ハイドロの新軸調整方法

Dec 18, 2023

Scientific Reports volume 13、記事番号: 2935 (2023) この記事を引用

878 アクセス

1 オルトメトリック

メトリクスの詳細

水力発電所の電力品質と効率は、水力発電ユニットの安定した動作に依存します。水力発電ユニットは動作し続ける必要があり、軸故障が発生しやすいものです。そこで、効果的な軸調整技術を採用し、不具合を解消します。本論文は,改良されたグレイ予測モデルと群知能最適化ニューラルネットワークに基づく水力発電機ユニットの軸調整のための新しい方法を提案する。まず第一に、振動変動を示す軸正味合計スイングシーケンスを前処理するために使用されるシーケンス加速変換および平均値変換方法を提案します。 e1 および e2 因子変換を使用して、改善された軸正味合計スインググレー予測モデルを確立します。次に、高度なフラミンゴ検索アルゴリズムを使用して、軸の正味合計振り子の正弦関数の最大値を検索し、軸調整方向を取得します。この方法は、従来の単調シーケンスでのみ GM(1, 1) を予測できたという問題と、探索アルゴリズムが局所最適に陥りやすいという問題を解決し、軸の計算効率を効果的に向上させ、探索時間を短縮します。シミュレーション例は、提案された方法が軸調整の精度を大幅に向上できることを示しています。この方法により、軸調整のための方位探索の効率が大幅に向上します。

水力発電ユニット (HGU) は、水力発電所の主要機器の一部です1,2。水力発電の傾向を確実に測定することは、ユニットの安全性を確保するための設定軸であり、電力システムの安定性を促進するために非常に重要です3。実際のエンジニアリングにおいて、ユニット設置後期の軸調整は最も重要な作業となります。ユニットのオーバーホールには軸調整検査も必要です。ユニット軸の品質は、設置とメンテナンスの品質を総合的に反映します4。正味合計スイングの軸調整中心軸と最大正味合計スイング度は軸調整計算の重要なパラメータであるため、水力発電の軸の角度は正味合計スイングと予測を設定し、最大正味合計の軸に対しても設定されます。水力発電機ユニットの安全性を確保し、水力発電所の経済的損失を軽減するために、揺動調整ベアリングの検索は非常に重要です。5.水力発電機ユニットの軸調整における正味合計揺動と相対揺動の計算はまだ行われていません。主に手計算で。軸の計算処理は複雑で、上部リード、下部リード、水リードなどの測定データが必要となり、上部リードから下部リード、上部リードから水リードまでの寸法、スラストヘッド径などの寸法が必要となります。の上。したがって、軸ネットトータルスイングの効率的かつ正確な予測方法は、軸測定回数の削減に役立ち、軸測定を実現するための基礎および前提条件でもあります6。機械学習手法における水力発電機軸の正味合計スイングと最大正味合計スイングを予測するための代表的な予測アルゴリズムは 4 つあります。サポートベクターマシン（SVM）を用いた予測方法。物理情報に基づくニューラルネットワーク (PINN)。グレーモデル(GM)を用いた予測手法。軸調整方位探索には、従来の手動処理と群知能アルゴリズムという 2 つの主な方法があります。現在、機械学習は多くの分野で広く活用されていますが、水力発電ユニットの軸調整にはまだあまり応用されていません7。しかし、軸調整方向の探索が困難であるという問題は、軸調整方向についてはアルゴリズムを用いることで機械学習により解決できる8,9。

上記問題を解決するために、本論文では機械学習を用いた水力発電ユニットの軸調整のための新しい方法を提案する。その主な貢献には以下が含まれます。

改良型GM(1,1)を用いた軸ネットトータルスイングの予測方法を提案する。加速翻訳および意味変換手法を通じて、正味トータルスイングシーケンスは、一連のボラティリティを弱めるために振動変動が前処理されていることを示しています。このモデルは、GM(1, 1) が単調シーケンスによってのみ予測できるという問題を解決します。次に、改良された GM(1, 1) アルゴリズムを使用して、軸の正味合計スイングデータを予測し、軸の測定処理効率を向上させることができます。

軸調整姿勢を正確に探索するために,フラミンゴ探索アルゴリズムを用いた軸調整姿勢探索の最適化手法を提案した。このモデルは、従来の探索アルゴリズムが局所最適解に陥りやすいという問題を解決します。

本稿では従来の手動軸処理による手法を提案し、代表的な機械学習アルゴリズムと比較した。性能評価により、モデルによる軸調整方向の検索が大幅に改善できることがわかりました。

軸方向の総スイング予測の分野では、ラフセットとサポートベクターマシンを組み合わせた分類器が文献10,11で提案されており、HGUの故障診断に適用されています。 HPG 振動傾向測定モデルは文献 12 で提案されており、最適変分モード分解 (OVMD)、カオスサイン - コサインアルゴリズム最適化 (CSCA)、および改良型最小二乗サポートベクターマシン (LSSVM) に基づいています。文献 13 では、HPG の動作状態の変化過程を効果的に追跡し、HPG の異常な動作状態を事前に監視する、Guassion 回帰プロセス (GPR) に基づく HPG の早期故障予測手法が提案されています。文献 14 では、斜流水車ユニットの安定性パラメータを予測するための最小二乗サポートベクトルマシン (LS-SVM) 方法が提案されています。文献 15 では、最長 1 年間の月次発電量を予測するために、エクアドルの水力発電の時系列予測モデル ARIMAX (1, 1, 1) が開発されました。文献 16、17、18 では、水力発電ユニットの性能低下傾向を予測するためのグレー予測モデル (GM(1, 1)) が提案されています。文献 19,20 では、物理情報に基づくニューラルネットワーク (PINN) 損失関数をオフラインで発見するためのメタ学習手法が提案されています。これはメタ学習に関する以前の研究を拡張し、PINN で解かれるパラメータ化された偏微分方程式 (PDE) に基づいて多様なタスク分布に対処するための勾配ベースのメタ学習アルゴリズムを開発します。上記の方法により、特定の条件下で軸方向測定の効率が向上しましたが、ニューラルネットワークの選択では、パラメータの設定だけでなくデータセットのサイズも考慮する必要があるため、誤差は避けられません。さらに、それらはすべて水力発電機セットの軸の正味フルスイングのデータセットに適しているわけではありません。

