CN116011077A - 一种面向结构损伤识别的多种传感器多目标优化布置方案 - Google Patents
一种面向结构损伤识别的多种传感器多目标优化布置方案 Download PDFInfo
- Publication number
- CN116011077A CN116011077A CN202310020100.XA CN202310020100A CN116011077A CN 116011077 A CN116011077 A CN 116011077A CN 202310020100 A CN202310020100 A CN 202310020100A CN 116011077 A CN116011077 A CN 116011077A
- Authority
- CN
- China
- Prior art keywords
- sensor
- damage
- optimal
- sensors
- sensitivity
- 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
Links
- 230000006378 damage Effects 0.000 title claims abstract description 165
- 230000006870 function Effects 0.000 claims abstract description 94
- 230000004044 response Effects 0.000 claims abstract description 65
- 230000035945 sensitivity Effects 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 12
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims description 59
- 238000000034 method Methods 0.000 claims description 49
- 230000004927 fusion Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 18
- 210000000349 chromosome Anatomy 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000001010 compromised effect Effects 0.000 claims 1
- 238000006073 displacement reaction Methods 0.000 description 11
- 230000036541 health Effects 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 230000003902 lesion Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000009434 installation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000004643 material aging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种面向结构损伤识别的多种传感器多目标优化布置方案，采用多元数据融合的损伤识别指标进行损伤敏感性分析和测量数据的相关性分析，建立多种传感器优化布置的两个目标函数，其中，第一目标函数根据响应协方差灵敏度来构造，第二目标函数旨在通过相关性分析获得独立的响应，两个目标函数取最小值时测量数据使损伤指标敏感度最高和响应独立性最大；从而将传感器优化布置问题表述为在所有候选位置中选择优化的传感器排列组合，令两个优化目标达到最优解；然后采用非支配排序遗传算法进行求解。本发明提供的技术方案，能同时对多种传感器进行综合优化布置，平衡多种传感器对局部损伤的敏感性和独立性等多方面矛盾，更好的满足工程需求。
Description
技术领域
本发明涉及传感器优化布置技术领域，尤其是一种面向结构损伤识别的多种传感器多目标优化布置方法和系统。
背景技术
土木工程结构在长达几十年，甚至上百年的服役过程中，环境侵蚀、材料老化和荷载效应、人为的或自然的突变效应等灾害因素的耦合作用将不可避免地导致结构的损伤累积和抗力衰减，从而使得抵抗自然灾害、正常荷载以及环境作用的能力下降，引发灾难性的突发事故。由于未能及时发现结构损伤而造成的悲剧数不胜数。为了及时发现安全隐患和保证结构安全，结构健康监测和结构损伤识别技术的研究有着重要的意义和大量的需求。工程结构的健康监测是在结构上布设多种类的智能传感器以及数据采集、数据传输、数据管理和数据分析与预警系统，实时感知、识别、诊断和评估结构的损伤与安全状态及其演化规律，揭示真实结构在真实载荷与环境耦合作用下的全寿命行为机制，仿生人类的自感知与自诊断智能功能。
