[发明专利]多工况条件下结构健康监测中的传感器分布优化方法

说明书

本发明公开了一种多工况条件下结构健康监测中的传感器分布优化方法。该方法旨在通过优化传感器的分布，提高多工况条件下结构异常状态的识别效率。该方法首先通过仿真分析获取正常工况下结构的状态数据，采用支持向量数据描述算法计算超球体聚类指标。而后分别以传感器数量和超球体聚类指标为优化目标函数，通过改进的非劣分层遗传算法获取该双目标优化问题的非劣解集，为多工况条件下结构异常状态识别提供传感器分布的优化方案。

技术领域

本发明涉及一种多工况条件下结构健康监测中的传感器分布优化方法，属于结构健康监测领域。

背景技术

大型结构在经历了长时间的服役后，由于受环境侵蚀、材料老化、循环载荷等影响，易产生疲劳损伤。一旦结构关键构件的损伤积累到一定程度，则可能导致整个结构的毁坏，引发灾难性事故。因此，监测结构的健康状况，保证结构性能，延长结构使用寿命，是保证人民生命财产安全的重要途径。

结构健康监测是指通过对结构的实时监测，对结构的使用状态、可靠性、耐久性进行智能评价，对结构异常状态进行预警，为维修、养护与管理决策提供依据和指导。结构健康监测的内容主要包括：利用监测传感网络，定期采集结构的状态信息；从海量监测数据中提取损伤敏感指标；统计分析这些指标，来确定结构当前的状态。早期的传感器分布大多是根据工程师的经验，在一些结构易损坏处布置传感器。然而该方法会造成采集信息的冗余，同时增加监测成本和监测时间。并且，对于处于多种工况条件下的被监测结构，由于不同工况的特征差异，会使不同工况的特征信息互相干扰，这给结构的异常状态识别带来了更多的困难。所以合理的布置传感器，以保证传感器网络可采集有效的监测数据至关重要。

发明内容

本发明的目的是提供了一种多工况条件下结构健康监测中的传感器分布优化方法，首先采用有限元仿真，构建对象的三维模型，获取所有正常工况下模型全域范围的应力应变分布云图，并结合特征提取算法，获取响应数据的特征向量；其次，依据响应数据的特征向量采用支持向量数据描述算法计算超球体聚类指标，并将传感器数量和超球体聚类指标作为两个优化目标；最后，采用改进的非劣分层遗传算法获得传感器分布的非劣解集合，为多工况条件下结构异常状态识别提供传感器分布的优化方案。为被监测结构的健康监测提供有效的数据，其优化的关键思想在于通过优化传感器分布剔除(或降低)各类正常工况对异常状态识别的影响。

本发明的技术方案主要包含以下内容：

一、设计优化目标函数

本发明旨在通过优化传感器分布，降低各类正常工况下结构状态信息的冗余和干扰，提高异常状态的监测效率。为此，使用改进的非劣分层遗传算法进行优化，建立两个优化目标函数：

(1)目标函数1：传感器数量最小化

传感器数量是指布置于被监测对象上的传感器个数，有效的减少传感器数量，不仅可以降低监测系统的成本，而且有利于加快数据的处理速度，提高了监测系统的时效性。

(2)目标函数2：超球体聚类指标G最大化

采用有限元仿真分析，针对不同传感器分布方案，基于各类正常工况下的响应数据，获取相应的特征向量样本集Y＝{y_i,i＝1,2,...,Q}(其中Q为样本数)，并基于该样本集，采用支持向量数据描述算法构造一个球心为o，半径为R的超球体，该超球体的结构误差ε定义为：

ε(o,R)＝R² (1)

所有样本点到球心o的距离都应小于等于半径R，由此可得到式(1)的最小化约束条件如下：

||y_i-o||²≤R² (2)

考虑到样本集中可能存在少量偏离超球体的样本，在算法中引入松弛因子ξ_i，即允许少量样本分布于超球体外，由此可将最小化问题表示为：