的工作量，效率高，经试验数据验证本申请的一种基于机器学习的水轮发电机组大轴轴线调整方法的精度可达到约96％，例如通过图4可发现，测点三实际49，预测值为47.1，因此可达到约96％，该方法科学合理，接近实际净全摆度数据，为水轮发电机组大轴轴线检修领域提供了新的技术方法和借鉴思路。

其中，大轴的待检修位置可为水轮发电机组的推力头、上导、水导、下导、法兰等部位，首选法兰部位，将历史轴线八点净全摆度数据输入改进的灰色预测模型，预测下一时刻的轴线八点净全摆度数据，通过这种方法不仅能减少轴线检修采集数据的次数，而且能为轴线的状态检测和调整提供了坚实的数据支撑，轴线调整方法在水轮发电机组检修回装后，实现对水轮发电机组轴线安装质量的检查。

其中，可用角度表示大轴检修位置，方便进行后续的轴线调整位置计算，如参照图2和参照图3所示，将法兰的任一轴向横截面的中心作为中心点，将360°均分为8个等分，每个等分内设一个大轴轴线调整位置，共8个轴线调整位置，此时，轴线净全摆度数据包括：水轮发电机组的法兰处的8个检修位置，以及大轴每个待检修位置的净全摆度。

它可用Aⁱ＝{aⁱ(1),aⁱ(2),...,aⁱ(n)}表示，aⁱ表示其中一个检修位置第i次历史净全摆度数据，aⁱ(1)表示第i次历史净全摆度数据中的法兰处的第一个轴线调整位置的净全摆度，以此能类推出aⁱ(n)为第n次历史轴线净全摆度数据中的法兰处的第n个轴线调整位置的净全摆度，i为正整数，下一时刻的轴线净全摆度数据的预测结果参照图7所示。

其中，S2中，可通过MATLAB和Origin对下一次的轴线八点净全摆度数据进行正弦拟合，得到准确的轴线正弦函数，参照图5所示。

其中，利用火烈鸟搜索算法搜索所述轴线净全摆度正弦函数中的最大值，获取所述最大值对应的所述大轴待检修处的位置，即为导致水轮发电机组的轴线发生偏移的坐标位即大轴待加垫位置，也就是说，所述最大值对应的所述大轴检修处的位置为大轴待加垫位置，为轴线状态的调整提供重要参考；搜索轴线净全摆度正弦拟合函数中最大值的实验结果，参照图6所示。

然后通过轴线计算公式计算大轴待加垫处的加垫量，在所述大轴待加垫位置进行加垫以调整所述水轮发电机组的轴线，换句话说就是，对法兰处造成最大偏移的坐标位进行加垫以调整水轮发电机组的轴线的偏离程度，使水轮发电机组的轴线恢复正常范围。实现水轮发电机组的大轴轴线检修，保障水轮发电机组的正常运行。

本发明的一种基于机器学习的水轮发电机组大轴轴线调整方法，包括以下步骤，一种基于机器学习的水轮发电机组大轴轴线调整方法：

1)构建基于改进灰色预测模型的轴线净全摆度预测模型，所述预测模型由原轴线净全摆度序列的加速平移与均值变换、改进灰色系统GM(1,1)预测模型构成：

①原轴线净全摆度序列的加速平移与均值变换：由于历史轴线净全摆度序列具有振荡波动现象，采用加速平移和均值变换方法来降低轴线净全摆度序列的波动性；

设A＝{a(1),a(2),…,a(n-1),a(n)}为原轴线净全摆度序列，若存在k,k∈[1,2,…,n-1]，使得a(k+2)-a(k+1)＜0,a(k+1)-a(k)＞0，则称A为随机波动序列，令：

Q＝maximum{a(k)|k＝1,2,…,n} (1)

q＝minimum{a(k)|k＝1,2,…,n} (2)

称Q-q为序列A的波动幅度，记为E；

对加速平移变换作出定义：定义轴线净全摆度序列AE₁＝{a(1)e₁,a(2)e₁,…,a(n)e₁}，式中：

a(k)e₁＝a(k)+(k-1)E,k＝1,2,…,n (3)

