基于果蠅算法的結(jié)構(gòu)損傷識別方法
【專利摘要】本發(fā)明一種基于果蠅算法的結(jié)構(gòu)損傷識別方法，涉及果蠅算法在結(jié)構(gòu)損傷識別的工程應(yīng)用，主要步驟：①通過有限單元法建立損傷結(jié)構(gòu)的有限元模型，提取結(jié)構(gòu)的固有頻率、振型等模態(tài)參數(shù)，②利用損傷結(jié)構(gòu)和計(jì)算結(jié)構(gòu)的固有頻率殘差和模態(tài)確保準(zhǔn)則構(gòu)建目標(biāo)函數(shù)；③采用果蠅算法優(yōu)化這一目標(biāo)函數(shù)，直到滿足循環(huán)結(jié)束條件為止。④最后得到的最優(yōu)解即為損傷識別結(jié)果。該方法相較于傳統(tǒng)的靈敏度方法而言，無需借助梯度信息，利用少量的模態(tài)參數(shù)即可得到精度較高的識別結(jié)果。
【專利說明】
基于果蝸算法的結(jié)構(gòu)損傷識別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于結(jié)構(gòu)健康檢測損傷識別技術(shù)領(lǐng)域，具體的是一種基于果蛹算法的結(jié)構(gòu) 損傷識別方法;該方法是利用元啟發(fā)式算法一-果蛹算法和結(jié)構(gòu)的模態(tài)參數(shù)對結(jié)構(gòu)的損傷 進(jìn)行識別。
【背景技術(shù)】
[0002] 伴隨著社會生產(chǎn)力的迅猛發(fā)展，各式各樣的工程設(shè)施數(shù)量不斷增長，并且規(guī)模也 越來越大。在±木結(jié)構(gòu)和重大基礎(chǔ)設(shè)施服役期間，隨著使用時(shí)間的增長，由于環(huán)境荷載的作 用、腐蝕、材料老化等不利因素的影響，結(jié)構(gòu)不可避免地產(chǎn)生損傷積累和抗力衰減。一旦結(jié) 構(gòu)關(guān)鍵構(gòu)件的損傷積累到一定程度，如沒有被及時(shí)發(fā)現(xiàn)和處理，損傷將會迅速擴(kuò)展，從而導(dǎo) 致整個結(jié)構(gòu)的破壞。由于未能及時(shí)發(fā)現(xiàn)結(jié)構(gòu)而造成的悲劇不勝枚舉。所W，需要對結(jié)構(gòu)的健 康狀況進(jìn)行檢測。
[0003] 目前基于振動測試信息的結(jié)構(gòu)損傷識別技術(shù)成為研究的一大熱點(diǎn)。其基本思想 是:損傷會引起結(jié)構(gòu)的物理參數(shù)(質(zhì)量、剛度)的改變，進(jìn)而結(jié)構(gòu)的各種模態(tài)參數(shù)(固有頻率、 振型、柔度、模態(tài)應(yīng)變能等)也會發(fā)生改變，可W根據(jù)運(yùn)些變化對結(jié)構(gòu)的損傷進(jìn)行定位定量 的識別。從優(yōu)化的角度來看，結(jié)構(gòu)損傷識別問題可W歸結(jié)為優(yōu)化問題，然而大多數(shù)傳統(tǒng)優(yōu)化 技術(shù)需要借助較好的初值和梯度信息。
[0004] 文獻(xiàn)"基于時(shí)域響應(yīng)靈敏度分析的板結(jié)構(gòu)損傷識別(振動與沖擊，2015，34 (4 )，117 ~120)"提出了一種模型修正方法和靈敏度方法相結(jié)合的損傷識別新方法。該方法首先利 用New-mark法獲得損傷結(jié)構(gòu)的時(shí)域響應(yīng)，在損傷識別反問題當(dāng)中，利用靈敏度分析，不斷進(jìn) 行迭代，最終得到最后的識別結(jié)果。然而應(yīng)用到時(shí)域數(shù)據(jù)時(shí)，要求測量一定時(shí)間內(nèi)的響應(yīng)數(shù) 據(jù)，所W測量的數(shù)據(jù)點(diǎn)相對較多，而且運(yùn)些數(shù)據(jù)很容易被噪聲"污染"，進(jìn)而影響方法的實(shí)際 應(yīng)用。

【發(fā)明內(nèi)容】

[0005] 為了改進(jìn)現(xiàn)有技術(shù)的缺陷，本發(fā)明提出一種基于果蛹算法的結(jié)構(gòu)損傷識別方法， 是采用頻域數(shù)據(jù)對損傷結(jié)構(gòu)進(jìn)行識別并且利用元啟發(fā)式算法一一果蛹算法對目標(biāo)函數(shù)進(jìn) 行優(yōu)化，得到損傷識別結(jié)果。該方法檢測只需要借助前幾階模態(tài)參數(shù)就可W實(shí)現(xiàn)結(jié)構(gòu)損傷 識別，具有較高的精度。
