一种优化水电站设备检修工序的方法与流程

1.本发明涉及设备检修技术领域，具体涉及一种优化水电站设备检修工序的方法。


背景技术：

2.水电站在电网调峰调频中发挥着重要作用，其设备在长期的运行中，存在磨损、老化等情况，因此设备检修是水电站安全、稳定、高效运行的基础。设备检修的过程是更换或修理故障、损坏或磨损的部件，而拆卸顺序是控制检修过程的关键。因此获得最优或近似最优的拆卸序列，有利于合理调度资源，缩短检修时间，提高水电站设备检修的时效性。
3.拆卸序列规划已被证明是一个np-hard组合优化问题，其具有特殊的离散性并受装配优先关系约束，并且复杂程度随节点数的增加呈指数增长。因此在求解包含多零件的设备的拆卸序列规划时，使用穷举搜索寻找最优的可行序列是不切实际的。
4.目前，智能优化算法是解决复杂计算问题良好的方法，但是在未找到最优结果之前易陷入局部最优，需要对智能算法进行改进。大部分拆卸序列规划研究选取的是体积小和零件数量少的设备，在评价拆卸序列优劣时，仅考虑拆卸方向、拆卸工具改变的代价。而水电站设备一般体积大和包含的零件数量多，拆卸零件所需的移动距离是评价拆卸序列优劣不可缺少的指标。因此进一步开展适合水电站设备检修特点的拆卸序列规划研究对解决工业现场实际检修问题具有重要的应用价值。


技术实现要素：

5.针对上述技术问题，本发明提供一种优化水电站设备检修工序的方法，该方法建立了一个优化模型来更合理地评价水电站设备的检修过程；利用离散引力搜索算法求解最优或近似最优的拆卸序列来优化设备检修拆卸工序。所设计的离散引力搜索算法在寻优能力和收敛速度上都取得了很好的效果，得到的拆卸序列能够很好地控制维修资源的工序分配。
6.本发明采取的技术方案为：
7.一种优化水电站设备检修工序的方法，包括以下步骤：
8.步骤1:建立设备的三维模型；
9.步骤2:构建拆卸约束模型；
10.步骤3:定义设备零件的拆卸信息；
11.步骤4:建立优化目标函数；
12.步骤5:使用离散引力搜索算法进行工序优化。
13.所述步骤1中，按照与实际设备1:1的比例，对水电站设备进行三维模型构建；
14.所述步骤2中，对设备零件用实数编号，利用有向图来表示设备零件之间的装配约束关系；有向图中，节点表示零件，有向边表示零件之间的约束关系；把有向图转换成计算机可以处理的优先关系矩阵p＝[p
ij
]n×n；
[0015]
其中：n表示设备零件的数量，如果两个零件之间没有直接相连，其p
ij
＝0，否则p
ij
＝0表示零件i和零件j之间没有约束关系，p
ij
＝1表示零件i阻挡零件j的拆卸，从而建立拆卸约束模型。
[0016]
所述步骤3中，设备零件的拆卸信息包括零件的中心位置、拆卸方向和拆卸工具。
[0017]
所述步骤4中，以拆卸所花费的时间代价最小为目标函数，在拆卸零件时，更多的方向改变、工具更换、移动距离会造成拆卸时间的增加，目标函数可定义为：
[0018][0019]
其中，a，b，c分别表示权重系数，n代表拆卸序列中零件的个数，x代表满足约束关系的拆卸序列，d
i,i 1
、t
i,i 1
和m
i,i 1
分别表示拆卸第i个零件到第i 1个零件时方向改变的代价、工具更换的代价和移动距离的代价。
[0020]
所述步骤5包括以下步骤：
[0021]
s5.1：根据快速可行解生成器生成n个个体作为初始种群；
[0022]
s 5.2：计算个体的质量；
[0023]
s 5.3：根据选择算子从kbest集合中选择n个个体，并结合优先保护机制来更新个体；
[0024]
s 5.4：应用多点优化算子来优化每个个体；
[0025]
s 5.5：如果算法陷入局部最优，应用逃脱算子来逃脱局部最优；
[0026]
s 5.6：判断迭代次数是否达到设置的最大迭代数，若没有返回步骤s 5.2；否则，输出最优或近似最优的拆卸序列。
[0027]
所述s5.1包括以下步骤：
[0028]
s 5.1.1：初始化数据：l＝0，定义数组o
list
和c
list
，把检修的目标节点存入o
list
；
[0029]
s5.1.2：如果o
list
为空，则停止，令l＝s；否则让l＝l 1，然后把o
list
中的所有节点存入c
list
{l}，同时将其从o
list
中删除；
[0030]
