CN116362076A - 一种考虑金属结构损伤程度的传感器优化布置方法及系统 - Google Patents
一种考虑金属结构损伤程度的传感器优化布置方法及系统 Download PDFInfo
- Publication number
- CN116362076A CN116362076A CN202310238880.5A CN202310238880A CN116362076A CN 116362076 A CN116362076 A CN 116362076A CN 202310238880 A CN202310238880 A CN 202310238880A CN 116362076 A CN116362076 A CN 116362076A
- Authority
- CN
- China
- Prior art keywords
- sensor
- metal structure
- dynamic response
- finite element
- element model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000002184 metal Substances 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 10
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 abstract 1
- 230000032683 aging Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006735 deficit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (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
本发明公开了一种考虑金属结构损伤程度的传感器优化布置方法及系统，该方法包括：对比动力响应物理数据和动力响应仿真数据的差距，采用马尔可夫链蒙特卡罗的贝叶斯更新方法更新原始有限元模型的参数，直至动力响应物理数据和动力响应仿真数据的差距小于设定值时，获取更新后的第一有限元模型；对第一有限元模型进行分析提取节点模态阵型结果，并利用有效独立法设置传感器布点方案，结合深度神经网络算法和模态置信度理论，筛选最佳布置方案；根构建的综合评价指标，分析传感器优化布置的合理性。本申请解决了机械装备实际结构状态偏离初始设计状态后，现有传感器优化布置方案不准确而引发的监测数据误差大的问题。
Description
技术领域
本发明涉及大型装备监测技术领域，具体涉及一种考虑金属结构损伤程度的传感器优化布置方法及系统。
背景技术
随着工业化的快速发展，现代工程结构不断趋向大型化、复杂化和长寿命，随着而来的是结构的健康管理问题，健康监测是健康管理的前提，而合理的传感器布置方案是确保健康监测数据准确性、进行安全诊断和降低维修成本的必要条件。
大型复杂装备结构在长期的服役过程中，在严苛的使用条件和频繁的承载过程中，其结构功能常常会偏离初始设计状态，现有的方法在对此类长期服役或结构状态不明确的结构进行传感器布置时，仍基于初始结构设计参数开展传感器优化布置研究，忽略了金属结构性能退化导致的参数不确定性等问题，制定的传感器布置方案无法精确地反映结构状态响应，导致后期结构安全诊断具有极大的误差，常引发工程安全事故。
发明内容
本发明的目的在于提供一种考虑金属结构损伤程度的传感器优化布置方法及系统，以解决后期金属结构因性能退化导致布置的传感器的监测数据误差大的问题。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明公开了一种考虑金属结构损伤程度的传感器优化布置方法，包括：
获取金属结构的动力响应物理数据，其中，所述动力响应物理数据是通过金属结构上布置的传感器获取的；
根据金属结构的初始设计参数建立原始有限元模型，对原始有限元模型分析获取动力响应仿真数据；
对比动力响应物理数据和动力响应仿真数据的差距，采用马尔可夫链蒙特卡罗的贝叶斯更新方法更新原始有限元模型的参数，直至动力响应物理数据和动力响应仿真数据的差距小于设定值时，获取更新后的第一有限元模型；
对第一有限元模型进行分析提取节点模态阵型结果，利用有效独立法设置传感器布点方案，结合深度学习算法，以模态置信度矩阵非对角元素最小为目标函数，筛选出最佳传感器布置方案；
