Un nuevo método para el ajuste del eje del hidro.

Dec 18, 2023

Scientific Reports volumen 13, Número de artículo: 2935 (2023) Citar este artículo

878 Accesos

1 Altmetric

Detalles de métricas

La calidad de la energía y la eficiencia de la central hidroeléctrica dependen de la operación estable de la unidad hidrogeneradora, que debe continuar operando y es propensa a fallas en el eje. Por lo tanto, adoptar tecnología de ajuste de eje eficaz para eliminar fallas. Este artículo propone un nuevo método para el ajuste del eje de la unidad hidrogeneradora basado en un modelo mejorado de predicción de grises y una red neuronal de optimización de inteligencia de enjambres. En primer lugar, propone un método de traducción de aceleración de secuencia y transformación de valor medio, que se utiliza para preprocesar la secuencia de oscilación total neta del eje que exhibe fluctuaciones oscilantes. Utiliza la transformación de los factores e1 y e2 para establecer un modelo mejorado de predicción de grises de la oscilación total neta del eje. Luego, se utiliza el algoritmo de búsqueda avanzada de flamencos para buscar el valor máximo de la función sinusoidal del péndulo total neto del eje, y se obtiene la orientación de ajuste del eje. Este método resuelve el problema de que GM (1, 1) solo se puede predecir mediante una secuencia monótona en el pasado y el problema de que el algoritmo de búsqueda es fácil de caer en el óptimo local, mejora efectivamente la eficiencia de cálculo del eje y acorta el tiempo de búsqueda. Los ejemplos de simulación muestran que el método propuesto puede mejorar significativamente la precisión del ajuste del eje. Este método mejora en gran medida la eficiencia de la búsqueda de azimut para el ajuste del eje.

La unidad de hidrogenerador (HGU) es una parte del equipo clave de la central hidroeléctrica1,2. Estado de la medición confiable de la tendencia del eje del grupo electrógeno hidroeléctrico para la seguridad de la unidad, promueve la estabilidad del sistema de energía de gran importancia3. En la ingeniería práctica, el ajuste del eje es el trabajo más importante en el período posterior de instalación de la unidad. La revisión de la unidad también debe pasar por una inspección de ajuste del eje. La calidad del eje de la unidad refleja integralmente la calidad de la instalación y el mantenimiento4. El eje central de ajuste del eje de la oscilación total neta y los grados de oscilación total neta máxima es un parámetro importante del cálculo del ajuste del eje, por lo que el grado del eje de la oscilación total neta del grupo electrógeno hidroeléctrico y la predicción, así como el eje de la oscilación total neta máxima La búsqueda de rodamientos de ajuste de oscilación, para garantizar la seguridad de la unidad hidrogeneradora y reducir la pérdida económica de la central hidroeléctrica es de gran importancia5. El cálculo de la oscilación total neta y la oscilación relativa en el ajuste del eje de la unidad hidrogeneradora aún es principalmente por cálculo manual. El proceso de cálculo del eje es complicado, involucra los datos de medición del cable superior, cable inferior, cable de agua y otras partes, que necesitan las dimensiones de cable superior a cable inferior, cable superior a cable de agua, diámetro de la cabeza de empuje, etc. en. Por lo tanto, el método de predicción eficiente y preciso de la oscilación total neta del eje conduce a reducir el número de mediciones del eje, y también es la base y el requisito previo para realizar la medición del eje6. Hay cuatro algoritmos de predicción típicos para la predicción de la oscilación total neta y la oscilación total neta máxima del eje del hidrogenerador en los métodos de aprendizaje automático: el método de predicción que utiliza la red neuronal BP (BP); Método de predicción utilizando la máquina de vectores de soporte (SVM); red neuronal informada por la física (PINN); Método de predicción mediante modelo gris (GM). Hay dos métodos principales de búsqueda de azimut de ajuste de eje: procesamiento manual tradicional y algoritmo de inteligencia de enjambre. En la actualidad, el aprendizaje automático se ha utilizado ampliamente en muchos campos, pero no se han aplicado muchas aplicaciones al ajuste de ejes de la unidad hidrogeneradora7. Sin embargo, para la orientación del ajuste del eje, el aprendizaje automático puede resolver el problema de que la orientación del ajuste del eje es difícil de buscar mediante el uso de algoritmos8,9.

Para resolver los problemas anteriores, este artículo propone un nuevo método para el ajuste del eje de la unidad hidrogeneradora utilizando el aprendizaje automático. Sus principales contribuciones incluyen:

Se propone un método de predicción de la oscilación total neta del eje utilizando el GM(1, 1) mejorado. A través de la aceleración de los métodos de traducción y transformación de significado, la secuencia de oscilación total neta muestra que las fluctuaciones oscilatorias se procesan previamente para debilitar la volatilidad de la serie. Este modelo resuelve el problema de que GM(1, 1) solo puede predecirse mediante una secuencia monótona. Luego, el algoritmo GM(1, 1) mejorado se puede usar para predecir los datos de balanceo total neto del eje y mejorar la eficiencia del procesamiento de la medición del eje.

Se propone un método de optimización de la búsqueda de la orientación del ajuste del eje utilizando el algoritmo de búsqueda Flamingo para buscar con precisión la orientación del ajuste del eje. Este modelo resuelve el problema de que el algoritmo de búsqueda tradicional es fácil de caer en una solución óptima local.

Este documento propuso un método con el procesamiento de eje manual tradicional y lo comparó con el algoritmo de aprendizaje automático representativo. La evaluación del rendimiento muestra que puede mejorar significativamente la búsqueda de la orientación de ajuste del eje por parte del modelo.

