Eine neue Methode zur Achsverstellung des Hydro

Dec 18, 2023

Scientific Reports Band 13, Artikelnummer: 2935 (2023) Diesen Artikel zitieren

878 Zugriffe

1 Altmetrisch

Details zu den Metriken

Die Stromqualität und Effizienz des Wasserkraftwerks hängen vom stabilen Betrieb der Wassergeneratoreinheit ab, die weiter betrieben werden muss und anfällig für Achsenausfälle ist. Daher ist der Einsatz einer effektiven Achsenanpassungstechnologie zur Beseitigung von Fehlern erforderlich. In diesem Artikel wird eine neue Methode zur Achsenanpassung der Hydrogeneratoreinheit vorgeschlagen, die auf einem verbesserten Grauvorhersagemodell und einem neuronalen Netzwerk zur Optimierung der Schwarmintelligenz basiert. Zunächst wird eine Sequenzbeschleunigungsübersetzungs- und Mittelwerttransformationsmethode vorgeschlagen, die zur Vorverarbeitung der Netto-Gesamtschwungsequenz der Achse verwendet wird, die oszillierende Schwankungen aufweist. Es verwendet die Faktortransformation e1 und e2, um ein verbessertes Grauvorhersagemodell für den Netto-Gesamtschwung der Achse zu erstellen. Anschließend wird der erweiterte Flamingo-Suchalgorithmus verwendet, um den Maximalwert der Sinusfunktion des Netto-Gesamtpendels der Achse zu suchen und die Ausrichtung der Achseneinstellung zu ermitteln. Diese Methode löst das Problem, dass GM(1, 1) nur durch monotone Sequenzen in der Vergangenheit vorhergesagt werden kann, und das Problem, dass der Suchalgorithmus leicht in das lokale Optimum fällt, verbessert effektiv die Berechnungseffizienz der Achse und verkürzt die Suchzeit. Simulationsbeispiele zeigen, dass die vorgeschlagene Methode die Genauigkeit der Achsverstellung deutlich verbessern kann. Diese Methode verbessert die Effizienz der Azimutsuche zur Achsenanpassung erheblich.

Die Hydrogeneratoreinheit (HGU) ist ein Teil der Schlüsselausrüstung des Wasserkraftwerks1,2. Der Zustand der zuverlässigen Messung des Trends der Wasserkraft-Generatorachse für die Einheitssicherheit fördert die Stabilität des Stromsystems von großer Bedeutung3. In der praktischen Technik ist die Achsjustierung die wichtigste Arbeit in der späteren Phase der Gerätemontage. Bei der Überholung des Geräts muss auch eine Überprüfung der Achseneinstellung durchgeführt werden. Die Qualität der Geräteachse spiegelt umfassend die Qualität der Installation und Wartung wider4. Die Achsenverstellung der Mittelachse des Netto-Gesamtschwungs und der Grad des maximalen Netto-Gesamtschwungs sind ein wichtiger Parameter für die Berechnung der Achsenverstellung, also der Grad der Achse des Netto-Gesamtschwungs und der Vorhersage des Wasserkraftgenerators sowie der Achse des maximalen Netto-Gesamtschwungs Die Suche nach Schwenkverstellungslagern ist von großer Bedeutung, um die Sicherheit der Hydrogeneratoreinheit zu gewährleisten und wirtschaftliche Verluste des Wasserkraftwerks zu reduzieren hauptsächlich durch manuelle Berechnung. Der Achsenberechnungsprozess ist kompliziert. Er umfasst die Messdaten von Oberleitung, Unterleitung, Wasserleitung und anderen Teilen, für die die Abmessungen von Oberleitung zu Unterleitung, Oberleitung zu Wasserleitung, Druckkopfdurchmesser usw. erforderlich sind An. Daher trägt die effiziente und genaue Vorhersagemethode des Nettogesamtschwungs der Achse dazu bei, die Anzahl der Achsenmessungen zu reduzieren, und ist auch die Grundlage und Voraussetzung für die Realisierung der Achsenmessung6. Es gibt vier typische Vorhersagealgorithmen für die Vorhersage des Netto-Gesamtschwungs und des maximalen Netto-Gesamtschwungs der Achse des Wasserkraftgenerators in Methoden des maschinellen Lernens: die Vorhersagemethode unter Verwendung des neuronalen BP-Netzwerks (BP); Vorhersagemethode mit Support Vector Machine (SVM); Physikinformiertes neuronales Netzwerk (PINN); Vorhersagemethode unter Verwendung des Gray-Modells (GM). Es gibt zwei Hauptmethoden für die Azimutsuche zur Achsenanpassung: die traditionelle manuelle Verarbeitung und den Schwarmintelligenzalgorithmus. Gegenwärtig ist maschinelles Lernen in vielen Bereichen weit verbreitet, es wurden jedoch nicht viele Anwendungen auf die Achseneinstellung der Hydrogeneratoreinheit angewendet7. Bei der Ausrichtung der Achsenanpassung kann maschinelles Lernen jedoch mithilfe von Algorithmen das Problem lösen, dass die Ausrichtung der Achsenanpassung schwierig zu finden ist8,9.

Um die oben genannten Probleme zu lösen, schlägt dieser Artikel eine neue Methode zur Achsenanpassung der Hydrogeneratoreinheit mithilfe von maschinellem Lernen vor. Zu seinen Hauptbeiträgen gehören:

Es wird eine Vorhersagemethode für den Netto-Gesamtschwung der Achse unter Verwendung des verbesserten GM(1, 1) vorgeschlagen. Durch beschleunigte Übersetzungs- und Bedeutungstransformationsmethoden zeigt die Netto-Gesamtschwungsequenz, dass oszillierende Schwankungen vorverarbeitet werden, um die Serienvolatilität abzuschwächen. Dieses Modell löst das Problem, dass GM(1, 1) nur durch eine monotone Folge vorhergesagt werden kann. Dann kann der verbesserte GM(1, 1)-Algorithmus verwendet werden, um die Netto-Gesamtschwungdaten der Achse vorherzusagen und die Verarbeitungseffizienz der Achsenmessung zu verbessern.

Es wird eine Optimierungsmethode für die Suche nach Achsenanpassungsorientierung unter Verwendung des Flamingo-Suchalgorithmus vorgeschlagen, um die Achsenanpassungsorientierung genau zu suchen. Dieses Modell löst das Problem, dass herkömmliche Suchalgorithmen leicht in eine lokal optimale Lösung fallen.

In diesem Artikel wurde eine Methode mit der traditionellen manuellen Achsenverarbeitung vorgeschlagen und mit dem repräsentativen Algorithmus für maschinelles Lernen verglichen. Die Leistungsbewertung zeigt, dass die Suche nach Achsenanpassungsorientierung durch das Modell deutlich verbessert werden kann.