s5.1.3：根据约束矩阵p，搜索约束c
list
{l}中节点的所有节点，把没有在c
list
中出现的节点加入o
list
，返回到步骤s5.1.2。
[0031]
所述s5.2中：
[0032]
计算种群中每个个体的目标函数值，并根据每个个体的目标函数值按从小到大的顺序排序，在第t代，第j个即将更新的个体为选择前kb个除了之外的个体作为kbest集合，然后再把即将更新的个体加入kbest集合中，此时kbest集合中元素的个数为kb 1，kbest中的个体的质量计算公式为：
[0033][0034]
其中，mi(t)表示kbest集合中在第t代第i个个体的质量，i＝1,...,kb 1，kb随着迭代的进行而减少，mj(t)、mi(t)分别表示kbest集合中在第t代第i、j个个体非归一化的质量值，mi(t)计算公式如下：
[0035]
[0036]
其中，表示kbest集合中第t代第i个个体的目标函数值，worst(t)表示kbest集合中最差个体的目标函数值，best(t)表示kbest集合中最优个体的目标函数值，所述s5.3中，通过下述内容更新个体：
[0037]
(1)选择算子：
[0038]
对mi(t)进行归一化之后得到质量mi(t)，mi(t)在数值上等于个体x
it
被选择的概率，定义个体x
it
的累积概率pi为：
[0039][0040]
其中，i＝1,...,kb 1；mj(t)表示kbest集合中在第t代第j个个体的质量；p0＝0表示累计概率的初始值为零；
[0041]
产生n个随机数ξa，ξa∈(0，1)，a＝1,2,
…
,n，a为随机数的ξa的编号，当p
i-1
≤ξa《pi，则从kbest集合中选择个体然后中的相应变量产生新个体中的一个变量，其中表示在第t代kbest集合中第i个个体在第a个位置上的变量，每个变量对应相应的零件编号，离散引力搜索算法产生下一代的数学模型如下：
[0042][0043]
其中，表示更新后的第j个个体的在第t 1代第a个位置上的变量，表示在第t代kbest集合中在第a个位置上的变量，pi是个体对应的累计概率，i＝1,...,kb 1。
[0044]
(2)优先保护机制：
[0045]
在中从左到右寻找正在更新的新解决方案中未出现的节点，然后把最先找到的节点按从左到右的顺序放在新解决方案中的末尾。
[0046]
所述s5.4包括以下步骤：
[0047]
s5.4.1：在序列中随机选取一个节点作为优化节点，根据优先约束矩阵p找到该优化节点可以插入的位置；
[0048]
s5.4.2：通过把优化节点放到可插入的位置实现序列的优化，多点优化算子采用启发函数引导优化的方向，启发函数定义为：
[0049]
h(m)＝f(x)-f(xm)
[0050]
其中，x代表满足约束关系的拆卸序列，xm表示对x优化后的个体，f(xm)、f(x)分别表示个体xm、x的目标函数值；
[0051]
s5.4.3：把最优的xm替换x。
[0052]
所述s5.5包括以下步骤：
[0053]
s5.5.1：判断种群最优个体的目标函数值是否等于种群所有个体目标函数值的平均值，如果相等，执行s5.5.2，否则，停止；平均值的计算公式如下：
[0054][0055]
其中，n表示种群中个体的数量，表示在第t代种群中第i个个体，表示其目标函数值；
[0056]
s5.5.2：初始化参数：让l＝1；
[0057]
s5.5.3：根据步骤s5.1得到的c
list
{l}，如果c
list
{l}只有一个节点，执行步骤s5.5.5；否则随机选择c
list
{l}中的两个节点pi、pj；
[0058]
s5.5.4：判断交换节点pi、pj的位置后拆卸序列是否满足优先级关系，如果满足则交换，否则，执行步骤s5.5.5；
[0059]
s5.5.5：如果l＝s，然后停止，否则l＝l 1，执行步骤s5.5.3。
[0060]
本发明一种优化水电站设备检修工序的方法，技术效果如下：
[0061]
1)本发明在拆卸方向、拆卸工具的评价指标上，增加拆卸零件需要的移动距离作为评价指标，这更能准确地评价序列的优劣。
[0062]
2)本发明设计了离散引力搜索算法，克服引力搜索算法不能直接应用于离散问题中的缺点，并使用优先保护机制来保证生成的下一代满足优先关系。
