传感器优化配置研究-振动工程.docVIP

基于自适应模拟退火遗传算法的传感器优化配置研究* 田莉，陈换过，祝俊，张利绍，陈文华 （浙江理工大学 机械与自动控制学院，杭州 310018） 摘要：针对传感器优化配置组合优化问题，提出了一种基于模态置信度准则MAC的优化算法——自适应模拟退火遗传算法。以模态置信度MAC矩阵的最大非对角元的值极小为目标函数，针对满足传感器数量不变的约束条件问题，提出了二重结构编码遗传算法，并将传统的模拟退火算法改良后，作为一个独立的算子置于遗传算法进化过程中；为了避免出现过早收敛的现象，引入了自适应交叉和变异概率。算例结果表明该混合算法对传感器数目与位置同时实现了优化，得到了满足不同精度要求的传感器优化配置方案。 关键词：传感器优化配置 模态准则[1]，利用集成在结构中的传感器网络实时监控结构对环境激励（人或自然）的响应信号，并从中获取与结构健康状况相关的信息，结合先进的信号处理方法，提取结构损伤参数，判定结构是否损伤以及损伤的位置和程度。近年来，国内外学者普遍认同的损伤评估方法是试验模态分析法。进行模态试验的第一步就是获得被测结构激励和响应的时域信号，而传感器的配置位置是首先要确定的。不适当的传感器配置将影响识别参数的精度，而且从经济方面考虑，希望采用尽可能少的传感器。因此，安排有限数量的传感器来实现对结构状态改变信息的最优采集，成为了结构健康监测的关键技术之一[2]。 要进行传感器的优化配置，首先要确定合理的、能反映测试要求的优化配置准则。目前发展起来的优化配置准则很多，使用较多的是模态置信度准则MAC（Modal Assurance Criterion）。 传感器的优化配置[3]最重要的是选择适当的优化方法。传统的优化算法主要有：有效独立法、运动能量法、Guyan模型缩减法等，这些方法都有各自的局限性。近些年来，一些新颖的智能优化方法得到了发展，主要有模拟退火算法、遗传算法和神经网络算法等，这些新的算法为解决复杂问题提供了新的思路和手段。 遗传算法GA（Genetic Algorithms）[4]是目前应用最广泛的方法，具有良好的全局搜索能力。但应用实践表明，遗传算法存在一些缺点，其中最主要的问题是容易产生早熟现象、局部寻优能力较差等。另一种应用广泛的算法是模拟退火算法SA[5]（Simulated Annealing）。SA算法是一种启发式的随机寻优算法，因算法采用Metropolis概率接受准则，具有较强的局部搜索能力，避免陷入局部最优解[6]。但该算法存在全局搜索能力差、收敛速度较慢、效率不高的问题。 另外，现有的传感器优化配置方法，大多数都直接给定传感器的数目，如何确定满足设计要求的传感器最佳数目仍是一个较棘手的问题。 本文针对传感器优化配置这样的组合优化问题，提出自适应模拟退火遗传算法，对传感器数目与位置同时实现优化，得到满足不同精度要求的传感器优化配置方案。其基本思想是将具有很强局部搜索能力的模拟退火算法SA与遗传算法GA相结合，取长补短，增强GA局部搜索能力。同时，为了避免出现过早收敛的现象，引入了自适应交叉和变异概率。并通过一算例验证了该算法的可行性。 1 数学模型 传感器优化配置问题是一类特殊的背包问题，将给定的传感器配置在最优位置上，其数学模型实际上是一个0-1规划问题。如果第i个基因码为1，则将传感器布置在第i个自由度上；如果第i个基因码为0，则该自由度处不布置传感器。假设传感器数目为m，侯选测点数目为n，其数学模型可由(1)式表示，关键问题是如何表达使得目标函数最大化。 （1）2 基本理论 2.1 模态置信度准则MAC 任何结构都可以看成由刚度矩阵、质量矩阵、阻尼矩阵组成的力学系统，结构一旦发生损伤，结构物理参数（质量、刚度等）将随之发生变化，从而导致系统的频响函数和模态参数（固有频率、模态振型、模态阻尼）的变化，因此，结构模态参数的变化可作为结构损伤发生的标志。由结构动力学可知，结构各固有振型在有限元模型各节点上的数值可形成一组正交向量。结构健康监测技术中，模态振型向量间的空间交角尽可能的大是区分识别模态的基本要求。因此，在选择测点时，有必要使量测的模态向量保持较大的空间交角，从而尽可能地把原来模型的特性保留下来。模态置信度MAC矩阵是评价模态向量空间交角的一个很好的工具[7,8]，公式如下： （2） 其中：和分别为第i阶和第j阶模态向量。由(2)式可以看出，MAC矩阵的非对角元素代表了相应模态向量的交角状况。换句话说，当其为0时，表明第i向量和第j向量相互正交，而当其为1时，表明两向量不可分辨；故测点的布置应力求使MAC矩阵的最大非对角元小于某个阈值，阈值的选取应根据试验对象及设备精度而定，Carne建议在较为复杂的结构中可取至0.25。 2.2 自适应模拟退火