[0006] 為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：
[0007] -種基于果蛹算法的結(jié)構(gòu)損傷識別方法，包括W下步驟：
[000引步驟一:將結(jié)構(gòu)劃分為nel個單元，利用有限單元法得到系統(tǒng)剛度和質(zhì)量矩陣，再 提取前損傷結(jié)構(gòu)NF階固有頻率和模態(tài)；
[0009] 步驟二:構(gòu)建損傷結(jié)構(gòu)的目標(biāo)函數(shù)，目標(biāo)函數(shù)如下：
[0010]
[0011]
[0012]
[001引其中為第j階結(jié)構(gòu)計(jì)算得到的頻率和振型，（W;'，cl>';巧第j階結(jié)構(gòu)測量得 到的頻率和振型，a,b為權(quán)重系數(shù)，A Oj為第j階結(jié)構(gòu)計(jì)算和測量得到的頻率誤差，MACj為第 j階結(jié)構(gòu)計(jì)算和測量得到模態(tài)誤差；
[0014] 步驟=:利用果蛹算法不斷優(yōu)化上述目標(biāo)函數(shù)，直到滿足設(shè)定的終止條件，得到識 別結(jié)果；
[0015] 上述利用果蛹算法不斷優(yōu)化目標(biāo)函數(shù)具體包括如下幾個階段：
[0016] 1)初始化參數(shù)，包括初始果蛹種群數(shù)量和最大迭代次數(shù)maxgen;
[0017] 基于下式初始化果蛹種群，即果蛹位置(Xi，Yi):
[001 引 Xi=10*rand(0，l)
[0019] Yi=10*rand(0，l)
[0020] 其中Xi表示捜索空間里的果蛹初始仿晉的描業(yè)標(biāo).Yi表示捜索空間里的果蛹初始 位置的縱坐標(biāo);則該果蛹位置與原點(diǎn)的距I
[0021 ]基于下式獲取該果蛹位置對應(yīng)的折損系數(shù)C;
[0022] S = l/D
[0023] C = I-S
[0024] 2)在該果蛹位置周圍按照設(shè)定的種群數(shù)量派出果蛹，并分別基于目標(biāo)函數(shù)求取各 果蛹的函數(shù)適應(yīng)度值，從中選取出適應(yīng)度值最小時(shí)對應(yīng)的果蛹位置(Xaxis，Yaxis)，并計(jì)算該 果蛹位置口3、13，￥3、13)與原點(diǎn)的距^
同理獲取新的折損系數(shù)Caxis;
[0025] 3)果蛹位置為(Xaxis，Yaxis)的果蛹在食物源附近進(jìn)行食物探索，并利用下式對該果 蛹的位置進(jìn)行更新；
[0026] Xi' =Xaxis 巧卸 and(0，1 )-1
[0027] Yi' =Yaxis 巧卸 and(0，1 )-1
[00%] 4)應(yīng)用"貪婪原則"，重復(fù)步驟2)、3)，進(jìn)行maxgen次的探索，選出適應(yīng)度值更好的 解和折損系數(shù)，并記憶，結(jié)束。
[0029] 本發(fā)明的有益效果在于:本發(fā)明利用模態(tài)數(shù)據(jù)和果蛹算法進(jìn)行結(jié)構(gòu)損傷識別，相 較于文獻(xiàn)"基于時(shí)域響應(yīng)靈敏度分析的板結(jié)構(gòu)損傷識別（振動與沖擊，2015，％(4)，117~ 120)"，使用元啟發(fā)式算法來識別損傷，可W不受初值的影響，無需借助梯度的信息，具有更 好的效率和精度。
【附圖說明】
[0030] 圖1為結(jié)構(gòu)損傷識別問題歸結(jié)為優(yōu)化問題示意圖；
[0031 ]圖2為果蛹算法的框架示意圖；
[0032]圖3為本發(fā)明實(shí)施例1的14個自由度的彈黃離散系統(tǒng)示意圖；
[0033] 圖4為本發(fā)明實(shí)施例1的目標(biāo)函數(shù)的進(jìn)化曲線；
[0034] 圖5為本發(fā)明實(shí)施例1的折損因子的進(jìn)化曲線；
[0035] 圖6為本發(fā)明實(shí)施例1的識別結(jié)果；
[0036] 圖7為本發(fā)明實(shí)施例2的31根梁的巧架結(jié)構(gòu)示意圖；
[0037] 圖8為本發(fā)明實(shí)施例2的折損因子的進(jìn)化曲線；
[0038] 圖9為本發(fā)明實(shí)施例2的識別結(jié)果。
【具體實(shí)施方式】
[0039] 下面結(jié)合附圖對本發(fā)明做進(jìn)一步的描述，但本發(fā)明的實(shí)施方式并不限于此。
