文摘

一个聪明健康检测模型是一个人工智能环境下开发的一种新技术,具有重要意义的照顾老年人和其他的人不能照顾自己。本文全面综述了基于智能结构健康监测方法的算法,介绍了神经网络模型在结构健康监测中的应用,并指出了使用神经网络技术本身的缺陷。在以前工作的基础上,介绍了遗传算法和模糊理论作为优化工具,和一个新的神经网络训练算法是通过结合遗传算法,构造模糊理论和神经网络技术用于结构健康监测研究。针对不足的缺点基于实验数据样本训练神经网络,本文提出了使用有限元方法构造一个遗传模糊RBF神经网络相应的处理后的第一个six-order弯曲结构的模态频率,从而实现分层损伤的定位和检测复合梁。损伤评估。本文的实验结果表明,该有限元法提出了可以有效地进行损伤定位和损伤评估;与传统算法相比,该算法的定位精度提高了20%,和损失评估性能提高了10%。

1。介绍

定义什么是健康监测,我们必须首先确定什么是伤害。健康是相对的伤害。2018年,Bisson等人进行心理障碍研究1]。伤害是指破坏人体的皮肤、肌肉、骨骼、器官和其他组织结构引起的各种外部创伤因素和带来的局部和全身反应。当时他们提出的概念形成了损伤力学的基本概念和发展成为当前损伤力学学科在此基础上。Kachanov相信microdefects的扩张是破坏的主要原因。他定义了连续变量 ,在哪里实际支承面积和吗平原地区(初始区域)。2017年,Foertsch等人进行了一项研究对身体的伤害造成的损伤小鼠(2]。

结构损伤可以被定义为全部或部分,如结构改变或下降刚度、强度、边界,和连接条件,这将影响未来绩效的结构体系。

目前,由于复合材料的突出特点如高强度、高硬度、低体重、复合材料吸引了越来越多的关注,在许多工程应用领域(航空航天、汽车、船舶、铁路、等等),但由于复合材料,制备过程中的一些不确定因素使它不可能完全保证其性能。为了确保复合产品的合格率,有必要监控制造过程中实现控制。复合材料必须由两个或两个以上的材料成分与不同的化学和物理性质的设计形式,比例,分配,每个组件之间有明显的界面。

最新的进展情况已导致结构评估/检测技术的最新进展,包括结构健康监测。结构健康监测的概念(SHM)是源于仿生学。通过劳动,人类用他们的聪明智慧和灵巧的手工具,从而获得更大的自由。它使用嵌入式或板对传感器系统作为神经系统和执行机构为纤维组织,可以感知和预测结构缺陷和损伤。从根本上来说,监控是使用某些信号查询结构体系和分析信号的响应来确定结构经历了某种形式的变化,特别是知道测量的变化可以影响系统的正常运行。健康监测的基本内容包括建立健康档案,动态健康监测,评价干预的结果,和特殊的健康管理和疾病管理服务。

根据文献[3结构健康监测,可以被定义为:在扩张方面,结构健康监测方法无损监测结构的物理和机械性能。在狭义上,结构健康监测是指的策略和过程工程结构损伤识别和描述和结构损伤是指结构材料参数和几何特征的变化。实时监控的整体行为结构,诊断结构损伤的位置和程度,和服务状态、可靠性、耐久性、承载力和结构进行智能评估触发预警信号结构在紧急情况下或严重异常的使用结构和提供依据和指导结构维护、维修和管理决策。

在监督学习中,前面的多层神经网络的问题,很容易落入当地极端点,所以选择深层神经网络检测损伤。自动化系统连续监控、检查和损伤检测可以自动报告的状态通过局域网或远程中心结构。它有别于传统的无损检测技术(无损评价,称为濒死经历)。因此,历史数据是非常重要的,和识别的准确性是完全依赖于传感器和解释算法(4]。可以说,健康监测可能改变工程结构安全监测领域,减灾、预防。

从之前的介绍,可以看出,结构健康监测技术是一个多畴的和跨学科的综合技术,涉及土木工程、力学、测试技术,和许多其他的研究方向。

2。文献综述

2.1。应用人工网络在复合材料结构的健康监测

BP网络结构简单,易于实现,因此,最初是用于结构损伤监测。BP神经网络是一种多层前馈网络的训练,误差反向传播(称为误差反向传播)。它的算法称为BP算法。它的基本思想是梯度下降法,采用梯度搜索技术使网络。误差均方误差之间的实际输出值与期望输出值是最小的。在测试期间,许多研究人员后来开发不同的网络模型监测工程结构或组件所受的损害。其中,它具有良好的泛化能力3,5- - - - - -13),所以它有伟大的结构健康监测领域的应用前景。