根据构建的综合评价指标，分析最佳传感器布置方案的合理性。
进一步地，所述综合评价指标采用奇异值比、Fisher信息矩阵和模态动能评价准则进行构建。
进一步地，采用马尔可夫链蒙特卡罗的贝叶斯更新方法更新原始有限元模型的参数包括：
通过原始有限元模型的动力响应仿真数据和金属结构的动力响应物理数据构造贝叶斯推理的似然函数，表示实际采集数据和虚拟模型仿真数据的一致程度。
在均匀先验分布的条件下，推导出不确定参数的后验概率密度函数，并通过马尔可夫链蒙特卡罗采样生成马尔可夫链，结合接受率原则，从马尔可夫链中获得不确定参数的最优值；
根据不确定参数的最优值更新原始有限元模型中不同受损部位的参数。
进一步地，所述后验概率密度函数计算公式为：
其中，A是要更新的参数的向量，B是测量的信息，P(A)是模型参数的初始和先验分布，P(B/A)是似然函数，表示实际采集数据和虚拟模型仿真数据的一致程度。
进一步地，所述动力响应物理数据和动力响应仿真数据的差距通过模态置信度衡量，所述模态置信度的计算公式为：
其中，MAC为物理数据
和仿真数据/>
之间的相似性系数，T代表转置。
进一步地，获取最佳传感器布置方案包括：
设置所有的传感器备选位置的模态矩阵，建立对应的Fisher信息矩阵；
按照各备选位置对目标模态矩阵独立性的贡献度进行排序，通过迭代，依次删除每一次迭代步中贡献最小的备选位置，获取传感器布置的最佳数量和位置。
有效独立法是一种应用广泛的传感器优化布置倒序删除法，其利用所有可能的传感器备选位置的模态矩阵，通过迭代，依次删除每一次迭代步中贡献最小的备选位置，尽可能地保持目标模态矩阵线性无关。
进一步地，当差距小于设定值时，第一有限元模型的响应仿真数据和动力响应物理数据一致。此设计依据更新后的结构参数建立的第一有限元模型可以精准地反映实际物理模型的状态。
综合评价指标可全面地评价最终传感器优化布置方案的有效性，以确保方案适用于结构健康监测的多个目标或预期效果。
进一步地，所述动力响应物理数据为振动信号及加速响应分析得到的固有频率和振型数据。
进一步地，所述动力响应仿真数据为固有频率和振型数据。
第二方面，本发明公开了一种考虑金属结构损伤程度的传感器优化布置系统，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行第一方便任一项所述方法的步骤。
第三方面，本发明公开了计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面任一项所述方法的步骤。
根据上述技术方案，本发明的有益效果为：
本申请基于实际采集的动力响应物理数据和仿真提取的动力响应仿真数据，利用马尔可夫链蒙特卡罗的贝叶斯更新方法，建立可以反映结构老化或损伤状态的高保真的第一有限元模型，以高保真的第一有限元模型计算出的模态分析结果更好地反映了结构在老化/损伤状态下的实际动力响应状态，极大地减小了以初始设计参数建立全健康状态的原始模型进行模态分析引发的分析误差。以此为基准利用有效独立法设置传感器布点方案，以模态置信度矩阵非对角元素最小为目标函数，筛选出最佳传感器布置方案，本申请解决了机械装备实际结构状态偏离初始设计状态后，现有传感器优化布置方案不准确而引发的监测数据误差大的问题。为现实中具有不同程度老化/损伤特征的机械装备金属结构提供了一种传感器优化布置及修正方法，以提高健康监测数据的质量和结构服役期内的使用安全性。
附图说明
图1为本发明的总体技术路线流程图；
图2为本发明的马尔可夫链蒙特卡罗的贝叶斯更新方法示意图；
图3为本发明的金属结构不同受损位置示意图；
图4为本发明的结构传感器优化布置流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
实施例1
如图1至图4所示，本发明公开了一种考虑金属结构损伤程度的传感器优化布置方法，包括：获取金属结构的动力响应物理数据，其中，所述动力响应物理数据是通过金属结构上布置的传感器获取的；根据金属结构的初始设计参数建立原始有限元模型，对原始有限元模型分析获取动力响应仿真数据；对比动力响应物理数据和动力响应仿真数据的差距，采用马尔可夫链蒙特卡罗的贝叶斯更新方法更新原始有限元模型的参数，直至动力响应物理数据和动力响应仿真数据的差距小于设定值时，获取更新后的第一有限元模型；对第一有限元模型进行分析提取节点模态阵型结果，利用有效独立法设置传感器布点方案；结合深度学习算法，以模态置信度矩阵非对角元素最小为目标函数，筛选出最佳传感器布置方案；根据构建的综合评价指标，分析最佳传感器布置方案的合理性。
