【技术实现步骤摘要】
本专利技术涉及大型水电机组数字化检修拆解，尤其涉及基于深度学习算法的大型水电机组的检修拆解方法。
技术介绍
1、水力发电作为一种利用水的动能或位能驱动水轮机进而转化为电能的可再生能源发电方式，具有清洁、稳定的特点，对于保障能源供应、促进绿色低碳发展具有重要意义。然而，在大型水电机组的运行与维护过程中，面临着诸多技术挑战。
2、大型水电机组设备结构复杂，零部件种类繁多且数量庞大，这使得其检修工作尤为繁琐。由于机组通常安装在水电站内部，空间相对狭小，进一步增加了检修的难度。此外，水电机组的检修周期较长，需要在确保安全的前提下，高效地完成各项检修任务。
3、目前，基于二维图纸的检修空间布局方法仍被广泛应用。这种方法主要依赖设计人员的经验进行规划，存在诸多不足。首先，规划周期长、成本高，难以适应快速变化的检修需求。其次，准确性差，容易导致资源浪费，如不必要的零部件更换或过度维修。最后，由于二维图纸难以全面反映设备的三维结构和空间关系，使得检修过程中的空间布局和拆解顺序规划缺乏科学依据，进一步增加了检修的复杂性和风险。
4、尽管随着技术的发展，一些先进的检修手段逐渐被引入到水电机组的维护中，如虚拟现实技术（vr，virtual reality）、增强现实技术（ar，augmented reality）等，但这些技术大多仍处于探索和试验阶段，尚未形成一套完整、成熟的解决方案。特别是对于大型水电机组的拆解序列规划问题，现有技术仍主要依赖于人工经验和试错法，缺乏科学、高效的规划方法和优化工具。
5
6、综上所述，本专利技术旨在克服现有技术的不足，提供一种基于深度学习算法的水电机组检修拆解规划方法，以实现对水电机组拆解序列的优化设计，提高检修工作的效率和准确性，为水电机组的维护提供有力支持。
技术实现思路
1、本专利技术所要解决的技术问题是，提供基于深度学习算法的大型水电机组的检修拆解方法，解决大型水电机组在检修拆解过程中面临的复杂性和低效性问题，具体来说，水力发电作为清洁、稳定的可再生能源，其大型水电机组设备结构复杂，零部件种类繁多且数量庞大，检修周期长，且通常需要在空间狭小的环境中进行，这些问题不仅增加了检修工作的难度，还可能影响水电机组的正常运行和发电效率，进而对水力发电的安全性和经济性构成严重威胁，目前，传统的基于二维图纸的检修空间布局方法主要依赖设计人员的经验，存在规划周期长、成本高、准确性差及资源浪费等问题。
2、为解决上述技术问题，本专利技术采用的技术方案为：基于深度学习算法的水电机组检修拆解规划方法，包括以下步骤：
3、step1：创建水电机组设备检修的三维可视化模型；
4、step2：确定待拆解的水电机组设备的拆解信息；
5、step3：通过有向图和邻接矩阵建立设备零部件之间的几何约束关系，并将这些约束关系通过数学矩阵表示，然后将数学矩阵转换为关系表形式，并存储在数据库中；
6、step4：构造基于step3中拆解约束的编码策略和解码策略，确定不同拆解流程的优劣评价的量化指标，然后综合各量化评价指标，建立拆解时间最小序列规划的数学模型；
7、step5：利用深度学习优化算法，自动求解基于step3和step4中得到的约束关系数据和量化评价指标数据的最优或近似最优的拆解序列。
8、优选的方案中，所述step1中三维可视化模型包括设备、检修工具和仪器仪表的三维模型，且三维可视化模型是用软件solidworks按照1：1比例建立的几何模型。
9、优选的方案中，所述step2中拆解信息包括拆解的优先顺序、所需的拆解工具以及预计的拆解时间。
10、优选的方案中，所述step3中约束关系通过有向图建立，约束关系的数学矩阵表示方式为：
11、（1）
12、式中，为该水电机组设备所包含的零部件数，为零部件是否直接限制零部件的拆解。
13、优选的方案中，所述step4中量化指标包括拆解方向的变化导致的时间变化量、更换工具导致的时间变化量、检修人员的移动距离导致的时间变化量以及使用桥式起重机导致的时间变化量，
14、优选的方案中，所述step4中编码策略和解码策略包括，在进行编码任务时优先分配有优先约束的任务及其直接紧前任务；拆解过程的不可逆性，即系统中每个部件不存在重复拆卸；拆卸过程具有唯一的初始状态和结束状态。
15、优选的方案中，所述step4中拆解序列规划的数学模型为：
16、（2）
17、式中，表示从节点到节点的所需时间的差异工作量，、、、分别表示拆解过程中节点到节点的拆解方向的变化导致的时间变化量、更换工具导致的时间变化量、检修人员的移动距离导致的时间变化量、使用桥式起重机导致的时间变化量；、、、分别表示各自的权重。
18、优选的方案中，所述step4中拆解序列规划的数学模型建立的步骤包括：
19、step4.1：建立方向改变代价，以带拆解的设备中心建立三维直角坐标系，那么零件的拆解方向可以用来定义，然后，对其方向的改变进行量化，即角度改变90°，对应的差异工作量为1，改变180°，对应的差异工作量为2；
