CN111507045A - 基于自适应权重鲸鱼优化算法的结构损伤识别方法 - Google Patents

基于自适应权重鲸鱼优化算法的结构损伤识别方法 Download PDF

Info

Publication number
CN111507045A
CN111507045A CN202010252577.7A CN202010252577A CN111507045A CN 111507045 A CN111507045 A CN 111507045A CN 202010252577 A CN202010252577 A CN 202010252577A CN 111507045 A CN111507045 A CN 111507045A
Authority
CN
China
Prior art keywords
damage
whale
optimization algorithm
adaptive weight
fitness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010252577.7A
Other languages
English (en)
Inventor
冯仲仁
吕昊
朱凌丰
周伟
李秋甫
李怡辰
肖龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010252577.7A priority Critical patent/CN111507045A/zh
Publication of CN111507045A publication Critical patent/CN111507045A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于自适应权重鲸鱼优化算法的结构损伤识别方法,该方法包括以下步骤:1)建立待识别结构的无损伤结构模型,获取动力参数;2)待识别结构的损伤工况下,获得对应的动力参数;3)以损伤与健康动力参数的差值作为目标函数;4)利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,从而实现结构的损伤识别。本发明通过引入自适应权重对WOA进行改进,提高了识别的鲁棒性,较好的实现了结构的损伤识别。

