约束无梯度通用解算的结构健康监测传感器布设优化方法与流程

1.本发明属于结构检测与健康监测技术领域，尤其涉及一种约束无梯度通用解算的结构健康监测传感器布设优化方法及系统。


背景技术：

2.目前，大型土木工程结构在其漫长的服役期中会受到各种静动态荷载以及环境侵蚀等因素综合影响，其技术状况和使用功能往往不断发生劣化，降低其使用安全性，甚至威胁结构整体安全，近些年来，频发的结构安全事故使国家财产和人民群众生命财产安全遭受严重威胁，因此，有效构建结构健康监测系统，并在此基础上开展结构检测与健康状态评估，确保结构安全健康服役具有重要意义。
3.结构健康监测系统通常由数据采集系统、传输系统、分析系统以及决策系统等几大部分构成，其中，传感器系统是结构健康监测数据采集系统的重要组成部分，所使用的传感器数量以及这些传感器在待监测结构上的具体布设方案对于所采集获取的实测数据质量至关重要，其直接影响到基于静动力测量信息分析评估的结构健康监测系统实施的成败。然而，目前实际应用中传感器系统的布置大多仍基于经验，即通过考虑一系列实际约束条件人为确定传感器系统于待监测结构上的布设方案，但这对于以结构损伤劣化表征参数辨识为目标的结构健康监测而言意义不大，因为此经验手段无法确保通过传感器系统所拾取的测量信息对于待监测损伤参数的敏感性。因此，系统开展传感器优化布设问题研究，可保证所选定的传感器配置方案能获取足够的结构静动力响应信息量，为准确分析研判结构服役状态提供高质量数据支撑。
4.现有传感器优化配置问题解算技术的主要不足：
5.结构健康监测中的传感器布设优化问题求解通常需要满足具有特定物理意义的强制约束条件，即要求实际可供布设的传感器总数量在算法优化迭代的过程中始终维持不变，而如何有效地满足该强制约束条件，一直是传感器优化配置组合优化问题的关注重点以及解算难点。
6.目前最通常的做法是直接修改优化算法的源代码以满足该强制约束条件(如论文doi:10.1177/1475921719877579、doi：10.3969/j.issn.1000
‑
4750.2000.01.004；专利cn105976018a、cn108537320a)，其中，遗传算法是当前在结构健康监测传感器优化布设领域与相关涉及组合优化的科学领域研究得最为广泛的一类人工智能优化方法，其不要求待解问题具有明确的数学方程式以及导数表达式，全局寻优能力强且搜索过程不依赖于梯度信息，很适合于此类组合优化问题求解。该方法的实际应用通常依赖于对其内部各类遗传算子代码的定向修改或重新设计，以实现带约束的组合优化过程求解(如论文doi：10.3321/j.issn:0372
‑
2112.2007.10.034、doi：10.1260/0266
‑
3511.29.3.121；专利cn112801387a)，满足传感器优化配置的强制约束条件，使传感器的总数目在算法演化过程中始终保持不变。尽管如此，但在求解组合优化问题的具体算法实现过程中，在确定编码方案和设计遗传算子(交叉、变异等)上面往往需要耗费相当大的工作量(如论文doi：
10.3969/j.issn.1000
‑
3835.2008.03.021、doi:10.1177/1475921719877579)。然而应当指出是，以上优化算法的定向设计与修改过程通常仅能针对所研究的特定算法，而对于不同算法则需要具体研究相应的源代码修改策略，但该过程通常需要深入解读各种优化算法的源代码，同时详细了解并掌握各种算法的理论背景及其相应程序实现，该过程工作量大、异常繁琐且极易出错。另一方面，面对大型结构传感器优化布设的高维组合优化问题的有效求解需求，必须确保所采用优化算法的高效性与可靠性，然而目前同时兼具高效与可靠性的优化算法大都是商业化的封装程序或其他成熟的闭源程序，无法获取其源代码，这就使得试图通过定向设计与修改算法源代码以满足传感器布设组合优化强制约束条件的策略不可行，无法有效利用和充分发挥成熟商业闭源代码在大型工程结构超大规模高维组合优化问题解算上的强大优势。
7.通过上述分析，现有技术存在的问题及缺陷为：现有依赖定向修改或重新设计优化算法的结构健康监测传感器布设优化技术的适应性和通用性差、工作量大、异常繁琐且容易出错；同时该定向修改代码策略因无法获取高效可靠的程序代码而不利于实际大型工程结构健康监测超大规模组合决策问题现实场景应用。


