(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111631125.0 (22)申请日 2021.12.28 (71)申请人 东北电力大 学 地址 132012 吉林省吉林市船 营区长春路 169号 (72)发明人 曹杰　李杨　曲朝阳　奚洋　姜涛　 (74)专利代理 机构 吉林市达利专利事务所 22102 代理人 陈传林 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/25(2020.01) G06N 3/00(2006.01) G06N 20/00(2019.01) G06Q 10/04(2012.01)G06Q 50/06(2012.01) (54)发明名称 一种基于机器学习的水轮发电机组大轴轴 线调整方法 (57)摘要 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。 权利要求书4页 说明书9页 附图4页 CN 114330122 A 2022.04.12 CN 114330122 A 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：权　利　要　求　书 1/4 页 2 CN 114330122 A 2P＝[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IterMax， 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MPb； 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MPr＝rand[0,1] ×P×(1‑MPb)， 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＝MPb×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MPt＝P‑MP0‑MPr， 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MPb适应度低并且前火烈鸟MPt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；权　利　要　求　书 2/4 页 3 CN 114330122 A 3