Description

基于自适应权重鲸鱼优化算法的结构损伤识别方法
技术领域
本发明涉及结构健康监测技术,尤其涉及一种基于自适应权重鲸鱼优化算法的结构损伤识别方法。
背景技术
大型结构的使用期长达几十年、甚至上百年,在环境侵蚀、材料老化、荷载的长期效应和疲劳效应、灾害因素的突变效应等共同作用下将不可避免地导致结构系统的损伤积累和抗力衰减,极端情况下可能引发灾难性的突发事故。因此,为了保障结构的安全性、完整性和耐久性,已建成使用的大型结构急需采用有效的手段来监测和评估其损伤程度及安全状态。随着测试手段和分析技术的提高,国内外都开始在一些已建和在建的大型结构中设置结构健康监测系统,对结构的损伤和安全状态进行监测和评估。
作为桥梁健康监测的核心技术,结构损伤识别成为近年来的研究热点,并得到广泛的试验验证。群智能算法,不仅在函数优化问题上应用广泛,在结构的损伤识别领域也备受青睐。
鲸鱼优化算法(WOA)对鲸鱼的“螺旋气泡网”策略、收缩包围、螺旋式位置更新和随机捕猎机制不断逼近猎物的狩猎过程进行数学模拟,其具有调节参数少、全局收敛性强、收敛速度快等特点。WOA数学模型包括环绕式包围捕食、泡泡网攻击猎物和随机搜索捕食3个阶段。但是在应用中,鲸鱼优化算法在处理复杂优化问题上存在性能缺陷,容易产生早熟收敛并被证明算法不是全局收敛,容易陷入局部最优。因此实用性和有效性方面都受到了限制。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种基于自适应权重鲸鱼优化算法的结构损伤识别方法。
本发明解决其技术问题所采用的技术方案是:一种基于自适应权重鲸鱼优化算法的结构损伤识别方法,包括以下步骤:
1)建立待识别结构的无损伤结构模型,获取模态参数;所述模态参数包括:结构的各阶振型
Figure BDA0002436025360000021
和频率{ωt};
2)待识别结构的损伤工况下,获得对应的模态参数;所述模态参数包括:结构的各阶振型
Figure BDA0002436025360000022
和频率{ωe};
3)以损伤与健康状态下模态参数的差值构建识别因子
Figure BDA0002436025360000023
作为算法的目标函数,其中MAC为模态置信准则;
4)利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,从而实现结构的损伤识别。
按上述方案,所述步骤4)中利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,具体如下:
4.1)初始化;
初始化鲸鱼优化算法的参数,包括鲸群数量N,目标函数维度dim即单元个数,最大迭代次数itermax,设置寻优空间内位置为各单元,刚度变化范围为[0,1];
4.2)计算适应度函数并记录;
4.3)寻找当前最优值并记录位置;
4.4)在迭代过程中,将鲸鱼个体的适应度函数值按升序排序,然后分别求前后半段的平均适应度,根据前后半段的平均适应度更新当前鲸鱼个体的适应度权重;
4.5)确定自适应权重后,反馈后在对应情况下进行位置更新;
4.6)当结果收敛或迭代次数达到设定最大值,获得最优解,即使目标函数最小时的对应结构位置和刚度;
4.7)根据4.6)的结果判断结构的损伤位置和程度。
按上述方案,所述步骤4.4)中自适应权重设置如下:
引入自适应权重s,鲸鱼继承位置的公式为
Figure BDA0002436025360000041
Figure BDA0002436025360000042
Figure BDA0002436025360000043
其中,t为当前迭代次数,X*为当前获得的猎物位置向量,X为鲸鱼位置向量,A和C为系数向量,p为[0,1]上的随机数,
Figure BDA0002436025360000044
为从当前群体中随机选择的个体位置向量;
并根据每个鲸鱼个体的适应度值进行权重的设置如下:
Figure BDA0002436025360000045
其中,favg1为前半段的平均适应度,favg2为后半段的平均适应度。
本发明产生的有益效果是:
本发明通过引入引入自适应权重对WOA进行改进,提高了识别的鲁棒性,较好的实现了结构的损伤识别。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例的方法流程图;
图2为本发明实施例的自适应权重鲸鱼优化算法的流程图;
图3为本发明实施例的单损伤工况1识别结果图;
图4为本发明实施例的单损伤工况2识别结果图;
图5为本发明实施例的组合损伤工况1识别结果图;
图6为本发明实施例的组合损伤工况2识别结果图;
图7为本发明实施例的多损伤工况1识别结果图;
图8为本发明实施例的多损伤工况2识别结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,一种基于自适应权重鲸鱼优化算法的结构损伤识别方法,包括以下步骤:
1)建立待识别结构的无损伤结构模型,获取模态参数;所述模态参数包括:结构的各阶振型
Figure BDA0002436025360000051
和频率{ωt};
2)待识别结构的损伤工况下,获得对应的模态参数;所述模态参数包括:结构的各阶振型
Figure BDA0002436025360000052
和频率{ωe};
3)以损伤与健康状态下模态参数的差值构建识别因子
Figure BDA0002436025360000061
作为算法的目标函数,其中MAC为模态置信准则,;
4)利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,从而实现结构的损伤识别。
其中,WOA算法的基本理论如下:
座头鲸在寻找猎物时,能够识别它们的位置并将其包围。具体数学模型为
Figure BDA0002436025360000062
Figure BDA0002436025360000063
式中:t为当前迭代次数;X*为当前获得的猎物位置向量;X为鲸鱼位置向量;A和C为系数向量,其定义为
Figure BDA0002436025360000064
Figure BDA0002436025360000065
式中:a为收敛因子,随迭代次数增加从2线性减小到0;r为[0,1]之间的随机向量。
为了建立鲸鱼的泡泡网攻击行为的数学模型,设计了两种方法来模拟这种行为,数学模型如下:
收缩包围圈机制。实现该行为只需要减少a,需要注意的是A随着a的减小而缩小。螺旋式位置更新。座头鲸以螺旋运动方式不断接近猎物,其螺旋运动的数学模型为:
Figure BDA0002436025360000071