技术实现要素：

8.针对现有技术存在的问题，本发明提供了一种约束无梯度通用解算的结构健康监测传感器布设优化方法及系统。
9.本发明是这样实现的，一种约束无梯度通用解算的结构健康监测传感器布设优化方法，所述约束无梯度通用解算的结构健康监测传感器布设优化方法包括：
10.步骤一，确定目标结构传感器优化布设准则，选定带边界约束的无梯度优化算法；
11.步骤二，构造传感器优化布设的目标函数，扩展目标函数优化向量转译接口，利用约束无梯度通用解算得到传感器布设优化组合。
12.进一步，步骤一中，所述确定目标结构传感器优化布设准则包括：
13.分析待监测结构设计图纸及其他相关技术资料，综合考虑待监测结构的空间结构体系特征，建立目标结构的有限元数值模型，并基于所述模型拟定所有可能的传感器布设位置；结合所述有限元模型以及目标结构的健康监测实际需求，确定其重点监测部位，在概率论与信息论框架内以该重点部位损伤劣化表征参数定量反演辨识的量测信息需求为主要目标构建传感器系统的布设优化准则，令依据所述准则布设的m个有限数量传感器可获取相对最丰富的静动力量测数据信息，以最大程度满足损伤劣化参数定量反演信息需求。
14.进一步，所述所有可能的传感器布设位置总数为n。
15.进一步，步骤一中，所述带边界约束的无梯度优化算法包括：算法采用连续型实数向量编码，且将未知向量中各元素的上下边界分别取为0和1。
16.进一步，步骤二中，所述构造传感器优化布设的目标函数包括：
17.通过带边界约束的无梯度优化算法中的连续型实数优化向量表征传感器配置方案，每种传感器布设方案均依据布设准测定量评估其效用函数值，构建传感器布设目标函数。
18.进一步，所述实数型优化向量中的每个元素分别对应待监测结构上某一具体的传感器布设位置；优化向量总维数n代表拟定的所有可能的传感器布置位置总数。
19.进一步，步骤二中，所述扩展目标函数优化向量转译接口包括：
20.(1)将n维连续型实数优化向量进行降序排列；提取产生的n维排序编号向量；截取该n维编号向量的前m个编号元素；
21.(2)独立生成n维0元素向量；按截取的m维编号向量对产生的n维0元素向量进行变换操作，即将n维0元素向量中与m个编号值对应元素置为1且其余元素保持不变，完成从n维连续型向量向n维01型元素向量的转译；
22.(3)将所获得的n维01型元素向量作为传感器布设位置的指示向量，利用该指示向量评估传感器对应布设方案的效用函数值；
23.(4)进一步将该效用函数值作为接口外部的原始n维连续型实数向量所实际对应的目标函数值，完成连续型优化向量转译编码的效用评估过程；
24.(5)基于扩展转译接口后的目标函数，利用所述约束无梯度算法进行传感器优化布设组合优化问题的有效解算，得到传感器布设优化组合方案。
25.本发明的另一目的在于提供实施约束无梯度通用解算的结构健康监测传感器布设优化方法的结构健康监测方法或结构监测系统。
26.结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明能有效解算大型结构传感器优化布设的大规模高维组合优化问题，本发明可在不改变优化算法本身代码的情况下，仅通过对目标函数扩展优化向量编码转译接口，能一般性地将包括考虑边界约束的人工智能类与经典无梯度类优化算法在内的所有约束无梯度优化算法用于求解传感器优化配置的组合优化问题，能充分利用和发挥成熟可靠的闭源商业优化算法代码在求解大型结构大规模高维组合优化问题上的强大优势。
27.本发明无需对无梯度算法作任何修改：本发明无需对优化算法自身源代码进行任何定向设计或局部修改，完全可以将成熟且可靠的商业闭源代码作为黑箱使用，这可以充分利用和发挥各种先进优化算法的强大运算效能，极大地方便先进高效的优化算法在大型结构大规模传感器优化布设组合优化问题求解中的应用效率。
28.本发明广泛地适用于无梯度优化算法：本发明在不改变算法源代码前提下可以一般性地适用于所有考虑上下边界约束的连续实数变量型无梯度优化算法，包括如传统遗传算法、粒子群算法以及蚁群算法等在内的人工智能型算法，以及带边界约束的经典nelder
‑
mead单纯形算法等，高效地利用这些成熟可靠的无梯度算法求解大型结构高维传感器优化布设组合优化问题。
29.本发明仅对目标函数进行标准化扩展：本发明将对优化算法源代码修改转换为仅对传感器优化布置目标效用函数添加标准化的扩展接口，即可以将与传感器所有可能配置位置一一对应的连续型向量的实数编码转译为反映真实传感器布设方案的01编码型指示向量，并在转译过程中确保传感器数量信息维持恒定，即可供布置的传感器数量保持不变，从而自然满足传感器优化布设组合优化问题的强制约束条件。
30.本发明可通过算法并行极大提升效率：本发明可以充分利用原始无梯度优化算法的并行计算或分布式计算策略，如并行遗传算法、并行粒子群算法以及并行蚁群算法等，在大型结构健康监测传感器优化配置的大规模高维组合优化问题求解中获得显著的计算性能提升，而且在组合优化并行运算过程中，无需再对扩展接口后的目标函数进行任何更改和调整，确保了算法并行的高效实施。