Im Bereich der Vorhersage des axialen Netto-Gesamtschwungs wurde in der Literatur ein Klassifikator vorgeschlagen, der grobe Mengen und die Support-Vector-Maschine kombiniert10,11 und auf die Fehlerdiagnose von HGU angewendet wurde. In der Literatur wurde ein Modell zur Messung des HPG-Schwingungstrends vorgeschlagen12, das auf der optimalen Variationsmoduszerlegung (OVMD) und der Optimierung des chaotischen Sinus-Cosinus-Algorithmus (CSCA) sowie einer verbesserten Unterstützungsvektormaschine der kleinsten Quadrate (LSSVM) basiert. In der Literatur13 wurde eine auf dem Guassion-Regressionsprozess (GPR) basierende Frühfehlervorhersagemethode für HPG vorgeschlagen, die den Änderungsprozess des HPG-Betriebsstatus effektiv verfolgt und den anormalen Betriebsstatus von HPGs im Voraus überwacht. In der Literatur14 wurde eine Methode der Kleinstquadrate-Unterstützungsvektormaschine (LS-SVM) zur Vorhersage der Stabilitätsparameter von Mixed-Flow-Wasserturbineneinheiten vorgeschlagen. In der Literatur15 wurde ein Zeitreihenvorhersagemodell ARIMAX (1, ​​1, 1) für die Stromerzeugung aus Wasserkraft in Ecuador entwickelt, um die monatliche Produktion für bis zu einem Jahr vorherzusagen. In der Literatur16,17,18 wurde ein Gray-Vorhersagemodell (GM(1, 1)) zur Vorhersage des Leistungsabfalltrends von Wasserkraftwerken vorgeschlagen. In der Literatur19,20 wurde eine Meta-Lerntechnik zur Offline-Erkennung von Verlustfunktionen physikalisch-informierter neuronaler Netze (PINN) vorgeschlagen. Es erweitert frühere Arbeiten zum Meta-Lernen und entwickelt einen Gradienten-basierten Meta-Lernalgorithmus zur Bewältigung verschiedener Aufgabenverteilungen auf der Grundlage parametrisierter partieller Differentialgleichungen (PDEs), die mit PINNs gelöst werden. Obwohl die oben genannten Methoden unter bestimmten Bedingungen die Effizienz der axialen Messung verbesserten, muss bei der Auswahl des neuronalen Netzwerks sowohl die Größe des Datensatzes als auch die Einstellung der Parameter berücksichtigt werden, sodass unvermeidliche Fehler auftreten. Darüber hinaus sind sie nicht alle für den Datensatz des Nettovollausschlags der Achse des Hydrogeneratorsatzes geeignet.

In Bezug auf die Suche nach axialer Anpassungsorientierung wurde in der Literatur21,22 eine verbesserte Anpassungsbewertungsmethode vorgeschlagen, das Konzept von Stabilitäts- und Instabilitätsparametersätzen vorgeschlagen und auf die Stabilitätssuchstrategie angewendet, wodurch die lokale Suchfähigkeit des Modellalgorithmus effektiv verbessert wurde und es stellte die Stabilität und Genauigkeit des Hydrogenerator-Set-Modells sicher. In der Literatur23,24,25,26 wurde eine Vorhersagemethode vorgeschlagen, die auf der Interpolation der radialen Basisfunktion (RBF), der empirischen Modalzerlegung (EMD), der ungefähren Entropie, einem künstlichen neuronalen Netzwerk und der Gray-Theorie für die Verschlechterung der charakteristischen Parameter der Wassergeneratoreinheit basiert. In der Literatur wurde ein nichtlineares Vorhersagemodell für den Verschlechterungstrend der Betriebsparameter von Wasserkraftgeneratoren vorgeschlagen27,28,29,30,31. Das Modell basierte auf der Interpolation radialer Basisfunktionen, der Wavelet-Transformation, der Methode zur Vorhersage des maximalen Lyapunov-Exponenten und dem Grauvorhersagemodell (GM(1, 1)-Methode). In der Literatur32 wurde das dynamische Alarmkurvenmodell und das etablierte neuronale GA-BP-Netzwerkmodell vorgestellt und die vertikale Vibration der Kopfbedeckung durch Training und Ausgabe der dynamischen Alarmkurve ermittelt. Obwohl die oben genannten Methoden den Achsverstellbetrag zu einem bestimmten Zeitpunkt vorhersagen können, gehören die meisten von ihnen zur Einzelschrittvorhersage, und wenn es notwendig ist, den Änderungstrend des Achsverstellbetrags der Hydrogeneratoreinheit früher zu kennen, erfolgt die Einzelschrittvorhersage Das -Schritt-Vorhersagemodell muss mithilfe der rollierenden Vorhersage zu einer mehrstufigen Vorhersage erweitert werden33,34,35, wobei die Vorhersagegenauigkeit aufgrund der ständigen Überlagerung von Fehlern jedes Mal verringert wird, wodurch der tatsächliche Bedarf an Wasserkraftgeneratoren nicht gedeckt werden kann Wartungsprojekt festlegen. Der Algorithmus für maschinelles Lernen ist eine wichtige Methode zur Lösung von Vorhersagen und Optimierungen. Basierend auf dem verbesserten Gray-Modell werden die Datenreihen mit oszillierenden Wellenphänomenen durch eine beschleunigte Übersetzungs- und Bedeutungstransformationsmethode vorverarbeitet, um die Serienvolatilität abzuschwächen36,37,38, und dann wird die Vorhersagefunktion durch Faktortransformation erhalten. Der Flamingo-Algorithmus ist ein neuer Algorithmus zur Optimierung der Schwarmintelligenz, der auf dem Migrations- und Futtersuchverhalten von Flamingos basiert39,40,41. Es kann die Suchfähigkeit erhöhen und Suchraum entwickeln, ein gutes Gleichgewicht zwischen Suche und Entwicklung sicherstellen und nichtlineare Optimierungsprobleme effektiv lösen. Das verbesserte neuronale RBF-Netzwerk verwendet die Partikelschwarmoptimierung, um das Zentrum des neuronalen RBF-Netzwerks zu bestimmen42,43,44, es steuert die Optimierungsgeschwindigkeit durch den Trägheitsgewichtungsfaktor und nimmt den maximalen Netto-Gesamtschwung der Wartungsdaten des Wasser- Generatoreinheit als Eingabevektor des neuronalen Netzwerks, um den tatsächlichen Achsenanpassungsbetrag vorherzusagen45,46,47.

In dieser Arbeit wird der Netto-Gesamtschwung am Achseneinstellungspunkt als Zustandsgröße zur Darstellung des Betriebszustands der Hydrogeneratoreinheit verwendet. Das verbesserte Graumodell wird verwendet, um den Netto-Gesamtschwung am Achsenanpassungspunkt in der Zukunft vorherzusagen, und es werden jeweils die vorhergesagten Werte des Netto-Gesamtschwunges der Achse an acht Zustandspunkten um die große Achse erhalten. Als nächstes wird die Sinusfunktionsanpassung des Netto-Gesamtschwungwerts der Acht-Punkt-Achse durchgeführt, um die Sinusfunktion zu erhalten, und dann wird auf der Grundlage der Gewinnung der Sinusfunktion des Netto-Gesamtschwungwerts ermittelt. Anschließend wird unter Verwendung der erhaltenen Netto-Gesamtschwung-Sinusfunktion der Flamingo-Suchalgorithmus verwendet, um den Maximalwert der Sinusfunktion des Netto-Gesamtschwunges bei der Achsenverstellung zu suchen und die entsprechende Achsenverstellungsausrichtung zu erhalten.

Die Bestimmung der Achseneinstellungsausrichtung und des Achseneinstellungsbetrags wird ebenfalls realisiert. Der allgemeine Rahmen ist in Abb. 1 dargestellt.

Rahmendiagramm des axialen Ausrichtungsmodells.

In diesem Abschnitt überprüfen wir die relevanten Daten der Hydrogeneratoreinheit und beobachten den Achswartungsdatensatz. Dabei stellen wir fest, dass die Netto-Gesamtschwungsequenz der Achse ein Fluktuationsphänomen aufweist. Um das Problem zu lösen, dass der Netto-Gesamtschwung der Achse Schwingungsschwankungen aufweist, verwendet dieser Artikel eine beschleunigte Übersetzung und eine gewichtete Mittelwerttransformation, um das Netto-Gesamtpendel der Achse mit Schwankungsphänomen vorzuverarbeiten, und verbessert dann die GM(1, 1)-Modellierung nach Erfüllung der monotonen Bedingung.

