[发明专利]一种低信噪比下结构响应异常检测方法

权利要求书

1.一种低信噪比下结构响应异常检测方法，其特征在于：首先在强背景噪声下利用多个传感器对结构振动信息进行采集，得到噪声干扰的结构响应；然后对采集到的结构响应进行改进粒子群优化算法自适应随机共振去噪处理，并增强结构响应；之后利用鲁棒性独立分量分析对随机共振输出响应进行独立分量分析，分离出具有响应突变点的特征分量；最后根据每个特征分量中响应突变点在时间轴上的位置确定结构响应异常发生时刻，并提取出每个特征分量进行归一化处理，从而实现对结构响应异常进行定位；

所述改进粒子群优化算法自适应随机共振去噪处理包括以下步骤：

步骤S01：初始化种群，随机产生m个大小为n的子种群，并将子种群分为上下两层；

步骤S02：适应度函数确定，将传感器采集到的结构响应∏(t)经过二次采样，实现响应从高频到低频的转换，随后输入至随机共振系统，采用以下公式计算出输入响应所对应的随机共振输出，

$X_{i+1}=X_i+\frac{h}{6}(k_1+2k_2+2k_3+k_4)$

$k_1=h\[{\mathrm{aX}}_i-{\mathrm{bX}}_i^3+S_i)\]$

k₂＝h[a(X_i+k₁/2)-b(X_i+k₁/2)³+S_i]

k₃＝h[a(X_i+k₂/2)-b(X_i+k₂/2)³+S_i+1]

k₄＝h[a(X_i+k₃)-b(X_i+k₃)³+S_i+1]

式中，h是计算时间步长，取采样频率的倒数；k_i为斜率，X_i为系统输出响应，S_i为含噪声和振动信息结构响应的第i次采样值，a、b为系统结构参数；i＝1,2…m；

根据输出建立以随机共振输出信噪比为适应度函数，信噪比SNR公式如下：

$SNR=10\lg \frac{S\left(f_0\right)}{N}=10\lg \frac{S\left(f_0\right)}{W-S\left(f_0\right)}$

式中f₀为信号频率，S(f₀)，N分别为信号功率和噪声功率，W为系统总功率；

步骤S03：适应度值计算，将各子种群中所有粒子的位置及其所对应的适应度值分别存储为个体pbest和个体极值pbestval；将各子种群中最优粒子的位置及其所对应的适应度值分别存储为gbest_i和gbestval_i，i＝1,2…m；同时将整个种群中最优粒子的位置及其所对应的适应度值分别存储为gbest和gbestval；

步骤S04：粒子更新，分别按照以下公式来更新上层子种群和下层子种群，并对整个种群中的最差粒子进行标记:

$v_i^{k+1}={\mathrm{wv}}_i^k+c_1{r}_1(p_i-z_i^k)+c_2{r}_2(p_g-z_i^k)$

$z_i^{k+1}=z_i^k+v_i^{k+1}$

$v_i^{k+1}={\mathrm{wv}}_i^k+c_1{r}_1(p_i-z_i^k)+c_2{r}_2(p_{gi}-z_i^k)$

$z_i^{k+1}=z_i^k+v_i^{k+1}$

式中，z_i和v_i分别表示第i个粒子的位置和速度；p_i表示第i个粒子的最优位置；p_g和p_gi分别表示整个种群和第i个粒子所在子种群的最优位置；k表示当前进化代数；r₁和r₂为[0,1]之间的随机数；c₁和c₂为学习因子，通常取值为c₁＝c₂＝2；w为惯性权重；

步骤S05：最优值更新，重新计算更新后各粒子的适应度值，然后将其与历史最优值进行比较，如果适应度值更高，则相应更新pbest、pbestval、gbest、gbestval、gbest_i和gbestval_i；

步骤S06：最差粒子替换，将粒子的最差标记次数与预先设定好的最差次数限值L_w进行比较，如果等于L_w，则按步骤S05将其替换为选定优良粒子的局部重心Z_grav，并将其最差标记次数归零，

$Z_{grav}=\frac{\underset{j=1}{\overset{s}{\mathrm{\Σ}}}{z}_j}{s}$

式中，s和z_j分别为选定优良粒子的数量和位置；

步骤S07：判断是否达到了预设的最大迭代次数I_max或者达到最小误差，如果没有则返回步骤S03，反之则停止迭代并将搜索到的最优的结构参数a’、b’输出；

步骤S08：将输出的最优的结构参数a’、b’输入非线性双稳系统中，从而确定经过随机共振去噪后结构响应，

所述非线性双稳系统动力学方程表示为：

$\frac{dx}{dt}=a^{\′}x-b^{\′}{x}^3+\mathrm{\Π}\left(t\right)$

式中，∏(t)为传感器采集到的结构响应；

设定有m个传感器，X＝[x₁,x₂,…x_m]^T为传感器采集到并经去噪后包含异常的测量结构响应,具体实现结构响应异常检测步骤如下：

步骤S11：利用鲁棒性独立分量分析对传感器采集到并经去噪后包含异常的测量结构响应X＝[x₁,x₂,…x_m]^T进行独立分量分析；

步骤S12：根据结构模型得到对应的独立分量IC_j，其中j＝1,2,…n，即：

X_i(t)＝a_i1·IC₁(t)+…+a_ij·IC_j(t)+…+a_in·IC_n(t)

式中，i＝1,2...m，X_i(t)为观察信号，a_ij表示独立分量IC_j(t)在观察信号X_i(t)中的比重大小，称为源分布因子；

步骤S13：从n个独立分量IC_j中提取出具有信号突变点的特征分量FIC_k，其中j＝1,2,…,n,k＝1,2,…,n，n为特征分量的个数；

步骤S14：根据每个特征分量FIC_k中信号突变点在时间轴上的位置确定相应的损伤发生时刻Td_k，其中k＝1,2,…,n，且突变点的位置就是结构异常发生的时间；

步骤S15：提取出每个特征分量FIC_k所对应的NSDF_i，按照式

NSDV＝[NSDF₁,NSDF₂,…,NSDF_i，…,NSDF_m]^T进行归一化，从归一化的NSDV图中找出最大值点，根据最大值点对应的位置对损伤异常判别位置，

其中，其中i＝1,2,…,m；j＝1,2,…,n a_ij为所述源分布因子。