称e₁为加速平移变换因子，经过一系列的数学逻辑证明可证e₁变换之后序列具有单调性；

对均值变换作出定义：e₁因子变换之后的轴线净全摆度序列具有单调性，对轴线净全摆度的原始序列进行拟合，需要对其进行二次变换，变换方法是引入均值变换，均值变换序列定义为：AE₂＝{a(1)e₁e₂,a(2)e₁e₂,…,a(n-1)e₁e₂,a(n)e₁e₂}，式中：

定义均值变换因子为e₂，经过一系列的数学逻辑证明可证e₂变换之后的轴线净全摆度序列不仅能保持轴线净全摆度序列的单调性，而且序列变得更加平滑。

②基于改进灰色系统GM(1,1)的轴线净全摆度预测模型建模：

(a)对原轴线净全摆度序列A⁽⁰⁾进行e₁因子变换为

C⁽⁰⁾＝{c⁽⁰⁾(1),c⁽⁰⁾(2),…,c⁽⁰⁾(n-1),c⁽⁰⁾(n)} (5)

(b)对原轴线净全摆度序列C⁽⁰⁾进行e₂因子变换为

U⁽⁰⁾＝{u⁽⁰⁾(1),u⁽⁰⁾(2),…,u⁽⁰⁾(n-1),u⁽⁰⁾(n)} (6)

(c)对原轴线净全摆度序列U⁽⁰⁾进行一次累加为

U⁽¹⁾＝{u⁽¹⁾(1),u⁽¹⁾(2),…,u⁽¹⁾(n-1),u⁽¹⁾(n)} (7)

(d)构建U⁽¹⁾序列的GM(1,1)微分方程

g,h参数由最小二乘法

来进行确定，其中：

P＝[u⁽⁰⁾(2),u⁽⁰⁾(3),…,u⁽⁰⁾(n-1),u⁽⁰⁾(n)]^T (11)

(e)定义其方程的响应函数：

(f)u⁽⁰⁾的预测函数通过依次累减为

其中：

(g)U⁽⁰⁾使用e₂反变换还原为

其中，

且

(h)使用e₁对C⁽⁰⁾反变换来获取原轴线净全摆度序列的预测函数为

其中：

2)构建基于火烈鸟搜索算法的轴线调整方位寻优模型：

①初始化种群，将轴线净全摆度的正弦拟合函数的解作为火烈鸟的种群，种群设置为P，最大迭代次数为Iter_Max，第一部分轴线净全摆度的正弦拟合函数解的迁徙火烈鸟的比例为MP_b。

②轴线净全摆度的正弦拟合函数解的火烈鸟种群更新第i次迭代中，轴线净全摆度的正弦拟合函数解的觅食火烈鸟的数量为MP_r＝rand[0,1]×P×(1-MP_b)，在这个迭代的第一部分，轴线净全摆度的正弦拟合函数解的迁徙火烈鸟的数量是MP₀＝MP_b×P，这个迭代的第二部分轴线净全摆度的正弦拟合函数解的迁徙火烈鸟的数量为MP_t＝P-MP₀-MP_r，得到轴线净全摆度的正弦拟合函数解的火烈鸟个体的适应度值，并根据轴线净全摆度的正弦拟合函数解的个体的适应度值对火烈鸟种群进行排序，前火烈鸟MP_b适应度低并且前火烈鸟MP_t有着高的适应度被认为是轴线净全摆度的正弦拟合函数解的迁徙火烈鸟，而其他的被认为是轴线净全摆度的正弦拟合函数解的觅食火烈鸟。