1992年,Jenq和李14]BP网络用于建筑结构的损伤诊断。他们使用的频率响应谱结构损伤前后训练网络,使用测量结构响应作为实验样本,并进行了数值模拟研究三层剪切框架。1993年,中村et al。15]使用BP神经网络成功地识别五层楼的建筑物结构的损伤程度不占测量误差(即振动测试结果被认为是确定的)。1993年,Maseras-Gutierrez et al。16)的第一阶弯曲频率模式使用悬臂梁作为输入使用的多层感知神经网络和理想的输出来确定悬臂梁的损伤。1994年,Catelsni和福特(17)研究了基于粒子系统的损伤诊断问题弹簧系统的BP网络使用固有频率作为输入参数。固有频率是指一个系统的频率往往没有外力或阻尼振荡。弹性体的振动没有外力称为自然振荡,及其对应的频率是自然频率。结果表明,识别效果更好,当实验样本训练样本域附近的瀑布,它可能会失败,当超过这个范围。1994年,史蒂芬斯等人使用多个损伤指标(最大位移、刚度退化和耗能)结构的响应结构的地震作用下,建立了神经网络模型来评估结构的安全标准被地震损坏。1995年,巴莱等人使用有限元素模拟模型的钢桁架桥伴随着车辆经过以恒定速度。有限元法是一种数值方法求解近似解偏微分方程的边值问题。当解决整个问题域分解,和每个分区都是一个简单的部分。这个简单的部分称为有限元。振动法和人工神经网络相结合的方法,用于诊断对钢桁架桥的破坏。 In 1995, Rhim and Lee used the BP network model to study the damage monitoring of composite cantilever beams, using the transfer function of the structure as an input parameter and performed a numerical simulation. In 1997, Hanagud et al. used the BP network to identify delamination and stiffness drop damage in composite materials. Delamination damage is simulated by embedding Teflon film in the composite material, and different lengths represent different delamination sizes. Use a small hammer with a sensor to hit one end of the composite material, and use a piezoelectric sensor to measure the movement of the composite material. For state response, use the frequency response function as the input of the neural network and the delamination information as the output of the network. In 1997, Jenq and Lee used a BP neural network with an adaptive learning rate to predict the location (holes) in a composite laminated beam made of glass fiber reinforced plastic. They used measured data to modify the number theory of finite element calculation and use the first four-order modal frequencies of the structure as the input of the network and the size and location of the damage as the output of the network.

1997年,Yaojun和抱起介绍了网络健康监测。原始信号的频带分解成一系列的属性不同频带的小波变换,进行特征提取,小波神经网络用于学习。训练后,结果表明,该小波神经网络可以智能地损伤类型进行分类,还可以有效地诊断有干扰输入模式时,系统具有一定程度的鲁棒性。1998年,中村等人使用层间的相对位移的结构和层间的相对速度作为网络的输入,以及各层之间的恢复力在1995年被作为输出。国家之前和之后恢复七层钢结构受损的阪神大地震对应于受损,nondamaged州,分别验证了该方法的有效性。1998年,Maseras-Gutierrez等人讨论了使用压电传感器和神经网络来检测复合材料的影响。2000年,Catelsni等人使用RBF神经网络实现故障的自动诊断和分类。首先,神经网络训练与故障数据库,然后,新的输入数据放入网络分类器训练模式匹配,这是错误的类别。2001年,藏润扬悬索桥等人用主成分分析技术进行预处理数据,用压缩降维数据作为神经网络的输入和输出相应的结构损伤和健康状况监控结构。主成分分析技术,也被称为主成分分析,目的是将多个指标转化为几个综合指标,利用降维的思想。 In 2001, Haywood et al. analyze the characteristics of the dynamic strain response signal and use a neural network to identify the impact position and amplitude on the composite plate. In 2002, Watkins et al. used fiber optic sensors, and the BP neural network is used to predict delamination damage in composite beam structures. They used a MATLAB model based on the typical beam theory to obtain 1066 sets of fronts with different delamination sizes and positions. The fifth-order modal frequency is used as the training sample of the neural network. Experimental results show that the neural network predicts the location and size of delamination very closely.