En el área de predicción de la oscilación total neta axial, se propuso en la literatura10,11 un clasificador que combina conjuntos aproximados y la máquina de vectores de soporte, y se aplicó al diagnóstico de fallas de HGU. En la literatura12 se propuso un modelo de medición de tendencia de vibración HPG, que se basa en la descomposición de modo variacional óptimo (OVMD) y la optimización caótica del algoritmo seno-coseno (CSCA) y la máquina de vectores de soporte de mínimos cuadrados mejorada (LSSVM). La literatura13 propuso un método de predicción temprana de fallas para HPG basado en el proceso de regresión de Guassion (GPR), que rastreó de manera efectiva el proceso de cambio del estado de operación de HPG y monitorea el estado de operación anormal de HPG por adelantado. La literatura14 propuso un método de máquina de vector de soporte de mínimos cuadrados (LS-SVM) para predecir los parámetros de estabilidad de las unidades de turbina hidráulica de flujo mixto. La literatura15 desarrolló un modelo de predicción de series de tiempo ARIMAX (1, ​​1, 1) para la generación de energía hidroeléctrica en ecuador para predecir la producción mensual hasta por un año. La literatura16,17,18 propuso un modelo de predicción gris (GM(1, 1)) para predecir la tendencia de degradación del rendimiento de las unidades hidroeléctricas. La literatura19,20 propuso una técnica de metaaprendizaje para el descubrimiento fuera de línea de funciones de pérdida de redes neuronales informadas por la física (PINN). Amplía trabajos anteriores sobre metaaprendizaje y desarrolla un algoritmo de metaaprendizaje basado en gradientes para abordar diversas distribuciones de tareas basadas en ecuaciones diferenciales parciales (PDEs) parametrizadas que se resuelven con PINN. Aunque los métodos anteriores mejoraron la eficiencia de la medición axial bajo ciertas condiciones, la selección de la red neuronal debe tener en cuenta el tamaño del conjunto de datos, así como la configuración de los parámetros, por lo que es inevitable que se produzcan errores. Además, no todos son adecuados para el conjunto de datos de giro completo neto del eje del grupo hidrogenerador.

En términos de búsqueda de orientación de ajuste axial, la literatura21,22 propuso un método de evaluación de adaptación mejorado, presentó el concepto de conjuntos de parámetros de estabilidad e inestabilidad, y se aplicó a la estrategia de búsqueda de estabilidad, lo que mejoró efectivamente la capacidad de búsqueda local del algoritmo del modelo. y aseguró la estabilidad y precisión del modelo del grupo hidrogenerador. La literatura23,24,25,26 propuso un método de predicción basado en la interpolación de la función de base radial (RBF), la descomposición modal empírica (EMD), la entropía aproximada, la red neuronal artificial y la teoría gris para la degradación de los parámetros característicos de la unidad hidrogeneradora. En la literatura se propuso un modelo de predicción no lineal para la tendencia de degradación de los parámetros operativos de la unidad hidrogeneradora27,28,29,30,31. El modelo se basó en la interpolación de la función de base radial, la transformada wavelet, el método de predicción del exponente máximo de lyapunov y el modelo de predicción gris (método GM (1, 1)). La literatura32 presentó el modelo de curva de alarma dinámica, estableció el modelo de red neuronal GA-BP y obtuvo la vibración vertical de cubrirse la cabeza entrenando y emitiendo la curva dinámica de alarma. Aunque los métodos anteriores pueden predecir la cantidad de ajuste del eje en un momento determinado, la mayoría de ellos pertenecen a la predicción de un solo paso, y cuando es necesario conocer la tendencia cambiante de la cantidad de ajuste del eje de la unidad de hidrogenerador antes, el solo El modelo de predicción de pasos debe ampliarse a una predicción de varios pasos utilizando la predicción continua33,34,35, momento en el que la precisión de la predicción se reducirá debido a la superposición continua de errores cada vez, lo que no puede satisfacer la necesidad real del hidrogenerador. conjunto de proyecto de mantenimiento. El algoritmo de aprendizaje automático es un método importante para resolver la predicción y la optimización. Con base en el modelo gris mejorado, las series de datos con fenómenos de ondas oscilantes se preprocesan acelerando la traducción y el método de transformación de significado para debilitar la volatilidad de la serie36,37,38, y luego se obtiene la función de predicción mediante la transformación de factores. El algoritmo Flamingo es un nuevo algoritmo de optimización de inteligencia de enjambre basado en el comportamiento de migración y búsqueda de alimento de los flamencos39,40,41. Puede aumentar la capacidad de búsqueda y desarrollar el espacio de búsqueda, garantizar un buen equilibrio entre la búsqueda y el desarrollo, y puede resolver de manera efectiva los problemas de optimización no lineal. La red neuronal RBF mejorada utiliza la optimización de enjambre de partículas para determinar el centro de la red neuronal RBF42,43,44, controla la velocidad de optimización por el factor de peso de inercia y toma la oscilación total neta máxima de los datos de mantenimiento de la hidro- unidad generadora como el vector de entrada de la red neuronal para predecir la cantidad de ajuste del eje real45,46,47.

En este documento, la oscilación total neta en el punto de ajuste del eje se utiliza como la cantidad de estado para representar el estado operativo de la unidad hidrogeneradora. El modelo gris mejorado se utiliza para predecir la oscilación total neta en el punto de ajuste del eje en el futuro, y se obtienen respectivamente los valores predichos de la oscilación total neta del eje en ocho puntos de estado alrededor del eje grande. A continuación, se lleva a cabo el ajuste de la función sinusoidal del valor de oscilación total neto del eje de ocho puntos para obtener la función sinusoidal y, a continuación, sobre la base de obtener la función sinusoidal de la oscilación total neta. Luego, usando la función de seno de oscilación total neta obtenida, se usa el algoritmo de búsqueda de flamencos para buscar el valor máximo de la función de seno de oscilación total neta en el ajuste del eje, y se obtiene la orientación de ajuste del eje correspondiente.

También se realiza la determinación de la orientación del ajuste del eje y la cantidad de ajuste del eje. El marco general se muestra en la Fig. 1.

Diagrama del marco del modelo de alineación axial.

En esta sección, revisamos los datos relevantes de la unidad hidrogeneradora y, al observar el conjunto de datos de mantenimiento del eje, se encuentra que la secuencia de oscilación total neta del eje muestra un fenómeno de fluctuación. Para resolver el problema de que la oscilación total neta del eje tiene fluctuación de oscilación, este documento utiliza la traducción acelerada y la transformación media ponderada para preprocesar el péndulo total neto del eje con el fenómeno de fluctuación, y luego mejora el modelado GM(1, 1) después de cumplir con la condición monótona.

La idea básica del modelo GM(1, 1) tradicional: para facilitar el modelado matemático, la secuencia de oscilación total neta original se acumula una vez. Dado que la secuencia después de la acumulación tiene una tendencia de crecimiento exponencial, se utiliza la ecuación diferencial aproximada de primer orden para construir el modelo. Finalmente, la secuencia de predicción se genera mediante la acumulación de la secuencia de modelado para completar la predicción de la tendencia de desarrollo de la secuencia de oscilación total neta original.