为了模拟这种同步行为,假设选择收缩包围圈机制或螺旋位置更新概率均为50%。数学模型为:
Figure BDA0002436025360000072
式中:p为[0,1]上的随机数。座头鲸可以随机更新个体位置捕食猎物。鲸鱼根据相互之间的位置进行随机搜索,具体过程为:
Figure BDA0002436025360000073
Figure BDA0002436025360000074
式中
Figure BDA0002436025360000075
为从当前群体中随机选择的个体位置向量。
自适应权重
鲸鱼优化算法在全局搜索方面具有较好的能力,但是易导致后期收敛时,大部分解会变异;若将其变小,会使前期较差解收敛较慢。本发明实现权重的自适应变化,在不同适应度下,对解的继承思路进行了优化,从而实现算法的全局收敛和局部收敛的平衡。
引入自适应权重s,并由此将鲸鱼继承位置的公式更新为
Figure BDA0002436025360000081
Figure BDA0002436025360000082
并根据每个鲸鱼个体的适应度值进行权重的设置。
Figure BDA0002436025360000083
在迭代过程中,将鲸鱼个体的适应度函数值按升序排序,然后分别求前后半段的平均适应度。将当前鲸鱼个体的适应度分别作比较,并依上述公式进行更新。存在以下三种情况:
当该鲸鱼适应度值小于favg1时,计算适应度梯度,加上一个较小的初始权重0.8,作为较优群体的权重;
当该鲸鱼适应度值介于二者之间时,选择一个在0.9到1.1范围内的随机数,作为适中群体的权重;
当该鲸鱼适应度值大于favg2时,计算适应度梯度,加上一个较大的初始权重1.2,作为较差群体的权重;
确定自适应权重后,反馈后在对应情况下进行位置更新。
当结果收敛或迭代次数达到设定最大值,获得最优解,即使目标函数最小时的对应结构位置和刚度。
为了验证本发明所提出方法的有效性,这里以ASCE benchmark模型为例,对其中几种常见损伤,如单损伤、组合损失和多损伤进行结构损伤识别,具体的应用过程如下:
ASCE benchmark模型为四层框架模型,选择不同工况如表1所示。并利用自适应鲸鱼优化算法进行损伤识别。为了降低偶然误差的影响,每种工况均进行了10次试验后取平均值。结果如图3-8所示。
表1
Figure BDA0002436025360000091
Figure BDA0002436025360000101
结果分析:可以看出,原始鲸鱼优化算法在单损伤条件下识别效果较好,但对于组合损伤的刚度识别不够准确,而在多损伤下极易产生误判,这是因为此时的局部最优增多,导致原始鲸鱼算法极易陷入早熟,从而无法获取全局最优。而本发明提出的自适应权重鲸鱼优化算法对于单损伤,组合损伤和多损伤都能较好的识别。这是因为,自适应权重增加了算法前期的全局探索能力,从而容易跳出局部最优。
本发明详细说明了应用自适应鲸鱼优化算法进行结构的损伤识别方法。综合实施例的上述分析,对于结构的损伤识别,本发明的算法能够有效克服现有方法的不足,可以有效地对单损伤,多损失和组合损伤等工况进行诊断。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.一种基于自适应权重鲸鱼优化算法的结构损伤识别方法,其特征在于,包括以下步骤:
1)建立待识别结构的无损伤结构模型,获取模态参数;所述模态参数包括:结构的各阶振型
Figure FDA0002436025350000011
和频率{ωt};
2)根据损伤程度向量{ηe},在识别结构的损伤工况下,获得对应的模态参数;所述模态参数包括:结构的各阶振型
Figure FDA0002436025350000012
和频率{ωe};
3)以损伤与健康状态下模态参数的差值构建目标函数;
4)利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,从而实现结构的损伤识别。
2.根据权利要求1所述的基于自适应权重鲸鱼优化算法的结构损伤识别方法,其特征在于,所述步骤3)中目标函数为以损伤与健康状态下模态参数的差值构建识别因子
Figure FDA0002436025350000013
其中,MAC为模态置信准则。
3.根据权利要求1所述的基于自适应权重鲸鱼优化算法的结构损伤识别方法,其特征在于,所述步骤4)中利用鲸鱼优化算法计算在全局寻找目标函数最小时的对应结构位置和刚度,具体如下:
4.1)初始化;
4.2)计算适应度函数并记录;
4.3)寻找当前最优值并记录位置;
4.4)在迭代过程中,将鲸鱼个体的适应度函数值按升序排序,然后分别求前后半段的平均适应度,根据前后半段的平均适应度更新当前鲸鱼个体的适应度权重;
4.5)确定自适应权重后,反馈后在对应情况下进行位置更新;
4.6)当结果收敛或迭代次数达到设定最大值,获得最优解,即使目标函数最小时的对应结构位置和刚度;
4.7)根据4.6)的结果判断结构的损伤位置和程度。
4.根据权利要求3所述的基于自适应权重鲸鱼优化算法的结构损伤识别方法,所述步骤4.4)中自适应权重设置如下:
引入自适应权重s,鲸鱼继承位置的公式为
Figure FDA0002436025350000021
Figure FDA0002436025350000022
Figure FDA0002436025350000023
其中,t为当前迭代次数,X*为当前获得的猎物位置向量,X为鲸鱼位置向量,A和C为系数向量,p为[0,1]上的随机数,
Figure FDA0002436025350000031
为从当前群体中随机选择的个体位置向量;
并根据每个鲸鱼个体的适应度值进行权重的设置如下:
Figure FDA0002436025350000032
其中,favg1为前半段的平均适应度,favg2为后半段的平均适应度。
CN202010252577.7A 2020-04-01 2020-04-01 基于自适应权重鲸鱼优化算法的结构损伤识别方法 Pending CN111507045A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010252577.7A CN111507045A (zh) 2020-04-01 2020-04-01 基于自适应权重鲸鱼优化算法的结构损伤识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010252577.7A CN111507045A (zh) 2020-04-01 2020-04-01 基于自适应权重鲸鱼优化算法的结构损伤识别方法