2003年,陈等人提出了复合材料结构的传递函数是采样获得多层感知器网络的训练样本,和相应的输出与系统的传递函数相比,和结构性裂缝和连接松弛损失进行了研究。2003年,Roopesh等人使用振动特征信号结合RBF神经网络研究直升机旋翼结构所受的损害。同年,杨等人用来减少一定比例的刚度模拟损伤和结合RBF神经网络研究自由结构的损伤。2004年,Dakai和其他小波变换技术应用于输入信号的降噪处理的神经网络和使用noise-containing提前获得光纤传感器的输出信号。网络训练完成后,输出信号的传感光纤检测收集的计算机(通过小波变换技术)。

2004年,Dakai和其他小波变换技术应用于输入信号的降噪处理和使用的noise-containing输出信号传感器获得的纤维。网络训练完成后,输出信号的光纤传感器检测收集的计算机(由小波变换处理技术)输入到BP神经网络来实现模拟智能复合材料结构的损伤诊断研究。2004年,Shenchang等人钻小孔用来模拟损伤复合材料层合梁的结构和使用的RBF网络MATLAB工具箱来研究叠层梁结构的损害。

他们已经完全改善了BP网络的应用程序,和BP网络大大发达算法的效率和其应用的广度。然而,他们并没有做了很多研究的应用BP网络在医疗检测并没有改善。

2.2。遗传算法应用于复合材料结构的健康监测

遗传算法引入了“自然选择”的原则,在优化过程中,因为它是优化问题的基础。没有任何限制。遗传算法是一种基于自然选择和遗传机制的搜索算法,模拟了繁殖现象,杂交和突变在自然选择和自然遗传过程。目标函数和约束条件是连续或可微的,只能计算问题,在整个解空间的搜索空间。隐含在它是一个并行计算机系统,所以很容易得到全局最优的解决方案,能够更好的克服困难进入局部最小值的优化过程。因此,遗传算法在结构健康监测领域的强大的生命力。1996年,卡林等人使用目标函数测量频率误差和模式形状误差的健康标准,讨论和理解团体大小等因素的影响,转换频率,突变频率和遗传算法的交点损伤识别。数值模型的损伤识别,在1997年,场地和Surace制定使用实测模态参数的反问题检测梁的裂纹的位置和深度,然后使用遗传算法来解决这个优化问题。遗传算法是最基本的优化算法。原则是编译父数据并执行“遗传与变异”通过一系列的操作,不断消除个人数据较低的健康产生全局最优的解决方案。 In 1998, Friswell et al. proposed a damage location method combining genetic algorithm with feature sensitivity. The method firstly analyzes the characteristic sensitivity of the structure, establishes an optimization objective function considering the natural frequency error, modal error, etc., uses the genetic algorithm to globally optimize the objective function containing the damage location information, and finally uses the simulated beam and the measured beam, respectively. The board verifies the method. In 2000, the genetic algorithm is used for global optimization to minimize the error between the characteristic frequency of the network output and the measured frequency. In 2000, Krawczuk et al. applied genetic algorithms to identify and locate structural damage in composite laminated beams. In 2001, Weijian et al. used genetic algorithms to process the dynamic information obtained from the experiment and proposed new improvement measures such as multiparent variable hybridization and variable fine-tuning, which were applied to multiple structures such as fixed-end beams, continuous beams, and frames. The damage recognition has achieved good results. In 2002, Koh et al. used a genetic algorithm with local search to analyze the measured excitation and response and identify structural parameters for damage identification. Numerical simulations of the slab/shell and aircraft wings show that the load position has a great influence on the recognition results. This method adaptively adjusts the deviation of the local search size through the global and local stages and has strong antinoise performance. In 2004, Xiangsen et al. used the change ratio of the first five-order modal frequency of the structure with the GA algorithm to train the network and studied the damage location of the structure.

3所示。预赛

3.1。健康监测系统的构成

健康监测系统应包括以下部分(5]:(1)传感系统。用于被测物理量转换为电信号。(2)通常安装在结构、传感器系统收集的数据根据数据进行初步处理。(3)通讯系统。收集到的数据传输到中心。(4)中心和报警设备。如果发现异常,将发布警报。系统工作流程如图1。

如图1的五个部分健康检测系统应该由数据库,应用程序层为中心和报警装置和通信设备的辅助设备。传感系统底层传感结构。

3.2。结构健康监测中的应用

有许多结构健康监测技术方法(SHM) [6- - - - - -8]。根据不同的技术方法,可以应用于结构健康监测系统(1)的材料特性在线监测生产过程和(2)各种应用程序目的伤害监测和完整性评估等材料在使用过程中。因为结构健康监测技术先进的测试系统和高度的自动化,它可以实现实时在线结构健康监测,具有良好的安全性和可靠性保证,并且可以节省大量的维护成本。不断深化的研究在结构健康监测系统中,结构健康监测系统的实际应用在以下领域已逐渐成为可能(9]。结构健康监测系统包括独立的集中在线监控、分布式在线监测、远程分布式在线监测和无线传感器网络监测。结构健康监测是广泛应用于医院的重症监护病房。因为结构健康监测可以提供不间断的检测服务和实时检测异常,它可以检测危重病人的状态。