軸調整方位探索に関しては、文献 21,22 で改良された適応評価方法が提案されており、安定性パラメータセットと不安定性パラメータセットの概念が提唱され、安定性探索戦略に適用され、モデルアルゴリズムの局所探索能力が効果的に向上しました。そしてそれは水力発電機セットモデルの安定性と精度を保証しました。文献 23、24、25、26 では、水力発電機ユニットの特性パラメータの劣化について、動径基底関数 (RBF) 補間、経験的モード分解 (EMD)、近似エントロピー、人工ニューラルネットワーク、およびグレー理論に基づく予測方法が提案されています。水力発電ユニットの動作パラメータの劣化傾向に関する非線形予測モデルが文献 27、28、29、30、31 で提案されています。モデルは、動径基底関数内挿、ウェーブレット変換、最大リアプノフ指数予測法、およびグレー予測モデル (GM(1, 1) 法) に基づいていました。文献32は、動的警報曲線モデルを提唱し、GA-BPニューラルネットワークモデルを確立し、警報動的曲線を訓練して出力することによって頭覆いの垂直振動を取得した。上記の方法は、ある瞬間の軸調整量を予測することは可能であるが、その多くは単段階予測に属し、水力発電ユニットの軸調整量の変化傾向をより早く知る必要がある場合には、単段階予測が必要である。 -ステップ予測モデルは、ローリング予測を使用したマルチステップ予測に拡張する必要があります33、34、35。その場合、毎回誤差が継続的に重畳されるため予測精度が低下し、水力発電機の実際のニーズを満たすことができませんメンテナンスプロジェクトを設定します。機械学習アルゴリズムは、予測と最適化を解決するための重要な方法です。改良されたグレーモデルに基づいて、振動波現象を伴うデータ系列は、系列の変動性を弱めるために加速変換および意味変換手法によって前処理され、その後、因子変換によって予測関数が得られます。フラミンゴアルゴリズムは、フラミンゴの移動と採餌行動に基づいた新しい群れインテリジェンス最適化アルゴリズムです 39,40,41。検索スペースの検索と開発の能力を向上させ、検索と開発のバランスを確保し、非線形最適化問題を効果的に解決できます。改良された RBF ニューラルネットワークは、粒子群最適化を使用して RBF ニューラルネットワークの中心を決定し 42、43、44、慣性重み係数によって最適化速度を制御し、水力発電のメンテナンスデータの正味合計スイングの最大値を取得します。ジェネレータユニットをニューラルネットワークの入力ベクトルとして使用し、実軸調整量を予測します45、46、47。

本論文では水力発電ユニットの運転状態を表す状態量として軸調整点における正味の総揺動を用いる。改良されたグレーモデルを使用して,将来の軸調整点での正味合計スイングを予測し,大きな軸の周りの8つの状態点での軸の正味合計スイングの予測値をそれぞれ取得した。次に、８点軸の正味合計スイング値の正弦関数フィッティングを行って正弦関数を求め、これに基づいて正味合計スイングの正弦関数を求める。次に、得られた正味合計スイング正弦関数を使用して、フラミンゴ検索アルゴリズムを使用して、軸調整時の正味合計スイングの正弦関数の最大値を検索し、対応する軸調整方向を取得します。

軸調整方向と軸調整量の決定も実現します。全体的な枠組みを図 1 に示します。

アキシアルアライメントモデルの枠組み図。

このセクションでは、水力発電ユニットの関連データを確認し、軸維持データセットを観察すると、軸の正味合計スイングシーケンスが変動現象を示していることがわかります。軸の正味総振りに振動変動があるという問題を解決するために,本論文では,加速並進と加重平均変換を用いて変動現象を伴う軸の正味総振り子を前処理し,単調条件を満たした後,GM(1,1)モデリングを改良した。

従来の GM(1, 1) モデルの基本的な考え方: 数学的モデリングを容易にするために、元の正味合計スイングシーケンスが 1 回蓄積されます。累積後のシーケンスは指数関数的に増加する傾向があるため、モデルの構築には近似 1 階微分方程式が使用されます。最後に、モデリングシーケンスの蓄積により予測シーケンスが生成され、元の正味トータルスイングシーケンスの発展傾向の予測が完了します。

従来の GM(1, 1) の具体的なモデリングプロセスは次のとおりです。

元の正味合計スイングシーケンスを次のようにします: \(X^{{_{(0)} }} = \{ x^{(0)} (1),x^{(0)} (2), \ldots ,x^{(0)} (n)\}\) を生成し、このシーケンスに対して 1 回の累積を実行して生成します。式として (1)。

\(X^{(1)} = \{ x^{(1)} (1),x^{(1)} (2), \ldots ,x^{ として、指数関数的な規則性を持つ正味合計スイングシーケンスを生成します。 (1)} (n)\}\)。

