[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

说明书

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。

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；