El proceso de modelado específico para el GM(1, 1) tradicional es el siguiente.

Sea la secuencia de balanceo total neto original: \(X^{{_{(0)} }} = \{ x^{(0)} (1),x^{(0)} (2), \ldots ,x^{(0)} (n)\}\), y realiza una sola acumulación en esta secuencia para generar. Como Ec. (1).

Genere una secuencia de swing total neta con regularidad exponencial como \(X^{(1)} = \{ x^{(1)} (1),x^{(1)} (2), \ldots ,x^{ (1)} (n)\}\).

\(X^{(1)}\) aproxima la secuencia como solución de una ecuación diferencial de primer orden (Ec. 2).

donde: a es el coeficiente de desarrollo del modelo; b es la cantidad de acción gris.

Denota el parámetro \(A = [a,b]^{T}\), y usa el método de mínimos cuadrados para encontrar A como

dónde:

Encuentre los valores de a, b y sustitúyalos en la ecuación. (2) para calcular.

La reducción acumulativa de la ecuación. (4) produce la función de predicción de la oscilación total neta como

En el modelado tradicional GM(1, 1), debido a que la oscilación neta total de la secuencia de ejes original no es muy regular, es necesario realizar cambios acumulativos y luego se utiliza la Ec. (2) para construir un modelo matemático. Este método de modelado independientemente de si la secuencia original de la oscilación total neta del eje oscila o no, la secuencia generada acumulativamente cambiará monótonamente y la secuencia reducida también muestra la misma tendencia de cambio. Cuando la oscilación total neta de la secuencia original es monótona, la precisión de la predicción es mejor, pero cuando la secuencia original oscila y fluctúa, la precisión de la predicción no es ideal porque la secuencia reducida cambia monótonamente y la secuencia de oscilación original no se puede ajustar con precisión.

Si la secuencia de ondas de oscilación total neta del eje se transforma matemáticamente para que tenga una tendencia monótona, el modelo matemático se establece mediante GM (1, 1), finalmente, se calcula la función de reducción y luego se lleva a cabo la transformación matemática inversa. Para obtener la secuencia de predicción de la oscilación total neta del eje, será una buena solución al problema de que el modelo tradicional GM(1, 1) no tiene una alta precisión de predicción para la secuencia oscilante. En este documento, la traducción acelerada y el método de transformación de significado se combinan para preprocesar la serie con el fenómeno de fluctuación oscilatoria, para debilitar la fluctuación de la serie.

\(X = \{ x(1),x(2), \ldots ,x(n)\}\) es la secuencia original de oscilación total neta del eje, y si existe \(k,k \in [1, 2, \ldots ,n - 1]\), tal que \(x(k + 1) - x(k) > 0,x(k + 1) - x(k) < 0\), entonces se dice a \(X\) ser una secuencia de cambios aleatorios. Como Ec. (6) y (7).

M–m es la amplitud de la secuencia X, denotada como T.

Defina transformación de traslación acelerada: para debilitar la volatilidad del eje oscilación total neta de la secuencia oscilatoria original. \(XE_{1} = \{ x(1)e_{1} ,x(2)e_{1} , \ldots ,x(n)e_{1} \}\), ecuación:

Se llama e1 el factor de transformación de traslación acelerada, y la tendencia monótona de la secuencia oscilante original después de esta transformación puede demostrarse mediante operaciones matemáticas simples.

Defina la transformación de la media ponderada: la secuencia de oscilación total neta del eje después del procesamiento del factor e1 ha mostrado una tendencia monótona y tiene condiciones de modelado. Para ajustar la oscilación total neta del eje de la secuencia original con mayor precisión, se introduce la transformación de media ponderada para realizar una transformación cuadrática en la secuencia factorizada y se define la secuencia transformada.

Se llama e2 el factor transformado por la media ponderada. A través de un cálculo matemático simple, se puede demostrar que la secuencia de oscilación total neta del eje después de la transformación del factor e2 mantiene las características monótonas de la secuencia original de oscilación total neta del eje, lo que puede hacer que la secuencia de oscilación total neta del eje sea más suave.

Sea la oscilación total neta del eje de la secuencia de oscilación original

Los procesos de modelado GM(1, 1) mejorados son los siguientes.

\(X^{(0)}\) Realice una transformación de factor e1 en la oscilación total neta del eje de la secuencia original como \(Y^{(0)} = \{ y^{(0)} (1),y ^{(0)} (2), \ldots ,y^{(0)} (n)\}\).

La secuencia \(Y^{(0)}\) se transforma en factor e2 a

Realice una suma de la secuencia \(Z^{(0)}\).

Modelando la ecuación diferencial GM(1, 1) de \(Z^{(1)}\) para la secuencia. Como Ec. (10).

a, b parámetros por mínimos cuadrados. Como Ec. (11).

Está determinado, entre otras cosas.

La función de respuesta de la ecuación diferencial GM(1, 1).

La función de predicción de la oscilación total neta del eje se obtiene mediante una reducción acumulativa \(z^{(0)}\).

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

Para \(Z^{(0)}\) use \(e_{2}\) factor de reducción de transformación inversa para lograr. Como Ec. (14).

donde \(\mahop y\limits^{\,\,\, \, \, \wedge(0)} (1) = y^{(0)} (1)\), y

La transformación inversa de la oscilación total neta del eje de la secuencia original por \(e_{1}\) par de factores \(Y^{(0)}\) produce una función de predicción. Como Ec. (dieciséis).

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

Los pasos mejorados anteriores de GM (1, 1) y la fórmula después de la transformación del factor se muestran en la Fig. 2.

Diagrama del marco del algoritmo GM mejorado.

Obtenido por el GM mejorado (1, 1) para predecir el eje del grado total neto del péndulo, el siguiente debe limpiarse todos los grados de ajuste de función sinusoidal y establecer un cojinete de eje grande como abscisa, oscilación total neta como los grados de oscilación total netos del eje de ordenadas después de la función de ajuste sinusoidal, usando el algoritmo flamingo para optimizar la oscilación total neta máxima de la función sinusoidal. Finalmente, la variable independiente correspondiente al valor máximo de la función seno del eje péndulo total neto es el acimut de ajuste del eje.

Flamingo tiene las capacidades de búsqueda global y desarrollo local necesarias para los algoritmos de optimización. Tiene buenos resultados para la búsqueda de función de pico único y pico múltiple. Por lo tanto, es adecuado para buscar el valor máximo de la función seno de la oscilación total neta.