Die Grundidee des traditionellen GM(1, 1)-Modells: Um die mathematische Modellierung zu erleichtern, wird die ursprüngliche Netto-Gesamtschwungsequenz einmal akkumuliert. Da die Sequenz nach der Akkumulation einen exponentiellen Wachstumstrend aufweist, wird zur Erstellung des Modells die Näherungsdifferentialgleichung erster Ordnung verwendet. Schließlich wird die Vorhersagesequenz durch die Akkumulation der Modellierungssequenz generiert, um die Vorhersage des Entwicklungstrends der ursprünglichen Netto-Gesamtschwungsequenz abzuschließen.

Der spezifische Modellierungsprozess für das traditionelle GM(1, 1) ist wie folgt.

Die ursprüngliche Netto-Gesamtschwungfolge sei: \(X^{{_{(0)} }} = \{ x^{(0)} (1),x^{(0)} (2), \ldots ,x^{(0)} (n)\}\) und führt eine einzelne Akkumulation für diese Sequenz durch, um sie zu generieren. Wie Gl. (1).

Erzeugen Sie eine Nettogesamtschwungsequenz mit exponentieller Regelmäßigkeit als \(X^{(1)} = \{ x^{(1)} (1),x^{(1)} (2), \ldots ,x^{ (1)} (n)\}\).

\(X^{(1)}\) approximiert die Folge als Lösung einer Differentialgleichung (Gleichung 2) erster Ordnung.

wobei: a der Entwicklungskoeffizient des Modells ist; b ist die Menge der grauen Aktion.

Bezeichnen Sie den Parameter \(A = [a,b]^{T}\) und verwenden Sie die Methode der kleinsten Quadrate, um A als zu finden

Wo:

Finden Sie die Werte von a, b und setzen Sie sie in Gleichung ein. (2) zu berechnen.

Die kumulative Reduzierung aus Gl. (4) ergibt die Netto-Gesamtschwung-Vorhersagefunktion als

Da bei der herkömmlichen GM(1, 1)-Modellierung der Netto-Gesamtschwung der ursprünglichen Achsenfolge nicht sehr regelmäßig ist, ist es notwendig, kumulative Änderungen durchzuführen und dann Gleichung zu verwenden. (2) um ein mathematisches Modell zu erstellen. Bei dieser Modellierungsmethode ändert sich unabhängig davon, ob die ursprüngliche Sequenz des Netto-Gesamtschwungs der Achse oszilliert oder nicht, die kumulativ erzeugte Sequenz monoton, und die reduzierte Sequenz zeigt ebenfalls den gleichen Änderungstrend. Wenn der Netto-Gesamtschwung der ursprünglichen Folge monoton ist, ist die Vorhersagegenauigkeit besser. Wenn die ursprüngliche Folge jedoch oszilliert und schwankt, ist die Vorhersagegenauigkeit nicht ideal, da sich die reduzierte Folge monoton ändert und die ursprüngliche Schwungfolge nicht genau angepasst werden kann.

Wenn die Netto-Gesamtschwingungswellenfolge der Achse mathematisch so transformiert wird, dass sie einen monotonen Trend aufweist, wird das mathematische Modell durch GM(1, 1) erstellt, schließlich wird die Reduktionsfunktion berechnet und dann die mathematische Umkehrtransformation durchgeführt Um die Vorhersagesequenz für den Netto-Gesamtschwung der Achse zu erhalten, ist dies eine gute Lösung für das Problem, dass das herkömmliche GM(1, 1)-Modell keine hohe Vorhersagegenauigkeit für die oszillierende Sequenz aufweist. In diesem Artikel werden die beschleunigte Übersetzung und die Bedeutungstransformationsmethode kombiniert, um die Reihe mit dem Phänomen der oszillierenden Fluktuation vorzuverarbeiten und so die Schwankung der Reihe abzuschwächen.

\(X = \{ x(1),x(2), \ldots ,x(n)\}\) ist die ursprüngliche Netto-Gesamtschwungfolge der Achse, und wenn es \(k,k \in [1, 2, \ldots ,n - 1]\), so dass \(x(k + 1) - x(k) > 0,x(k + 1) - x(k) < 0\), dann heißt es dass \(X\) eine Folge zufälliger Schwankungen ist. Wie Gl. (6) und (7).

M–m ist die Amplitude der Sequenz X, bezeichnet als T.

Definieren Sie eine beschleunigte Translationstransformation: um die Volatilität der Netto-Gesamtschwingung der Achse der ursprünglichen Schwingungssequenz zu schwächen. \(XE_{1} = \{ x(1)e_{1} ,x(2)e_{1} , \ldots ,x(n)e_{1} \}\), Gleichung:

Er wird als beschleunigter Translationstransformationsfaktor e1 bezeichnet, und der monotone Trend der ursprünglichen Schwungsequenz nach dieser Transformation kann durch einfache mathematische Operationen bewiesen werden.

Definieren Sie die gewichtete Mittelwerttransformation: Die Netto-Gesamtschwungsequenz der Achse zeigt nach der e1-Faktorverarbeitung einen monotonen Trend und es liegen Modellierungsbedingungen vor. Um den Netto-Gesamtausschlag der Achse der ursprünglichen Sequenz genauer anzupassen, wird die gewichtete Mittelwerttransformation eingeführt, um eine quadratische Transformation an der faktorisierten Sequenz durchzuführen, und die transformierte Sequenz wird definiert.

Er heißt e2, der gewichtete Mittelwert-transformierte Faktor. Durch einfache mathematische Berechnungen kann bewiesen werden, dass die Achsen-Netto-Gesamtschwungsequenz nach der e2-Faktortransformation die monotonen Eigenschaften der ursprünglichen Achsen-Netto-Gesamtschwungsequenz beibehält, wodurch die Achsen-Netto-Gesamtschwungsequenz glatter werden kann.

Der Netto-Gesamtschwung der Achse der ursprünglichen Schwungsequenz sei

Die verbesserten GM(1, 1)-Modellierungsprozesse sind wie folgt.

\(X^{(0)}\) Führe eine e1-Faktortransformation für den Netto-Gesamtschwung der Achse der ursprünglichen Sequenz durch als \(Y^{(0)} = \{ y^{(0)} (1),y ^{(0)} (2), \ldots ,y^{(0)} (n)\}\).

Die Folge \(Y^{(0)}\) wird e2-faktortransformiert in

Führen Sie eine Summation der Folge \(Z^{(0)}\) durch.

Modellierung der GM(1, 1)-Differentialgleichung von \(Z^{(1)}\) für die Sequenz. Wie Gl. (10).

a, b Parameter nach der Methode der kleinsten Quadrate. Wie Gl. (11).

Es wird unter anderem ermittelt.

Die Antwortfunktion der GM(1, 1)-Differentialgleichung.

Die Vorhersagefunktion für den Netto-Gesamtschwung der Achse wird durch eine kumulative Reduktion \(z^{(0)}\) erhalten.

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

Für \(Z^{(0)}\) verwenden Sie den Faktor \(e_{2}\), um die Transformationsreduktion umzukehren, um zu erreichen. Wie Gl. (14).

wobei \(\mathop y\limits^{\,\,\, \, \, \wedge(0)} (1) = y^{(0)} (1)\), und

Die inverse Transformation des Achsen-Nettogesamtschwungs der ursprünglichen Sequenz durch das \(e_{1}\)-Faktorpaar \(Y^{(0)}\) ergibt eine Vorhersagefunktion. Wie Gl. (16).

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

Die oben genannten verbesserten Schritte von GM(1, 1) und die Formel nach der Faktortransformation sind in Abb. 2 dargestellt.

Rahmendiagramm des verbesserten GM-Algorithmus.

