【技術實現步驟摘要】
本專利技術涉及大型水電機組數字化檢修拆解，尤其涉及基于深度學習算法的大型水電機組的檢修拆解方法。
技術介紹
1、水力發電作為一種利用水的動能或位能驅動水輪機進而轉化為電能的可再生能源發電方式，具有清潔、穩定的特點，對于保障能源供應、促進綠色低碳發展具有重要意義。然而，在大型水電機組的運行與維護過程中，面臨著諸多技術挑戰。
2、大型水電機組設備結構復雜，零部件種類繁多且數量龐大，這使得其檢修工作尤為繁瑣。由于機組通常安裝在水電站內部，空間相對狹小，進一步增加了檢修的難度。此外，水電機組的檢修周期較長，需要在確保安全的前提下，高效地完成各項檢修任務。
3、目前，基于二維圖紙的檢修空間布局方法仍被廣泛應用。這種方法主要依賴設計人員的經驗進行規劃，存在諸多不足。首先，規劃周期長、成本高，難以適應快速變化的檢修需求。其次，準確性差，容易導致資源浪費，如不必要的零部件更換或過度維修。最后，由于二維圖紙難以全面反映設備的三維結構和空間關系，使得檢修過程中的空間布局和拆解順序規劃缺乏科學依據，進一步增加了檢修的復雜性和風險。
4、盡管隨著技術的發展，一些先進的檢修手段逐漸被引入到水電機組的維護中，如虛擬現實技術（vr，virtual?reality）、增強現實技術（ar，augmented?reality）等，但這些技術大多仍處于探索和試驗階段，尚未形成一套完整、成熟的解決方案。特別是對于大型水電機組的拆解序列規劃問題，現有技術仍主要依賴于人工經驗和試錯法，缺乏科學、高效的規劃方法和優化工具。
5
6、綜上所述，本專利技術旨在克服現有技術的不足，提供一種基于深度學習算法的水電機組檢修拆解規劃方法，以實現對水電機組拆解序列的優化設計，提高檢修工作的效率和準確性，為水電機組的維護提供有力支持。
技術實現思路
1、本專利技術所要解決的技術問題是，提供基于深度學習算法的大型水電機組的檢修拆解方法，解決大型水電機組在檢修拆解過程中面臨的復雜性和低效性問題，具體來說，水力發電作為清潔、穩定的可再生能源，其大型水電機組設備結構復雜，零部件種類繁多且數量龐大，檢修周期長，且通常需要在空間狹小的環境中進行，這些問題不僅增加了檢修工作的難度，還可能影響水電機組的正常運行和發電效率，進而對水力發電的安全性和經濟性構成嚴重威脅，目前，傳統的基于二維圖紙的檢修空間布局方法主要依賴設計人員的經驗，存在規劃周期長、成本高、準確性差及資源浪費等問題。
2、為解決上述技術問題，本專利技術采用的技術方案為：基于深度學習算法的水電機組檢修拆解規劃方法，包括以下步驟：
3、step1：創建水電機組設備檢修的三維可視化模型；
4、step2：確定待拆解的水電機組設備的拆解信息；
5、step3：通過有向圖和鄰接矩陣建立設備零部件之間的幾何約束關系，并將這些約束關系通過數學矩陣表示，然后將數學矩陣轉換為關系表形式，并存儲在數據庫中；
6、step4：構造基于step3中拆解約束的編碼策略和解碼策略，確定不同拆解流程的優劣評價的量化指標，然后綜合各量化評價指標，建立拆解時間最小序列規劃的數學模型；
7、step5：利用深度學習優化算法，自動求解基于step3和step4中得到的約束關系數據和量化評價指標數據的最優或近似最優的拆解序列。
8、優選的方案中，所述step1中三維可視化模型包括設備、檢修工具和儀器儀表的三維模型，且三維可視化模型是用軟件solidworks按照1：1比例建立的幾何模型。
9、優選的方案中，所述step2中拆解信息包括拆解的優先順序、所需的拆解工具以及預計的拆解時間。
10、優選的方案中，所述step3中約束關系通過有向圖建立，約束關系的數學矩陣表示方式為：
11、（1）
12、式中，為該水電機組設備所包含的零部件數，為零部件是否直接限制零部件的拆解。
13、優選的方案中，所述step4中量化指標包括拆解方向的變化導致的時間變化量、更換工具導致的時間變化量、檢修人員的移動距離導致的時間變化量以及使用橋式起重機導致的時間變化量，
14、優選的方案中，所述step4中編碼策略和解碼策略包括，在進行編碼任務時優先分配有優先約束的任務及其直接緊前任務；拆解過程的不可逆性，即系統中每個部件不存在重復拆卸；拆卸過程具有唯一的初始狀態和結束狀態。
15、優選的方案中，所述step4中拆解序列規劃的數學模型為：
16、（2）
17、式中，表示從節點到節點的所需時間的差異工作量，、、、分別表示拆解過程中節點到節點的拆解方向的變化導致的時間變化量、更換工具導致的時間變化量、檢修人員的移動距離導致的時間變化量、使用橋式起重機導致的時間變化量；、、、分別表示各自的權重。
18、優選的方案中，所述step4中拆解序列規劃的數學模型建立的步驟包括：
19、step4.1：建立方向改變代價，以帶拆解的設備中心建立三維直角坐標系，那么零件的拆解方向可以用來定義，然后，對其方向的改變進行量化，即角度改變90°，對應的差異工作量為1，改變180°，對應的差異工作量為2；
20、step4.2：建立工具改變代價，表示從拆解節點到拆解節點工具變化產生的差異工作量，若兩節點使用的檢修工具不一樣，則取值為1，否則，為0；