本申请基于实际采集的动力响应物理数据和仿真提取的动力响应仿真数据，利用马尔可夫链蒙特卡罗的贝叶斯更新方法，建立可以反映结构老化或损伤状态的高保真的第一有限元模型，以高保真的第一有限元模型计算出的模态分析结果更好地反映了结构在老化/损伤状态下的实际动力响应状态，极大地减小了以初始设计参数建立全健康状态的原始模型进行模态分析引发的分析误差。以此为基准利用有效独立法设置传感器布点方案，以模态置信度矩阵非对角元素最小为目标函数，筛选出最佳传感器布置方案，为现实中具有不同程度老化/损伤特征的机械装备金属结构提供了一种传感器优化布置及修正方法，以提高健康监测数据的质量和结构服役期内的使用安全性。
下面结合附图对本发明作进一步详细的说明。
步骤1、获取金属结构的动力响应物理数据，其中，所述动力响应物理数据是通过金属结构上布置的传感器获取的。
具体为：利用布置于机械装备金属结构上的传感器，采集、获取现场工作下结构的动力响应物理数据。
步骤2、根据金属结构的初始设计参数建立原始有限元模型，对原始有限元模型分析获取动力响应仿真数据。
具体为：根据结构的初始设计参数，建立原始有限元模型，设置材料参数、约束边界、进行网格划分，开展结构的模态分析，并提取动力响应仿真数据。
步骤3、将动力响应物理数据和动力响应仿真数据进行模态置信度对比，若差距不满足高保真要求，则采用马尔可夫链蒙特卡罗的贝叶斯更新方法更新原始有限元模型的参数，直至对比结果满足高保真要求时，获取更新后的第一有限元模型。
步骤3.1、模态置信度对比。
将现场采集的动力响应物理数据和仿真模型提取的动力响应仿真数据进行模态置信度对比，若差距不满足高保真要求，则需要更新结构中相应位置的结构参数。
模态置信度计算公式为：
其中，MAC用于描述物理阵型
和仿真阵型/>
之间的相似性系数，系数值分布于(0，1)之间，数值越大，相似性越高，反之同理；T代表转置。
步骤3.2、采用马尔可夫链蒙特卡罗的贝叶斯更新方法更新原始有限元模型的参数，直至对比结果满足高保真要求时，获取更新后的第一有限元模型。
具体的，如图2所示，更新结构中相应位置的结构参数方法为马尔可夫链蒙特卡罗(MCMC)的贝叶斯更新方法，分别四个环节，分别是：参数样本生成、数据存储库、贝叶斯更新和马尔可夫链蒙特卡罗(MCMC)采样。
具体步骤如下：
a.设定结构的不确定参数类型，如材料密度、弹性模量和泊松比，并结合其先验分布生成初始样本，然后确定建议分布及马尔科夫链步数，利用初始样本和建议分布，生成候选样本集。
b.依据初始样本设定虚拟模型的结构参数，开展模态分析，提取其自振频率和模态阵型等动力响应仿真数据，同时，通过分析实际采集的振动信号，获取结构实际的自振频率和模态阵型动力响应物理数据。
c.联合自振频率和模态阵型的物理数据和仿真数据，建立贝叶斯概率推理的似然函数，结合不确定参数的先验信息，计算后验概率密度函数(PDF)。
其中，贝叶斯概率推理的计算公式如下：
假设自振频率的归一化误差遵循均值为0，方差为σ2 f的高斯分布，自振频率的似然函数建立参照如下公式：
同理，模态阵型的自振频率似然函数建立参照如下公式：
假设自振频率和模态阵型相互独立，则实际采集的数据的似然函数满足此公式：
d.当获得后验概率密度函数后，执行MCMC采样去构建马尔科夫链以估计不确定参数的后验概率密度函数，设置接受率判断当次采样结果是否被接受，不被接受则继续重复采样直到满足停止条件，若被接受，则计算每个参数的最优值，将其赋值于虚拟模型的设计参数，完成马尔可夫链蒙特卡罗的贝叶斯更新。
5)如图3所示，以某一桁架结构为例，阐述金属结构不同受损位置划分及其参数更新，图中的结构被平面A、B、C分为四部分，假设平面A左侧区域意外受损，则该区域的结构参数需要更新，通过虚实模型的结果对比，可定位受损区域，并结合马尔可夫链蒙特卡罗的贝叶斯更新方法对老化/受损杆件(如杆件1、杆件2…杆件12)的不确定性参数进行更新。
不同受损定义为：结构因材料缺陷、焊接质量和常年老化以及意外受损等原因导致结构偏离初始设计参数；为实现精准地反映结构状态，可以将结构划分为多个区域，设置不同区域对应的结构参数。
步骤4、对第一有限元模型进行分析提取节点模态阵型结果，利用有效独立法设置传感器布点方案，结合深度学习算法，以模态置信度矩阵非对角元素最小为目标函数，筛选出最佳传感器布置方案。
如图4所示，结构传感器优化布置流程为：
a.基于可反映结构老化/受损状态的高保真有限元仿真模型(第一有限元模型)，对该结构进行模态分析并提取所有节点的模态阵型结果。