Durch die Verbesserung von GM(1, 1) wird die Achse des Netto-Gesamtausschlags des Pendels vorhergesagt. Als nächstes müssen alle Grade der Sinusfunktion angepasst werden und ein großes Wellenlager als Abszisse und der Netto-Gesamtausschlag als festgelegt werden Der Netto-Gesamtschwungsgrad der Ordinatenachse nach der Sinusfunktion wird mithilfe des Flamingo-Algorithmus optimiert, um den maximalen Netto-Gesamtschwung der Sinusfunktion zu erzielen. Schließlich ist die unabhängige Variable, die dem Maximalwert der Sinusfunktion des Gesamtpendels der Achse entspricht, der Azimut der Achseneinstellung.

Flamingo verfügt über die für Optimierungsalgorithmen erforderlichen globalen Such- und lokalen Entwicklungsfunktionen. Es liefert gute Ergebnisse für die Suche nach Single-Peak- und Multi-Peak-Funktionen. Daher eignet es sich für die Suche nach dem Maximalwert der Sinusfunktion des Netto-Gesamtschwungs.

Die beiden wichtigsten Verhaltensmerkmale von Flamingos sind Futtersuche und Migrationsverhalten. Flamingos leben hauptsächlich in Gegenden, in denen es reichlich Nahrung gibt. Nach einer Zeit intensiver Nahrungssuche wandert die Flamingopopulation ab, wenn das Nahrungsangebot in der Gegend auf ein Niveau sinkt, das die Population nicht mehr sättigt. Entsprechende Nahrungssuche- und Migrationsmodelle werden entwickelt.

Die wichtigsten Optimierungsideen des FSA-Modells sind wie folgt.

Kommunikatives Verhalten

Flamingos mit dem meisten Futter in der Gruppe verbreiten ihre Positionsinformationen, indem sie andere Flamingos anrufen, und beeinflussen so die Positionsänderungen anderer Flamingos in der Gruppe. Theoretisch können Flamingos nicht wissen, wo sich in einem Gebiet das meiste Futter befindet. Dies bedeutet jedoch nicht, dass der Algorithmus keine global optimale Lösung finden kann, da der Algorithmus ein Programm ist und Sie die Endbedingung des Programms beim Festlegen nicht erkennen können.

FSA ist ein Algorithmus, der Flamingos simuliert, die auf der Grundlage der begrenzten verfügbaren Informationen nach der besten Lösung in einem Suchgebiet suchen. In diesem Artikel gehen wir davon aus, dass der Flamingo mit der größten Nahrungsmenge in der j-ten Dimension xbj ist.

Verhalten beim Scannen des Schnabels

Wenn der Schnabel eines Flamingos über Wasser gegossen wird, wirkt er wie ein großes Sieb, saugt das Wasser an und filtert es dann schnell heraus, ein Nahrungssuchmuster, das durch die Fülle an Nahrung in der Gegend beeinflusst wird. Befindet sich in dem vom Schnabel des Flamingos erfassten Bereich mehr Futter, regt dies den Flamingo dazu an, den Bereich sorgfältiger abzusuchen, und der Hals des Flamingos streckt sich langsam aus, wodurch sich der Scanradius des Schnabels vergrößert. Auch die Wahrscheinlichkeit, dass der Bereich nach Nahrung abgesucht wird, steigt, und ein Modell des Schnabelabtastverhaltens des Flamingos ist in Abb. 3 dargestellt.

Verhalten beim Scannen des Schnabels.

Je näher ein Flamingo an der am häufigsten vorkommenden Nahrungsquelle der Population ist, desto größer ist die Wahrscheinlichkeit, dass es in diesem Gebiet reichlich Nahrung gibt. In diesem Artikel simulieren wir das Schnabelscanverhalten von Flamingos. Angenommen, die Position des i-ten Flamingos auf der j-ten Dimension der Flamingopopulation sei xij, ist es notwendig, die Variabilität der individuellen Auswahl der Flamingos in der Natur und die Plötzlichkeit spezifischer Umgebungen zu berücksichtigen, die sich auf das Nahrungssuchverhalten von Flamingos auswirken. Ansonsten kommt es zu Fehlern im Futtersuchverhalten und der Informationsübermittlung der Flamingos. Um diesen Fehler zu modellieren, wird eine standardmäßige normale Zufallsverteilung eingeführt, bei der der Flamingo-Schnabelscan mit hoher Wahrscheinlichkeit mit der Position übereinstimmt, an der das Futter am häufigsten vorkommt. Aufgrund dieser Informationen besteht jedoch auch eine geringe Fehlerwahrscheinlichkeit.

Die maximale Entfernung von Flamingo-Schnabelscans im Futtersuchverhalten kann als \(|G_{1} \times xb_{j} + \varepsilon_{2} \times x_{ij} |\) quantifiziert werden, wobei \(\varepsilon_{2 }\) ist eine Zufallszahl von − 1 oder 1. Der maximale Abstand dient in erster Linie dazu, den Suchbereich des Flamingo-Schnabelscans im Futtersuchmodus zu vergrößern, wobei G1 eine Zufallszahl ist, die einer Standardnormalverteilung entspricht. Um den Scanbereich des Flamingos im Schnabelscanverhalten zu modellieren, wird erneut die Normalverteilung eingeführt, und ihre Variationskurve nähert sich der Variation des Schnabelscanbereichs des Flamingos als \(G_{2} \times |G_{1} \times xb_ {j} + \varepsilon_{2} \times x_{ij} |\), wobei G2 eine Zufallszahl ist, die einer Normalverteilung folgt.

Bipedales mobiles Verhalten

Ein Modell des Fußbewegungsverhaltens von Flamingos ist in Abb. 4 dargestellt. Wenn Flamingos nach Nahrung suchen, bewegen sich ihre Krallen beim Scannen mit ihren Schnäbeln in Richtung der am häufigsten vorkommenden Nahrung in der Flamingopopulation. Die zurückgelegte Strecke kann quantifiziert werden, indem man annimmt, dass der Ort mit der größten Nahrungsdichte in der Bevölkerung \(\varepsilon_{1} \times xb_{j}\) \(xb_{j}\), \(\varepsilon_{1}\ ) als Zufallszahl von − 1 oder 1, dient hauptsächlich dazu, den Suchbereich von Flamingos bei der Nahrungssuche zu vergrößern und individuelle Selektionsunterschiede zu quantifizieren.

Bipedales mobiles Verhalten.

Zusammenfassend ist der Bewegungsschritt des Flamingos bei der Nahrungssuche in der Iteration der Scanbereich des Flamingoschnabels, und dann wird die Bewegungsdistanz seiner Füße addiert, wie in Gleichung (1) gezeigt. (17).

Die Gleichung zur Aktualisierung des Standorts des Flamingo-Futtersuchverhaltens lautet

In Gl. (18) bezeichnet \(x_{ij}^{t + 1}\) die Position \(x_{ij}^{t}\) des i-ten Flamingos in der j-ten Dimension der Population im (t + 1 )-ten Iteration bezeichnet x die Position des i-ten Flamingos in der j-ten Dimension der Flamingopopulation in der t-ten Iteration, also die Position des Flamingofußes. xbjt bezeichnet die j-te dimensionale Position in der Population des am besten angepassten Flamingos in t Iterationen. k = K (n) ist der Diffusionsfaktor, der eine Zufallszahl mit einer Kardinalverteilung von n Freiheitsgraden ist. Es wird verwendet, um das Nahrungsgebiet des Flamingos zu vergrößern und die Chancen individueller Selektion in der Natur zu simulieren. Es erhöht die globale Meritokratie.\(G_{1} = N(0,1)\) und \(G_{2 } = N(0,1)\) sind Zufallszahlen, die einer Standardnormalverteilung folgen,\(\varepsilon_{1}\) und \(\varepsilon_{2}\) werden um − 1 oder 1 randomisiert.