结构健康监测系统的性能很大程度上取决于传感器系统的优劣，包括传感器的数量、类型和布设位置等。已有研究表明，随意布设的传感器甚至会导致错误的识别结果。由于土木工程结构往往体型巨大，结构复杂，常常需要成千上万个自由度来描述其响应，传感器可选测点位置也因此数量庞大，但由于成本等原因，传感器的数量相比候选测点数量而言非常有限。因此，如何合理的选择传感器类型、布设位置和数量，充分利用有限的传感器以获取结构丰富全面的信息，是结构健康监测系统设计必须解决的关键问题，这一问题称为传感器优化布置问题。传感器优化布置方面，在过去的几十年里人们提出了许多适用于各种目的传感器优化布置方法。现有的传感器优化布置准则包括模态保证准则，有效独立准则，奇异值分解比准则，费希尔信息矩阵准则，基于概率的损伤识别准则，信息熵准则，共有信息准则，代表性最小二乘准则，模态可视化程度准则等。目前大多数传感器优化布置方法仅适用于单类型传感器，而多类型传感器(如加速度计、位移传感器和应变计等传感器)的正确选择、安装和使用对于结构健康监测系统的设计非常重要。各种传感器所测数据有不同特点，例如加速度响应可以很容易地以高信噪比测量，并且在高阶振动模式中包含更高的动能。相比之下，位移响应在低阶振动模式中包含更多的动能。应变或应力响应对靠近传感器的局部变化敏感，但对远离传感器的局部变化不敏感。由于这些传感器的不同优点和局限性，多种类型传感器的联合使用能使数据优势互补，同时也令最佳传感器布置变得复杂。若使用单类型传感器的优化布置方法对每种类型的传感器独立进行设计，组合各个设计的最终传感器配置将不能避免冗余测量，并且不能达到整体最佳的性能。多类型传感器的不同优点和局限性往往导致优化中需要设计多个优化目标函数，以平衡工程中普遍存在的成本与准确度，敏感性与冗余性等矛盾，此类目标冲突问题无法利用现有的对单目标优化的传感器优化布置方法解决。
发明内容
(一)要解决的技术问题
不同种类的智能传感器有不同的优点和局限性，多种类型传感器的联合使用能使数据优势互补，但同时也令最佳传感器布置变得复杂。若使用传统的单类型传感器的优化布置方法对每种类型的传感器独立进行设计，组合各个设计的最终传感器配置将不能避免冗余测量，并且不能达到最佳的整体性能。此外，传统的传感器优化布置方法仅对传感器进行单目标函数进行优化，从而导致多种传感器组成的结构健康监测系统不能同时满足多个优化设计目标。工程实践经验表明多类型传感器的不同优点和局限性往往会导致优化中需要多优化目标函数，以平衡工程中普遍存在的成本与准确度，敏感性与冗余性等矛盾，此类目标冲突问题无法利用现有的对单目标优化的传感器优化布置方法解决。
因此，传统的传感器优化布置方法仅对单种传感器和单目标函数进行优化，从而导致多种传感器组成的结构健康监测系统无法发挥最优的效能。
(二)技术方案
一种面向结构损伤识别的多种传感器多目标优化布置方法，其特征在于同时对多种传感器进行综合的多目标优化布置，采用多元数据融合的损伤识别指标进行损伤敏感性分析和测量数据的相关性分析，然后结合非支配排序遗传算法进行多目标优化布置问题的求解，平衡多种传感器对局部损伤的敏感性和独立性等多方面的矛盾，具体过程包括：
S1：建立可布设多种传感器的预设土木结构的有限元模型，并通过输入激励获取所述多种传感器中所有候选传感器位置的结构响应数据；
S2：对所述候选传感器位置结构响应数据进行标准化和无量纲化处理，并采用协方差函数进行多元数据融合和构造对局部损伤敏感的指标，得到多元数据融合的损伤识别指标；
其中，所述标准化和无量纲化处理用于将具有不同量纲和变化特征的数据进行转换；所述协方差函数用于多源异构数据的融合；所述基于多元数据融合计算获得损伤识别指标用于提高损伤识别指标对结构损伤的敏感度并降低测量噪声对损伤识别的影响；
S3：采用所述多元数据融合的损伤识别指标进行损伤敏感性分析和冗余性分析，建立两个传感器优化布置的综合目标函数；其中，第一目标函数对应损伤敏感度，第二目标函数对应数据冗余度；
S4：使用非支配排序遗传算法对所述两个存在竞争关系的传感器优化布置的目标函数进行求解并获得最优的妥协解，从而确定每种传感器的优化数量和位置。
一种面向结构损伤识别的多种传感器多目标优化布置系统，所述系统用于执行如上述的面向结构损伤识别的多种传感器多目标优化布置方法，并包括：
(1)传感器位置结构响应数据获取模块，用于建立可布设多种传感器的预设土木结构的有限元模型，并通过输入激励获取所述多种传感器中所有候选传感器位置结构响应数据；
(2)多元数据融合的损伤识别指标计算模块，用于对所述候选传感器位置结构响应数据进行标准化和无量纲化处理，并采用协方差函数进行多元数据融合和构造对局部损伤敏感的指标，得到多元数据融合的损伤识别指标；
其中，所述标准化和无量纲化处理用于将具有不同量纲和变化特征的数据进行转换；所述协方差函数用于多源异构数据的融合；所述基于多元数据融合计算获得损伤识别指标用于提高损伤识别指标对结构损伤的敏感度并降低测量噪声对损伤识别的影响；
(2)目标函数构建模块，用于采用所述多元数据融合的损伤识别指标进行损伤敏感性分析和冗余性分析，建立两个传感器优化布置的目标函数；其中，第一目标函数对应损伤敏感度，第二目标函数对应数据冗余度；
(3)最优解求解模块，用于使用非支配排序遗传算法对所述两个传感器优化布置的目标函数进行求解，确定每种传感器的优化数量和位置。
一种基于多种传感器多目标优化布置方案的损伤识别系统，包括上述的面向结构损伤识别的多种传感器多目标优化布置系统，并采用多种传优化布置的传感器进行结构损伤识别；所述损伤识别系统包括：
(1)结构动力指标获取模块，用于实时获取目标土木结构的结构动力响应监测数据，并利用所述面向结构损伤识别的多种传感器多目标优化布置系统进行多种传感器的多目标优化布置计算，然后基于优化布置的传感器获得的结构动力响应监测数据提取得到对结构损伤敏感的结构动力指标；
(2)损伤位置与程度识别模块，用于基于所述对结构损伤敏感的结构动力指标，对所述目标土木结构进行损伤位置与程度的识别。
(三)有益效果
本发明提供的面向结构损伤识别的多种传感器的多目标优化布置方法具有以下优点：
(1)针对现有大多数结构损伤识别方法使用单类型传感器的优化布置方法的问题而不能同时对多种传感器进行综合的优化布置，本发明采用的传感器优化布置算法适用于多种不同种类传感器混合布置的情况，可有效提高多种传感器混合布置时的测量效果，为多元异构数据的融合提供更优质的测量数据。
(2)针对现有大多数面向结构损伤识别的传感器优化布置方法仅能考虑单个优化目标的问题，本发明针对传感器对局部损伤的敏感度和不同种类传感器的冗余度两个相互矛盾的目标，提出适用于多种传感器多目标优化布置的方法，可以实现多种传感器对结构损伤的整体敏感度最优，同时也使得不同种类或者同种类别的传感器之间测量信息的冗余度最低，在保证损伤灵敏度的同时避免信息冗余，使得损伤识别使用最少数量的传感器达到最优的损伤识别结果；最终为结构健康监测系统提供性能和建设成本最优化的传感器布置方案，可以平衡多种传感器对局部损伤的敏感性、准确性、安装成本等各方面的矛盾，更好的满足工程需求。
本发明提供的基于多种传感器多目标优化布置方案的损伤识别方法，通过面向结构损伤识别的多种传感器的多目标优化布置方案所提供的最优解，采用多元感知数据融合的方法从加速度、位移、应变等多种结构动力响应数据中共同提取对结构损伤敏感的结构动力指标，利用各类数据的不同特性可有效提高结构动力指标数据质量，通过结合工程结构的有限元模型进行结构损伤识别，最终可以实现高敏感度和高精度的损伤定位和定量分析。
附图说明
图1为本发明实施例中面向结构损伤识别的多种传感器多目标优化布置方法的流程图；
图2为本发明实施例中非支配排序遗传算法进行多种传感器的多目标优化布设计算流程图；
图3为本发明实施例中三维悬臂梁结构面向结构损伤识别的多种传感器的多目标优化布置计算获得的帕累托前沿；
图4为本发明实施例中基于效用函数方法和基于拐点方法所获得的最优布置方案；
图5为本发明实施例中基于优化布置的多种传感器进行损伤识别的计算流程图；
图6为本发明实施例中三维悬臂梁采用两种优化布设的传感器布设方案进行结构损伤识别的结果；
图7为本发明实施例中基于多种传感器多目标优化布置方案的损伤识别系统的框架图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，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仅用以解释本发明，并不用于限定本发明。
在一实施例中，提供一种面向结构损伤识别的多种传感器多目标优化布置方法，其流程图如图1所示，并包括如下步骤：
S1：建立可布设多种传感器的预设土木结构的有限元模型，并通过输入激励获取多种传感器中所有候选传感器位置结构响应数据。
其中，预设土木结构为预先设定的建筑结构模型，与其对应建立起的有限元模型中包括多种传感器，包括但不限于加速度传感器、位移传感器、应变传感器等。传感器设置在土木结构中的不同位置，如楼层、悬臂梁等。
具体地，以对有限元模型输入外激励向量的方式获取多种传感器中所有候选传感器位置结构响应数据。这些传感器位置结构响应数据为多元异构数据。
设结构健康监测所有的测量响应包括加速度、位移、应变等多种结构动力响应数据可以用如下的状态方程表达：
y(t)＝Ccx(t)+Dcf(t) (1)
其中
其中，
为观察向量，包含了应变响应时程ε(t)、位移响应时程z(t)和加速度响应时程
为状态向量，满足动力方程：
其中
其中Ψ＝BGLdΦ是应变模态矩阵；Ld是匹配应变计算的节点位移的选择矩阵；矩阵G是从全局坐标到局部坐标的坐标变换矩阵；向量B定义了局部应变-位移关系,Φ为模态矩阵，ω和ξ分别是结构固有频率和阻尼比组成的对角矩阵，q和
分别为模态坐标下的位移和速度，f(t)为外激励向量。
S2：对候选传感器位置结构响应数据进行标准化和无量纲化处理，并采用协方差函数进行多元数据融合和构造对局部损伤敏感的指标，得到多元数据融合的损伤识别指标；
其中，标准化和无量纲化处理用于将具有不同量纲和变化特征的数据进行转换；多元数据融合用于获得多源异构数据；多元数据融合的损伤识别指标用于提高损伤识别指标对结构损伤的敏感度并降低测量噪声对损伤识别的影响。
具体地，通过公式(5)对多元异构的测量数据进行标准化和无量纲化处理，将原始结构响应数据除以各自的标准差，得到标准化和无量纲化的结构响应，便于后续对不同量纲和变化特征的数据可以进行数据融合。
其中，yp(t)为原始结构响应数据，
为标准差，
为得到的标准化和无量纲化的结构响应。
采用协方差函进行多元异构数据的融合和降低测量噪声，计算任意两个标准化结构响应的互协方差函数公式如下：
根据公式(6)求得结构响应的互协方差函数之后，可以进一步组装成多元数据融合的损伤识别指标向量Vpq，计算方法如下：
其中，yp为传感器p记录的结构响应，
为标准化后的结构响应，
表示传感器p在完好结构记录响应的标准差。E表示期望，变量τ为时间间隔，下标p，q表示由传感器p，q测得的响应计算而来。pi∈[p1,ps],qj∈[q1,qs],下标s表示所选传感器的总数；nt是为损伤识别选择的时间间隔总数。
S3：采用多元数据融合的损伤识别指标进行损伤敏感性分析和冗余性分析，建立两个传感器优化布置的目标函数；其中，第一目标函数对应损伤敏感度，第二目标函数对应数据冗余度。
局部刚度变化敏感性以及多元结构响应独立性是决定结构损伤识别效果但又存在矛盾的两个传感器优化布置准则；因此，为了平衡两个优化目标的矛盾，考虑多个优化目标函数，且适用于多类型传感器混合优化布置的情况，针对结构损伤识别选取了两个目标函数：第一目标函数对应损失敏感性分析；第二目标函数对应数据冗余度，或称为信息相关度；使得到的传感器布置方案对损伤敏感的同时避免信息冗余，进而将问题转换为找到同时满足两个目标函数的最优多类型传感器布局问题。
具体地，将两个优化目标多类型传感器优化布设问题表述一个综合的优化目标函数为：
其中
其中，F(θ)是基于结构动力响应的协方差指标灵敏度和相关性分析的多目标函数，而变量θ代表传感器优化排列组合布置的向量；
是按最大值标准化的无量纲目标函数；
和
分别是第i种的传感器数量的下限和上限，Noi为候选位置的总数，上述多类型传感器的最佳布置可以通过求解此方程来获得。
相比于目前普遍使用的单种传感器单目标传感器优化布置方法，本发明提出多种传感器的多目标优化布设方法可能同时优化多种传感器的数量和位置并且能够平衡两个不同优化目标之间的矛盾，从而提高多种传感器混合布置时的测量效果，最终提高了结构损伤识别动力指标的敏感度和有效性。
更进一步地，第一目标函数fSA根据响应协方差灵敏度来构造，旨在令响应协方差相对于局部刚度变化取得最大增量，fSA最小时的传感器位置对受损单元的局部刚度变化最为敏感。损伤灵敏度的相关背景和第一目标函数fSA的定义如下：
受损结构的刚度矩阵可用数学公式表示为：
其中αi∈α为对应第i个单元刚度矩阵的系数。Δαi∈Δα为第i个单元的局部刚度变化，ne为单元总数。α为刚度矩阵系数的向量；Δα为损伤单元的局部刚度变化的矢量。
实测的损伤指标
和根据结构完好状态下的有限元模型计算得到的损伤指标
满足以下损伤识别方程：
式中的
即为损伤灵敏度，是损伤指标对单元刚度变化量的偏导数，表示单元产生单位刚度下降时该损伤指标的变化量，可衡量该指标对损伤的敏感性。由于α为一向量，因此损伤灵敏度
可表示为矩阵形式：
令第一目标函数取如下形式来方便的衡量灵敏度矩阵S的大小，并表征传感器布置方案的损伤灵敏度：
同时，对于第二目标函数，由于仅基于第一目标函数fSA的传感器布置可能选择聚集在对局部损伤具有相似敏感度的某些结构单位周围，使来自这些传感器的信息可能是冗余的。因此第二目标函数fCA进行相关性分析，通过收集更多独立的结构响应来帮助减少这种冗余信息。响应独立性有可能提高损伤识别结果的质量和大大减少冗余的传感器。第二目标函数fCA旨在通过相关性分析获得独立的响应，fCA最小时的传感器位置使响应独立性最大。
其中
其中向量θ表示最佳传感器配置；S是灵敏度矩阵，可以用公式(9)计算；R为所选响应的相关矩阵；下标pl∈[p1,ps],qk∈[q1,qs]；相关系数rplqk是由传感器pl和qk记录的响应计算得来的标量。
S4：使用非支配排序遗传算法对两个传感器优化布置的目标函数进行求解，确定每种传感器的优化数量和位置。
针对S3建立的多种传感器的多目标优化函数，使用非支配排序遗传算法进行求解并获得最优的妥协解，从而以确定传感器的优化方案。
具体地，参见图2，本发明用于求解的非支配排序遗传算法非支配排序遗传算法是为此问题定制的，可能的传感器位置θ为优化的设计变量。每个可能的传感器位置由一个整数(“基因”)表示，最佳传感器配置θ由一个整数字符串(“染色体”)表示。此外，在传感器优化布置过程中嵌入了强制变异来替换重复的基因，以避免在同一位置安装同一类型传感器。非支配排序遗传算法的具体计算过程包括：
S41：初始传感器位置被指定为在1和No之间均匀分布的随机整数。因此，非支配排序遗传算法从染色体第0代的集合开始，染色体第0代是在1和No之间均匀分布的随机整数串；
S42：在新产生的染色体或随后将经历交叉和突变操作的染色体中，相同的传感器可以在相同的位置同时放置不止一次(例如，相同的整数可以重复用于染色体θ)。因此需要应用强制突变机制，用来自集合θ和整个候选传感器位置集合之间差集的未重复且均匀分布的随机整数来替换每个染色体中的重复基因；
S43：计算每个染色体θ的标准化目标函数，
和
S44：对当前世代的所有染色体进行精英非支配排序，并确定非支配前沿；
S45：执行遗传算法操作，包括选择、交叉和变异，以生成新的群体Q(θ)，此后进行步骤S42中引入的强制突变以替换每个染色体中的重复基因，并且如步骤S43中所述计算建议的标准化目标函数值。旧种群和新种群合并为P(θ)∪Q(θ)，进行步骤(4)中描述的精英非支配排序，产生下一个种群；
S46：重复步骤S45，直到达到最大生成数，最后针对多目标多类型传感器优化布局问题，得到不同最优传感器配置下的最优解。
非支配排序遗传算法得到的帕累托前沿包含一系列的帕累托解，每个解目标函数的权重因子不同，各自对应一个最优传感器布置方案。如图3所示，为以三维悬臂梁结构为例，面向结构损伤识别的多种传感器的多目标优化布置计算获得的帕累托前沿。
进一步地，由于前述的多目标多类型传感器优化布置问题是一个多解问题，因此非支配排序遗传算法得到的帕累托前沿包含共一系列的帕累托解，每个帕累托解对应一种传感器优化布置；而并不是帕累托前沿上所有的解都是用于损伤识别的最优传感器优化布置解决方案，它是两个冲突目标的同时优化导致的一组折衷的解决方案，称为非支配的或帕累托次优解。
为了平衡两个冲突目标之间的权衡，可根据基于拐点的方法，从帕累托前沿选择最佳传感器优化布置作为最终解。通常情况下，决策者并不清楚或难以评估这些权重因子，而且在不了解用户偏好的情况下，优先采用帕累托最优前沿的拐点作为最优的传感器布设方案，即将多目标优化求解获得的帕累托解通过样条曲线函数拟合成为光滑可导的帕累托前沿曲线，通过计算曲线的曲率，在曲率最大的地方可获得上述所的帕累托前沿曲线拐点，该拐点代表多目标优化问题的最优妥协解。
同时，提出基于效用函数方法，确定帕累托最佳OSP的算法，定义效用函数的表达式如下：
其中，ISCA(θPa)是效用函数；θPa为传感器优化布置问题的帕累托解；wSCA是一个权重因子，通常根据目标的重要性来选择。即，通过选择不同的权重因子，该方法可以在帕累托前沿获得多个最优解。同时这些解决方案中的任何一个都是唯一的，都对应一对特定的权重因子。基于效用函数的方法是量化决策者从帕累托解中选择期望传感器优化布置的偏好的可行方法之一，权重因子的选取则基于决策者的知识与判断，通常情况下决策者清楚各个优化目标的权重因子情况下，可以优先用该方法选择最终的传感器优化布设方案。
由此，通过确定效用函数或选择拐点方案两种方式可以最终在帕累托前沿确定一个最优解，如图4所示，为基于效用函数方法和基于拐点方法所获得的最优布置方案。
在一实施例中，提供一种面向结构损伤识别的多种传感器多目标优化布置系统，该系统用于执行所述面向结构损伤识别的多种传感器多目标优化布置方法。系统的硬件载体不限，包括如下模块：
(1)传感器位置结构响应数据获取模块，用于建立可布设多种传感器的预设土木结构的有限元模型，并通过输入激励获取所述多种传感器中所有候选传感器位置结构响应数据；
(2)多元数据融合的损伤识别指标计算模块，用于对所述候选传感器位置结构响应数据进行标准化和无量纲化处理，并采用协方差函数进行多元数据融合和构造对局部损伤敏感的指标，得到多元数据融合的损伤识别指标；
其中，所述标准化和无量纲化处理用于将具有不同量纲和变化特征的数据进行转换；所述协方差函数用于多源异构数据的融合；所述基于多元数据融合计算获得损伤识别指标用于提高损伤识别指标对结构损伤的敏感度并降低测量噪声对损伤识别的影响；
(4)目标函数构建模块，用于采用所述多元数据融合的损伤识别指标进行损伤敏感性分析和冗余性分析，建立两个传感器优化布置的目标函数；其中，第一目标函数对应损伤敏感度，第二目标函数对应数据冗余度；
(5)最优解求解模块，用于使用非支配排序遗传算法对所述两个传感器优化布置的目标函数进行求解，确定每种传感器的优化数量和位置。
在一实施例中，提供一种基于多种传感器多目标优化布置方案的损伤识别方法，其流程如图5所示，包括步骤：
(1)实时获取目标土木结构的结构动力响应监测数据，并根据面向结构损伤识别的多种传感器多目标优化布置方法所获取的传感器优化方案，从结构动力响应监测数据中提取得到对结构损伤敏感的结构动力指标。
(2)基于对结构损伤敏感的结构动力指标，对目标土木结构进行损伤位置与程度的识别。
其中，结构动力响应监测数据包括但不限于加速度响应、位移响应、应变响应等。基于上述多种传感器的多目标优化布置方法获得的最优传感器组合之后，采用多元感知数据融合的方法从加速度、位移、应变等多种结构动力响应数据中共同提取对结构损伤敏感的结构动力指标，利用各类数据的不同特性可有效提高结构动力指标数据质量，通过结合工程结构的有限元模型进行结构损伤识别，最终可以实现高敏感度和高精度的损伤定位和定量分析。
以三维悬臂梁为例，采用两种优化布设的传感器布设方案进行结构损伤识别的结果如图6所示。
在一实施例中，提供一种基于多种传感器多目标优化布置方案的损伤识别系统，如图7所示，所述损伤识别系统包括面向结构损伤识别的多种传感器多目标优化布置系统，并采用多种传优化布置的传感器进行结构损伤识别；所述损伤识别系统包括：