20、step4.2：建立工具改变代价，表示从拆解节点到拆解节点工具变化产生的差异工作量，若两节点使用的检修工具不一样，则取值为1，否则，为0；
21、step4.3：建立人员移动距离变化，表示从拆解节点到拆解节点位置变化产生的差异工作量，其值通过两个拆解节点对应模型的欧拉距离进行计算，节点到节点的位置变化差异工作量计算公式如下：
22、（3）
23、式中，为衡量系数，的值可根据具体设备零部件分布情况进行确定，为拆解节点的x轴坐标，为拆解节点的x轴坐标，为拆解节点的y轴坐标，为拆解节点的y轴坐标，为拆解节点的z轴坐标，为拆解节点的z轴坐标；
24、step4.4：建立桥式起重机使用代价，表示从拆解节点到拆解节点起重机使用变化产生的差异工作量，若两节点使用起重机机械，则取值为1，否则，为0。
25、优选的方案中，所述step5中深度学习优化算法的步骤包括输入数据传递、隐藏层传递、输出层计算、误差计算、误差反向传播以及参数更新。
26、优选的方案中，所述step5中自动求解基于step3和step4中得到的约束关系数据和量化评价指标数据的最优或近似最优的拆解序列的具体步骤包括：
27、step5.1：输入数据传递，输入数据经过输入层传递给第一个隐藏层；
28、step5.2：隐藏层传递，每个隐藏层根据上一层的输出计算本文档来自技高网...
【技术保护点】
1.基于深度学习算法的水电机组检修拆解规划方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于：所述Step1中三维可视化模型包括设备、检修工具和仪器仪表的三维模型，且三维可视化模型是用软件SolidWorks按照1：1比例建立的几何模型。
3.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于：所述Step2中拆解信息包括拆解的优先顺序、所需的拆解工具以及预计的拆解时间。
4.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于：所述Step3中约束关系通过有向图建立，约束关系的数学矩阵表示方式为：
5.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于：所述Step4中量化指标包括拆解方向的变化导致的时间变化量、更换工具导致的时间变化量、检修人员的移动距离导致的时间变化量以及使用桥式起重机导致的时间变化量。
6.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征
7.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于，所述Step4中拆解序列规划的数学模型为：
8.根据权利要求7所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于，所述Step4中拆解序列规划的数学模型建立的步骤包括：
9.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于：所述Step5中深度学习优化算法的步骤包括输入数据传递、隐藏层传递、输出层计算、误差计算、误差反向传播以及参数更新。
10.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于：所述Step5中自动求解基于Step3和Step4中得到的约束关系数据和量化评价指标数据的最优或近似最优的拆解序列的具体步骤包括：
...【技术特征摘要】
1.基于深度学习算法的水电机组检修拆解规划方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于：所述step1中三维可视化模型包括设备、检修工具和仪器仪表的三维模型，且三维可视化模型是用软件solidworks按照1：1比例建立的几何模型。
3.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于：所述step2中拆解信息包括拆解的优先顺序、所需的拆解工具以及预计的拆解时间。
4.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于：所述step3中约束关系通过有向图建立，约束关系的数学矩阵表示方式为：
5.根据权利要求1所述的基于深度学习算法的水电机组检修拆解规划方法，其特征在于：所述step4中量化指标包括拆解方向的变化导致的时间变化量、更换工具导致的时间变化量、检修人员的移动距离导致的时间变化量以及使用桥式起重机导致的时间变化量。
6.根据权利要求1所述的基于深度学...
【专利技术属性】
技术研发人员：解钦福，张彬桥，邹霖，高志伟，黄海洋，贺政全，杨智舜，何昌霖，冯洁莹，彭超，
申请(专利权)人：三峡大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。