Wenn im aktuellen Nahrungsgebiet die Nahrung knapp ist, wandert die Flamingopopulation in das nächst größere Nahrungsgebiet. Unter der Annahme, dass die Lage des nahrungsmittelreichen Gebiets in der Dimension jth xbj ist, lautet die Migrationsgleichung für die Flamingopopulation wie folgt.

In Gl. (19), xijt+1bezeichnet die Position des i-ten Flamingos in der j-ten Dimension der Population in t + 1 Iterationen, xtij bezeichnet die Position des i-ten Flamingos in der j-ten Dimension der Flamingopopulation in t Iterationen, also die Position des Flamingofußes. \(xb_{j}^{t}\) bezeichnet die j-te dimensionale Position des angepassten Flamingos in der Population in t Iterationen. \(\omega = N(0,N)\) ist eine Zufallszahl mit N Freiheitsgraden, sie wird verwendet, um den Suchraum während der Migration von Flamingos zu vergrößern, und sie wird auch verwendet, um die Zufälligkeit des individuellen Verhaltens von zu simulieren Flamingos während der spezifischen Migration.

Schritt 1: Initialisieren Sie die Netto-Gesamtschwungfunktionspopulation der Achse, wobei die Population auf P und die maximale Anzahl von Iterationen auf \(Iter_{Max}\) sowie der Anteil der wandernden Flamingos im ersten Teil \(MP_{b}) festgelegt sind. \).

Schritt 2: Die Anzahl der futtersuchenden Flamingos in der i-ten Iteration der Aktualisierung der Flamingopopulation beträgt \(MP_{{\text{r}}} = rand[0,1] \times P \times (1 - MP_{b} ) \). Die Anzahl der wandernden Flamingos im ersten Teil dieser Iteration beträgt \(MP_{0} = MP_{b} \times P\). Die Anzahl der wandernden Flamingos im zweiten Teil dieser Iteration beträgt \(MP_{{\text{t}}} = P - MP_{0} - MP_{r}\), und die Fitnesswerte der einzelnen Flamingos werden erhalten: und die Flamingopopulation wird nach den Fitnesswerten der Individuen eingestuft. Die \(MP_{b}\) ehemaligen Flamingos mit geringer Fitness und die ehemaligen Flamingos \(MP_{{\text{t}}}\) mit hoher Fitness gelten als wandernde Flamingos, während die anderen als futtersuchende Flamingos gelten.

Schritt 3: Aktualisieren Sie migrierende Flamingos gemäß Gl. (19) und futtersuchende Flamingos gemäß Gl. (18).

Schritt 4: Suchen Sie nach Flamingos, die sich außerhalb der Grenzen befinden.

Schritt 5: Erreichen Sie die maximale Anzahl von Iterationen und fahren Sie mit Schritt 6 fort; andernfalls führen Sie Schritt 2 aus.

Schritt 6: Geben Sie die optimale Lösung und den optimalen Wert der Netto-Gesamtschwungfunktion der Achse aus. Das Flussdiagramm der FSA ist in Abb. 5 dargestellt.

Flussdiagramm des FSA-Algorithmus.

Dieses Papier basiert auf den Wartungsdaten eines hydraulischen Energiewartungsunternehmens von 2015 bis 2020. Aufgrund der geringen Anzahl von Wartungsbesuchen des zerlegten Generatorsatzes pro Jahr enthält dieser Datensatz 200 Wartungsdaten, von denen jedes Datenelement vier Arten von charakteristischen Daten aufweist und absolute Schwankungen und relative Schwankungen umfasst , Netto-Gesamtschwung und maximaler Netto-Gesamtschwung. Da dieser Gerätetyp häufig von Wasserkraftwartungsunternehmen verwendet wird, ist dieser Datensatz zu einem wichtigen Referenzdatensatz geworden. In dieser Arbeit wird eine Vorhersagestudie mit den 1–80-fachen Daten des Wartungsdatensatzes durchgeführt, der aus acht Messpunkten in einem Kreis der großen Achse und insgesamt 2400 Elementen besteht. Darunter befinden sich 640 Netto-Gesamtschwungdaten. Wartungsarbeiter nutzen bei der Durchführung ihrer Arbeiten hauptsächlich den Netto-Gesamtschwung als Referenzmaßstab. Daher werden der Netto-Gesamtschwung und der maximale Netto-Gesamtschwung separat als Datensätze gescreent. Die Daten der ersten 70 Elemente sind der Trainingssatz und die Daten der letzten 10 Elemente sind der Testsatz. Für die Forschung in diesem Artikel werden 71–80 Daten verwendet. Tabelle 1 enthält die Daten des Netto-Gesamtpendels.

Der Datensatz wird mithilfe der Marr-Skalen- und Messsoftware ermittelt. Die von der Marr-Skala gemessenen Daten sind ein absolutes Pendel, und dann werden das Netto-Gesamtpendel, das relative Gesamtpendel und das maximale Netto-Gesamtpendel durch eine Reihe von Achsenanpassungsformeln erhalten.

Um die Genauigkeit und Gültigkeit des in dieser Studie erstellten verbesserten GM(1, 1)-Modells zu überprüfen, werden historische Daten am aufgehängten zweiten Führungsflansch ausgewählt und 1–80-mal Vorhersagen erhalten, und GM(1, 1), BP, SVM und PINN werden zum Vergleich ausgewählt.

Der Pendeltrend des Netto-Gesamtausschlags der Achse der acht Messpunkte ist in Abb. 6 zu sehen. Daraus lässt sich erkennen, dass die Daten jedes Messpunkts oszillierenden Charakter haben und es sich nicht um einen einzelnen steigenden oder fallenden Trend handelt Da das traditionelle GM (1, 1) darauf nicht sehr anwendbar ist, muss der Oszillationstrend abgeschwächt werden.

Trend des Netto-Vollschwungs an acht Messpunkten auf der Achse.

In diesem Experiment wird die Netto-Gesamtschwingungssequenz der Achse mit dem Phänomen der oszillierenden Welle durch eine Beschleunigungstranslations- und Bedeutungstransformationsmethode verarbeitet, um die Netto-Gesamtschwingungs-Oszillationssequenz zu schwächen. GM(1, 1) wird durch die Verwendung dieser Methode verbessert und der Netto-Gesamtschwung wird als Vorhersagevariable verwendet. Gleichzeitig werden GM(1, 1)-, BP-, SVM- und PINN-Modelle zum Vergleich ausgewählt und der Netto-Gesamtschwung der 71–80-fachen Achse wird jeweils vorhergesagt, wobei die ersten 70-fachen Werte als Trainingswert dienen und 71 –80-fache des vorhergesagten Werts. Der tatsächliche Wert; Der vorhergesagte Wert und der relative Fehler der Netto-Gesamtschwungvorhersage sind in Abb. 7 dargestellt.

Vergleich der Vorhersagen des Modells.

Aus Abb. 6 ist ersichtlich, dass das in diesem Artikel vorgeschlagene Vorhersagemodell des Netto-Gesamtschwungs basierend auf der verbesserten GM(1, 1)-Achse näher am tatsächlichen Netto-Gesamtschwung des Messpunkts liegt als der vorhergesagte Wert anderer Algorithmen . Um die Vorhersagegenauigkeit mehrerer Modelle genau zu analysieren, wird die Fehlervergleichsanalyse der verbesserten GM(1, 1), GM(1, 1), BP, SVM und PINN durchgeführt. Darüber hinaus muss jedes Strukturmodell aufgrund der Zufälligkeit des neuronalen Netzwerks während der Parametereinstellung zehnmal trainiert und überprüft werden. Die erhaltenen Fehler sind in Tabelle 2 dargestellt, der Vergleich der durchschnittlichen Fehler der acht Messpunkte ist in Abb. 8 dargestellt.

Vergleich der durchschnittlichen Fehler.