[0063]
3)本发明设计的离散引力搜索算法包含多种算子来提高算法寻找最优解的能力，即根据检修的目标零件不同使用快速可行解生成器来生成选择性拆卸序列；采用多点优化算子来优化局部解决方案；应用逃脱算子避免种群过早地陷入局部最优。
[0064]
4)本发明在大型复杂的水电站设备检修时，根据检修的目标零件获得最优或近似最优的选择性拆卸序列，进而指导设备拆卸，提高维修效率。
附图说明
[0065]
图1为本发明的简单拆卸约束图。
[0066]
图2为定义的拆卸正方向示意图。
[0067]
图3为本发明实施例中设备零件之间的约束关系图。
[0068]
图4为以拆卸所花费的时间最小为目标的4种算法方法的收敛图。
[0069]
图5为本发明实施例使用的离散引力算法流程图。
[0070]
图6为本发明实施例中算法更新机制示意图。
[0071]
图7为本发明实施例提供的优化水电站设备检修工序方法的流程示意图。
具体实施方式
[0072]
为使本发明的技术方案更加清楚，下面结合附图对本发明做进一步说明：
[0073]
一种优化水电站设备检修工序的方法，包括以下步骤：
[0074]
步骤1、建立设备的三维模型：
[0075]
用solidworks按照与实际设备1:1的比例，建立检修对象的几何结构三维模型。
[0076]
步骤2、构建拆卸约束模型：
[0077]
如图1所示，对拆卸设备的零件用实数编号，利用有向图来表示设备零件之间的约
束关系，节点表示零件，有向边表示零件之间的约束关系，即箭头指向的节点约束与箭尾连接的节点，为了表示简洁，图1中采用粗实线对部分有向边进行汇聚。本发明提出了组合节点的概念，其内部包含两个及以上的零件，如图1中的节点6，在拆卸时组合节点以一个整体进行拆卸，这样可以减少求解的复杂度。基于约束规则，图1中零件之间的约束关系是：节点1、2和3要在拆卸节点4或5之前拆卸；节点4和5约束组合节点6，节点1、2、3不受其它节点约束。
[0078]
把有向图转换成计算机可以处理的优先关系矩阵p＝[p
ij
]n×n，其中：n表示设备零件的数量，如果两个零件之间没有直接相连，其p
ij
＝0，否则p
ij
＝0表示零件i和零件j之间没有约束关系，p
ij
＝1表示零件i阻挡零件j的拆卸。
[0079]
步骤3、定义设备零件的拆卸信息：
[0080]
设备零件的拆卸信息包括零件的中心位置、拆卸方向和拆卸工具。因水电站设备零件具有明显的圆周分布，如图2所示，方向集定义为d＝{ a向、 t向、 r向、 a向、 t向、 r向}。其中：a表示轴向，t表示切向，r表示径向。
[0081]
步骤4、建立优化目标函数：
[0082]
水电站设备检修工序优化就是首先找到满足优先关系的可行序列，然后根据优化目标函数进行评价，从而找到最优或近似最优的拆卸序列。本发明以拆卸所花费的时间代价最小为目标函数，在拆卸零件时，更多的方向改变、工具更换、移动距离会造成拆卸时间的增加，目标函数可定义为：
[0083][0084]
其中，a，b，c分别表示权重系数，n代表拆卸序列中零件的个数，x代表满足约束关系的拆卸序列，d
i,i 1
表示拆卸第i个零件到第i 1个零件方向发生改变的代价，当方向没有发生改变时，其值为0，当方向改变90
°
时，其值为1，当方向改变180
°
时，其值为2；t
i,i 1
表示拆卸第i个零件到第i 1个零件工具发生改变的代价，当工具没有发生改变时，其值为0，当工具发生改变时，其值为1；m
i,i 1
表示拆卸第i个零件到第i 1个零件的移动距离代价，通过两个零件之间的欧拉距离来表征，计算公式如下：
[0085][0086]
其中，xi、yi、zi是零件i的中心坐标，x
i 1
、y
i 1
、z
i 1
是零件i 1的中心坐标；k是代价值的转换系数，本发明中k取1，即1米的距离对应的移动距离时间代价值为1。
[0087]
步骤5、使用离散引力搜索算法进行工序优化：
[0088]
s5.1、根据快速可行解生成器生成n个个体作为初始种群；
[0089]
s5.2、计算个体的质量：
[0090]
计算种群中每个个体的目标函数值，并根据每个个体的目标函数值按从小到大的顺序排序，在第t代，第j个即将更新的个体为选择前kb个除了之外的个体作为kbest集合，然后再把即将更新的个体加入kbest集合中，此时kbest集合中元素的个数为kb 1，kbest中的个体的质量计算公式为：