b.通过有效独立法，设置可能的传感器备选位置方案，建立对应的Fisher信息矩阵，并按照各备选位置对目标模态矩阵独立性的贡献度进行排序,利用模态置信度MAC矩阵，评价每种方案对应的模态向量空间交角，MAC的计算公式如下：
c.在对备选方案进行筛选过程中，利用计算能力强大深度神经网络算法进行迭代，以模态置信度(MAC)矩阵非对角元素最小为目标函数，筛选最佳布置方案，获取传感器布置的最佳数量和位置选择。
步骤5、采用奇异值比、Fisher信息矩阵和模态动能构建综合评价指标，通过综合评价指标分析传感器布置方案的合理性。
具体的，利用奇异值比、Fisher信息矩阵和模态动能等独立评价准则，构建综合评价指标，根据传感器布置方案的情况，结合综合评价指标进行方案效果评价，全面地评价最终传感器优化布置方案的有效性，以确保方案适用于结构健康监测的多个目标或预期效果。
本申请基于数字孪生理念，利用物理实体的实际采集信息，结合马尔可夫链蒙特卡罗的贝叶斯更新方法，修正有限元仿真模型，提高其高保真性，使有限元模型可以反映结构真实的老化/损伤状态，以此高保真仿真模型为基础，开展模态分析，获取准确的节点模态阵型结果，利用有效独立法设置备选方案，联合深度神经网络算法和模态置信度理论，筛选最佳布置方案，并对最佳布置方案做出科学的性能评价。
本申请解决了机械装备实际结构状态偏离初始设计状态后，现有传感器优化布置方案不准确而引发的监测数据误差大的问题，为现实中具有不同程度老化/损伤特征的机械装备金属结构提供了一种传感器优化布置及修正方法。
实施例2
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (10)
1.一种考虑金属结构损伤程度的传感器优化布置方法，其特征在于，包括：
获取金属结构的动力响应物理数据，其中，所述动力响应物理数据是通过金属结构上布置的传感器获取的；
根据金属结构的初始设计参数建立原始有限元模型，对原始有限元模型分析获取动力响应仿真数据；
将所述动力响应物理数据和动力响应仿真数据进行模态置信度对比，若差距不满足高保真要求，则采用马尔可夫链蒙特卡罗的贝叶斯更新方法更新原始有限元模型的参数，直至对比结果满足高保真要求时，获取更新后的第一有限元模型；
对第一有限元模型进行分析提取节点模态阵型结果，利用有效独立法设置传感器布点方案，结合深度学习算法，以模态置信度矩阵非对角元素最小为目标函数，筛选出最佳传感器布置方案；
根据构建的综合评价指标，分析最佳传感器布置方案的合理性。
2.根据权利要求1所述的考虑金属结构损伤程度的传感器优化布置方法，其特征在于，所述综合评价指标采用奇异值比、Fisher信息矩阵和模态动能评价准则进行构建。
3.根据权利要求1所述的考虑金属结构损伤程度的传感器优化布置方法，其特征在于，采用马尔可夫链蒙特卡罗的贝叶斯更新方法更新原始有限元模型的参数包括：
通过原始有限元模型的动力响应仿真数据和金属结构的动力响应物理数据构造贝叶斯推理的似然函数；
在均匀先验分布的条件下，推导出不确定参数的后验概率密度函数，并通过马尔可夫链蒙特卡罗采样生成马尔可夫链，结合接受率原则，从马尔可夫链中获得不确定参数的最优值；
根据不确定参数的最优值更新原始有限元模型中不同受损部位的参数。
4.根据权利要求3所述的考虑金属结构损伤程度的传感器优化布置方法，其特征在于，所述后验概率密度函数计算公式为：
其中，A是要更新的参数的向量，B是测量的信息，P(A)是模型参数的初始和先验分布，P(B/A)是似然函数，表示实际采集数据和虚拟模型仿真数据的一致程度。
5.根据权利要求3所述的考虑金属结构损伤程度的传感器优化布置方法，其特征在于，所述模态置信度的计算公式为：
其中，MAC为物理数据
和仿真数据/>
之间的相似性系数，T代表转置。
6.根据权利要求1所述的考虑金属结构损伤程度的传感器优化布置方法，其特征在于，获取最佳传感器布置方案包括：
设置所有的传感器备选位置的模态矩阵，建立对应的Fisher信息矩阵；
按照各备选位置对目标模态矩阵独立性的贡献度进行排序，通过迭代，依次删除每一次迭代步中贡献最小的备选位置，获取传感器布置的最佳数量和位置。
7.根据权利要求1所述的考虑金属结构损伤程度的传感器优化布置方法，其特征在于，所述动力响应物理数据为振动信号及加速响应分析得到的固有频率和振型数据。
8.根据权利要求1所述的考虑金属结构损伤程度的传感器优化布置方法，其特征在于，所述动力响应仿真数据为固有频率和振型数据。