Wie aus Abb. 8 ersichtlich ist, beträgt der durchschnittliche Fehler von GM(1) im Vergleich zu herkömmlichen GM(1, 1), BP, SVM und PINN nach Abschwächung des Netto-Gesamtschwungs der Achse mit Oszillationen in Kombination mit beschleunigter Übersetzung und mittlerer Transformation 1) Das durch Summenfaktortransformation erstellte Modell ist kleiner als das anderer Modelle, was auf eine hohe Vorhersagegenauigkeit hinweist. Das Problem des großen Vorhersagefehlers anderer Algorithmen für oszillierende Wellenfolgen ist gelöst.

Diese Studie vergleicht auch drei Verlustfunktionen wie den mittleren absoluten Fehler (MAE), den mittleren quadratischen Fehler (RMSE) und den mittleren absoluten prozentualen Fehler (MAPE), wie in Tabelle 3 dargestellt.

In dieser Studie werden die vorhergesagten Werte des 71–81-Achsen-Nettovollschwungs von fünf Algorithmen als Verlustfunktionen verglichen. Aus Tabelle 3 geht hervor, dass die MAPE zwischen den verbesserten GM, SVM und PINN relativ nahe bei 2,1 %, 4,1 % bzw. 3,3 % liegen. Im Vergleich zu GM, BP und SVM weist PINN kleinere MAE, RMSE und MAPE auf, und im Vergleich zum verbesserten GM besteht immer noch eine gewisse Lücke. Daraus lässt sich schließen, dass das verbesserte GM besser für die Datenvorhersage des Netto-Vollschwungs der Achse geeignet ist.

Dies wird aus den Abbildungen deutlicher. Aus den Abbildungen 9 und 10 geht hervor, dass der durchschnittliche MAE und RMSE des verbesserten GM am kleinsten ist, der PINN etwas schlechter ist und der GM, BP und SVM viel schlechter sind. Das verbesserte GM ist besser für Daten wie den Netto-Vollhub der hydraulischen Turbinen-Generatoreinheit, da es näher an den realen Daten liegt, weniger Fehler aufweist und einen größeren Referenzwert für das Wartungspersonal der hydraulischen Turbinen-Generatoreinheit hat. Es kann Achsenanomalien besser beurteilen und die Effizienz der Achsenanpassung verbessern.

Vergleich der Algorithmen MAE und RMSE.

Vergleich der Algorithmen MAE und RMSE.

Die Sinusfunktionskurve des Netto-Gesamtschwungs der Achsen wird durch die verbesserte Acht-Punkt-Netto-Gesamtschwungvorhersage GM(1, 1) erstellt. Die axialen Netto-Gesamtschwung-Sinusfunktionen für den 71. bis 80. sind in Tabelle 4 aufgeführt.

Die 71–80-fache Netto-Gesamtschwung-Sinusfunktion wird als Eingabe für jede Methode verwendet, um nach dem Maximalwert der Netto-Gesamtschwung-Sinusfunktion zu suchen, und der erhaltene Maximalwert ist die Ausrichtungsanpassung. Basierend auf den Ergebnissen der 10-fachen Vorhersage sind die erhaltenen Suchergebnisse für den Achsenanpassungs-Azimut in Tabelle 5 aufgeführt.

Wie aus Tabelle 5 ersichtlich ist, weisen die Suchergebnisse des simulierten Glühalgorithmus einen deutlich geringeren Fehler auf als die herkömmlichen manuellen Methoden und Partikelschwarmmethoden und weisen eine hohe Suchgenauigkeit und gute Stabilität auf. Allerdings liegen die Suchergebnisse, die den Flamingo-Algorithmus verwenden, nahe an der tatsächlichen Ausrichtung und weisen eine höhere Stabilität auf. Darüber hinaus kann der minimale Fehler des Flamingo-Algorithmus 0,55 erreichen, und die Suchergebnisse jeder Methode im Vergleich zur tatsächlichen Ausrichtung sind in Abb. 11 dargestellt.

Vergleich der Suchergebnisse nach Methode.

Um die Genauigkeit der Suche nach der axialen Ausrichtungsorientierung der zentralisierten Methode genau zu analysieren, wird ein Fehlervergleich durchgeführt, wie in Tabelle 6 gezeigt, wie in Abb. 12 gezeigt. Aus der Tabelle ist ersichtlich, dass aus den 10 ausgewählten Experimenten Ergebnisse: Der maximale Fehler des herkömmlichen Handbuchs beträgt 26, der minimale Fehler beträgt 3 und der durchschnittliche Fehler beträgt 14,6, der maximale Fehler des Partikelschwarms beträgt 25,024, der minimale Fehler beträgt 1,287 und der durchschnittliche Fehler beträgt 9,33, der maximale Fehler Das simulierte Glühen beträgt 19,1, der minimale Fehler beträgt 1,28 und der durchschnittliche Fehler beträgt 7,92. Der maximale Fehler von Flamingo beträgt 1,71, der minimale Fehler beträgt 0,55 und der durchschnittliche Fehler beträgt 1,26. Danach sucht der Flamingo-Suchalgorithmus um 13,4 besser als herkömmliche manuelle Suchvorgänge, um 8,07 besser als Partikelschwarm und um 6,66 besser als simuliertes Tempern. Der Flamingo-Suchalgorithmus ist für den Netto-Gesamtschwung der Achsensuche von größerer Bedeutung.

Vergleich des durchschnittlichen Fehlers jeder Methode.

Die auf maschinellem Lernen basierende Achsenanpassungsmethode ist eine effektive Achsenanpassungsmethode. In diesem Artikel ist es unser Ziel, mithilfe eines maschinellen Lernalgorithmus die Gesamteffizienz der Achsenanpassung und die Genauigkeit der Achsenanpassung zu verbessern. Die Hauptarbeit ist wie folgt: (I) Es wird ein Vorhersagemodell basierend auf GM(1, 1) vorgeschlagen. Das Modell umfasst eine beschleunigte Übersetzung und Mittelwerttransformation, um die Netto-Gesamtschwungreihe der oszillierenden Achse vorzuverarbeiten und so die Fluktuation der Netto-Gesamtschwungreihe der Achse abzuschwächen. (II) Bestimmen Sie die Ausrichtung der Achsenanpassung. In diesem Artikel wird ein Optimierungsmodell für die Ausrichtung der Achsenanpassung basierend auf dem Flamingo-Suchalgorithmus vorgeschlagen. Die experimentellen Ergebnisse zeigen, dass der durchschnittliche Fehler des Flamingo-Suchalgorithmus 1,26 beträgt, wodurch mehr als eingespart werden kann 80 % der Zeit im Vergleich zur manuellen Achsorientierungssuche. Es zeigt, dass die in diesem Artikel vorgeschlagene, auf dem Flamingo-Suchalgorithmus basierende Anpassung der Achsenorientierung praktisch ist. Der ursprüngliche traditionelle Arbeitsaufwand beeinflusst die Stromerzeugung in durchschnittlich 5 Tagen. Gemäß der durchschnittlichen Stromerzeugung von 62.000-kW-Einheiten: 62.000 × 24 h × 5 Tage = 7,44 Millionen kWh/Einheit, kann die in diesem Dokument vorgeschlagene Methode auf einen Tag verkürzt werden, und ihre Auswirkungen auf die Stromerzeugung betragen nur ein Fünftel der vorherigen eins, also 1,488 Millionen kWh/Einheit. Im Vergleich zum herkömmlichen manuellen Wartungsvorgang für Stoppachsen kann die Achsenmesszeit in diesem Artikel um mehr als 80 % reduziert werden. Die Arbeitskosten für jede Einheit werden auf der Grundlage der herkömmlichen 16 Personen, 5 Tage Bauzeit und 550 Yuan pro Person berechnet : 5 Tage × 16 Personen × 550 Yuan/Tag = 44.000 Yuan/Einheit, was sich auf 11.100 Yuan/Einheit für 2 Personen pro Tag reduziert. Es bietet eine zuverlässige Grundlage für die rechtzeitige Ermittlung von Achsabweichungen und Verdrehungen der Einheit sowie für die Lösungsfindung, verbessert direkt und indirekt den wirtschaftlichen Nutzen, bietet breite Anwendungsaussichten und eignet sich zur Achsverstellung. Es bietet eine starke Garantie für den sicheren und stabilen Betrieb des Stromnetzes und eine solide technische Unterstützung für die Wartung der Wassergeneratoreinheit.

