[发明专利]一种基于机器学习的水轮发电机组大轴轴线调整方法

权利要求书

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。