(1)结构动力指标获取模块，用于实时获取目标土木结构的结构动力响应监测数据，并利用所述面向结构损伤识别的多种传感器多目标优化布置系统进行多种传感器的多目标优化布置计算，然后基于优化布置的传感器获得的结构动力响应监测数据提取得到对结构损伤敏感的结构动力指标；
(2)损伤位置与程度识别模块，用于基于所述对结构损伤敏感的结构动力指标，对所述目标土木结构进行损伤位置与程度的识别。
上是对本发明面向结构损伤识别的多种传感器多目标优化布置方案进行的阐述，用于帮助理解本发明；但本发明的实施方式并不受上述实施例的限制，任何未背离本发明原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (9)
1.一种面向结构损伤识别的多种传感器多目标优化布置方法，其特征在于同时对多种传感器进行综合的优化布置，采用多元数据融合的损伤识别指标进行损伤敏感性分析和测量数据的相关性分析，然后结合非支配排序遗传算法进行多目标优化布置问题的求解，平衡多种传感器对局部损伤的敏感性和独立性等多方面的矛盾，具体过程包括：
S1：建立可布设多种传感器的预设土木结构的有限元模型，并通过输入激励获取所述多种传感器中所有候选传感器位置的结构响应数据；
S2：对所述候选传感器位置结构响应数据进行标准化和无量纲化处理，并采用协方差函数进行多元数据融合和构造对局部损伤敏感的指标，得到多元数据融合的损伤识别指标；
其中，所述标准化和无量纲化处理用于将具有不同量纲和变化特征的数据进行转换；所述协方差函数用于多源异构数据的融合；所述基于多元数据融合计算获得损伤识别指标用于提高损伤识别指标对结构损伤的敏感度并降低测量噪声对损伤识别的影响；
S3：采用所述多元数据融合的损伤识别指标进行损伤敏感性分析和冗余性分析，建立两个传感器优化布置的综合目标函数；其中，第一目标函数对应损伤敏感度，第二目标函数对应数据冗余度；
S4：使用非支配排序遗传算法对所述两个存在竞争关系的传感器优化布置的目标函数进行求解并获得最优的妥协解，从而确定每种传感器的优化数量和位置。
2.如权利要求1所述的一种面向结构损伤识别的多种传感器多目标优化布置方法，其特征在于，在S3中，所述建立两个传感器优化布置的综合目标函数通过公式表述为：
其中，
F(θ)是基于结构动力响应的协方差多元数据融合指标的损伤灵敏度和相关性分析的多目标函数，而变量θ代表传感器优化排列组合布置的向量；
是按最大值标准化的无量纲目标函数，fSA为所述第一目标函数，fCA为所述第二目标函数；
和
分别是第i种的传感器数量的下限和上限，Noi为候选位置的总数。
3.如权利要求2所述的一种面向结构损伤识别的多种传感器多目标优化布置方法，其特征在于，所述第一目标函数fSA定义如下：
受损结构的刚度矩阵可用数学公式表示为：
其中，αi∈α为对应第i个单元刚度矩阵的系数；Δαi∈Δα为第i个单元的局部刚度变化，ne为单元总数；α为刚度矩阵系数的向量；Δα为损伤单元的局部刚度变化的矢量；
实测的损伤指标
和根据结构完好状态下的有限元模型计算得到的损伤指标
满足以下损伤识别方程：
式中的
即为损伤灵敏度，是损伤指标对单元刚度变化量的偏导数，表示单元产生单位刚度下降时该损伤指标的变化量，用于衡量该指标对损伤的敏感性；α为一向量，损伤灵敏度
可表示为矩阵形式：
令所述第一目标函数取如下形式来衡量灵敏度矩阵S的大小，并表征传感器布置方案的损伤灵敏度：
4.如权利要求3所述的一种面向结构损伤识别的多种传感器多目标优化布置方法，其特征在于，所述第二目标函数fCA定义如下：
其中，
其中，向量θ表示最佳传感器配置；S是灵敏度矩阵；R为所选响应的相关矩阵；下标pl∈[p1,ps],qk∈[q1,qs]；相关系数rplqk是由传感器pl和qk记录的响应计算得来的标量。
5.如权利要求4所述的一种面向结构损伤识别的多种传感器多目标优化布置方法，其特征在于，在S4中，所述使用非支配排序遗传算法对所述两个存在竞争关系的传感器优化布置的目标函数进行求解并获得最优的妥协解，包括：
S41：初始传感器位置被指定为在1和No之间均匀分布的随机整数；非支配排序遗传算法从染色体第0代的集合开始，染色体第0代是在1和No之间均匀分布的随机整数串；
S42：在新产生的染色体或随后将经历交叉和突变操作的染色体中，相同的传感器可以在相同的位置同时放置不止一次；采用强制突变机制，用来自集合θ和整个候选传感器位置集合之间差集的未重复且均匀分布的随机整数来替换每个染色体中的重复基因；
S43：计算每个染色体θ的标准化目标函数，
和
S44：对当前世代的所有染色体进行精英非支配排序，并确定非支配前沿；
S45：执行遗传算法操作，包括选择、交叉和变异，以生成新的群体Q(θ)，此后进行S42中引入的强制突变以替换每个染色体中的重复基因，并且如步骤S43中所述计算建议的标准化目标函数值；旧种群和新种群合并为P(θ)∪Q(θ)，进行步骤S44中描述的精英非支配排序，产生下一个种群；
S46：重复步骤S45，直到达到最大生成数，最后针对多目标多类型传感器优化布局问题，得到不同最优传感器配置下的最优解；