\(X^{(1)}\) は、数列を 1 次微分 (式 2) 方程式の解として近似します。

ここで、 a はモデルの発展係数です。 b はグレーアクションの量です。

パラメータ \(A = [a,b]^{T}\) を示し、最小二乗法を使用して A を次のように求めます。

どこ：

a、b の値を見つけて式に代入します。 (2) 計算します。

式からの累積減少 (4) は、正味合計スイング予測関数を次のように生成します。

従来の GM(1, 1) モデリングでは、元の軸シーケンスの正味合計スイングはあまり規則的ではないため、累積的な変更を実行する必要があり、式 1 を使用します。 (2) 数学的モデルを構築する。このモデリング方法では、軸正味合計スイングの元のシーケンスが振動するかどうかに関係なく、累積的に生成されるシーケンスは単調変化し、縮小シーケンスも同様の変化傾向を示します。元のシーケンスの正味合計スイングが単調である場合、予測精度は向上しますが、元のシーケンスが振動して変動する場合、縮小されたシーケンスが単調に変化し、元のスイングシーケンスを正確にフィッティングできないため、予測精度は理想的ではありません。

軸正味合計スイング振動波形シーケンスが単調傾向になるように数学的に変換される場合、数学的モデルは GM(1, 1) によって確立され、最後にリダクション関数が計算され、その後数学的逆変換が実行されます。軸の正味合計スイング予測シーケンスを取得するには、従来の GM(1, 1) モデルが振動シーケンスの予測精度が高くないという問題の良い解決策になります。この論文では、加速翻訳と意味変換方法を組み合わせて、振動変動現象を伴う系列を前処理し、系列の変動を弱めます。

\(X = \{ x(1),x(2), \ldots ,x(n)\}\) は軸の正味合計スイングの元のシーケンスであり、\(k,k \in [1, 2, \ldots ,n - 1]\)、\(x(k + 1) - x(k) > 0,x(k + 1) - x(k) < 0\) となる場合、次のようになります。 \(X\) はランダムなスイングのシーケンスになります。式として (6)と(7)。

M–m はシーケンス X の振幅であり、T で示されます。

元の振動シーケンスの軸の正味合計スイングの変動性を弱めるために、加速された並進変換を定義します。 \(XE_{1} = \{ x(1)e_{1} ,x(2)e_{1} , \ldots ,x(n)e_{1} \}\)、式:

これは、加速並進変換係数 e1 と呼ばれ、この変換後の元のスイングシーケンスの単調傾向は、単純な数学的操作で証明できます。

加重平均変換を定義します。e1 因子処理後の軸の正味合計スイングシーケンスは単調傾向を示し、モデリング条件があります。元のシーケンスの軸の正味合計スイングをより正確に適合させるために、加重平均変換を導入して因数分解されたシーケンスに二次変換を実行し、変換されたシーケンスが定義されます。

これは、加重平均変換係数 e2 と呼ばれます。簡単な数学的計算により、e2係数変換後の軸の正味合計スイングシーケンスは、軸の正味合計スイングの元のシーケンスの単調特性を維持し、軸の正味合計スイングシーケンスをより滑らかにすることができることが証明できます。

元のスイングシーケンスの軸の正味合計スイングを次のようにします。

改良された GM(1, 1) モデリングプロセスは次のとおりです。

\(X^{(0)}\) \(Y^{(0)} = \{ y^{(0)} (1),y として、元のシーケンスの正味合計スイングの軸で e1 因子変換を実行します。 ^{(0)} (2), \ldots ,y^{(0)} (n)\}\)。

シーケンス \(Y^{(0)}\) は次のように e2 因子変換されます。

シーケンス \(Z^{(0)}\) の合計を実行します。

数列の \(Z^{(1)}\) の GM(1, 1) 微分方程式をモデル化します。式として (10)。

a、b パラメータは最小二乗法によって計算されます。式として (11)。

とりわけ、それは決定されています。

GM(1, 1) 微分方程式の応答関数。

軸の正味合計スイング予測関数は、1 回の累積削減 \(z^{(0)}\) によって得られます。

\(k = 1,2, \ldots ,n;\mathop z\limits^{\,\,\,\,\,\wedge (0)} (1) = z^{(0)} ( 1)\)。

\(Z^{(0)}\) の場合、達成するには \(e_{2}\) 係数の逆変換を使用します。式として (14)。

ここで \(\mathop y\limits^{\,\,\, \, \, \wedge(0)} (1) = y^{(0)} (1)\)、および

\(e_{1}\) 因子ペア \(Y^{(0)}\) による元のシーケンスの軸の正味合計スイングの逆変換により、予測関数が得られます。式として (16)。

つまり: \(k = 1,2, \ldots ,n;\mathop x\limits^{\,\,\, \, \, \wedge(0)} (1) = x^{(0)} ( 1)\)。

上記の改良された GM(1, 1) のステップと因子変換後の式を図 2 に示します。

改良された GM アルゴリズムのフレームワーク図。

改良された GM(1, 1) によって振り子の正味合計度数の軸を予測することで得られます。次に、すべての次数の正弦関数フィッティングをクリーンにし、横軸として大きなシャフトベアリングを確立し、正味合計スイングを次のように確立する必要があります。縦軸は、正弦関数最適化の最大正味合計スイングに対するフラミンゴアルゴリズムを使用した、正弦フィッティング関数後の正味合計スイング度です。最後に、軸正味全振り子の正弦関数の最大値に対応する独立変数が軸調整方位角です。

Flamingo には、最適化アルゴリズムに必要なグローバル検索機能とローカル開発機能があります。単一ピークおよび複数ピークの関数検索で良好な結果が得られます。したがって、正味トータルスイングの正弦関数の最大値を求めるのに適しています。

フラミンゴの 2 つの主な行動特性は、採餌行動と渡り行動です。フラミンゴは主に食べ物が豊富な場所に生息しています。フラミンゴの個体数は、大規模な採餌期間の後、その地域の餌が個体数を満足できないレベルまで減少すると移動します。対応する採餌および移動モデルが開発されます。