Los dos principales rasgos de comportamiento de los flamencos son la búsqueda de alimento y el comportamiento migratorio. Los flamencos habitan principalmente en áreas donde abunda la comida. Después de un período de alimentación extensa, la población de flamencos migra cuando la comida en el área disminuye a un nivel que no satisface a la población. Se desarrollan los modelos correspondientes de forrajeo y migración.

Las principales ideas de optimización del modelo FSA son las siguientes.

Comportamiento comunicativo

Los flamencos con más comida en el grupo difunden su información de posición llamando a otros flamencos, e influye en los cambios de posición de otros flamencos en el grupo. Teóricamente, los flamencos no pueden saber dónde hay más comida en un área. Sin embargo, esto no significa que el algoritmo no pueda encontrar una solución globalmente óptima, ya que el algoritmo es un programa, no puede decir la condición final del programa cuando lo establece.

FSA es un algoritmo que simula a los flamencos buscando la mejor solución en un área de búsqueda basada en la limitada información disponible. En este artículo asumimos que el flamenco con la mayor cantidad de comida en la j-ésima dimensión es xbj.

Comportamiento de escaneo de pico

Cuando el pico de un flamenco se vierte sobre el agua, actúa como un colador grande, succiona el agua y luego la filtra rápidamente, un patrón de alimentación influenciado por la abundancia de alimentos en el área. Si hay más comida en el área barrida por el pico del flamenco, esto anima al flamenco a escanear el área con más cuidado y el cuello del flamenco se estira lentamente, lo que hace que aumente el radio de escaneo del pico. La probabilidad de escanear el área en busca de comida también aumentará, y en la Fig. 3 se muestra un modelo del comportamiento de escaneo del pico del flamenco.

Comportamiento de exploración del pico.

Cuanto más cerca esté un flamenco de la comida más abundante en la población, mayor será la probabilidad de que la comida sea abundante en esa área. En este artículo, simulamos el comportamiento de exploración del pico de los flamencos. Si la posición del i-ésimo flamenco en la j-ésima dimensión de la población de flamencos es xij, es necesario considerar la variabilidad de la selección individual de flamencos en la naturaleza y lo repentino del entorno específico, lo que afectará el comportamiento de búsqueda de alimento de los flamencos. De lo contrario, hay errores en el comportamiento de búsqueda de alimento y la información transmitida por los flamencos. Para modelar este error, se introduce una distribución aleatoria normal estándar, en la que el escaneo del pico del flamenco tiene una alta probabilidad de alinearse con la posición donde la comida es más abundante. Sin embargo, también existe una pequeña probabilidad de error basada en esta información.

La distancia máxima de los escaneos del pico del flamenco en el comportamiento de búsqueda de alimento se puede cuantificar como \(|G_{1} \times xb_{j} + \varepsilon_{2} \times x_{ij} |\), donde \(\varepsilon_{2 }\) es un número aleatorio de − 1 o 1. La distancia máxima está destinada principalmente a aumentar el rango de búsqueda del escaneo del pico del flamenco en el modo de alimentación, donde G1 es un número aleatorio que se ajusta a una distribución normal estándar. Para modelar el rango de exploración del flamenco en el comportamiento de exploración del pico, se introduce nuevamente la distribución normal, y su curva de variación se aproxima a la variación del rango de exploración del pico del flamenco como \(G_{2} \times |G_{1} \times xb_ {j} + \varepsilon_{2} \times x_{ij} |\), donde G2 es un número aleatorio que sigue una distribución normal.

Comportamiento móvil bípedo

En la Fig. 4 se muestra un modelo del comportamiento del movimiento de las patas de los flamencos. Cuando los flamencos buscan comida, mientras escanean con sus picos, sus garras se mueven hacia la comida más abundante en la población de flamencos. La distancia recorrida se puede cuantificar asumiendo que el lugar de alimento más abundante en la población es \(\varepsilon_{1} \times xb_{j}\) \(xb_{j}\), \(\varepsilon_{1}\ ) como un número aleatorio de − 1 o 1, principalmente para aumentar el rango de búsqueda de forrajeo de flamencos y para cuantificar las diferencias de selección individuales.

Comportamiento móvil bípedo.

En resumen, el paso de movimiento del flamenco en busca de alimento en la iteración es el rango de exploración del pico del flamenco, y luego se suma la distancia de movimiento de sus patas, como se muestra en la ecuación. (17).

La ecuación para actualizar la ubicación del comportamiento de alimentación de los flamencos es

En la ecuación. (18), \(x_{ij}^{t + 1}\) denota la posición \(x_{ij}^{t}\) del i-ésimo flamenco en la j-ésima dimensión de la población en el (t + 1 )th iteración, x denota la posición del i-ésimo flamenco en la j-ésima dimensión de la población de flamencos en la t-ésima iteración, es decir, la posición del pie del flamenco. xbjt denota la j-ésima posición dimensional en la población del flamenco mejor adaptado en t iteraciones. k = K (n) es el factor de difusión, que es un número aleatorio con una distribución cardinal de n grados de libertad. Se utiliza para aumentar el tamaño del rango de alimentación del flamenco y para simular las posibilidades de selección individual en la naturaleza, está aumentando la meritocracia global.\(G_{1} = N(0,1)\) y \(G_{2) } = N(0,1)\) son números aleatorios que siguen una distribución normal estándar,\(\varepsilon_{1}\) y \(\varepsilon_{2}\) están aleatorizados por − 1 o 1.

Cuando la comida escasea en el área de alimentación actual, la población de flamencos migra a la siguiente área de alimentación más abundante. Suponiendo que la ubicación del área rica en alimentos en la dimensión jth es xbj, la ecuación de migración para la población de flamencos es la siguiente.

En la ecuación. (19), xijt+1 denota la posición del i-ésimo flamenco en la j-ésima dimensión de la población en t + 1 iteraciones, xtij denota la posición del i-ésimo flamenco en la j-ésima dimensión de la población de flamencos en t iteraciones, es decir, la posición del pie de flamenco. \(xb_{j}^{t}\) denota la j-ésima posición dimensional del flamenco adaptado en la población en t iteraciones. \(\omega = N(0,N)\) es un número aleatorio con N grados de libertad, se usa para aumentar el espacio de búsqueda durante la migración de los flamencos, y también se usa para simular la aleatoriedad del comportamiento individual de flamencos durante la migración específica.

