【技术实现步骤摘要】
本专利技术涉及结构载荷识别中的传感器布局优化，特别涉及一种粒子群优化算法驱动下载荷性能评价的多类型传感器布局优化方法，该方法考虑同时受到温度场、集中力载荷等多重载荷场影响的受载结构，以及多类型传感器在结构表面同时布局的问题，在基于传感器最小安装间距d，传感器布局指数sdi这两个优化指标的约束下，对多类型传感器的布局进行优化，以提高载荷识别性能，降低传感器响应数据的信息冗余度。
技术介绍
1、传感器的布置是结构动态载荷识别技术得以实施的最终环节，合理的传感器布局是获取高精度载荷信息的重要保证。传感器的数量和位置优化设计是由传感器型号、结构形式和载荷识别方法等多种因素综合决定的。而一些工程结构在质量和尺寸方面有着严格的限制，这大大限制了传感器的布置形式和布置数量。因此，为了尽可能地保证载荷识别的识别性能，对结构的传感器布局进行优化设计是十分必要的。近年来，得益于计算机技术的巨大进步，传感器布局优化技术也得到了长足发展，机器学习算法被广泛运用于传感器布局优化问题的求解，其中代表性的方法有粒子群优化算法、遗传算法、凸优化方法等。而粒子群优化算法具有解决高维问题收敛速度快的优点，在此环境下，基于粒子群优化算法的传感器布局优化设计被提了出来。值得注意的是，现有的多数与载荷识别相关的传感器布局优化方法是仅关于力载荷识别的。
2、然而，随着科技水平的不断进步，工程结构系统，尤其是航空航天、船舶机械等工程结构系统的受载情形复杂程度在不断增加，工程结构往往会同时受到多种载荷场的影响，以力载荷与热载荷复合载荷场最为常见，因而仅针对力载荷的
技术实现思路
1、本专利技术要解决的技术问题是：对于多载荷场的载荷识别问题，提供一种粒子群优化算法驱动下载荷性能评价的多类型传感器布局优化方法。本专利技术充分考虑实际工程问题中普遍存在的诸如力热耦合等的多载荷场受载特征，以提出的传感器最小安装间距d、传感器布局指数sdi指标作为优化模型的约束条件，所得到的传感器布局设计结果载荷识别性能更好，信息冗余度更低。
2、本专利技术采用的技术方案为：一种粒子群优化算法驱动下载荷性能评价的多类型传感器布局优化方法，其实现步骤如下：
3、步骤一：基于载荷识别精度、信息冗余度的优化目标，使用传感器最小安装间距限制d和sdi值(sensor distribution index,传感器分布指数)作为约束，适应度函数：
4、
5、由此可知，优化的目标为找出上述适应度函数的最小值及其对应的最小值点。其中，ri是第i个传感器的位置矢量，[r1,r2,...,rn]为所有待选测点的位置矢量，上述函数的自变量为用于表示各个传感器布局位置组合而成的向量，即“粒子”：
6、x＝{x1t,x2t,…,xkt}
7、penalty为惩罚值，定义为：
8、
9、其中，k为传感器的总数，fsdi(k)为传感器数量为k时的sdi下限阈值，需要通过初步的布局优化试验来确定。sdi的计算方法如下：
10、
11、其中，a是可供布置传感器范围的总面积，dij是第i个传感器与其他传感器间距的最小值，μ是全部传感器到传感器布局中心的平均距离：
12、
13、其中，(xc,yc)是传感器布局中心坐标，计算方式为：
14、
15、sdi指标能够衡量传感器布局方案的传感器分散程度和信息冗余度，sdi值越高，说明传感器在区域中的分散程度越高、信息冗余度越低。
16、适应度函数中的error项为载荷识别误差，其定义方式为：
17、(1)若考虑集中动力载荷的识别，则采用相对误差的定义方式：
18、
19、其中，s表示动态载荷时间历程中的总时间点数量，fidentify和freal分别表示载荷识别值和实际值。
20、(2)若考虑集中静力载荷的识别，则采用载荷作用点位置识别误差和载荷大小识别误差加权之和的定义方式：
21、error＝w|fidentify-freal|+(1-w)|ridentify-rreal|