FSA モデルの主な最適化アイデアは次のとおりです。

コミュニケーション行動

群れの中で最も多くの餌を持ったフラミンゴは、他のフラミンゴを呼ぶことで位置情報を拡散し、群れ内の他のフラミンゴの位置変化に影響を与えます。理論的には、フラミンゴはエリア内で最も多くの食べ物がどこにあるかを知ることができません。ただし、これは、アルゴリズムが全体的な最適解を見つけることができないという意味ではありません。アルゴリズムはプログラムであり、プログラムを設定するときにプログラムの終了条件を伝えることができないためです。

FSA は、限られた利用可能な情報に基づいて、探索エリア内で最適なソリューションを探索するフラミンゴをシミュレートするアルゴリズムです。この論文では、j 次元で最も大量の餌を持つフラミンゴが xbj であると仮定します。

くちばしのスキャン動作

フラミンゴのくちばしが水の上に注がれると、大きなふるいのように機能し、水を吸い込み、すぐに濾過します。これは、その地域の餌の豊富さに影響される採食パターンです。フラミンゴのくちばしで押し流されるエリアに餌がたくさんあると、フラミンゴはそのエリアをより注意深くスキャンするようになり、フラミンゴの首がゆっくりと伸び、くちばしのスキャン半径が増加します。餌を求めて周囲をスキャンする可能性も高まります。フラミンゴのくちばしスキャン行動のモデルを図 3 に示します。

くちばしのスキャン動作。

フラミンゴが個体群の中で最も豊富な餌に近ければ近いほど、その地域に餌が豊富にある可能性が高くなります。この論文では、フラミンゴのくちばしをスキャンする行動をシミュレートします。フラミンゴ個体群の j 次元上の i 番目のフラミンゴの位置を xij とすると、自然界におけるフラミンゴの個体選択の変動性と、フラミンゴの採餌行動に影響を与える特定の環境の突然性を考慮する必要があります。そうしないと、フラミンゴの採餌行動と情報に誤りが生じます。この誤差をモデル化するために、標準的な正規ランダム分布が導入されます。この分布では、フラミンゴのくちばしのスキャンが、餌が最も豊富な位置に一致する可能性が高くなります。ただし、この情報に基づいたエラーが発生する可能性もわずかにあります。

採餌行動におけるフラミンゴのくちばしスキャンの最大距離は、\(|G_{1} \times xb_{j} + \varepsilon_{2} \times x_{ij} |\) として定量化できます。ここで、\(\varepsilon_{2 }\) は、− 1 または 1 の乱数です。最大距離は主に、採餌モードでのフラミンゴのくちばしスキャンの検索範囲を広げることを目的としています。ここで、G1 は標準正規分布に適合する乱数です。フラミンゴのくちばしスキャン動作におけるスキャン範囲をモデル化するために、正規分布が再度導入され、その変動曲線はフラミンゴのくちばしスキャン範囲の変動を \(G_{2} \times |G_{1} \times xb_ として近似します) {j} + \varepsilon_{2} \times x_{ij} |\)、G2 は正規分布に従う乱数です。

二足歩行の動作

フラミンゴの足の動きのモデルを図 4 に示します。フラミンゴが餌を探すとき、くちばしでスキャンしながら、爪はフラミンゴの個体群の中で最も豊富な餌に向かって移動します。移動距離は、人口の中で最も食料が豊富な場所が \(\varepsilon_{1} \times xb_{j}\) \(xb_{j}\), \(\varepsilon_{1}\ であると仮定することで定量化できます。 ) を - 1 または 1 の乱数として使用し、主にフラミンゴの採餌範囲の拡大と個体選択の違いの定量化を目的としています。

二足歩行の移動動作。

要約すると、数式 1 に示すように、反復におけるフラミンゴの採餌の移動ステップはフラミンゴのくちばしのスキャン範囲に足の移動距離が加算されます。 (17)。

フラミンゴの採餌行動の位置を更新する方程式は次のとおりです。

式では、 (18)、\(x_{ij}^{t + 1}\) は、(t + 1) における母集団の j 次元における i 番目のフラミンゴの位置 \(x_{ij}^{t}\) を示します。 ) 回目の反復では、x は t 回目の反復におけるフラミンゴ個体群の j 番目の次元における i 番目のフラミンゴの位置、つまりフラミンゴの足の位置を示します。 xbjt は、反復で最もよく適応したフラミンゴの集団における j 番目の次元の位置を示します。 k = K (n) は拡散係数で、n 自由度の基本分布を持つ乱数です。これはフラミンゴの採餌範囲を拡大し、自然界での個体選択の可能性をシミュレートするために使用され、世界的な実力主義を高めています。\(G_{1} = N(0,1)\) および \(G_{2 } = N(0,1)\) は標準正規分布に従う乱数で、\(\varepsilon_{1}\) と \(\varepsilon_{2}\) は − 1 または 1 でランダム化されます。

現在の採餌エリアで餌が不足すると、フラミンゴの個体群は次に豊富な餌エリアに移動します。次元 j 番目の餌が豊富な地域の位置が xbj であると仮定すると、フラミンゴの個体群の移動方程式は次のようになります。

式では、 (19)、xijt+1 は t + 1 回の反復における母集団の j 次元における i 番目のフラミンゴの位置を示し、xtij は t 反復におけるフラミンゴ母集団の j 次元における i 番目のフラミンゴの位置を示します。フラミンゴの足の。 \(xb_{j}^{t}\) は、反復における集団内の適応されたフラミンゴの j 次元の位置を示します。 \(\omega = N(0,N)\) は N の自由度を持つ乱数で、フラミンゴの移動中に探索空間を増やすために使用され、フラミンゴの個々の行動のランダム性をシミュレートするためにも使用されます。特定の移動中のフラミンゴ。

ステップ 1: 母集団を P、最大反復回数を \(Iter_{Max}\) に設定し、最初の部分で移動するフラミンゴの割合 \(MP_{b} を使用して、軸の正味合計スイング関数の母集団を初期化します。 \)。