Publications (1)

Publication Number Publication Date
CN111507045A true CN111507045A (zh) 2020-08-07

Family

ID=71871973

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010252577.7A Pending CN111507045A (zh) 2020-04-01 2020-04-01 基于自适应权重鲸鱼优化算法的结构损伤识别方法

Country Status (1)

Country Link
CN (1) CN111507045A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163808A (zh) * 2020-09-23 2021-01-01 贵州工程应用技术学院 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法
CN112670984A (zh) * 2020-12-16 2021-04-16 广州大学 一种基于改进鲸鱼算法的电力系统经济负荷分配方法
CN112766343A (zh) * 2021-01-12 2021-05-07 郑州轻工业大学 一种基于改进woa-svm的网络安全态势评估方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147611A (zh) * 2019-05-20 2019-08-20 福州大学 一种基于iwoa的结构损伤识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147611A (zh) * 2019-05-20 2019-08-20 福州大学 一种基于iwoa的结构损伤识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁政豪;吕中荣;刘济科;: "基于多种搜索策略的人工蜂群算法的结构损伤识别", 计算力学学报, no. 05, pages 2 - 3 *
张剑: "空间网格结构的动力测试与模型修正研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, pages 5 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112163808A (zh) * 2020-09-23 2021-01-01 贵州工程应用技术学院 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法
CN112163808B (zh) * 2020-09-23 2022-04-01 贵州工程应用技术学院 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法
CN112670984A (zh) * 2020-12-16 2021-04-16 广州大学 一种基于改进鲸鱼算法的电力系统经济负荷分配方法
CN112766343A (zh) * 2021-01-12 2021-05-07 郑州轻工业大学 一种基于改进woa-svm的网络安全态势评估方法
CN112766343B (zh) * 2021-01-12 2022-03-11 郑州轻工业大学 一种基于改进woa-svm的网络安全态势评估方法

Similar Documents

Publication Publication Date Title
CN111507045A (zh) 基于自适应权重鲸鱼优化算法的结构损伤识别方法
CN108334059B (zh) 基于粒子群算法优化bp神经网络模型故障诊断方法
CN112036512B (zh) 基于网络裁剪的图像分类神经网络架构搜索方法和装置
CN110110862A (zh) 一种基于适应性模型的超参数优化方法
CN110062390B (zh) 基于改进狼群算法的无线传感器网络节点优化部署方法
CN109635506A (zh) 自适应混沌树和种子算法的光伏电池模型参数辨识方法
CN112581262A (zh) 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法
CN108363876B (zh) 一种考虑关键故障的测试优化选择方法
CN111191785B (zh) 用于命名实体识别的基于拓展搜索空间的结构搜索方法
CN111275172A (zh) 一种基于搜索空间优化的前馈神经网络结构搜索方法
CN111624522A (zh) 基于蚁群优化rbf神经网络控制变压器故障诊断方法
CN112465160A (zh) 一种基于vr的车辆维修保养辅助系统
CN110222830A (zh) 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法
CN111625998A (zh) 一种层叠太阳能电池结构优化方法
CN110889250A (zh) 一种基于混合元启发式算法的钢桁架结构损伤识别方法
CN108896330B (zh) 一种水电机组的故障诊断方法
CN114441173A (zh) 基于改进深度残差收缩网络的滚动轴承故障诊断方法
CN107169594A (zh) 一种车辆路径问题的优化方法及装置
CN112131089B (zh) 软件缺陷预测的方法、分类器、计算机设备及存储介质
CN116485049B (zh) 一种基于人工智能的电能计量误差预测与优化系统
CN109242294A (zh) 改进模糊神经网络的电力通信性能预警方法及装置
CN116405975A (zh) 一种面向物联网应用环境的基于隐私熵的隐私感知计算卸载方法
CN107480724A (zh) 一种聚类中心的确定方法、确定系统及一种聚类方法
CN114662638A (zh) 基于改进人工蜂群算法的移动机器人路径规划方法
CN115270983A (zh) 一种基于AdaBoost-RBF算法的开关柜故障预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination