融合LHS-IBOA与SVM的结构损伤识别方法
本发明涉及结构损伤的,尤其是涉及融合lhs-iboa与svm的结构损伤识别方法。
背景技术:
1、桥梁、高层建筑、轨道等土木工程领域的关键基础设施,其长期服役安全性直接关乎公众生命安全与区域经济运转。以桥梁为例,作为交通网络的核心节点,若因结构裂缝扩展导致坍塌,不仅会造成重大人员伤亡,还将中断区域交通链路,引发物流停滞、产业生产延误等连锁经济损失。然而,这类工程结构在服役过程中,常处于温度波动与环境噪声干扰构成的复杂多物理场环境中,不可避免的会发生损伤,这些因素会显著污染监测信号,严重干扰对结构真实状态的准确判断,传统监测手段如人工巡检难以发现隐蔽性损伤,常规传感器监测又因信号滤波能力不足难以实现在线精准识别,导致损伤随服役时间不断累积扩展,最终可能突破结构安全阈值,引发突发失效,随着信息技术的发展,为了提高结构监测的准确性和可靠性,以机器学习为核心的数据驱动方法为逆问题求解提供了新方案,但是现有的计算方案中,有许多缺陷,例如将小波包分解(wpo)与随机森林递归特征消除结合的监测方法,rf以决策树为基学习器,通过随机特征选择构建多个决策树,将它们的预测结果综合得出最终判断,在一定程度上提高了模型的泛化能力,但其在噪声较大的复杂环境下,容易出现过拟合现象;对于将线圈小波变换方法(cwt)与lightgbm相结合的损伤识别方法用以检测煤岩异常损伤水平,lightgbm凭借直方图加速和叶子优先策略实现高效梯度提升,并通过正则化抑制过拟合,但参数众多、噪声敏感,高噪声环境中易过拟合且丢失弱损伤特征,调参困难。
技术实现思路
1、本发明的目的是提供融合lhs-iboa与svm的结构损伤识别方法,旨在通过多维度改进boa,提升svm超参数寻优精度与效率,进而实现温度与噪声协同作用下结构早期损伤的精准、在线识别。针对传统boa全局与局部搜索能力弱、收敛慢、易陷局部最优的缺陷,模型引入lhs-lnd协同策略优化蝴蝶种群初始化质量,采用改进柯西变异与动态权重策略增强算法搜索与开发能力,通过自适应动态调整参数维持寻优动态性。在复杂环境下显著提升了结构早期损伤识别准确性,尤其在高噪声工况下展现出优异的鲁棒性与识别精度,满足工程结构在线监测需求。
2、为实现上述目的,本发明提供了融合lhs-iboa与svm的结构损伤识别方法,包括以下步骤:
3、步骤1:获取结构在不同损伤工况下的动态响应数据,以动态响应数据作为输入特征,以各损伤工况对应的损伤位置和损伤程度作为输出标签,构建损伤识别样本数据集,并按照预设比例划分为训练集和测试集;
4、步骤2:构建用于结构损伤的定位与定量的svm模型,先初始化svm超参数,获得惩罚参数和核函数参数,作为优化变量;
5、步骤3:对蝴蝶算法进行改进,基于拉丁超立方采样(latin hypercube sampling,lhs)以及对数分布lnd协同策略来调整蝴蝶算法中初始化蝴蝶种群的方式;采用受控的柯西变异在全局搜索中引入随机扰动提升全局搜索能力;引入动态权重对局部搜索阶段的权重更新策略进行自适应调整;引入自适应参数动态调整策略,使感知因子c与切换概率随迭代进度动态变化;最终获得改进后的蝴蝶算法;
6、步骤4:使用改进后的蝴蝶算法寻找惩罚参数和核函数参数的最优组合;
7、步骤5:将步骤4中得到的最优组合输入svm模型,并使用步骤1的训练集进行训练,采用训练完成的svm模型对使用步骤1中的测试集进行损伤识别预测,输出损伤位置和损伤程度,并进行评价,在不满足评价要求时重新训练;最终使用满足评价要求的svm模型进行损伤的识别。
8、优选的,所述步骤1中能反映结构损伤的结构动态响应数据包括但不限于加速度响应数据、位移响应数据或速度响应数据或模态参数,模态参数包括但不限于固有频率或模态振型。
9、优选的,所述步骤2中,超参数和是svm的超参数,初始化方案为:
10、对惩罚参数设置取值范围;对核函数参数设置取值范围;对于核函数的选择具体为,采用径向基函数rbf作为svm的核函数;
11、对svm超参数初始化方式,采用随机初始化策略:在和的取值范围内,随机生成一组初始值作为lhs-iboa优化的起点,而非直接采用经验值作为最终超参数。