[0091][0092]
其中，mi(t)表示kbest集合中在第t代第i个个体的质量，i＝1,...,kb 1，mj(t)、mi(t)分别表示kbest集合中在第t代第i、j个个体非归一化的质量值，mi(t)计算公式如下：
[0093][0094]
其中，表示kbest集合中第t代第i个个体的目标函数值，worst(t)表示kbest集合中最差个体的目标函数值，best(t)表示kbest集合中最优个体的目标函数值，kb随着迭代的进行而减少，其计算公式如下：
[0095]
kbest(t)＝[(ke (1-t/gen)*(100-ke))*n/100]
[0096]
其中，[
·
]表示不超过
·
的最大整数，n是种群中个体的数量，gen为总共的迭代次数，t为当前的迭代数，ke＝2表示在最后一次迭代中，只有2％的个体对其它个体产生作用。
[0097]
s5.3、根据选择算子从kbest集合中选择n个个体，并结合优先保护机制来更新个体；
[0098]
s5.4、应用多点优化算子来优化每个个体；
[0099]
s5.5、如果算法陷入局部最优，应用逃脱算子来逃脱局部最优；
[0100]
s5.6：判断迭代次数是否达到设置的最大迭代数，若没有返回步骤s5.2；否则，输出最优或近似最优的拆卸序列。
[0101]
步骤s5.1具体步骤如下：
[0102]
s5.1.1：初始化数据：l＝0，定义数组o
list
和c
list
，把检修的目标节点存入o
list
；
[0103]
s5.1.2：如果o
list
为空，则停止，令l＝s；否则让l＝l 1，然后把o
list
中的所有节点存入c
list
{l}，同时将其从o
list
中删除；
[0104]
s5.1.3：根据约束矩阵p，搜索约束c
list
{l}中节点的所有节点，把没有在c
list
中出现的节点加入o
list
，返回到步骤s5.1.2。
[0105]
在步骤s5.1.2中，s为分的层数，c
list
{l}为每层的节点，其中：l＝1,
…
,s；根据分层的过程可知，首先确定需要维修的目标零件，然后找到约束它的零件，由内向外依次类推，这样可以避免拆卸不需要拆卸的零件。在某层的下一层节点拆除的情况下，该层的节点都可随机拆除，因此每层的节点随机组合生成的局部拆卸序列都满足优先约束条件，然后只需要按照从大到小的顺序把每一层的局部序列拼接即可得到一个全节点的可行的拆卸序列。
[0106]
步骤s5.3具体包括以下内容：
[0107]
(1)选择算子：
[0108]
对mi(t)进行归一化之后得到质量mi(t)，mi(t)在数值上等于个体x
it
被选择的概率，定义个体x
it
的累积概率pi为：
[0109]
[0110]
其中，i＝1,...,kb 1，mj(t)表示kbest集合中在第t代第j个个体的质量；p0＝0表示累计概率的初始值为零；
[0111]
产生n个随机数ξa，ξa∈(0，1)，a＝1,2,
…
,n，a为随机数的ξa的编号，当p
i-1
≤ξa《pi，则从kbest集合中选择个体然后中的相应变量产生新个体中的一个变量，其中表示在第t代kbest集合中第i个个体在第a个位置上的变量，每个变量对应相应的零件编号；个体质量越大被选择的次数越多，新的解决方案与其越相似，离散引力搜索算法产生下一代的数学模型如下：
[0112][0113]
其中，表示更新后的第j个个体的在第t 1代第a个位置上的变量，表示在第t代kbest集合中在第a个位置上的变量，pi是个体对应的累计概率，i＝1,...,kb 1。
[0114]
(2)优先保护机制：
[0115]
在中从左到右寻找新解决方案中未出现的节点，然后把最先找到的节点按从左到右的顺序放在新解决方案中的末尾，这可以保留序列中节点的优先级关系，生成新的可行的解决方案。
[0116]
x
ai
代表选择算子中ξa所对应kbest中的个体更新机制示意图如图6所示。
[0117]
步骤s5.4具体步骤如下：
[0118]
s5.4.1：在序列中随机选取一个节点作为优化节点，根据优先约束矩阵p找到该优化节点可以插入的位置，保证优化后的序列是可行的；