[0040] -種基于果蛹算法的結(jié)構(gòu)損傷識別方法，包括W下步驟：
[0041] 步驟一:將結(jié)構(gòu)劃分為nel個單元，再利用有限單元法得到系統(tǒng)剛度和質(zhì)量矩陣， 再提取前NF階固有頻率和模態(tài)。
[0042] 步驟二:構(gòu)建損傷結(jié)構(gòu)的目標(biāo)函數(shù)，即待優(yōu)化的目標(biāo)函數(shù)。
[0043] 目標(biāo)函數(shù)，無損結(jié)構(gòu)自由振動的模態(tài)參數(shù)特征方程：
[0044]
[0045] 其中K，M是系統(tǒng)剛度和質(zhì)量矩陣，COj是第j階頻率，Oj為相應(yīng)的模態(tài)，忽略質(zhì)量的 變化，歸結(jié)損傷為剛度的減少。將結(jié)構(gòu)離散成單元，發(fā)生損傷時(shí)剛度的減少量可W通過一系 列損傷系數(shù)Ci來描述，i = 1,2. .. ,nel ,CiG [0,1 Lci = O時(shí)，結(jié)構(gòu)無損，Ci = I時(shí)，結(jié)構(gòu)完全破 壞，所W損傷結(jié)構(gòu)的整體剛度矩陣可W寫作：
，
[0046] 基于頻率殘差和模態(tài)確保準(zhǔn)則建立的目標(biāo)函數(shù)如下所示：
[0047]
[004引 [0049]
[0化0]其中)和（份六&；；)為結(jié)構(gòu)第j階計(jì)算和測量得到的頻率和振型，a，b為相應(yīng) 的權(quán)重系數(shù)。當(dāng)識別參數(shù)與預(yù)設(shè)損傷參數(shù)相等時(shí)，目標(biāo)函數(shù)值為最小，也就是說，損傷識別 問題等價(jià)成了一個優(yōu)化問題，當(dāng)目標(biāo)函數(shù)達(dá)到極小值時(shí)，得到的一系列相關(guān)參數(shù)ki}便能 反映出結(jié)構(gòu)的損傷程度。
[0051 ]步驟=:利用果蛹算法不斷優(yōu)化目標(biāo)函數(shù)，直到滿足設(shè)定的終止條件，得到識別結(jié) 果，其具體優(yōu)化過程如下：
[0052] 1)初始化參數(shù)，包括算法的初始種群數(shù)量、最大迭代次數(shù)。
[0053] 果蛹(XiJi)初始化：
[0054] Xi=10*rand(0，l)
[0055] Yi=10*rand(0,l)
[0056] 其中i表示優(yōu)化變量的任一維數(shù)，Xi和Yi代表果蛹位置的橫坐標(biāo)和縱坐標(biāo)。
[0057] 2)計(jì)算種群的函數(shù)適應(yīng)度值，并評價(jià)種群。
[0058] 在損傷識別問題中，適應(yīng)度的計(jì)算公式如下：
[0化9] S = l/D
[0060] C = I-S
[0061] K = c*Ko
[0062]
[0063]
[0064] -般情況下取a=l，b=l，其中S表示果蛹到原點(diǎn)距離的倒數(shù)（同時(shí)對應(yīng)隨機(jī)選取 的結(jié)構(gòu)剛度系數(shù)），c表示折損系數(shù)(折損系數(shù)=1-結(jié)構(gòu)剛度系數(shù)/結(jié)構(gòu)初始剛度系數(shù)），K，M 是系統(tǒng)剛度和質(zhì)量矩陣，Ko為系統(tǒng)的未受損傷時(shí)的初始剛度矩陣，COJ是第j階頻率J為相 應(yīng)的模態(tài)，f (XiJi)表示用步驟二的方法算出來的計(jì)算結(jié)果與實(shí)際結(jié)果之間的適應(yīng)度(該值 越小表示適應(yīng)度越好）；
[0065] 3)選出適應(yīng)度為佳，即折損系數(shù)C最大的果蛹^3、13，￥3、13)，生成新解5和(：，該果蛹 在食物源附近進(jìn)行食物探索，利用下式更新果蛹位置：
[0066] Xi = Xaxis+2*rand(0,1)-1
[0067] Yi = Yaxis+2*rand(0,1)-1
[0068] 4)應(yīng)用"貪婪原則"，重復(fù)2)和3)的捜索，進(jìn)行設(shè)定次數(shù)的迭代，選取適應(yīng)度更好的 解；
[0069] 5)記憶目前最好的解，直到算法結(jié)束為止。
[0070] 實(shí)施例1:對一彈黃離散系統(tǒng)進(jìn)行損傷識別
