【技术实现步骤摘要】
一种基于深度强化学习的传感器优化布置方法
本专利技术涉及结构健康监测与振动测试
，特别是涉及一种基于深度强化学习的传感器优化布置方法。
技术介绍
在土木工程领域结构健康监测中，如何合理有效地布置传感器同时又可以满足经济性的要求，对于保证结构的安全性具有十分重要的作用。随着结构工程的不断发展，出现了越来越多的复杂结构，如大跨径桥梁、超高层建筑等。这些结构大多数体量巨大，自由度众多，需要布置众多测点，才能获取更多的结构动力信息。但是测点增多，所需的传感器数量和所配套的采集设备相应增多，仪器成本和数据分析工作量加大，因此研究如何将传感器布置在最佳位置上，用有限的传感器获取更完整、合理的数据，对结构健康监测具有重要的现实意义。基于这种现状，需要发展一种有效的传感器优化布置方法。传统的传感器优化布置方法主要包括：序列法、非线性规划优化方法、推断算法、随机类方法、转换为凸优化问题等，这些方法在解决复杂结构传感器布置这类NP-Hard(非凸、高维)问题时存在计算复杂且效率较低等问题；转换为凸优化问题后输出结果关于测点是否布置...
【技术保护点】
1.一种基于深度强化学习的传感器优化布置方法，其特征在于，所述方法包括：/n步骤一、基于工程结构的相关设计信息，建立相关结构参数的先验概率分布；所述相关结构参数包括结构固有频率ω
【技术特征摘要】
1.一种基于深度强化学习的传感器优化布置方法，其特征在于，所述方法包括：
步骤一、基于工程结构的相关设计信息，建立相关结构参数的先验概率分布；所述相关结构参数包括结构固有频率ω0、瑞利阻尼系数α与β、工程结构所受外力的振幅和频率a0与ω；
步骤二、基于贝叶斯理论和信息熵理论，利用互信息最大化基本理论建立传感器优化布置准则h(δ)，其中δ表示传感器布置状态矩阵；
步骤三、基于传感器优化布置准则h(δ)，利用基于深度强化学习的优化算法寻找其最优解；
步骤四、根据步骤三得到的优化效果，对优化算法中深度神经网络的相关参数进行调节；利用调参后的深度强化学习优化算法，进一步确定基于传感器优化布置准则h(δ)的最优解δ*，即传感器布置的最优位置。
2.根据权利要求1所述的方法，其特征在于，所述步骤二具体为：
步骤2.1、基于工程结构的设计信息得到相关结构参数向量θs＝[ω0αβa0ω]的先验概率分布p(θs)，随机抽样产生K个结构参数的样本
步骤2.2、基于每一个样本的数值，利用结构动力学模态分析相关理论，计算结构的模态坐标qj(t)，其中t表示时间，j表示结构模态序号；
步骤2.3、得到模态坐标qj(t)后，在不同的振型下获得不同位置处的物理坐标xi(t)；i表示自由度的序号，即结构布置传感器位置的序号；
步骤2.4、计算物理坐标xi(t)在当前样本下关于结构参数向量θs的梯度其中n表示不同时间步数；
步骤2.5、利用等式计算当前样本下结构不同位置的Q值；p和q表示θs中向量元素的序号；Q为组成的矩阵；Nt表示总时间步数；
步骤2.6、基于传感器布置状态矩阵δ，计算在传感器布置后的Q值，计算公式为Nd表示结构的自由度数目；其中δ是由0、1构成的矩阵，0表示不布置传感器，1表示布置传感器；
步骤2.7、重复步骤2.2至步骤2.6，计算基于每一个样本的Q(δ,θs)并保存这些值；
步骤2.8、最后对不同样本下的Q(δ,θs)值进行加权累加便能得到最终关于传感器优化布置准则的目标函数h(δ)＝-∫logdetQ(δ,θs)p(θs)dθs。
3.根据权利要求1所述的方法，其特征在于，所述步骤三具体为：
步骤3.1、设计传感器布置初始状态、动作空间以及奖励函数；
步骤3.2、初始化各项训练参数；
步骤3.3、设计两个深度神经网络evaluate_net以及target_net，并初始化两个网络的参数θ；
步骤3.4、最初的传感器布置状态为St，基于深度神经网络evaluate_net的输出值q_eval与贪婪度ξ选择动作at；
步骤3.5、计算奖励值rt＝-h(δt)，基于动作at获得新的状态St+1；
步骤3.6、将序列(St,...
【专利技术属性】
技术研发人员：黄永，李惠，孟元旭，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙;23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。