在S46之后，所述非支配排序遗传算法得到的帕累托前沿包含一系列的帕累托解，每个解目标函数的权重因子不同，各自对应一个妥协的次优传感器布置方案，通过确定效用函数或选择拐点方案在所述帕累托前沿中确定一个最优解。
6.如权利要求5所述的一种面向结构损伤识别的多种传感器多目标优化布置方法，其特征在于，所述选择拐点方案，包括：根据帕累托前沿拟合曲线的拐点确定一个最优传感器优化布置解，即将多目标优化求解获得的帕累托解通过样条曲线函数拟合成为光滑可导的帕累托前沿曲线，通过计算该曲线的曲率，在曲率最大的地方可获得上述所的帕累托前沿曲线拐点，该拐点代表多目标优化问题的最优妥协解。
7.如权利要求5所述的一种面向结构损伤识别的多种传感器多目标优化布置方法，其特征在于，所述确定效用函数，包括：
定义效用函数的表达式如下：
其中，ISCA(θPa)是所述效用函数；θPa为传感器优化布置问题的帕累托解；wSCA是一个权重因子。
8.一种面向结构损伤识别的多种传感器多目标优化布置系统，其特征在于，所述系统用于执行如权利要求1至7任一项所述的面向结构损伤识别的多种传感器多目标优化布置方法，并包括：
(1)传感器位置结构响应数据获取模块，用于建立可布设多种传感器的预设土木结构的有限元模型，并通过输入激励获取所述多种传感器中所有候选传感器位置结构响应数据；
(2)多元数据融合的损伤识别指标计算模块，用于对所述候选传感器位置结构响应数据进行标准化和无量纲化处理，并采用协方差函数进行多元数据融合和构造对局部损伤敏感的指标，得到多元数据融合的损伤识别指标；
其中，所述标准化和无量纲化处理用于将具有不同量纲和变化特征的数据进行转换；所述协方差函数用于多源异构数据的融合；所述基于多元数据融合计算获得损伤识别指标用于提高损伤识别指标对结构损伤的敏感度并降低测量噪声对损伤识别的影响；
(4)目标函数构建模块，用于采用所述多元数据融合的损伤识别指标进行损伤敏感性分析和冗余性分析，建立两个传感器优化布置的目标函数；其中，第一目标函数对应损伤敏感度，第二目标函数对应数据冗余度；
(5)最优解求解模块，用于使用非支配排序遗传算法对所述两个传感器优化布置的目标函数进行求解，确定每种传感器的优化数量和位置。
9.一种基于多种传感器多目标优化布置方案的损伤识别系统，其特征在于，所述损伤识别系统包括如权利要求8所述的面向结构损伤识别的多种传感器多目标优化布置系统，并采用多种传优化布置的传感器进行结构损伤识别；所述损伤识别系统包括：
(1)结构动力指标获取模块，用于实时获取目标土木结构的结构动力响应监测数据，并利用所述面向结构损伤识别的多种传感器多目标优化布置系统进行多种传感器的多目标优化布置计算，然后基于优化布置的传感器获得的结构动力响应监测数据提取得到对结构损伤敏感的结构动力指标；
(2)损伤位置与程度识别模块，用于基于所述对结构损伤敏感的结构动力指标，对所述目标土木结构进行损伤位置与程度的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310020100.XA CN116011077A (zh) | 2023-01-06 | 2023-01-06 | 一种面向结构损伤识别的多种传感器多目标优化布置方案 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310020100.XA CN116011077A (zh) | 2023-01-06 | 2023-01-06 | 一种面向结构损伤识别的多种传感器多目标优化布置方案 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116011077A true CN116011077A (zh) | 2023-04-25 |
Family
ID=86035277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310020100.XA Pending CN116011077A (zh) | 2023-01-06 | 2023-01-06 | 一种面向结构损伤识别的多种传感器多目标优化布置方案 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011077A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258048A (zh) * | 2023-05-16 | 2023-06-13 | 河北工业大学 | 一种风电齿轮箱结构参数识别的最优传感器布置方法 |
| CN117709037A (zh) * | 2024-02-06 | 2024-03-15 | 浙江华东测绘与工程安全技术有限公司 | 基于板壳结构模态应变能的传感器优化布置方法及系统 |
| CN117786821A (zh) * | 2024-02-23 | 2024-03-29 | 铁正检测科技有限公司 | 一种基于静态响应损失参数识别的传感器优化布置方法 |
-
2023