Die im Rahmen der aktuellen Studie generierten und/oder analysierten Datensätze sind auf Anfrage des Wasserkraftunternehmens nicht öffentlich zugänglich. Die in diesem Dokument verwendeten Daten können aufgrund der Betriebsdaten der eigenen Energieanlagen des Wasserkraftunternehmens nicht öffentlich zugänglich gemacht werden, sind aber verfügbar auf begründete Anfrage beim entsprechenden Autor.

Chang, EC et al. Adaptive, auf Neuro-Fuzzy-Inferenzsystemen basierende, zeitlich veränderliche Grau-Gleitmodussteuerung für Leistungskonditionierungsanwendungen. Neuronale Berechnung. Appl. 30, 3 (2016).

Google Scholar

Xia, X. & Ni, W. Eine neuartige Fehleranalyse- und Diagnosemethode für hydraulische Turbinengeneratoreinheiten. J. Vibroeng. 18(6), 3568–3580 (2016).

Artikel Google Scholar

Sheikhan, M. & Mohammadi, N. Erratum zu: Zeitreihenvorhersage unter Verwendung eines PSO-optimierten neuronalen Netzwerks und eines hybriden Merkmalsauswahlalgorithmus für IEEE-Lastdaten. Neuronale Berechnung. Appl. 23(3–4), 1195 (2013).

Artikel Google Scholar

Shaik, NB et al. Ein intelligentes Modell zur Vorhersage des Lebenszustands von Rohölpipelines mithilfe künstlicher neuronaler Netze. Neuronale Berechnung. Appl. 2021, 3 (2021).

Google Scholar

Zhu, W. et al. Ein neuartiges KICA-PCA-Fehlererkennungsmodell für den Zustandsprozess einer Wasserkraftanlage. Messung 58, 197–206 (2014).

Artikel ADS Google Scholar

Leng, X. & Xu, S. Forschung zur intelligenten Steuerung von Synchrongenerator-Erregersystemen basierend auf Computertechnologie. J. Phys. Konf. Ser. 1992(3), 032125 (2021).

Artikel Google Scholar

Mo, LI et al. Unsichere und mehrobjektive Programmiermodelle zur Optimierung der Pflanzenstruktur. Vorderseite. Landwirtschaft. Wissenschaft. Ing. 3, 34 (2016).

Artikel Google Scholar

Xiong, L. et al. Deep-Learning-Verbundtrendvorhersagemodell für Zeitreihen hydraulischer Turbinen. Int. J. CO2-arme Technologie. 3, 3 (2021).

Google Scholar

Guo, Z. et al. Kurzfristige Passagierflussprognose für den städtischen Schienenverkehr basierend auf GPR und KRR. Intel. Transportsystem (IET) 13, 9 (2019).

Google Scholar

Zhang, X. et al. Lebendige Fehlerdiagnose für hydroelektrische Generatoreinheiten mit einer neuen Kombination aus Grobsätzen und Support-Vektor-Maschine. Expertensystem. Appl. 39(3), 2621–2628 (2012).

Artikel Google Scholar

Fu, W. et al. Vibrationstrendmessung für Wasserkraftgeneratoren basierend auf optimaler Variationsmoduszerlegung und LSSVM verbessert durch Optimierung des chaotischen Sinus-Cosinus-Algorithmus. Mess. Wissenschaft. und Technol. 30, 1 (2018).

Google Scholar

Huang, H. et al. Die Vorhersagemethode für den frühen Ausfall von Wasserkraftwerken basiert auf der Gaußschen Prozessregression, die auf Überwachungsdaten basiert. Appl. Wissenschaft. 11(1), 153 (2020).

Artikel Google Scholar

Li, G. et al. Kurzfristiges Energieprognosemodell für die Stromerzeugung für kleine Wasserkraftwerke unter Verwendung von GA-SVM. Mathematik. Probl. Ing. 2014(2), 1–9 (2014).

Google Scholar

Lvarez-Troncoso, R. et al. Auswirkungen von Wasserkraftwerken auf Trichoptera-Ansammlungen in vier Flüssen im Nordwesten Spaniens. Limnologica 53, 35–41 (2015).

Artikel Google Scholar

Cui, Z. et al. Ein hybrides Rolling-Gray-Framework für die Modellierung kurzer Zeitreihen. Neuronale Berechnung. Appl. 33, 11339 (2021).

Artikel Google Scholar

Umwelt I S. Ausfallanalyse und Wartungsstrategien in der Wasserkraftproduktion. in der Enzyklopädie der Informationswissenschaft und -technologie. 3. Aufl. (2015) (Achsenausrichtungsorientierungssuche).

Gong, X. Optimierung des Stromerzeugungssteuerungsprozesses eines hydraulischen Turbinensatzes basierend auf dem verbesserten BFO-PSO-Algorithmus. J. Coastal Res. 94(sp1), 227 (2019).

Artikel MathSciNet Google Scholar

Xiao, Z. et al. ACO-initialisiertes Wavelet-Neuronales Netzwerk zur Vibrationsfehlerdiagnose der Wasserturbinen-Generatoreinheit. Mathematik. Probl. Ing. 20, 1–7 (2015).

Google Scholar

Psaros, AF, Kawaguchi, K. & Karniadakis, GE Meta-Learning PINN-Verlustfunktionen. J. Comput. Physik. 458, 111121 (2022).

Artikel MathSciNet MATH Google Scholar

Bramburger, JJ & Kutz, JN Poincaré-Karten für mehrskalige physikalische Entdeckungen und nichtlineare Floquet-Theorie. Physik. D Nichtlineares Phänomen. 2020, 132479 (2020).

Artikel MATH Google Scholar

Cheng, YL et al. Innovative Wiederverwendung und Gestaltung von Reservoirsedimenten für die Nachhaltigkeit der Wasserkraftwerke. Erneuern. Aufrechterhalten. Energy Rev. 36, 212–219 (2014).

Artikel Google Scholar

Chen, Z. et al. Verbesserter Gravitationssuchalgorithmus zur Parameteridentifizierung des Wasserturbinen-Regulierungssystems. Energiewandler. Geschäftsführer 78, 306–315 (2014).

Artikel Google Scholar

Thaeer, HA & Bin, S. Serienteilungsmethode basierend auf PSO und FA zur Optimierung der langfristigen Planung der Wasserkrafterzeugung. Aufrechterhalten. Energietechnologie. Bewerten. 29, 106–118 (2018).

Google Scholar

Secui, DC, Hora, C. & Bendea, G. Parameterschätzung unter Verwendung eines modifizierten Whale-Optimierungsalgorithmus für Input-Output-Kurven von Wärme- und Wasserkraftwerken. Int. Trans. Elektr. Energiesystem. 30(2), e12188.1-e12188.26 (2020).

Artikel Google Scholar

Mortazavi, A., Togan, V. & Moloodpoor, M. Lösung struktureller und mathematischer Optimierungsprobleme mithilfe eines neuen hybriden Schwarmintelligenz-Optimierungsalgorithmus. Adv. Ing. Softw 127, 106–123 (2019).