[0119]
s5.4.2：通过把优化节点放到可插入的位置实现序列的优化，多点优化算子采用启发函数引导优化的方向，启发函数定义为：
[0120]
h(m)＝f(x)-f(xm)
[0121]
其中，x代表满足约束关系的拆卸序列，xm表示对x优化后的个体；f(xm)、f(x)分别表示个体xm、x的目标函数值；启发式函数表示优化前后序列目标函数值的差异，该值越大，说明优化后的优化效果越好；
[0122]
s5.4.3：把最优的xm替换x。
[0123]
步骤s5.5具体步骤如下：
[0124]
s5.5.1：判断种群最优个体的目标函数值是否等于种群所有个体目标函数值的平均值，如果相等，执行s5.5.2，否则，停止；平均值的计算公式如下：
[0125][0126]
其中，n表示种群中个体的数量；表示在第t代种群中第i个个体，表示其
目标函数值；
[0127]
s5.5.2：初始化参数：让l＝1；
[0128]
s5.5.3：根据步骤s5.1得到的c
list
{l}，如果c
list
{l}只有一个节点，执行步骤s5.5.5；否则随机选择c
list
{l}中的两个节点pi、pj；
[0129]
s5.5.4：判断交换节点pi、pj的位置后拆卸序列是否满足优先级关系，如果满足则交换，否则，执行步骤s5.5.5；
[0130]
s5.5.5：如果l＝s，然后停止，否则l＝l 1，执行步骤s5.5.3。
[0131]
实施例：
[0132]
以水电站设备水轮机主轴密封检修拆卸进行分析，水电站设备的零件数量较多，如此数量规模的零件给设备零件的约束关系建立造成困难，而且规划结果的质量也会较差。所以本发明合并类型和功能相同的零件作为一个拆卸节点，并提出组合节点的概念来减少拆卸的零件数量，提高规划质量。简化后的水轮机主轴密封零件名称、拆卸工具和拆卸方向如表1所示。
[0133]
表1水轮机主轴密封零件的拆卸信息表
[0134][0135]
在图3中，水轮机主轴密封共包括88个拆卸节点，其中节点89为水箱底座与水箱的组装体。
[0136]
在图3中，表示了零件之间的约束关系，目标检修零件是空气围带，节点为88。
[0137]
目标函数定义如下：
[0138][0139]
其中，a、b、c都取值为1。
[0140]
在进行离散引力搜索算法求解时，算法参数的设置如下：算法独立运行100次，最
大迭代数为100，种群大小为20，多点优化算子的次数等于序列中零件的数量。使用matlab软件进行运算。所设计的离散引力搜索算法中不同优化算子的效果对比数据如表2所示。
[0141]
其中，sdgsa-b不包括逃脱算子和多点优化算子、sdgsa-eo只包括逃脱算子、sdgsa-moo只包括多点优化算子、sdgsa-moo&eo包括多点优化算子和逃脱算子，获得最终解决方案成本最小值min,最大值max，平均值avg，标准差std，平均时间t和最小值的比例rom，
“‑”
表示没有找到最小值。
[0142]
表2优化算子的效果对比数据
[0143][0144]
在图4中，sdgsa-b在早期没有找到最优结果时就已收敛，在加入逃脱算子后，种群收敛较慢，找到了比sdgsa-b更好的结果。sdgsa-moo能在在早期阶段收敛且比sdgsa-b和sdgsa-eo寻优结果好。sdgsa-moo&eo收敛图与sdgsa-moo相似，但在表1中其min、avg、std、rom都比其它算法方法小。
[0145]
在目标函数中有无拆卸零件所需的移动距离优化结果对比数据如表3所示。
[0146]
表3有无移动距离优化结果对比表
[0147][0148]
表3中：拆卸工具的“0”表示不需要工具，“1”表示s24扳手，“2”表示s36扳手，“3”表示s63扳手，“4”表示可吊2t重量的葫芦，“5”表示可吊4t重量的葫芦；拆卸方向的“1”表示正轴向，“2”表示负轴向，“3”表示正径向，“4”表示负径向，“5”表示正切向，“6”表示负切向。
[0149]
从以上两种不同的优化目标结果可知，在拆卸零件时，以拆卸方向改变和拆卸工具更换次数最少为优化目标所得到的拆卸序列在实际检修中移动距离花费的代价更多。本发明所设计的离散引力搜索算法在寻优能力和收敛速度上都取得了很好的效果，得到的拆卸序列能够很好地控制维修资源的工序分配。