ステップ 2: フラミンゴ個体群更新の i 回目の反復で採餌するフラミンゴの数は \(MP_{{\text{r}}} = rand[0,1] \times P \times (1 - MP_{b} ) です。 \)。この反復の最初の部分で移動するフラミンゴの数は \(MP_{0} = MP_{b} \times P\) です。この反復の 2 番目の部分で移動するフラミンゴの数は \(MP_{{\text{t}}} = P - MP_{0} - MP_{r}\) であり、個々のフラミンゴの適応度値が取得されます。そしてフラミンゴの個体数は個体の適応度の値に従ってランク付けされます。適応度の低い \(MP_{b}\) の元フラミンゴと高い適応度の元のフラミンゴ \(MP_{{\text{t}}}\) は渡りフラミンゴと考えられ、その他のフラミンゴは採餌フラミンゴと考えられます。

ステップ 3: 式 3 に従って渡りフラミンゴを更新します。 (19) 式 (19) に従ってフラミンゴを採餌する。 (18)。

ステップ 4: 立ち入り禁止のフラミンゴを確認します。

ステップ 5: 反復の最大数に達し、ステップ 6 に進みます。それ以外の場合は、ステップ 2 を実行します。

ステップ６：出力軸正味合計スイング関数の最適解と最適値を求める。 FSAのフローチャートを図5に示します。

FSA アルゴリズムのフローチャート。

この論文は、2015 年から 2020 年までの水力発電メンテナンス会社のメンテナンスデータに基づいています。分解された発電機セットの毎年の保守訪問回数が少ないため、このデータセットには 200 個の保守データが含まれており、各データには 4 種類の特性データが含まれており、絶対振れ、相対振れが含まれます。、ネット合計スイングと最大ネット合計スイング。このタイプの単位は水力発電の保守会社でよく使用されるため、このデータセットは重要な参照データセットとなっています。本稿では、大軸円周上の8点の測定点、合計2400項目からなるメンテナンスデータセットの1～80回分のデータについて予測検討を行った。そのうち、正味合計640のスイングデータがあります。保守作業者は主に正味総振幅を参考基準として作業を行います。したがって、正味合計スイングと最大正味合計スイングはデータセットとして個別にスクリーニングされます。最初の 70 項目のデータがトレーニングセット、最後の 10 項目のデータがテストセットです。この論文では 71 ～ 80 回のデータが研究に使用されています。表 1 は、正味合計振り子のデータです。

データセットは、Marr スケールおよび測定ソフトウェアを使用して取得されます。マースケールで測定したデータは絶対振り子であり、一連の軸調整式により正味全振り子、相対全振り子、最大正味全振り子が得られます。

本研究で確立した改良型 GM(1, 1) モデルの精度と妥当性を検証するために、吊り下げられた第 2 ガイドフランジの履歴データを選択し、1 ～ 80 回の予測を取得し、GM(1, 1)、BP、 SVM と PINN が比較のために選択されます。

8 つの測定点の軸の正味合計スイングの振り子の傾向を図 6 で観察できます。そこから、各測定点のデータは振動的な性質を示しており、単一の増加または減少傾向ではないことがわかります。したがって、従来の GM(1, 1) はあまり適用できず、振動トレンドを弱める必要があります。

軸上の8つの測定点におけるネットフルスイングの傾向。

この実験では、振動波現象を伴う軸正味トータルスイングシーケンスを加速変換および意味変換法によって処理し、正味トータルスイング振動シーケンスを弱めます。 GM(1, 1) はこの方法を使用して改善され、正味合計スイングが予測変数として使用されます。同時に、GM(1, 1)、BP、SVM、PINN モデルが比較用に選択され、最初の 70 回をトレーニング値として、71 回をトレーニング値として、71 ～ 80 回軸の正味合計スイングがそれぞれ予測されます。予測値の-80倍。実際の値。正味合計スイング予測の予測値と相対誤差を図 7 に示します。

モデルによる予測の比較。

図6から、本論文で提案する改良型GM(1, 1)軸に基づく正味トータルスイングの予測モデルは、他のアルゴリズムの予測値よりも実際の測定点の正味トータルスイングに近いことが分かる。。複数のモデルの予測精度を正確に分析するために、改良された GM(1, 1)、GM(1, 1)、BP、SVM、PINN の誤差比較分析が実行されます。さらに、ニューラルネットワークのランダム性により、各構造モデルはパラメーター設定中に 10 回のトレーニングと検証を行う必要があります。得られた誤差を表 2 に、8 つの測定点の平均誤差の比較を図 8 に示します。

平均誤差の比較。

図 8 からわかるように、従来の GM(1, 1)、BP、SVM、PINN と比較すると、加速並進と平均変換を組み合わせた振動で軸の正味合計スイングを弱めた後、GM(1) の平均誤差は大きくなります。 , 1) 和因数変換により構築されたモデルは他のモデルに比べて小さく、予測精度が高いことを示しています。振動波列に対する他のアルゴリズムの大きな予測誤差の問題が解決されました。

この研究では、表 3 に示すように、平均絶対誤差 (MAE)、二乗平均平方根誤差 (RMSE)、平均絶対パーセント誤差 (MAPE) などの 3 つの損失関数も比較します。

この研究では、5 つのアルゴリズムの 71 ～ 81 軸のネットフルスイングの予測値を損失関数として比較します。表 3 から、改良された GM、SVM、および PINN 間の MAPE は、それぞれ 2.1%、4.1%、および 3.3% に比較的近いことがわかります。 PINN は GM、BP、SVM に比べて MAE、RMSE、MAPE が小さく、改良型 GM と比較するとまだ一定の開きがある。改良型 GM は軸ネットフルスイングのデータ予測により適していると結論付けることができます。