3.3。优化问题

可以减少许多科学和工程问题与约束优化(优化)的问题;数学模型的一般形式是10]

的约束 , 也称为目标函数。

优化问题可以简单地分为线性优化问题很容易解决,那些更加难以解决。非线性优化问题,可以用非常简单的算法来解决线性问题,并可获得最优解在有限数量的步骤。然而,许多工程中遇到的问题和其他领域属于“难以解决”的范畴,不能使用确定性的算法来解决。优化一直是一个热点在数学社区由于其固有的困难。为优化问题,在健康检测系统,您可以定义物理指标的最优方案,以最优方案为标准。它可以被认为是健康的在一定的范围内,和警报将被触发,如果超出范围。

3.4。智能算法

它是受自然法则(生物界)和基于其原理,模仿算法解决问题。我们共同的智能算法包括模拟退火,遗传算法,禁忌搜索,神经网络,甲虫搜索算法、搜索算法和麻雀。灵感来自自然,模仿其结构发明和创造,这就是仿生学。通常智能优化算法解决优化问题。该算法可以寻找最好的解决方案在一个可接受的计算成本。这些算法或理论有一些共同特征,比如模拟自然过程。他们是非常有用的在解决一些复杂的工程问题。

搜索的优化算法主要由方向和搜索步长。选择搜索方向和步长确定优化算法的搜索广度和深度。经典的搜索方向和搜索步长算法是由当地的信息(比如导数),所以它只能执行一个有效的深度搜索的一部分但不能执行有效的广度搜索,所以很难经典优化算法跳出局部最优。智能优化算法,以避免陷入局部最优像经典的优化算法,使用一个相对有效的广度搜索,但是这样做使计算的数量无法忍受当问题很大。然而,随着计算机技术的发展,一个相对大量的计算智能算法已经得到解决,和伟大的成就。

经典的优化算法和智能优化算法是迭代算法,但他们有很大的不同11),主要如下:(1)经典的算法使用一个可行解作为迭代的初始值,而智能算法使用一组可行解作为初始值(2)经典算法的搜索策略是确定的,而智能算法结构和随机的搜索策略(3)最经典的算法需要导数信息,智能算法只使用目标函数的值的信息(4)经典算法有严格要求的属性功能,虽然智能算法没有太多要求的属性功能(5)经典算法的计算量小得多比的智能算法。例如,对于大规模优化问题差的函数属性,经典的算法并不奏效,但一般启发式算法需要大量的计算

各种智能算法在解决优化问题具有独特的优势,他们都有共同的特点:他们都模拟自然过程和解决问题。例如,利用遗传算法的进化思想自然界中适者生存,和直接模拟了人类大脑的神经网络。他们都有以下基本要素:

(1)社区,产生新的可行的解决方案

(2)选择和接受的标准解决方案

(3)终止条件。其中(4)反映了智能算法来克服当地最适条件的能力(6)研究智能算法的收敛速度,等等。

这些技术有几十年的历史,但在那个时候,这些方法并没有足够的关注。是因为这些方法并不是很成熟,和另一个是计算机软件和硬件的限制,这些方法通常需要大量的计算和难以得到实际应用。随着计算机技术的发展和普及,他们已经发展在过去的十年里突飞猛进。他们已经在许多领域引起了专家和学者的注意,成为一个跨学科的研究热点。近年来,这些方法显示相互融合的趋势,和他们相互互补可以提高能力,以获得更强大的表达式和解决实际问题的能力。例如,研究模糊神经网络,模糊分类器系统,并使用遗传算法进化设计方法优化神经网络(12所有反映这种融合的优势。

智能计算将探索新概念、新理论、新方法、新技术情报,这些将在未来发展取得重大成就。

3.5。人工神经网络

人工神经网络(ANN)是一个高科技研究领域,这是一个热点的信息科学、脑科学、神经心理学等多学科的交叉点上。它是基于理解人类大脑的组织结构和运行机制。一个工程系统模拟其结构和智能行为。在最近的十年中,人工神经网络的研究工作不断深入,并取得了很大的进步。它成功地解决了许多实际问题难以解决领域的现代计算机模式识别、智能机器人、自动控制、预测和评估,生物学、医学、经济等和显示良好的智能特性。