9.一种考虑金属结构损伤程度的传感器优化布置系统，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～8任一项所述方法的步骤。
10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～8任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310238880.5A CN116362076A (zh) | 2023-03-07 | 2023-03-07 | 一种考虑金属结构损伤程度的传感器优化布置方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310238880.5A CN116362076A (zh) | 2023-03-07 | 2023-03-07 | 一种考虑金属结构损伤程度的传感器优化布置方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116362076A true CN116362076A (zh) | 2023-06-30 |
Family
ID=86933997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310238880.5A Pending CN116362076A (zh) | 2023-03-07 | 2023-03-07 | 一种考虑金属结构损伤程度的传感器优化布置方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116362076A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894187A (zh) * | 2010-07-09 | 2010-11-24 | 河海大学 | 基于ei和mac混合算法的桥梁传感器布置方法 |
| CN104866676A (zh) * | 2015-05-27 | 2015-08-26 | 东南大学 | 一种基于两阶段多尺度模型修正的结合梁斜拉桥传感器布设方法 |
| US20200089733A1 (en) * | 2018-06-04 | 2020-03-19 | Dalian University Of Technology | Sensor placement method for reducing uncertainty of structural modal identification |
| CN111931395A (zh) * | 2020-06-22 | 2020-11-13 | 江苏理工学院 | 一种降低应变场重构误差的传感器测点优化方法 |
| CN115577587A (zh) * | 2022-09-30 | 2023-01-06 | 华中科技大学 | 一种历史建筑健康状态监测方法及系统 |
-
2023
- 2023-03-07 CN CN202310238880.5A patent/CN116362076A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894187A (zh) * | 2010-07-09 | 2010-11-24 | 河海大学 | 基于ei和mac混合算法的桥梁传感器布置方法 |
| CN104866676A (zh) * | 2015-05-27 | 2015-08-26 | 东南大学 | 一种基于两阶段多尺度模型修正的结合梁斜拉桥传感器布设方法 |
| US20200089733A1 (en) * | 2018-06-04 | 2020-03-19 | Dalian University Of Technology | Sensor placement method for reducing uncertainty of structural modal identification |
| CN111931395A (zh) * | 2020-06-22 | 2020-11-13 | 江苏理工学院 | 一种降低应变场重构误差的传感器测点优化方法 |