22、其中，w是权重(0＜w＜1)；f和r分别指力载荷的大小和载荷作用点的位置矢量；下标identify和real分别指识别值和真实值。
23、步骤二：初始化各项基本参数，包括：
24、(1)粒子种群数量n，迭代步数t(或者其它终止条件)。一个“粒子”即为一个表示一种具体的传感器布局方式的向量；
25、(2)传感器种类，以及传感器数量范围其中γ＝[γ1,γ2,...,γn]t，γz为第z种传感器的数量，z＝1,2,...,n；
26、(3)粒子运动位置范围[xmin,xmax]与速度范围[vmin,vmax]；
27、(4)粒子的初始位置、初速度；
28、(5)学习因子c1,c2以及惯性权重ω；
29、(6)将第i次迭代时，第j个粒子所曾达到过的最优布局方案记为pj(i)，即局部最优；全体粒子达到过的最优布局方案记为g(i)，即全局最优。记局部极值pj(i)＝function(pj(i))和全局极值g(i)＝function(g(i))，将两个极值的初始值设为+∞，即：
30、p1(0)＝p2(0)＝...＝pn(0)＝g(0)＝+∞；
31、(7)预先计算在载荷场作用下所有待选测点的响应数据，并储存备用。
32、步骤三：设定传感器数量γ，并代入各项初始化参数，进入粒子群优化算法迭代流程；
33、步骤四：读入各个粒子的数据，将其分别转化为具体的传感器布局方式，再根据布局方式从响应数据全集中选出需要使用的响应数据部分，利用神经网络或模型法等载荷识别方法分别识别载荷并求出载荷识别误差和适应度函数值，更新本次迭代步中的适应度函数的局部最优pj(i+1)：
34、
35、以及全局最优g(i+1)：
36、
37、并更新全局极值g(i+1)：
38、
39、步骤五：更新粒子位置与速度；
40、vj(i+1)＝ω(i)×vj(i)+c1(i)×r1×[pj(i)-xj(i)]+c2(i)×r2×[g(i)-xj(i)]
41、xj(i+1)＝xj(i)+vj(i+1)
42、其中，vj和xj分别代表第j个粒子的速度与位置，r1,r2是在[0,1]上的两个相互独立的随机数。
<本文档来自技高网...【技术保护点】
1.一种粒子群优化算法驱动下载荷性能评价的多类型传感器布局优化方法，其特征在于实现步骤如下：
2.根据权利要求1所述的基于粒子群优化算法的面向载荷识别综合性能评价的多类型传感器布局优化方法，其特征在于：所述步骤一中的优化条件约束为传感器最小安装间距限制d和传感器分布指数SDI；
3.根据权利要求1所述的一种粒子群优化算法驱动下载荷性能评价的多类型传感器布局优化方法，其特征在于：所述步骤二中设定了多种传感器的数量区间，考虑了载荷识别多载荷场问题中多种传感器的不同数量组合下的优化结果，并在步骤八中对不同传感器数量下的最优方案进行了对比，实现了对于传感器布局优化的双层优化策略。
4.根据权利要求1所述的一种粒子群优化算法驱动下载荷性能评价的多类型传感器布局优化方法，其特征在于：所述步骤六中对粒子群优化算法进行了改进，这种改进后的算法在迭代的过程中更新了学习因子c1,c2以及惯性权重ω：
【技术特征摘要】
1.一种粒子群优化算法驱动下载荷性能评价的多类型传感器布局优化方法，其特征在于实现步骤如下：
2.根据权利要求1所述的基于粒子群优化算法的面向载荷识别综合性能评价的多类型传感器布局优化方法，其特征在于：所述步骤一中的优化条件约束为传感器最小安装间距限制d和传感器分布指数sdi；
3.根据权利要求1所述的一种粒子群优化算法驱动下载荷性能评价的多类型传感器布局优化方法，其特征在于：所述步骤二...
【专利技术属性】
技术研发人员：王磊，王振宇，张昊宇，王晓军，韩冰，陈伟民，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
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。