如图2,其中,是需要传输的输入信号,阈值,重,4是外部信号,也就是说,偏差信号,神经元的输出信号节点,神经元的功能,通常也称为传递函数。神经元模型的表达

4所示。一个智能健康监测模型基于模糊神经网络

在生物学领域,是一系列基因的染色体的结构,按层次结构排列的一些基因控制其他基因,一些基因可能会被激活,一些基因可能会休眠。染色体基因可以表达为一个层次结构包括控制和参数基因。参数基因是最低水平,控制基因是上层,低级基因字符串由上层控制基因。分层遗传算法的染色体包含两个部分:(1)控制基因和基因,如图(2)参数3。

分层遗传算法的效果与传统遗传算法不同。其操作不仅可以改变这一水平的基因结构,但也导致基因变化的下一个层次的结构。因此,网络参数和拓扑结构可以在培训过程中同时进行了优化。基于分层遗传算法的特点,病人的健康指标进行了优化,和指标进行建模、实时变化的数据作为输入和病人的健康状态作为输出。

4.1。混合分层遗传算法来优化神经网络

基于分层遗传算法的神经网络算法可以根据样本数据确定神经网络的结构和参数,但是算法的收敛速度缓慢的学习过程。分析本文中使用的是什么。RBF网络的结构和算法的网络显示,神经网络的输出层是所有线性神经元,可以设计的最小二乘法。从遗传算法的角度来看,这一原则必须遵循当编码:编码中的信息不应超过必要的信息来表达一个可行的解决方案。网络的输出的重量可以由最小二乘法计算。因此,在混合分层遗传算法,只有相关的参数隐层神经元是染色体保留在层次,如图4。输出层的设计是在遗传算法的评价函数完成。

4.2。混合分层遗传算法设计

4.2.1。准备染色体编码设计

染色体的编码设计分为控制基因和参数设计。控制基因采用经典二进制编码。初始化是设定一个最大的隐层节点数提前;然后,控制基因的编码 二进制字的长度 。字符串。翻译因素bi分开编码算法的比例因子 。为了方便下面的比较,在时滞和底漆规模大小宽度中心算法的初始化的实数区间 。

4.2.2。健身计算

时滞称为径向基函数神经网络的大小。它是一个单隐层前馈神经网络和基于函数近似,在1980年代末提出。时滞和算法的大小的培训目的是让他们有简单的网络结构,同时满足一定的精度要求: 在哪里是样品的数量。可以看出,小 ,更大的将。根据经验,在接下来的例子中分层损伤的识别、的三个待定系数作为适应度函数 ,分别。

(1)选择和复制。根据不同健身人群中染色体,生殖分配的机会。个人有一个很大的概率选择健身价值也更高。本文使用轮盘赌方法(见2.2.1.4特定计算),这也是一个典型的选择算子。

(2)交叉。对于本文,染色体由两部分组成:基因和参数的基因,编码方法是不一样的,所以本文提出了为不同地区使用不同的交叉操作。

(3)突变。类似于交叉操作,不同的变异操作和参数用于控制基因的基因。反向控制基因,突变操作是根据公式(2.7)计算。

(4)自适应策略。传统的设置方法是静态的。本文提出了采用文学动态参数设置方法:和改变与适应性的变化。当每个人的健康人群中往往是一致的或局部最优,和人口增加,当健身相对分散,和减少;表达式如下:

个人的健身价值,需要突变,然后呢当前人口的平均健身价值。

5。结论

本文首先简要介绍了概念、组成和结构健康监测的应用前景,然后介绍了智能算法,重点是智能算法在结构健康监测中的应用。随后,本文提到的三种智能算法,即遗传算法,模糊聚类和神经网络技术,是用来进行深入研究复合材料结构健康监测。提出了这些智能算法相结合的理念,充分利用各种算法和各自的优势。最后,混合智能算法和计算力学结合监控的分层损伤复合材料。本文主要完成的工作和获得的结论如下:(1)实验模态分析的结果发送到训练神经网络的分层损伤的识别。识别结果,比较几种不同方法的结果来验证遗传模糊RBF神经网络的结构。在健康监测研究中有广阔的应用前景(2)本文结合了遗传算法的成功组合,模糊理论和神经网络理论的研究。和工程应用提供了一种新的方法,该方法具有极其重要的理论和现实意义(3)使用LMS CADA-X模态分析软件来执行10个模态分析三种复合测试片已经准备好了,并采取10分析结果的平均值作为每个测试的测试数据来验证。分层的影响在结构的模态频率进行了探讨(4)使用有限元方法计算和模拟试样的前六个订单不同分层损伤条件下,弯曲模态频率,并利用实验数据正确计算数据获取所需的样本数据和测试数据训练网络结构

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突有关这篇文章的出版。