③更新轴线净全摆度正弦函数的解的迁徙火烈鸟，更新轴线净全摆度正弦函数的解的觅食火烈鸟。

④检查出界的轴线净全摆度正弦函数解的火烈鸟。

⑤达到最大迭代次数，转⑥；否则，执行②。

⑥输出轴线净全摆度正弦函数的最优解和最优值。

通过迭代，如果满足终止条件，输出最优解，最优解即为轴线净全摆度正弦拟合函数的最大值，最大值即为轴线调整方位。

3)构建基于改进径向基函数(RBF)神经网络算法的轴线最大净全摆度预测模型，预测模型由RBF神经网络预测轴线最大净全摆度、结合轴线调整计算公式计算轴线调整量两部分构成；

①RBF神经网络预测轴线最大净全摆度：设目标搜索空间的维度是N，粒子群中粒子的数目为D，粒子群优化算法内容如下：

第i个粒子的所处位置为：

X_i＝(x_i,1,x_i2,…,x_i,N),i＝1,2,…,D (17)

第i个粒子的运动速度为：

V_i＝(v_i,1,v_i,2,…,v_i,N),i＝1,2,…,D (18)

第i个粒子目前搜索到的适应度最高的个体最优解：

p_best＝(p_i,1,p_i,2,…,p_i,N),i＝1,2,…,D (19)

粒子群落迄今为止搜索的全局最优解：

g_best＝(g₁,g₂,…,g_N-1,g_N) (20)

粒子在迭代过程中，逐步更新自己的运动速度和所处位置：

式(21)中：c为学习因子；r₁,r₂为[0,1]区间的随机数；t代表当前迭代次数；ω为惯性权重因子；

学习因子分为2种：一种为个体学习因子，记作c₁，另一种为社会学习因子，记作c₂；c₁和c₂共同决定了粒子的个体和群体适应度对粒子轨迹的影响，代表粒子间的信息交流密切程度，为了保障同步率，把c₁、c₂设置为相同数值，即c₁＝c₂＝2；

惯性权重因子ω取值会影响全局寻优和局部搜索寻优，需要对ω的取值进行弹性优化，ω的取值在[0.08,0.92]区间，给出优化式为：

ω＝0.08+0.84log_r(T-t-2) (22)

式(22)中：T为PSO算法的最大迭代次数；t为当前迭代次数；

随着迭代次数的增加，ω非线性的递减，在迭代的初期，粒子采用区间为[0.5,0.92]的惯性权重因子进行搜索，使算法具有更高的全局寻优能力，在迭代的后期，粒子采用区间为[0.08,0.3]的惯性权重因子，有利于粒子进行局部寻优；

对于RBF神经网络关键是确定网络参数，采取对RBF神经网络中每层的连接权值进行优化，在其反向传播过程中，连接权值和阈值是借助粒子群中的粒子来进行搜索，通过动态调整来获取网络参数的最优值，在对每层的连接权值优化过程中，粒子群的适应度函数：

其中，Y_i和

分别为实际轴线最大净全摆度输出和网络预测轴线最大净全摆度输出，此时将历史轴线最大净全摆度输入改进的RBF神经网络得到轴线最大净全摆度预测值。

②轴线调整计算公式计算轴线调整量：利用d＝L/2计算大轴待加垫位置处的轴线的倾斜值d，其中，L表示轴线最大净全摆度值；

利用M＝r×d计算大轴待加垫位置的加垫量，r表示所述水轮发电机组的主轴的半径，

其中，还能计算得到预设部件处的相对摆度值LX，LX＝L/g，其中，g表示相对距离，相对距离是大轴维修部位相对于大轴基准部位的距离。

本实例验证了基于机器学习的大轴轴线调整方法的有效性与可行性。

本发明所涉及的计算机程序依据轴线调整技术，计算机处理技术编制，是本领域技术人员所熟悉的技术。

本发明的实施例仅用于对本发明作进一步的说明，并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。

Claims (1)

1.一种基于机器学习的水轮发电机组大轴轴线调整方法，其特征是，它包括以下内容：

1)构建基于改进灰色预测模型的轴线净全摆度预测模型，所述预测模型由原轴线净全摆度序列的加速平移与均值变换、改进灰色系统GM(1,1)预测模型构成：

①原轴线净全摆度序列的加速平移与均值变换：由于历史轴线净全摆度序列具有振荡波动现象，采用加速平移和均值变换方法来降低轴线净全摆度序列的波动性；

设A＝{a(1),a(2),…,a(n-1),a(n)}为原轴线净全摆度序列，若存在k,k∈[1,2,…,n-1]，使得a(k+2)-a(k+1)＜0,a(k+1)-a(k)＞0，则称A为随机波动序列，令：