Paso 1: inicialice la población de la función oscilante total neta del eje, con la población establecida en P y el número máximo de iteraciones en \(Iter_{Max}\), y la proporción de flamencos migratorios en la primera parte \(MP_{b} \).

Paso 2: la cantidad de flamencos que se alimentan en la i-ésima iteración de la actualización de la población de flamencos es \(MP_{{\text{r}}} = rand[0,1] \times P \times (1 - MP_{b} ) \). El número de flamencos migratorios en la primera parte de esta iteración es \(MP_{0} = MP_{b} \times P\). El número de flamencos migratorios en la segunda parte de esta iteración es \(MP_{{\text{t}}} = P - MP_{0} - MP_{r}\), y se obtienen los valores de aptitud de los flamencos individuales, y la población de flamencos se clasifica según los valores de aptitud de los individuos. Los \(MP_{b}\) ex flamencos con bajo estado físico y los ex flamencos \(MP_{{\text{t}}}\) con alto estado físico se consideran flamencos migratorios, mientras que los demás se consideran flamencos en busca de alimento.

Paso 3: Actualice la migración de flamencos de acuerdo con la ecuación. (19) y flamencos en busca de alimento de acuerdo con la ecuación. (18).

Paso 4: compruebe si hay flamencos fuera de los límites.

Paso 5: alcance el número máximo de iteraciones y vaya al paso 6; de lo contrario, ejecute el paso 2.

Paso 6: La función de oscilación total neta del eje de salida es la solución óptima y el valor óptimo. El diagrama de flujo de FSA se muestra en la Fig. 5.

Diagrama de flujo del algoritmo FSA.

Este trabajo se basa en los datos de mantenimiento de una empresa de mantenimiento de energía hidráulica desde el año 2015 hasta el año 2020. Debido a la pequeña cantidad de visitas de mantenimiento del grupo electrógeno desarmado cada año, hay 200 piezas de datos de mantenimiento en este conjunto de datos, entre los cuales cada pieza de datos tiene 4 tipos de datos característicos, e incluye oscilación absoluta, oscilación relativa , oscilación total neta y oscilación total neta máxima. Dado que las empresas de mantenimiento de energía hidroeléctrica suelen utilizar este tipo de unidad, este conjunto de datos se ha convertido en un importante conjunto de datos de referencia. En este documento, se realiza un estudio de predicción sobre los datos de 1 a 80 veces del conjunto de datos de mantenimiento, que consta de ocho puntos de medición en un círculo del eje grande y un total de 2400 elementos. Entre ellos, hay 640 piezas de datos de swing total neto. Los trabajadores de mantenimiento utilizan principalmente la oscilación total neta como estándar de referencia para realizar el trabajo. Por lo tanto, la oscilación total neta y la oscilación total neta máxima se analizan por separado como conjuntos de datos. Los datos de los primeros 70 elementos son el conjunto de entrenamiento y los datos de los últimos 10 elementos son el conjunto de prueba. En este documento se utilizan de 71 a 80 veces los datos para la investigación. La tabla 1 son los datos del péndulo total neto.

El conjunto de datos se obtiene utilizando el software de medición y escala Marr. Los datos medidos por la escala Marr son un péndulo absoluto, y luego el péndulo total neto, el péndulo total relativo y el péndulo total neto máximo se obtienen mediante una serie de fórmulas de ajuste del eje.

Para verificar la precisión y validez del modelo GM(1, 1) mejorado establecido en este estudio, se seleccionan datos históricos en la segunda brida guía suspendida y se obtienen predicciones de 1 a 80 veces, y GM(1, 1), BP, SVM y PINN se seleccionan para la comparación.

La tendencia del péndulo de la oscilación total neta del eje de los ocho puntos de medición se puede observar en la Fig. 6, a partir de la cual se puede encontrar que los datos de cada punto de medición muestran una naturaleza oscilatoria, no es una sola tendencia creciente o decreciente. , por lo que el GM(1, 1) tradicional no le es muy aplicable, es necesario debilitar la tendencia de oscilación.

Tendencia de oscilación completa neta en ocho puntos de medición en el eje.

En este experimento, la secuencia de oscilación total neta del eje con fenómeno de onda oscilante se procesa acelerando la traducción y el método de transformación de significado para debilitar la secuencia de oscilación de oscilación total neta. GM(1, 1) se mejora utilizando este método, y la oscilación total neta se toma como variable predictiva. Al mismo tiempo, se seleccionan los modelos GM(1, 1), BP, SVM y PINN para comparar, y se predice la oscilación total neta de 71 a 80 veces el eje, respectivamente, con las primeras 70 veces como valor de entrenamiento y 71 –80 veces el valor predicho. El valor real; el valor pronosticado y el error relativo de la predicción del swing total neto se muestran en la Fig. 7.

Comparación de predicciones por el modelo.

Puede verse en la Fig. 6 que el modelo de predicción de la oscilación total neta basado en el eje GM(1, 1) mejorado propuesto en este documento está más cerca de la oscilación total neta real del punto de medición que el valor predicho de otros algoritmos . Para analizar con precisión la precisión de la predicción de varios modelos, se lleva a cabo el análisis de comparación de errores de GM(1, 1), GM(1, 1), BP, SVM y PINN mejorados. Además, debido a la aleatoriedad de la red neuronal, cada modelo estructural tiene que pasar por diez veces el entrenamiento y la verificación durante la configuración de parámetros. Los errores obtenidos se muestran en la Tabla 2, y la comparación de los errores promedio de los ocho puntos de medición se muestra en la Fig. 8.

Comparación de errores medios.

Como se puede ver en la Fig. 8, compare con GM(1, 1), BP, SVM y PINN tradicionales, después de debilitar la oscilación total neta del eje con oscilaciones combinadas con traslación acelerada y transformación media, el error promedio de GM(1 , 1) el modelo establecido por la transformación del factor de suma es más pequeño que el de otros modelos, lo que indica una alta precisión de predicción. Se resuelve el problema del gran error de predicción de otros algoritmos para la secuencia de ondas oscilantes.

Este estudio también compara tres funciones de pérdida, como el error absoluto medio (MAE), el error cuadrático medio (RMSE) y el error porcentual absoluto medio (MAPE), como se muestra en la Tabla 3.

