[发明专利]一种基于遗传算法的低频电磁传感器结构优化方法

摘要

一种基于遗传算法的低频电磁传感器结构优化方法，该方法适用于COMSOL模拟低频电磁传感器模型的结构设计和缺陷检测的形状重构，属于无损检测领域。在简化COMSOL仿真的低频电磁传感器模型基础上，参数化COMSOL低频电磁传感器优化模型，定义不同变量的读取路径；设定遗传优化的适应度函数和主要参数，包括算法运行参数和控制参数；编写动态链接函数，实现MATLAB对COMSOL模型的调用，建立相互传递数据的渠道；最后调用MATLAB遗传算法进行低频电磁传感器模型参量的优化，当得到满足收敛准则的适应度函数时，优化结果即为最优的低频电磁传感器结构参数。本发明突破了COMSOL单一赋值运算的局限，实现了COMSOL模型参量的智能优化。

主权项

1.一种基于遗传算法的低频电磁传感器结构优化方法，其特征在于：该方法包括以下步骤，对低频电磁传感器磁芯尺寸模型进行优化设计；步骤一：简化COMSOL仿真的低频电磁传感器模型；将低频电磁传感器的COMSOL仿真模型保存为JAVA语言的M文件；按照建模的一般顺序，该文件会存储建模过程中全部参量赋值、修改、注释操作步骤；因此在保存模型前，需要将模型进行清理，删去修改过程中冗余的步骤，得到简化后模型的M文件model.m；步骤二：参数化COMSOL低频电磁传感器优化模型；在简化的仿真模型model.m文件中，传感器的结构参量值均为建模时的初始实数值，即磁芯尺寸初始值为磁芯两极间距60mm，磁极宽度10mm，磁芯高度40mm；根据JAVA编程语言，将模型中需要优化的磁芯两极间距、磁极宽度变量设定为主变量，即变量代替给定的数值，且不同变量的名称均不相同；同时，由于模型中传感器的绕线位置、被测试件位置、空气域尺寸变量受到各个主变量的制约，因此在设定主变量的同时，要将随其变化的不同的位置变量设为从变量；此外，在模型参数化过程中，受不同主变量制约的从变量数量不等，但从变量的数量不计入优化时优化变量的数量，优化变量的数量为主变量数量；分别定义不同变量的读取路径，并将其保存为可供MATLAB直接调用的子程序，从而形成参数化优化模型；步骤三：设定低频电磁传感器遗传优化目标函数；定义优化传感器模型的目标函数为检测区域漏磁场评价系数，该目标函数作为遗传算法的适应度函数，控制遗传优化算法的种群进化质量，整体衡量各参量的优化程度，其极小值为优化的最终目标，如公式1所示：式中C_v——漏磁场评价系数；σ——磁通量密度的标准差；——磁通量密度的均值从上式可以看出，C_v值越小，则表明检测区域内的漏磁场不仅具有较高的强度，还具有很好的均匀性；步骤四：设定遗传优化的主要参数；定义遗传优化的主要参数，包括算法运行参数和控制参数；其中，运行参数的设定为：个体编码长度l为2、群体大小M为10、交叉概率P_c为0.7、变异概率P_m为0.3、终止代数T为80和代沟G为0.8；控制参数的设定为：收敛条件为适应度阈值10^‑4和适应度容差值10^‑6、可行域为20‑120mm、种群规模为10、最大遗传代数为80；步骤五：编写MATLAB调用COMSOL的动态链接函数；动态链接函数是COMSOL模型参量遗传进化机制的主要控制函数，将包含磁芯尺寸变量写入、中间变量存储、COMSOL低频电磁传感器模型调用和漏磁场检测信号计算功能，作为低频电磁传感器磁芯尺寸遗传优化的子程序，控制MATLAB与COMSOL的互通；在COMSOL中通过绘制传感器的几何模型、建立电磁耦合物理场、划分域网格与边界网格步骤完成模型的设计；利用MATLAB与COMSOL的动态链接函数，实现MATLAB对COMSOL模型的调用，建立相互传递数据的渠道；步骤六：调用MATLAB遗传算法；根据步骤二中低频电磁传感器COMSOL优化模型的磁芯尺寸变量和步骤三中遗传优化的检测区域漏磁场评价系数，在MATLAB中编写遗传算子调用语句，设定遗传算法运行主程序，用于控制各个子程序的调用、主要运行参数的选取和遗传优化的停止；给定低频电磁传感器模型磁芯尺寸变量的初始值，通过COMSOL计算得到漏磁场仿真结果；利用该结果判断漏磁场评价系数是否满足最优准则；若满足，则输出最优结构参量；若不满足，则利用MATLAB中的遗传算法，对各个模型参量进行多参数优化，循环搜索，并将优化结果赋给仿真模型，通过COMSOL软件计算出对应的物理仿真结果；最终，得到满足收敛准则的目标函数，此时磁芯尺寸的优化结果为最优模型参数，即U型磁芯低频电磁传感器的磁芯两极间距70mm、磁极宽度25mm。