Q＝maximum{a(k)|k＝1,2,…,n} (1)

q＝minimum{a(k)|k＝1,2,…,n} (2)

称Q-q为序列A的波动幅度，记为E；

对加速平移变换作出定义：定义轴线净全摆度序列AE₁＝{a(1)e₁,a(2)e₁,…,a(n)e₁}，式中：

a(k)e₁＝a(k)+(k-1)E,k＝1,2,…,n (3)

称e₁为加速平移变换因子，经过一系列的数学逻辑证明可证e₁变换之后序列具有单调性；

对均值变换作出定义：e₁因子变换之后的轴线净全摆度序列具有单调性，对轴线净全摆度的原始序列进行拟合，需要对其进行二次变换，变换方法是引入均值变换，均值变换序列定义为：AE₂＝{a(1)e₁e₂,a(2)e₁e₂,…,a(n-1)e₁e₂,a(n)e₁e₂}，式中：

定义均值变换因子为e₂，经过一系列的数学逻辑证明可证e₂变换之后的轴线净全摆度序列不仅能保持轴线净全摆度序列的单调性，而且序列变得更加平滑；

②基于改进灰色系统GM(1,1)的轴线净全摆度预测模型建模：

(a)对原轴线净全摆度序列A⁽⁰⁾进行e₁因子变换为

C⁽⁰⁾＝{c⁽⁰⁾(1),c⁽⁰⁾(2),…,c⁽⁰⁾(n-1),c⁽⁰⁾(n)} (5)

(b)对原轴线净全摆度序列C⁽⁰⁾进行e₂因子变换为

U⁽⁰⁾＝{u⁽⁰⁾(1),u⁽⁰⁾(2),…,u⁽⁰⁾(n-1),u⁽⁰⁾(n)} (6)

(c)对原轴线净全摆度序列U⁽⁰⁾进行一次累加为

U⁽¹⁾＝{u⁽¹⁾(1),u⁽¹⁾(2),…,u⁽¹⁾(n-1),u⁽¹⁾(n)} (7)

(d)构建U⁽¹⁾序列的GM(1,1)微分方程

g,h参数由最小二乘法

来进行确定，其中：

P＝[u⁽⁰⁾(2),u⁽⁰⁾(3),…,u⁽⁰⁾(n-1),u⁽⁰⁾(n)]^T (11)

(e)定义其方程的响应函数：

(f)u⁽⁰⁾的预测函数通过依次累减为

其中：k＝1,2,…,n；

(g)U⁽⁰⁾使用e₂因子反变换还原为

其中，

且

(h)使用e₁对C⁽⁰⁾反变换来获取原轴线净全摆度序列的预测函数为

其中：k＝1,2,…,n；

2)构建基于火烈鸟搜索算法的轴线调整方位寻优模型：

①初始化种群，将轴线净全摆度的正弦拟合函数的解作为火烈鸟的种群，种群设置为P，最大迭代次数为Iter_Max，第一部分轴线净全摆度的正弦拟合函数解的迁徙火烈鸟的比例为MP_b；

②轴线净全摆度的正弦拟合函数解的火烈鸟种群更新第i次迭代中，轴线净全摆度的正弦拟合函数解的觅食火烈鸟的数量为MP_r＝rand[0,1]×P×(1-MP_b)，在这个迭代的第一部分，轴线净全摆度的正弦拟合函数解的迁徙火烈鸟的数量是MP₀＝MP_b×P，这个迭代的第二部分轴线净全摆度的正弦拟合函数解的迁徙火烈鸟的数量为MP_t＝P-MP₀-MP_r，得到轴线净全摆度的正弦拟合函数解的火烈鸟个体的适应度值，并根据轴线净全摆度的正弦拟合函数解的个体的适应度值对火烈鸟种群进行排序，前火烈鸟MP_b适应度低并且前火烈鸟MP_t有着高的适应度被认为是轴线净全摆度的正弦拟合函数解的迁徙火烈鸟，而其他的被认为是轴线净全摆度的正弦拟合函数解的觅食火烈鸟；