En este estudio, los valores pronosticados de 71–81 ejes de oscilación completa neta de cinco algoritmos se comparan como funciones de pérdida. De la Tabla 3, se encuentra que el MAPE entre el GM mejorado, SVM y PINN están relativamente cerca de 2.1%, 4.1% y 3.3% respectivamente. En comparación con GM, BP y SVM, PINN tiene MAE, RMSE y MAPE más pequeños, y todavía hay una cierta brecha en comparación con el GM mejorado. Se puede concluir que el GM mejorado es más adecuado para la predicción de datos de la oscilación completa de la red del eje.

Es más obvio a partir de las Figs. 9 y 10 que el MAE y RMSE promedio del GM mejorado son los más pequeños, el PINN es un poco peor y el GM, BP y SVM son mucho peores. El GM mejorado es mejor para los datos como el giro completo neto de la unidad generadora de turbina hidráulica, porque está más cerca de los datos reales, con menos errores y tiene más valor de referencia para el personal de mantenimiento de la unidad generadora de turbina hidráulica. Puede hacer mejores juicios sobre las anormalidades del eje y mejorar la eficiencia del ajuste del eje.

Comparación de algoritmo MAE y RMSE.

Comparación de algoritmo MAE y RMSE.

La curva de función de seno de la oscilación total neta de los ejes se construye mediante la predicción de oscilación total neta de ocho puntos GM(1, 1) mejorada. Las funciones de seno de oscilación total neta axial para el 71-80 se muestran en la Tabla 4.

La función de seno de oscilación total neta multiplicada por 71–80 se utiliza como entrada de cada método para buscar el valor máximo de la función de seno de oscilación total neta, y el valor máximo obtenido es el ajuste de orientación. De acuerdo con los resultados de 10 tiempos de predicción, los resultados de búsqueda de azimut de ajuste de eje obtenidos se muestran en la Tabla 5.

Como se puede ver en la Tabla 5, los resultados de búsqueda del algoritmo de recocido simulado tienen un error significativamente menor que los métodos tradicionales manuales y de enjambre de partículas, con alta precisión de búsqueda y buena estabilidad. Sin embargo, los resultados de búsqueda que utilizan el algoritmo flamingo están cerca de la orientación real y tienen mayor estabilidad. Además, el error mínimo del algoritmo flamingo puede llegar a 0,55, y los resultados de búsqueda de cada método en comparación con la orientación real se muestran en la Fig. 11.

Comparación de resultados de búsqueda por método.

Para analizar con precisión la precisión de la búsqueda de orientación de ajuste axial del método centralizado, se realiza una comparación de errores como se muestra en la Tabla 6, como se muestra en la Fig. 12. De la tabla, se puede ver que de los 10 experimentales seleccionados resultados, el error máximo del manual tradicional es 26, el error mínimo es 3, y el error promedio es 14.6, el error máximo del enjambre de partículas es 25.024, el error mínimo es 1.287, y el error promedio es 9.33, el error máximo de el recocido simulado es 19.1, el error mínimo es 1.28 y el error promedio es 7.92, y el error máximo de flamingo es el error máximo de flamingo es 1.71, el error mínimo es 0.55 y el error promedio es 1.26. Después de que el algoritmo de búsqueda de flamencos busque mejor que el manual tradicional en 13,4, mejor que el enjambre de partículas en 8,07 y mejor que el recocido simulado en 6,66. El algoritmo de búsqueda de flamencos es más significativo en la oscilación total neta de la búsqueda de ejes.

Comparación del error medio de cada método.

El método de ajuste del eje basado en el aprendizaje automático es un método de ajuste del eje efectivo. En este documento, nuestro objetivo es utilizar un algoritmo de aprendizaje automático para mejorar la eficiencia general del ajuste del eje y la precisión del ajuste del eje. El trabajo principal es el siguiente: (I) Se propone un modelo de predicción basado en GM(1, 1). El modelo incluye traducción acelerada y transformación de valor medio para preprocesar la serie de oscilación total neta del eje oscilatorio, a fin de debilitar la fluctuación de la serie de oscilación total neta del eje. (II) Determinar la orientación del ajuste del eje, en este trabajo se propone un modelo de optimización de la orientación del ajuste del eje basado en el algoritmo de búsqueda de flamingo, los resultados experimentales muestran que el error promedio del algoritmo de búsqueda de flamingo es 1.26, lo que puede ahorrar más de 80% del tiempo en comparación con la búsqueda de orientación de eje manual. Muestra que el ajuste de orientación del eje basado en el algoritmo de búsqueda de flamencos propuesto en este documento es práctico. El consumo de mano de obra tradicional original afecta la generación de energía en un promedio de 5 días. De acuerdo con la generación de energía promedio de unidades de 62 000 kW: 62 000 × 24 h × 5 días = 7,44 millones de kWh/unidad, el método propuesto en este documento se puede acortar a 1 día, y su impacto en la generación de energía es solo una quinta parte del anterior uno, es decir, 1.488 millones de kWh/unidad. En comparación con la operación de mantenimiento del eje de parada manual tradicional, el tiempo de medición del eje en este documento se puede reducir en más del 80%, los costos de mano de obra de cada unidad se calculan a partir de las 16 personas tradicionales, el período de construcción de 5 días y 550 yuanes por persona : 5 días × 16 personas × 550 yuanes/día = 44 000 yuanes/unidad, que se reduce a 11 100 yuanes/unidad para 2 personas por día. Proporciona una base confiable para encontrar la desviación del eje y los giros de la unidad a tiempo y encontrar soluciones, mejora directa e indirectamente los beneficios económicos, tiene amplias perspectivas de aplicación y es adecuado para el ajuste del eje. Proporciona una fuerte garantía para la operación segura y estable de la red eléctrica y un sólido soporte técnico para el mantenimiento de la unidad hidrogeneradora.

Los conjuntos de datos generados y/o analizados durante el estudio actual no están disponibles públicamente debido a la solicitud de la empresa hidroeléctrica, los datos utilizados en este documento no pueden hacerse públicos debido a los datos de operación del propio equipo de energía de la empresa hidroeléctrica, pero están disponibles. del autor correspondiente a petición razonable.

Chang, EC et al. Control de modo deslizante variable en el tiempo gris basado en un sistema de inferencia neurodifuso adaptativo para aplicaciones de acondicionamiento de energía. Cómputo neuronal. aplicación 30, 3 (2016).

Google Académico

Xia, X. & Ni, W. Un nuevo método de análisis y diagnóstico de fallas para la unidad generadora de turbina hidráulica. J. Vibroeng. 18(6), 3568–3580 (2016).