12、优选的,所述步骤3中,对蝴蝶算法的改进过程如下:蝴蝶算法的基础计算公式如下:
13、 (1)
14、 (2)
15、 (3)
16、 (4)
17、上式中,为蝴蝶种群规模;为第只蝴蝶的香味浓度值;为刺激强度;为感官形态系数;为香味强度指数系数;表示蝴蝶种群初始空间位置;为搜索空间维度;、分别为搜索空间上和下界,、和分别为第次迭代时第、、只蝴蝶的空间位置;表示[0,1]均匀分布随机数;表示当前迭代全局最优解,表示全局搜索和局部搜索的切换概率。
18、优选的,采用拉丁超立方采样lhs以及对数分布lnd协同策略调整蝴蝶算法中初始化蝴蝶种群的方式,对应公式(2)的蝴蝶种群初始空间位置,调整后的计算公式如下:
19、 (5)
20、 (6)
21、上式中,为拉丁超立方采样结果,取值[0,1],将拉丁超立方采样结果应用到公式6中;为蝴蝶种群规模;生成到的随机排列向量,确保各区间仅采样一次;生成的随机数向量,各随机数向量取值[0,1]。
22、优选的,采用受控的柯西变异在全局搜索中引入随机扰动的过程如下:对应全局搜索的公式(3)中的,引入柯西变异产生的随机变量,为了实现柯西变异的受控,相应引入缩放因子,对应的公式如下:
23、 (7)
24、 (8)
25、上式中,表示柯西变异产生的随机变量,表示缩放因子。
26、优选的,引入动态权重对局部搜索阶段的权重更新策略进行自适应调整的具体过程如下:对应公式(4)中局部搜索的公式如下:
27、 (9)
28、 (10)
29、上式中,为自适应权重,r表示[0,1]均匀分布随机数,
niter为总迭代次数。
30、优选的,引入自适应参数动态调整策略,使感知因子c与切换概率随迭代进度动态变化的过程如下:对应公式(1)中的和公式(3)和(4)中的,公式如下:
31、 (11)
32、 (12)
33、上式引入自适应策略,令与根据迭代进度动态调整。
34、优选的,所述步骤4们使用改进的蝴蝶算法计算惩罚参数和核函数参数的具体执行如下:
35、步骤41:确定蝴蝶种群规模和总迭代次数,映射初始化种群,蝴蝶种群规模n对应n组候选超参数,对应惩罚参数和核函数参数,设置解空间的维度d为2,第一维对应惩罚参数c,搜索空间为];第二维对应核函数参数,搜索空间为;第i个蝴蝶个体的位置向量,对应一组svm超参数候选解;
36、步骤42:计算改进后的感知因子,根据公式(1)计算各蝴蝶个体适应度值,比较后记录当前适应度最优的蝴蝶个体及位置,适应度最优的为当前迭代过程中的全局最优解;
37、步骤43:更新切换概率,由rand生成随机数与作比较,若rand<,则进行全局搜索;反之则进行局部搜索,更新蝴蝶个体位置;
38、步骤44:计算新位置处各蝴蝶个体的适应度值,若此次迭代过程中产生了更优解,则用新解替作为历史全局最优解,否则维持原有最优解;
39、步骤45:使用最优适应度判断是否收敛,当最优解不再随着迭代改变则判断为收敛,当收敛则输出最优解和,并结束该优化算法的迭代,当不收敛则回到步骤42继续迭代。
40、优选的,所述步骤5中,将得到的最优解c和γ代入svm模型,使用步骤1划分的训练集进行模型训练,采用训练完成的svm模型对步骤1划分的测试集进行损伤识别预测,输出损伤位置和损伤程度,并进行评价,选择均方根误差rmse和决定系数r2作为评价指标,在不满足评价要求时重新训练;最终使用满足评价要求的svm模型进行损伤的识别。
41、因此,本发明采用上述的融合lhs-iboa与svm的结构损伤识别方法,具有以下好处:
42、(1)在本发明中,技术方案无需前置滤波或环境补偿,即可在强噪声下实现快速识别,计算效率满足在线监测需求,可拓展应用至高层建筑、大跨度桥梁等各类工程;
43、(2)在本发明中,利用lhs-iboa平衡全局探索与局部开发的能力,自适应搜索与的最优组合,高效捕捉模态参数与损伤状态的复杂映射关系,显著提升复杂工况下早期损伤的识别精度与鲁棒性,最终实现“定位+定量”双重目标;
44、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com