Artikel Google Scholar

Dubey, AK et al. Vorhersage des Coronavirus-Ausbruchs basierend auf Küche und Temperatur mithilfe von Algorithmen für maschinelles Lernen (Social Science Electronic Publishing, 2022).

Google Scholar

Niu, WJ et al. Eine parallele Partikelschwarmoptimierung mit mehreren Zielen für den Betrieb von Kaskadenwasserkraftwerken im Südwesten Chinas. Appl. Soft Comput. 70, 562–575 (2018).

Artikel Google Scholar

Shang, Y. et al. Modifizierter genetischer Algorithmus mit simuliertem Tempern zur optimalen Lastverteilung des Drei-Schluchten-Wasserkraftwerks in China. Hydrol. Wissenschaft. J. 64, 9 (2019).

Artikel Google Scholar

Cheng, J., Wang, L. & Yan, X. Kuckuckssuchalgorithmus mit Speicher und dynamischer Fehlerdiagnose für Wasserkraftwerke. Ing. Berechnen. 2018, 1–16 (2018).

ADS Google Scholar

Cheng, J. et al. Eine nachgeahmte medizinische Diagnosemethode einer Wasserturbinen-Generatoreinheit basierend auf dem Bayes'schen Netzwerk. Trans. Inst. Mess. Kontrolle 41, 04123321982666 (2019).

Artikel Google Scholar

Cheng, J., Wang, L. & Xiong, Y. Ein verbesserter Kuckuckssuchalgorithmus und seine Anwendung bei der Vibrationsfehlerdiagnose für eine Wasserkraftanlage. Ing. Optim. 2017, 1–16 (2017).

Google Scholar

Zhu, J. et al. Eine Zustandstendenzmessung für eine Wasserturbinen-Erzeugungseinheit basierend auf aggregiertem EEMD und SVR. Mess. Wissenschaft. Technol. 26, 125008 (2015).

Artikel ADS Google Scholar

Pan, L. & Xueli, A. Vorhersage der charakteristischen Parameterverschlechterung von Wasserkraftwerken basierend auf radialer Basisfunktionsoberfläche und empirischer Modenzerlegung. J. Vib. Control (JVC) 21(11), 2200–2211 (2015).

Artikel Google Scholar

An, Bogen. Proz. Inst. Mech. Ing. Teil C J. Mech. Ing. Wissenschaft. 1989–1996 203–210/229(18), 1–9 (2015).

Wei, D. Netzwerkverkehrsvorhersage basierend auf einem neuronalen RBF-Netzwerk, optimiert durch einen verbesserten Gravitationssuchalgorithmus. Neuronale Berechnung. Appl. 28(8), 2303–2312 (2017).

Artikel Google Scholar

Tomasiello, S., Loia, V. & Khaliq, A. Ein granulares wiederkehrendes neuronales Netzwerk für die Vorhersage mehrerer Zeitreihen. Neuronale Berechnung. Appl. 1, 1–18 (2021).

Google Scholar

Fu, W. et al. Ein hybrider Ansatz zur Messung des Schwingungstrends von Wasserkraftwerken mit verbesserter mehrskaliger chaotischer Reihenanalyse und optimierter Unterstützungsvektormaschine der kleinsten Quadrate. Trans. Inst. Mess. Kontrolle. 41(15), 4436–4449 (2019).

Artikel Google Scholar

Chen, D. Forschung zur Verkehrsflussvorhersage in der Big-Data-Umgebung basierend auf dem verbesserten neuronalen RBF-Netzwerk. IEEE Trans. Ind. Informieren. 4, 1–1 (2017).

Google Scholar

Xia, R. et al. Eine Untersuchung der Methode der Wärmeleitfähigkeitsmessung für VIPs mit verbesserten neuronalen RBF-Netzen. Messung 87, 246–254 (2016).

Artikel ADS Google Scholar

Mia, M. & Dhar, NR Vorhersage und Optimierung durch Verwendung von SVR, RSM und GA beim Hartdrehen von gehärtetem AISI 1060-Stahl unter effektiven Kühlbedingungen. Neuronale Berechnung. Appl. 31, 1 (2017).

Google Scholar

Sahraoui, Y., Bendotti, P. & D'Ambrosio, C. Reales Engagement für Wasserkraftwerke: Umgang mit numerischen Fehlern und Machbarkeitsproblemen. Energie 184, 91–104 (2019).

Artikel Google Scholar

Wang, J., Guo, M. & Liu, Y. Bindung von Wasserkrafteinheiten mit Nichtlinearität entkoppelt vom gemischt-ganzzahligen nichtlinearen Problem. Energie 2018, S0360544218303621 (2018).

Google Scholar

Daadaa, M. et al. Ein Optimierungsmodell zur Maximierung der Energieerzeugung bei der kurzfristigen Bindung von Wasserkraftwerken mithilfe von Effizienzpunkten. Int. J. Elektr. Energiesystem. 125, 106419 (2021).

Artikel Google Scholar

Vieira, B. et al. Ein auf mehreren Kriterien basierender Ansatz für die Anlagenbindung mit Windkraft und Pumpspeicherkraftwerken. Elektr. Stromversorgungssystem. Res. 131, 244–254 (2016).

Artikel Google Scholar

Li, Y. et al. Stochastische optimale Planung von Demand-Response-fähigen Mikronetzen mit erneuerbaren Energien: Ein analytisch-heuristischer Ansatz. J. Sauber. Prod. 330, 129840 (2022).

Artikel Google Scholar

Li, Y., Han, M., Yang, Z. & Li, G. Koordinierung flexibler Nachfragereaktionen und erneuerbarer Unsicherheiten für die Planung gemeinschaftlicher integrierter Energiesysteme mit einer Ladestation für Elektrofahrzeuge: ein zweistufiger Ansatz. IEEE Trans. Aufrechterhalten. Energie 12(4), 2321–2331 (2021).

Artikel ADS Google Scholar

Li, Y., Li, J. & Wang, Y. Privatsphäre-wahrende räumlich-zeitliche Szenario-Generierung erneuerbarer Energien: Ein föderierter Ansatz für tiefes generatives Lernen. IEEE Trans. Ind. Inf. 18(4), 2310–2320 (2022).

Artikel Google Scholar

Referenzen herunterladen

Diese Arbeit wurde von den Wissenschafts- und Technologieplanungsprojekten der Provinz Jilin, Nr. 20210201134GX, unterstützt.

Fakultät für Informatik, Northeast Electric Power University, Jilin, China

Jie Cao, Yang Li, Zhaoyang Qu und Ruxuan Zhang

Guangdong ATV Academy for Performing Arts, Dongguan, China

Jie Cao

Fakultät für Elektrotechnik, Northeast Electric Power University, Jilin, China

Yunchang Dong

State Grid Jilin Electric Power Co., Ltd., Changchun, China

Yaowei Liu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeptualisierung, JC und YL; Methodik, YL; Software, D.-YC; Validierung, Q.-ZY und Z.-RX; formale Analyse, Z.-RX; Untersuchung, L.-YW und D.-YC; Ressourcen, L.-YW; Datenkuration, D.-YC und YL; Schreiben – Originalentwurf, YL; Schreiben – Rezension und Bearbeitung, JC; Visualisierung, Q.-ZY; Aufsicht, L.-YW; Projektverwaltung, D.-YC

Korrespondenz mit Jie Cao.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Cao, J., Li, Y., Qu, Z. et al. Eine neue Methode zur Achsenanpassung der Hydrogeneratoreinheit mittels maschinellem Lernen. Sci Rep 13, 2935 (2023). https://doi.org/10.1038/s41598-023-30121-0

Zitat herunterladen

Eingegangen: 20. Januar 2022

Angenommen: 16. Februar 2023

Veröffentlicht: 20. Februar 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.