Artículo Google Académico

Sheikhan, M. & Mohammadi, N. Fe de erratas de: Predicción de series temporales utilizando una red neuronal optimizada para PSO y un algoritmo de selección de características híbridas para datos de carga IEEE. Cómputo neuronal. aplicación 23(3–4), 1195 (2013).

Artículo Google Académico

Shaik, NB et al. Un modelo inteligente para predecir la condición de vida de los oleoductos de crudo utilizando redes neuronales artificiales. Cómputo neuronal. aplicación 2021, 3 (2021).

Google Académico

Zhu, W. et al. Un modelo novedoso de detección de fallas KICA-PCA para el proceso de condición de la unidad generadora hidroeléctrica. Medida 58, 197–206 (2014).

Artículo ANUNCIOS Google Académico

Leng, X. & Xu, S. Investigación sobre el control inteligente del sistema de excitación del generador síncrono basado en tecnología informática. J. física. Conf. Ser. 1992(3), 032125 (2021).

Artículo Google Académico

Mo, LI et al. Modelos de programación inciertos y multiobjetivo para la optimización de la estructura de plantación de cultivos. Frente. agricola ciencia Ing. 3, 34 (2016).

Artículo Google Académico

Xiong, L. et al. Modelo de predicción de tendencias compuesto de aprendizaje profundo para series temporales de turbinas hidráulicas. En t. J. Tecnología baja en carbono. 3, 3 (2021).

Google Académico

Guo, Z. et al. Pronóstico de flujo de pasajeros a corto plazo del tránsito ferroviario urbano basado en GPR y KRR. Intel. Sistema de transporte (IET) 13, 9 (2019).

Google Académico

Zhang, X. et al. Diagnóstico de fallas vibrante para unidades generadoras hidroeléctricas con una nueva combinación de juegos preliminares y máquina de vector de soporte. Sistema experto aplicación 39(3), 2621–2628 (2012).

Artículo Google Académico

Fu, W. et al. Medición de tendencia de vibración para generador hidroeléctrico basada en descomposición de modo variacional óptimo y LSSVM mejorado con optimización de algoritmo de seno coseno caótico. medida ciencia y Tecn. 30, 1 (2018).

Google Académico

Huang, H. et al. El método de predicción sobre la falla temprana de las unidades hidroeléctricas basado en la regresión del proceso gaussiano impulsado por datos de monitoreo. aplicación ciencia 11(1), 153 (2020).

Artículo Google Académico

Li, G. et al. Modelo de pronóstico de energía de generación de energía a corto plazo para pequeñas centrales hidroeléctricas utilizando GA-SVM. Matemáticas. Problema Ing. 2014(2), 1–9 (2014).

Google Académico

Álvarez-Troncoso, R. et al. Impactos de las centrales hidroeléctricas sobre los ensambles de Trichoptera en cuatro ríos del NO de España. Limnologica 53, 35–41 (2015).

Artículo Google Académico

Cui, Z. et al. Un marco gris rodante híbrido para el modelado de series temporales cortas. Cómputo neuronal. aplicación 33, 11339 (2021).

Artículo Google Académico

I S Ambiental. Análisis de cortes y estrategias de mantenimiento en la producción hidroeléctrica. en Enciclopedia de ciencia y tecnología de la información. 3ra ed. (2015) (búsqueda de orientación de alineación de ejes).

Gong, X. Optimización del proceso de control de generación de energía del conjunto de turbina hidráulica basado en el algoritmo BFO-PSO mejorado. J. Costa Res. 94(sp1), 227 (2019).

Artículo MathSciNet Google Académico

Xiao, Z. et al. Red neuronal wavelet inicializada por ACO para el diagnóstico de fallas de vibración de la unidad generadora de hidroturbina. Matemáticas. Problema Ing. 20, 1–7 (2015).

Google Académico

Psaros , AF , Kawaguchi , K. & Karniadakis , GE Funciones de pérdida de PINN de metaaprendizaje . J. Cómputo. física 458, 111121 (2022).

Artículo MathSciNet MATEMÁTICAS Google Académico

Bramburger, JJ & Kutz, JN Mapas de Poincaré para el descubrimiento de la física multiescala y la teoría no lineal de Floquet. física D Fenómeno no lineal. 2020, 132479 (2020).

Artículo MATEMÁTICAS Google Académico

Cheng, YL et al. Reutilización y diseño innovador de sedimentos de embalses para la sostenibilidad de las centrales hidroeléctricas. Renovar. Sostener. Energía Rev. 36, 212–219 (2014).

Artículo Google Académico

Chen, Z. et al. Algoritmo de búsqueda gravitacional mejorado para la identificación de parámetros del sistema de regulación de turbinas de agua. Convertidores de energía. Administrar 78, 306–315 (2014).

Artículo Google Académico

Thaeer, HA & Bin, S. Método de división en serie basado en PSO y FA para optimizar la programación de generación hidroeléctrica a largo plazo. Sostener. Tecnología energética. Evaluar. 29, 106–118 (2018).

Google Académico

Secui, DC, Hora, C. & Bendea, G. Estimación de parámetros utilizando un algoritmo de optimización de ballena modificado para curvas de entrada-salida de centrales térmicas e hidroeléctricas. En t. Trans. eléctrico Sistema de energía 30(2), e12188.1-e12188.26 (2020).

Artículo Google Académico

Mortazavi, A., Togan, V. & Moloodpoor, M. Solución de problemas de optimización estructural y matemática utilizando un nuevo algoritmo de optimización de inteligencia de enjambre híbrido. Adv. Ing. Softw 127, 106–123 (2019).

Artículo Google Académico

Dubey, AK et al. Predicción del brote de coronavirus en función de las cocinas y la temperatura mediante algoritmos de aprendizaje automático (Social Science Electronic Publishing, 2022).

Google Académico

Niu, WJ et al. Una optimización paralela de enjambres de partículas multiobjetivo para la operación de embalses hidroeléctricos en cascada en el suroeste de China. aplicación Cómputo suave. 70, 562–575 (2018).

Artículo Google Académico

Shang, Y. et al. Algoritmo genético modificado con recocido simulado aplicado al despacho de carga óptimo de la central hidroeléctrica Three Gorges en China. Hidrol. ciencia J. 64, 9 (2019).

Artículo Google Académico

Cheng, J., Wang, L. & Yan, X. Algoritmo de búsqueda Cuckoo con memoria y el diagnóstico vibrante de fallas para la unidad generadora hidroeléctrica. Ing. computar 2018, 1–16 (2018).