③更新轴线净全摆度的正弦函数解的迁徙火烈鸟，更新轴线净全摆度的正弦函数解的觅食火烈鸟；

④检查出界的轴线净全摆度的正弦函数解的火烈鸟；

⑤达到最大迭代次数，转⑥；否则，执行②；

⑥输出轴线净全摆度的正弦函数最优解和最优值；

通过迭代，如果满足终止条件，输出最优解，最优解即为轴线净全摆度的正弦拟合函数的最大值，最大值即为轴线调整方位；

3)构建基于改进径向基函数(RBF)神经网络算法的轴线最大净全摆度预测模型，预测模型由RBF神经网络预测轴线最大净全摆度、结合轴线调整计算公式计算轴线调整量两部分构成；

①RBF神经网络预测轴线最大净全摆度：设目标搜索空间的维度是N，粒子群中粒子的数目为D，粒子群优化算法内容如下：

第i个粒子的所处位置为：

X_i＝(x_i,1,x_i2,…,x_i,N),i＝1,2,…,D (17)

第i个粒子的运动速度为：

V_i＝(v_i,1,v_i,2,…,v_i,N),i＝1,2,…,D (18)

第i个粒子目前搜索到的适应度最高的个体最优解：

p_best＝(p_i,1,p_i,2,…,p_i,N),i＝1,2,…,D (19)

粒子群落迄今为止搜索的全局最优解：

g_best＝(g₁,g₂,…,g_N-1,g_N) (20)

粒子在迭代过程中，逐步更新自己的运动速度和所处位置：

式(21)中：c为学习因子；r₁,r₂为[0,1]区间的随机数；t代表当前迭代次数；ω为惯性权重因子；

学习因子分为2种：一种为个体学习因子，记作c₁，另一种为社会学习因子，记作c₂；c₁和c₂共同决定了粒子的个体和群体适应度对粒子轨迹的影响，代表粒子间的信息交流密切程度，为了保障同步率，把c₁、c₂设置为相同数值，即c₁＝c₂＝2；

惯性权重因子ω取值会影响全局寻优和局部搜索寻优，需要对ω的取值进行弹性优化，ω的取值在[0.08,0.92]区间，给出优化式为：

ω＝0.08+0.84log_r(T-t-2) (22)

式(22)中：T为PSO算法的最大迭代次数；t为当前迭代次数；

随着迭代次数的增加，ω非线性的递减，在迭代的初期，粒子采用区间为[0.5,0.92]的惯性权重因子进行搜索，使算法具有更高的全局寻优能力，在迭代的后期，粒子采用区间为[0.08,0.3]的惯性权重因子，有利于粒子进行局部寻优；

对于RBF神经网络关键是确定网络参数，采取对RBF神经网络中每层的连接权值进行优化，在其反向传播过程中，连接权值和阈值是借助粒子群中的粒子来进行搜索，通过动态调整来获取网络参数的最优值，在对每层的连接权值优化过程中，粒子群的适应度函数：

其中，Y_i和

分别为实际轴线最大净全摆度输出和网络预测轴线最大净全摆度输出，此时将历史轴线最大净全摆度输入改进的RBF神经网络得到轴线最大净全摆度预测值；

②轴线调整计算公式计算轴线调整量：利用d＝L/2计算大轴待加垫位置处的轴线倾斜值d，其中，L表示轴线最大净全摆度值；

利用M＝r×d计算大轴待加垫位置的加垫量，r表示所述水轮发电机组的主轴的半径，其中，还能计算得到预设部件处的相对摆度值LX，LX＝L/g，其中，g表示相对距离，相对距离是大轴维修部位相对于大轴基准部位的距离。

Images