それは図から明らかです。図９および図１０から、改良されたＧＭの平均ＭＡＥおよびＲＭＳＥは最小であり、ＰＩＮＮはわずかに悪く、ＧＭ、ＢＰおよびＳＶＭははるかに悪いことが分かる。改良された GM は、水車発電ユニットのネットフルスイングなどのデータに適しています。これは、実際のデータに近く、誤差が少なく、水車発電ユニットの保守担当者にとってより多くの参考値となるためです。軸の異常をより正確に判断でき、軸調整の効率が向上します。

アルゴリズム MAE と RMSE の比較。

軸の正味合計スイングの正弦関数曲線は、改良された GM(1, 1) 8 点正味合計スイング予測によって構築されます。 71 番目から 80 番目までの軸方向の正味合計スイング正弦関数を表 4 に示します。

正味合計スイング正弦関数の 71 ～ 80 倍を各手法の入力として使用し、正味合計スイング正弦関数の最大値を探索し、得られた最大値が姿勢調整となります。 10回の予測結果から得られた軸調整方位探索結果を表5に示します。

表 5 からわかるように、シミュレーテッドアニーリングアルゴリズムの検索結果は、従来の手動法や粒子群法に比べて誤差が大幅に小さく、高い検索精度と良好な安定性を備えています。ただし、フラミンゴアルゴリズムを使用した検索結果は実際の姿勢に近く、安定性が高くなります。さらに、フラミンゴアルゴリズムの最小誤差は0.55に達する可能性があり、実際の方向と比較した各方法の検索結果を図11に示します。

方法別の検索結果の比較。

集中法の軸調整方向探索の精度を正確に分析するために、図 12 に示すように、表 6 に示すように誤差比較を実行します。表から、選択された 10 個の実験結果から次のことがわかります。結果、従来の手動の最大誤差は 26、最小誤差は 3、平均誤差は 14.6、粒子群の最大誤差は 25.024、最小誤差は 1.287、平均誤差は 9.33、最大誤差は 9.33 です。模擬アニーリングは 19.1、最小誤差は 1.28、平均誤差は 7.92、フラミンゴの最大誤差は 1.71、最小誤差は 0.55、平均誤差は 1.26 です。フラミンゴ探索アルゴリズムのシーク後は、13.4 までに従来の手動よりも優れ、8.07 までに粒子群よりも優れ、6.66 までにシミュレーテッドアニーリングよりも優れています。フラミンゴ探索アルゴリズムは、軸探索の正味合計スイングにおいてより重要です。

各手法の平均誤差の比較。

有効な軸調整方法としては、機械学習に基づいた軸調整方法が挙げられます。この論文では、機械学習アルゴリズムを使用して、全体的な軸調整効率と軸調整精度を向上させることを目標としています。主な研究は次のとおりです。 (I) GM(1, 1) に基づく予測モデルを提案します。このモデルには、軸の正味合計スイング系列の変動を弱めるために、振動する軸の正味合計スイング系列を前処理するための加速変換と平均値変換が含まれています。 (II) 軸調整の向きを決定します。この論文では、フラミンゴ検索アルゴリズムに基づく軸調整向きの最適化モデルが提案されています。実験結果は、フラミンゴ検索アルゴリズムの平均誤差が 1.26 であり、より多くの節約ができることを示しています。手動の軸方向検索と比較して 80% の時間。これは、本論文で提案したフラミンゴ探索アルゴリズムに基づく軸方向調整が実用的であることを示しています。本来の伝統的な労働消費量は平均 5 日で発電量に影響を与えます。 62,000 kW ユニットの平均発電量: 62,000 × 24 時間 × 5 日 = 744 万 kWh/ユニットより、本論文で提案する方法は 1 日に短縮でき、発電量への影響は従来の 5 分の 1 にすぎません。 1、つまり 148.8 万 kWh/ユニット。従来の手動停止軸メンテナンス作業と比較して、本論文の軸測定時間は80%以上短縮でき、各ユニットの人件費は従来の16人、5日間の建設期間、1人当たり550元から計算されます。 : 5日間×16人×550元/日=44,000元/単位、2人/日の場合は11,100元/単位に減額されます。時間内にユニットの軸のずれやねじれを見つけて解決策を見つけるための信頼できる基礎を提供し、直接的および間接的に経済的利益を向上させ、幅広い応用の見通しがあり、軸の調整に適しています。送電網の安全かつ安定した運用を強力に保証し、水力発電ユニットのメンテナンスに対する確かな技術サポートを提供します。

現在の研究中に生成および/または分析されたデータセットは、水力発電会社の要請により公開されていません。この論文で使用されているデータは、水力発電会社自身の発電設備の運用データのため公開できませんが、入手可能です。合理的な要求に応じて責任著者から。

チャン、ＥＣら。パワーコンディショニングアプリケーション向けの適応ニューロファジィ推論システムベースのグレー時変スライディングモード制御。ニューラルコンピューティング。応用 30、3 (2016)。

Google スカラー

Xia, X. & Ni, W. 水力タービン発電機ユニットの新しい故障解析および診断方法。 J. ヴィブロエング。 18(6)、3568–3580 (2016)。

記事 Google Scholar

Sheikhan, M. および Mohammadi, N. エラッタム: PSO に最適化されたニューラルネットワークと IEEE 負荷データのハイブリッド特徴選択アルゴリズムを使用した時系列予測。ニューラルコンピューティング。応用 23(3–4)、1195 (2013)。

記事 Google Scholar

ＮＢシェイクら。人工ニューラルネットワークを使用して原油パイプラインの寿命状態を予測するインテリジェントモデル。ニューラルコンピューティング。応用 2021年3月（2021年）。