21、step4.3：建立人員移動距離變化，表示從拆解節點到拆解節點位置變化產生的差異工作量，其值通過兩個拆解節點對應模型的歐拉距離進行計算，節點到節點的位置變化差異工作量計算公式如下：
22、（3）
23、式中，為衡量系數，的值可根據具體設備零部件分布情況進行確定，為拆解節點的x軸坐標，為拆解節點的x軸坐標，為拆解節點的y軸坐標，為拆解節點的y軸坐標，為拆解節點的z軸坐標，為拆解節點的z軸坐標；
24、step4.4：建立橋式起重機使用代價，表示從拆解節點到拆解節點起重機使用變化產生的差異工作量，若兩節點使用起重機機械，則取值為1，否則，為0。
25、優選的方案中，所述step5中深度學習優化算法的步驟包括輸入數據傳遞、隱藏層傳遞、輸出層計算、誤差計算、誤差反向傳播以及參數更新。
26、優選的方案中，所述step5中自動求解基于step3和step4中得到的約束關系數據和量化評價指標數據的最優或近似最優的拆解序列的具體步驟包括：
27、step5.1：輸入數據傳遞，輸入數據經過輸入層傳遞給第一個隱藏層；
28、step5.2：隱藏層傳遞，每個隱藏層根據上一層的輸出計算本文檔來自技高網...
【技術保護點】
1.基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于：所述Step1中三維可視化模型包括設備、檢修工具和儀器儀表的三維模型，且三維可視化模型是用軟件SolidWorks按照1：1比例建立的幾何模型。
3.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于：所述Step2中拆解信息包括拆解的優先順序、所需的拆解工具以及預計的拆解時間。
4.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于：所述Step3中約束關系通過有向圖建立，約束關系的數學矩陣表示方式為：
5.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于：所述Step4中量化指標包括拆解方向的變化導致的時間變化量、更換工具導致的時間變化量、檢修人員的移動距離導致的時間變化量以及使用橋式起重機導致的時間變化量。
6.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征
7.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于，所述Step4中拆解序列規劃的數學模型為：
8.根據權利要求7所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于，所述Step4中拆解序列規劃的數學模型建立的步驟包括：
9.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于：所述Step5中深度學習優化算法的步驟包括輸入數據傳遞、隱藏層傳遞、輸出層計算、誤差計算、誤差反向傳播以及參數更新。
10.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于：所述Step5中自動求解基于Step3和Step4中得到的約束關系數據和量化評價指標數據的最優或近似最優的拆解序列的具體步驟包括：
...【技術特征摘要】
1.基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于，所述方法包括以下步驟：
2.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于：所述step1中三維可視化模型包括設備、檢修工具和儀器儀表的三維模型，且三維可視化模型是用軟件solidworks按照1：1比例建立的幾何模型。
3.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于：所述step2中拆解信息包括拆解的優先順序、所需的拆解工具以及預計的拆解時間。
4.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于：所述step3中約束關系通過有向圖建立，約束關系的數學矩陣表示方式為：
5.根據權利要求1所述的基于深度學習算法的水電機組檢修拆解規劃方法，其特征在于：所述step4中量化指標包括拆解方向的變化導致的時間變化量、更換工具導致的時間變化量、檢修人員的移動距離導致的時間變化量以及使用橋式起重機導致的時間變化量。
6.根據權利要求1所述的基于深度學...
【專利技術屬性】
技術研發人員：解欽福，張彬橋，鄒霖，高志偉，黃海洋，賀政全，楊智舜，何昌霖，馮潔瑩，彭超，
申請(專利權)人：三峽大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。