- 2023-01-06 CN CN202310020100.XA patent/CN116011077A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116258048A (zh) * | 2023-05-16 | 2023-06-13 | 河北工业大学 | 一种风电齿轮箱结构参数识别的最优传感器布置方法 |
| CN116258048B (zh) * | 2023-05-16 | 2023-07-18 | 河北工业大学 | 一种风电齿轮箱结构参数识别的最优传感器布置方法 |
| CN117709037A (zh) * | 2024-02-06 | 2024-03-15 | 浙江华东测绘与工程安全技术有限公司 | 基于板壳结构模态应变能的传感器优化布置方法及系统 |
| CN117786821A (zh) * | 2024-02-23 | 2024-03-29 | 铁正检测科技有限公司 | 一种基于静态响应损失参数识别的传感器优化布置方法 |
| CN117786821B (zh) * | 2024-02-23 | 2024-05-14 | 铁正检测科技有限公司 | 一种基于静态响应损失参数识别的传感器优化布置方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116011077A (zh) | 一种面向结构损伤识别的多种传感器多目标优化布置方案 | |
| CN109583570B (zh) | 基于深度学习确定桥梁健康监测系统异常数据来源的方法 | |
| Betti et al. | Damage detection on a three-storey steel frame using artificial neural networks and genetic algorithms | |
| Chow et al. | Optimal sensor configuration of a typical transmission tower for the purpose of structural model updating | |
| Perera et al. | Static–dynamic multi-scale structural damage identification in a multi-objective framework | |
| Li et al. | Structural damage identification based on integration of information fusion and shannon entropy | |
| CN112949131B (zh) | 连续桥梁集群损伤诊断的概率损伤定位向量法 | |
| CN115456331B (zh) | 多维多测点模型在线监控算法在监测分析系统平台的应用 | |
| CN114792020B (zh) | 一种基于机器学习的建筑抗震韧性快速评估方法及系统 | |
| CN115577587A (zh) | 一种历史建筑健康状态监测方法及系统 | |
| CN116823172A (zh) | 基于模型优化的工程造价评估方法及系统 | |
| CN113850475A (zh) | 一种基于大数据的生产设备性能评估系统 | |
| CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
| CN117689084B (zh) | 一种电控趾端滑套的制造工艺优化方法及系统 | |
| CN117111544A (zh) | 一种自动适配的楼宇物联网监控方法及系统 | |
| CN115640860A (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
| CN114819777A (zh) | 一种基于数字孪生技术的企业销售业务分析管理系统 | |
| CN117171896A (zh) | 一种汽车转向器输入轴加工优化方法及系统 | |
| CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
| CN112052952B (zh) | 基于遗传算法的柴油机故障诊断中监测参数优化选取方法 | |
| CN115577619A (zh) | 基于机器学习预测液化土残余抗剪强度的方法 | |
| CN112214825B (zh) | 一种复杂结构抗震易损性输入地震波的选择方法 | |
| CN114523337A (zh) | 一种刀具磨损状态识别方法、装置、电子设备及存储介质 | |
| CN113591371A (zh) | 基于时空关联模型的桥梁集群结构损伤定位方法 | |
| CN117828314B (zh) | 充电枪绝缘电阻测试方法、装置、设备及存储介质 |
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 |