Google スカラー

Zhu、W.ら。水力発電ユニットの状態プロセスのための新しい KICA-PCA 故障検出モデル。測定 58、197–206 (2014)。

記事 ADS Google Scholar

Leng, X. & Xu, S. コンピュータ技術に基づく同期発電機励磁システムのインテリジェント制御に関する研究。Ｊ．Ｐｈｙｓ．会議サー。 1992(3)、032125(2021)。

記事 Google Scholar

モー、リら。作物の植栽構造を最適化するための不確実な多目的プログラミングモデル。フロント。農業。科学。工学 3、34 (2016)。

記事 Google Scholar

シオン、L.ら。水車時系列の深層学習複合トレンド予測モデル。内部。 J. 低炭素技術。 3、3（2021）。

Google スカラー

Guo、Z.ら。 GPR と KRR に基づく都市鉄道交通の短期旅客流予測。知性。輸送システム (IET) 13、9 (2019)。

Google スカラー

Zhang、X.ら。ラフセットとサポートベクターマシンの新しい組み合わせによる、水力発電ユニットの鮮やかな故障診断。エキスパートシステム。応用 39(3)、2621–2628 (2012)。

記事 Google Scholar

Fu、W.ら。最適な変分モード分解とカオスサインコサインアルゴリズムの最適化により改善された LSSVM に基づいた水力発電機の振動傾向測定。測定。科学。そしてテクノル。 30、1 (2018)。

Google スカラー

Huang、H.ら。モニタリングデータによるガウス過程回帰に基づく水力発電ユニットの早期故障の予測方法。応用科学。 11(1)、153 (2020)。

記事 Google Scholar

リー、G.ら。 GA-SVMを用いた小水力発電所の短期発電エネルギー予測モデル。数学。問題。工学 2014(2)、1 ～ 9 (2014)。

Google スカラー

Lvarez-Troncoso, R. et al. スペイン北西部の 4 つの河川におけるトリコプテラの群集に対する水力発電所の影響。リムノロジカ 53、35–41 (2015)。

記事 Google Scholar

Cui、Z.ら。短期時系列モデリング用のハイブリッドローリンググレーフレームワーク。ニューラルコンピューティング。応用 33、11339 (2021)。

記事 Google Scholar

環境 IS. 水力発電における停止分析とメンテナンス戦略。情報科学技術百科事典に掲載されています。第3版 (2015) (軸合わせ方位探索)。

Gong, X. 改良された BFO-PSO アルゴリズムに基づく水車セットの発電制御プロセスの最適化。 J. 沿岸研究所 94(sp1)、227(2019)。

記事 MathSciNet Google Scholar

Xiao、Z.ら。水力タービン発電ユニットの振動故障診断用の ACO 初期化ウェーブレットニューラルネットワーク。数学。問題。工学 20、1–7 (2015)。

Google スカラー

Psaros、AF、Kawaguchi、K. & Karniadakis、GE メタ学習 PINN 損失関数。Ｊ．Ｃｏｍｐｕｔ．物理学。 458、111121 (2022)。

記事 MathSciNet MATH Google Scholar

Bramburger, JJ & Kutz, JN マルチスケール物理学の発見と非線形フロッケ理論のためのポアンカレマップ。物理学。 D 非線形現象。 2020、132479 (2020)。

記事 MATH Google Scholar

チェン、YLら。革新的な貯水池堆積物を再利用し、水力発電所の持続可能性を考慮した設計を行っています。更新します。持続する。エネルギー改訂 36、212–219 (2014)。

記事 Google Scholar

チェン、Z.ら。水車調整システムのパラメータを特定するための重力検索アルゴリズムが改善されました。エネルギー変換者。管理。 78、306–315 (2014)。

記事 Google Scholar

Thaeer、HA および Bin、S。長期的な水力発電スケジュールを最適化するための PSO および FA に基づくシリーズ分割方法。持続する。エネルギー技術評価。 29、106–118 (2018)。

Google スカラー

Secui, DC、Hora, C. & Bendea, G. 火力発電所および水力発電所の入出力曲線の修正クジラ最適化アルゴリズムを使用したパラメーター推定。内部。トランス。エレクトロ。エネルギーシステム 30(2)、e12188.1-e12188.26 (2020)。

記事 Google Scholar

Mortazavi, A.、Togan, V.、Moloodpoor, M. 新しいハイブリッド群インテリジェンス最適化アルゴリズムを使用した構造的および数学的最適化問題の解決。上級工学ソフトウェア 127、106–123 (2019)。

記事 Google Scholar

Dubey, AK et al. 機械学習アルゴリズムを使用した料理と気温に基づくコロナウイルスの流行の予測 (Social Science Electronic Publishing、2022)。

Google スカラー

丹生、WJら。中国南西部におけるカスケード水力発電貯留層運用のための並列多目的粒子群最適化。応用ソフトコンピューティング。 70、562–575 (2018)。

記事 Google Scholar

シャン、Y.ら。中国の三峡水力発電所の最適な負荷配分に適用されるシミュレーテッドアニーリングを使用して修正された遺伝的アルゴリズム。ハイドロール。科学。 J. 64, 9 (2019)。

記事 Google Scholar

Cheng, J.、Wang, L.、Yan, X. メモリを備えた Cuckoo 検索アルゴリズムと、水力発電ユニットの強力な故障診断。工学計算します。 2018 年 1 ～ 16 日 (2018 年)。

ADS Google Scholar

Cheng, J. et al. ベイジアンネットワークに基づく水車発電ユニットの模擬医療診断法。トランス。研究所測定。コントロール 41、04123321982666 (2019)。

記事 Google Scholar

Cheng, J.、Wang, L. & Xiong, Y. 改良されたカッコー探索アルゴリズムと、水力発電ユニットの振動故障診断におけるその応用。工学最適。 2017、1–16 (2017)。