[0071] 如圖3所示14個自由度的彈黃離散系統(tǒng)，幾何參數(shù)如圖中所示，結(jié)構(gòu)參數(shù)分別為： 楊氏模量E = 2.0X 105N/m2,物體質(zhì)量M=7800kg/m3。假定巧單元折損因子為0.12,9號單元 的折損因子為0.3，提取前3階頻率和模態(tài)進(jìn)行計(jì)算。初始種群設(shè)置為50，最大迭代次數(shù)為 500。圖4和圖5分別記錄了目標(biāo)函數(shù)和折損因子的進(jìn)化曲線，大約經(jīng)過150次的迭代，折損因 子收斂到預(yù)設(shè)值附近，最終識別結(jié)果如圖6所示，我們可W清楚地看到果蛹算法能夠很好地 識別損傷。
[0072] 實(shí)施例2:對一巧架橋結(jié)構(gòu)進(jìn)行損傷識別
[0073] 如圖7所示的巧架結(jié)構(gòu)，該結(jié)構(gòu)共有14個節(jié)點(diǎn)，31個單元，每個單元的彈性模量E = 2.1 X l〇iiN/m2,密度p = 7800kg/m3。假定3號單元發(fā)生10%的折損，7號單元發(fā)生15%的折 損，振型添加10%的高斯白噪聲。目標(biāo)函數(shù)采用前6階頻率和模態(tài)，進(jìn)行損傷識別，圖8記錄 了折損因子的進(jìn)化曲線，在有噪聲的影響下，本發(fā)明方法仍然可W較準(zhǔn)確地識別出損傷。
[0074] W上所述的本發(fā)明的實(shí)施方式，并不構(gòu)成對本發(fā)明保護(hù)范圍的限定。任何在本發(fā) 明的精神原則之內(nèi)所作出的修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的權(quán)利要求保護(hù) 范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于果蠅算法的結(jié)構(gòu)損傷識別方法，其特征在于，包括以下步驟： 步驟一:將結(jié)構(gòu)劃分為nel個單元，利用有限單元法得到系統(tǒng)剛度和質(zhì)量矩陣，再提取 前損傷結(jié)構(gòu)NF階固有頻率和模態(tài)； 步驟二:構(gòu)建損傷結(jié)構(gòu)的目標(biāo)函數(shù)，目標(biāo)函數(shù)如下：其中丨)為第j階結(jié)構(gòu)計(jì)算得到的頻率和振型，)為第j階結(jié)構(gòu)測量得到的頻 率和振型，a，b為權(quán)重系數(shù)，△ 為第j階結(jié)構(gòu)計(jì)算和測量得到的頻率誤差，MAQ為第j階結(jié) 構(gòu)計(jì)算和測量得到模態(tài)誤差； 步驟三:利用果蠅算法不斷優(yōu)化上述目標(biāo)函數(shù)，直到滿足設(shè)定的終止條件，得到識別結(jié) 果； 上述利用果蠅算法不斷優(yōu)化目標(biāo)函數(shù)具體包括如下幾個階段： 1) 初始化參數(shù)，包括初始果繩種群數(shù)量和最大迭代次數(shù)maxgen; 基于下式初始化果蠅種群，即果蠅位置(t，h): Xi = 10*rand(0,1) Yi = 10*rand(0,1) 其中Xi表示搜索空間里的果蠅初始位置的橫坐標(biāo)，Yi表示搜索空間里的果蠅初始位置 的縱坐標(biāo);則該果蠅位置與原點(diǎn)的距_基于下式獲取該果蠅位置對應(yīng)的折損系數(shù)C; S=l/D c = 1-S 2) 在該果蠅位置周圍按照設(shè)定的種群數(shù)量派出果蠅，并分別基于目標(biāo)函數(shù)求取各果蠅 的函數(shù)適應(yīng)度值，從中選取出適應(yīng)度值最小時(shí)對應(yīng)的果蠅位置(X axls，Yaxls)，并計(jì)算該果蠅 位置(Xaxls，Yaxls)與原點(diǎn)的距離丨理獲取新的折損系數(shù)Caxls; 3) 果蠅位置為(Xaxls，Yaxls)的果蠅在食物源附近進(jìn)行食物探索，并利用下式對該果蠅的 位置進(jìn)行更新； Xi7 =Xaxis+2*rand(0,1)-1 Y/ =Yaxis+2*rand(0,1)-1 4) 應(yīng)用"貪婪原則"，重復(fù)步驟2)、3)，進(jìn)行maxgen次的探索，選出適應(yīng)度值更好的解和 折損系數(shù)，并記憶，結(jié)束。
【文檔編號】G06N3/00GK105956294SQ201610301698
【公開日】2016年9月21日
【申請日】2016年5月6日
【發(fā)明人】周梓檀, 劉濟(jì)科, 呂中榮
【申請人】中山大學(xué)