| CN115577587A (zh) * | 2022-09-30 | 2023-01-06 | 华中科技大学 | 一种历史建筑健康状态监测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 徐世桥;田浩;陈艾荣;: "优化参数型大跨径悬索桥模型修正方法研究", 上海公路, no. 04, 31 December 2014 (2014-12-31), pages 12 - 13 * |
| 方晨: "基于MCMC 方法的大跨桥梁模型修正研究及其应用", 中国优秀硕士学位论文全文数据库, 11 November 2022 (2022-11-11), pages 19 - 91 * |
| 王璋奇;王剑;: "输电铁塔双轴加速度传感器优化布置", 仪器仪表学报, no. 09, 15 September 2017 (2017-09-15), pages 116 - 125 * |
| 管林挺;马思群;赵光伟;田小龙;: "基于EI法的高铁受电弓传感器优化布置", 机械, no. 06, 25 June 2018 (2018-06-25), pages 19 - 24 * |
| 陈一飞;孙宗光;季辉;郭保林;: "基于应变监测的独塔自锚悬索桥塔侧支撑反力识别", 公路交通科技, no. 04, 15 April 2013 (2013-04-15), pages 64 - 68 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113537600B (zh) | 一种全过程耦合机器学习的中长期降水预报建模方法 | |
| CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
| CN116596321B (zh) | 基于神经网络的建筑风险监测与评估方法和系统 | |
| CN113239022B (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
| CN112187554B (zh) | 一种基于蒙特卡洛树搜索的运维系统故障定位方法和系统 | |
| CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
| CN111932039A (zh) | 一种列车到站晚点预测方法、装置、电子设备及存储介质 | |
| CN115455793A (zh) | 基于多尺度模型修正的高层结构复杂构件受力分析方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
| Xu et al. | Damage identification of single-layer cylindrical latticed shells based on the model updating technique | |
| CN117540159A (zh) | 一种特高压换流变压器故障检测方法及装置 | |
| CN117436318A (zh) | 基于物联网的智慧楼宇管理方法及系统 | |
| CN117149249A (zh) | 模型更新方法、系统、设备和存储介质 | |
| CN116362076A (zh) | 一种考虑金属结构损伤程度的传感器优化布置方法及系统 | |
| CN115238583B (zh) | 一种支持增量日志的业务流程剩余时间预测方法与系统 | |
| CN116306832A (zh) | 一种用于多维序列数据的多模生成对抗神经网络建模方法及装置 | |
| CN115169184A (zh) | 采用改进差分进化马尔科夫链的有限元模型修正方法 | |
| CN114417549A (zh) | 一种基于超级计算机的数字孪生目标场数据处理系统 | |
| CN117725488B (zh) | 基于机器学习的建筑工程项目安全性能预测方法及系统 | |
| CN117913867B (zh) | 一种基于边缘计算监控的构网储能控制方法 | |
| CN112711878B (zh) | 一种近岸精细化浪高数值预报方法、装置、设备和介质 | |
| CN113535510B (zh) | 一种大规模数据中心数据采集的自适应抽样模型优化方法 | |
| CN118072976B (zh) | 基于数据分析的儿童呼吸道疾病预测系统及方法 | |
| CN111400844B (zh) | 气象模型的参数方案集合生成方法及风速预报方法 |
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 |