Google スカラー

Zhu、J.ら。集約された EEMD と SVR に基づく水力タービン発電ユニットの状態傾向測定。測定。科学。テクノロジー。 26、125008 (2015)。

記事 ADS Google Scholar

Pan, L. & Xueli, A. 動径基底関数表面と経験的モード分解に基づく水力発電装置の特性パラメーター劣化予測。Ｊ．Ｖｉｂ．コントロール (JVC) 21(11)、2200–2211 (2015)。

記事 Google Scholar

An, X.、Yang, L.、および Pan, L. 動径基底関数補間とウェーブレット変換に基づく、水力発電装置の状態パラメータ劣化傾向の非線形予測。アーチ。手順研究所メカ。工学パート C J. Mech. 工学科学。 1989–1996 203–210/229(18)、1–9 (2015)。

Wei, D. は、改良された重力探索アルゴリズムによって最適化された RBF ニューラルネットワークに基づいたネットワークトラフィック予測を行っています。ニューラルコンピューティング。応用 28(8)、2303–2312 (2017)。

記事 Google Scholar

Tomasiello, S.、Loia, V.、Khaliq, A. 複数の時系列予測のための粒度の高いリカレントニューラルネットワーク。ニューラルコンピューティング。応用 1、1–18 (2021)。

Google スカラー

Fu、W.ら。強化されたマルチスケールカオス級数解析と最適化された最小二乗サポートベクターマシンを使用して、水力発電ユニットの振動傾向を測定するためのハイブリッドアプローチ。トランス。研究所測定。コントロール。 41(15)、4436–4449 (2019)。

記事 Google Scholar

Chen, D. 改良された RBF ニューラルネットワークに基づくビッグデータ環境における交通流予測の研究。 IEEEトランス。インドに知らせる。 4、1–1 (2017)。

Google スカラー

Xia、R.ら。改良された RBF ニューラルネットワークを使用した VIP の熱伝導率測定方法の研究。測定 87、246–254 (2016)。

記事 ADS Google Scholar

Mia, M. & Dhar, NR 効果的な冷却条件下での焼き戻し AISI 1060 鋼のハードターニングにおける SVR、RSM、および GA を使用した予測と最適化。ニューラルコンピューティング。応用 31、1 (2017)。

Google スカラー

Sahraoui, Y.、Bendotti, P. & D'Ambrosio, C. 現実世界の水力発電装置への取り組み: 数値誤差と実現可能性の問題への対処。エネルギー 184、91–104 (2019)。

記事 Google Scholar

Wang, J.、Guo, M. & Liu, Y. 非線形性を混合整数非線形問題から分離した水力発電ユニットのコミットメント。エネルギー 2018、S0360544218303621 (2018)。

Google スカラー

Daadaa, M. et al. 効率ポイントを使用して、短期的な水力発電ユニットのコミットメントでエネルギー生成を最大化する最適化モデル。内部。Ｊ．Ｅｌｅｃｔｒ．電力エネルギーシステム 125、106419 (2021)。

記事 Google Scholar

Vieira, B. et al. 風力発電と揚水発電によるユニットコミットメントに対する複数の基準のユーティリティベースのアプローチ。エレクトロ。パワーシステム。解像度 131、244–254 (2016)。

記事 Google Scholar

リー、Ｙら。再生可能発電によるデマンドレスポンス対応マイクログリッドの確率的最適スケジューリング: 分析ヒューリスティックアプローチ。 J. クリーン。製品。 330、129840 (2022)。

記事 Google Scholar

Li, Y.、Han, M.、Yang, Z. & Li, G. 電気自動車充電ステーションを備えた地域統合エネルギーシステムのスケジュール設定のための柔軟な需要応答と再生可能不確実性の調整: バイレベルアプローチ。 IEEEトランス。持続する。エネルギー 12(4)、2321–2331 (2021)。

記事 ADS Google Scholar

Li, Y.、Li, J. & Wang, Y. プライバシーを保護する再生可能エネルギーの時空間シナリオ生成: 連合深層生成学習アプローチ。 IEEEトランス。インド情報 18(4)、2310–2320 (2022)。

記事 Google Scholar

リファレンスをダウンロードする

この作品は、吉林省科学技術計画プロジェクト、番号 20210201134GX によって支援されました。

中国吉林省東北電力大学コンピューターサイエンス学部

Jie Cao、Yang Li、Zhaoyang Qu、Ryuxuan Zhang

広東 ATV パフォーミングアーツアカデミー、東莞、中国

曹潔

中国吉林省東北電力大学電気工学部

雲昌洞

ステートグリッド吉林電力有限公司、長春、中国

劉耀偉

PubMed Google Scholar でこの著者を検索することもできます

概念化、JC および YL。方法論、YL。ソフトウェア、D.-YC; 検証、Q.-ZY、および Z.-RX。形式分析、Z.-RX; 調査、L.-YW、D.-YC。リソース、L.-YW; データキュレーション、D.-YC および YL。執筆—原案、YL。執筆 - レビューと編集、JC。視覚化、Q.-ZY。監修、L.-YW。プロジェクト管理、D.-YC

傑曹への通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Cao、J.、Li、Y.、Qu、Z. 他。機械学習を利用した水力発電ユニットの軸調整の新しい手法。 Sci Rep 13、2935 (2023)。 https://doi.org/10.1038/s41598-023-30121-0

引用をダウンロード

受信日: 2022 年 1 月 20 日

受理日: 2023 年 2 月 16 日

公開日: 2023 年 2 月 20 日

DOI: https://doi.org/10.1038/s41598-023-30121-0

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。

前: RUM プロセスパラメータの最適化とニッケル 718 の部品特性への影響の体系的な調査次: 3 の評価

お問い合わせを送信

送信