ANUNCIOS Google Académico

Cheng, J. et al. Un método de diagnóstico médico de imitación de una unidad generadora de turbina hidráulica basada en una red bayesiana. Trans. Inst. medida Control 41, 04123321982666 (2019).

Artículo Google Académico

Cheng, J., Wang, L. & Xiong, Y. Un algoritmo de búsqueda de cuco mejorado y su aplicación en el diagnóstico de fallas de vibración para una unidad generadora hidroeléctrica. Ing. Óptimo 2017, 1–16 (2017).

Google Académico

Zhu, J. et al. Una medida de tendencia de estado para una unidad generadora de turbina hidráulica basada en EEMD y SVR agregados. medida ciencia Tecnología 26, 125008 (2015).

Artículo ANUNCIOS Google Académico

Pan, L. & Xueli, A. Predicción de degradación de parámetros característicos de la unidad de energía hidroeléctrica basada en la superficie de la función de base radial y la descomposición del modo empírico. J. Vib. Control (JVC) 21(11), 2200–2211 (2015).

Artículo Google Académico

An, X., Yang, L. y Pan, L. Predicción no lineal de la tendencia de degradación de los parámetros de condición para la unidad de energía hidroeléctrica basada en la interpolación de la función de base radial y la transformada wavelet. Arco. proc. Inst. mecánico Ing. Parte C J. Mech. Ing. ciencia 1989–1996 203–210/229(18), 1–9 (2015).

Wei, D. Predicción del tráfico de red basada en la red neuronal RBF optimizada por un algoritmo de búsqueda de gravitación mejorado. Cómputo neuronal. aplicación 28(8), 2303–2312 (2017).

Artículo Google Académico

Tomasiello, S., Loia, V. & Khaliq, A. Una red neuronal recurrente granular para la predicción de series temporales múltiples. Cómputo neuronal. aplicación 1, 1–18 (2021).

Google Académico

Fu, W. et al. Un enfoque híbrido para medir la tendencia vibratoria de las unidades hidroeléctricas con un análisis mejorado de series caóticas multiescala y una máquina de vectores de soporte de mínimos cuadrados optimizada. Trans. Inst. medida Control. 41(15), 4436–4449 (2019).

Artículo Google Académico

Chen, D. Investigación sobre la predicción del flujo de tráfico en el entorno de big data basado en la red neuronal RBF mejorada. Trans. IEEE. Ind. Informar. 4, 1–1 (2017).

Google Académico

Xia, R. et al. Un estudio del método de medición de conductividad térmica para VIP con redes neuronales RBF mejoradas. Medida 87, 246–254 (2016).

Artículo ANUNCIOS Google Académico

Mia, M. & Dhar, NR Predicción y optimización mediante el uso de SVR, RSM y GA en torneado en duro de acero templado AISI 1060 en condiciones de enfriamiento efectivo. Cómputo neuronal. aplicación 31, 1 (2017).

Google Académico

Sahraoui, Y., Bendotti, P. & D'Ambrosio, C. Compromiso de unidad de energía hidroeléctrica en el mundo real: Manejo de errores numéricos y problemas de viabilidad. Energía 184, 91–104 (2019).

Artículo Google Académico

Wang, J., Guo, M. y Liu, Y. Compromiso de la unidad de energía hidroeléctrica con la no linealidad desacoplada del problema no lineal de enteros mixtos. Energía 2018, S0360544218303621 (2018).

Google Académico

Daadaa, M. et al. Un modelo de optimización para maximizar la generación de energía en el compromiso de unidades hidroeléctricas a corto plazo utilizando puntos de eficiencia. En t. J. Electr. Sistema de energía eléctrica 125, 106419 (2021).

Artículo Google Académico

Vieira, B. et al. Un enfoque basado en la utilidad de criterios múltiples para el compromiso de la unidad con la energía eólica y la hidroeléctrica de almacenamiento por bombeo. eléctrico Sistema de energía Res. 131, 244–254 (2016).

Artículo Google Académico

Li, Y. et al. Programación óptima estocástica de microrredes habilitadas para respuesta a la demanda con generaciones renovables: un enfoque analítico-heurístico. J. Limpio. Pinchar. 330, 129840 (2022).

Artículo Google Académico

Li, Y., Han, M., Yang, Z. y Li, G. Coordinación de la respuesta de demanda flexible y las incertidumbres renovables para la programación de sistemas de energía integrados comunitarios con una estación de carga de vehículos eléctricos: un enfoque de dos niveles. Trans. IEEE. Sostener. Energía 12(4), 2321–2331 (2021).

Artículo ANUNCIOS Google Académico

Li, Y., Li, J. y Wang, Y. Generación de energías renovables en escenarios espaciotemporales que preservan la privacidad: un enfoque de aprendizaje generativo profundo federado. Trans. IEEE. inf.ind. 18(4), 2310–2320 (2022).

Artículo Google Académico

Descargar referencias

Este trabajo fue apoyado por los Proyectos de Planificación de Ciencia y Tecnología de la Provincia de Jilin, No. 20210201134GX.

Escuela de Ciencias de la Computación, Universidad de Energía Eléctrica del Noreste, Jilin, China

Jie Cao, Yang Li, Zhaoyang Qu y Ruxuan Zhang

Academia Guangdong ATV para artes escénicas, Dongguan, China

jie-cao

Escuela de Ingeniería Eléctrica, Universidad de Energía Eléctrica del Noreste, Jilin, China

Yunchang-dong

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

yaowei liu

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Conceptualización, JC y YL; metodología, YL; software, D.-YC; validación, Q.-ZY y Z.-RX; análisis formal, Z.-RX; investigación, L.-YW, y D.-YC; recursos, L.-YW; curación de datos, D.-YC y YL; escritura—borrador original, YL; redacción—revisión y edición, JC; visualización, Q.-ZY; supervisión, L.-YW; administración de proyectos, D.-YC

Correspondencia a Jie Cao.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Cao, J., Li, Y., Qu, Z. et al. Un nuevo método para el ajuste de ejes de la unidad hidrogeneradora utilizando aprendizaje automático. Informe científico 13, 2935 (2023). https://doi.org/10.1038/s41598-023-30121-0

Descargar cita

Recibido: 20 enero 2022

Aceptado: 16 febrero 2023

Publicado: 20 febrero 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.