附图说明
31.图1是本发明实施例提供的约束无梯度通用解算的结构健康监测传感器布设优化方法及系统流程图。
32.图2是本发明实施例提供的约束无梯度通用解算的传感器布设优化目标函数转译接口扩展及优化过程流程图。
33.图3是本发明实施例提供的大跨度悬索桥模型示意图。
34.图4(a)是本发明实施例提供的优化布设1个传感器迭代结果示意图。
35.图4(b)是本发明实施例提供的优化布设2个传感器迭代结果示意图。
36.图4(c)是本发明实施例提供的优化布设3个传感器迭代结果示意图。
37.图4(d)是本发明实施例提供的优化布设4个传感器迭代结果示意图。
38.图4(e)是本发明实施例提供的优化布设5个传感器迭代结果示意图。
39.图4(f)是本发明实施例提供的优化布设6个传感器迭代结果示意图。
具体实施方式
40.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
41.针对现有技术存在的问题，本发明提供了一种约束无梯度通用解算的结构健康监测传感器布设优化方法及系统，下面结合附图对本发明作详细的描述。
42.如图1所示，本发明实施例提供的约束无梯度通用解算的结构健康监测传感器布设优化方法包括：
43.s101，确定目标结构传感器优化布设准则，选定带边界约束的无梯度优化算法；
44.s102，构造传感器优化布设的目标函数，扩展目标函数优化向量转译接口，利用约束无梯度通用解算得到传感器布设优化组合。
45.本发明实施例提供的确定目标结构传感器优化布设准则包括：
46.分析待监测结构设计图纸及其他相关技术资料，综合考虑待监测结构的空间结构体系特征，建立目标结构的有限元数值模型，并基于所述模型拟定所有可能的传感器布设位置；结合所述有限元模型以及目标结构的健康监测实际需求，确定其重点监测部位，在概率论与信息论框架内以该重点部位损伤劣化表征参数定量反演辨识的量测信息需求为主要目标构建传感器系统的布设优化准则，令依据所述准则布设的m个有限数量传感器可获取相对最丰富的静动力量测数据信息，以最大程度满足损伤劣化参数定量反演信息需求。
47.本发明实施例提供的所有可能的传感器布设位置总数为n。
48.本发明实施例提供的带边界约束的无梯度优化算法包括：算法采用连续型实数向量编码，且未知向量中各元素的上下边界分别取为0和1。
49.本发明实施例提供的构造传感器优化布设的目标函数包括：
50.通过带边界约束的无梯度优化算法中的连续型实数优化向量表征传感器配置方案，每种传感器布设方案均依据布设准测定量评估其效用函数值，构建传感器布设目标函数。
51.本发明实施例提供的实数型优化向量中的每个元素分别对应待监测结构上某一
具体的传感器布设位置；优化向量总维数n代表拟定的所有可能的传感器布置位置总数。
52.本发明实施例提供的扩展目标函数优化向量转译接口包括：
53.(1)将n维连续型实数优化向量进行降序排列；提取产生的n维排序编号向量；截取该n维编号向量的前m个编号元素；
54.(2)独立生成n维0元素向量；按截取的m维编号向量对产生的n维0元素向量进行变换操作，即将n维0元素向量中与m个编号值对应元素置为1且其余元素保持不变，完成从n维连续型向量向n维01型元素向量的转译；
55.(3)将所获得的n维01型元素向量作为传感器布设位置的指示向量，利用该指示向量评估传感器对应布设方案的效用函数值；
56.(4)进一步将该效用函数值作为接口外部原始n维连续型实数向量所实际对应的目标函数值，完成连续型优化向量转译编码的效用评估过程；
57.(5)基于扩展转译接口后的目标函数，利用所述约束无梯度算法进行传感器优化布设组合优化问题的有效解算，得到传感器布设优化组合方案。
58.下面结合具体实施例对本发明的技术方案做进一步说明。
59.实施例1：
60.(1)确定目标结构传感器优化布设准则：在研究分析待监测结构设计图纸等相关技术资料基础上，综合考虑其空间结构体系特征，建立目标结构的有限元数值模型，并以此为基础拟定所有可能的传感器布设位置，设其总数为n；进一步结合该有限元模型以及目标结构的健康监测实际需求，合理确定传感器布设优化的准则，使得依据该准则所布设的m个有限数量传感器能获取相对较丰富的静动力量测数据信息。
61.(2)选定带边界约束的无梯度优化算法：从算法全局寻优能力、收敛速度、应用便捷以及算法并行等方面综合对比可供利用的各种带边界约束无梯度优化算法，选定合适的带上下边界约束的无梯度优化算法；在该算法中考虑n维连续型实数优化向量，将未知向量中各元素的上下边界分别取为0和1，使在算法寻优过程中各优化变量可以在0与1之间连续变化，满足连续优化条件。
62.(3)构造传感器优化布设的目标函数：通过第(2)步中无梯度优化算法中的连续型实数优化向量来表征传感器配置方案，该实数型优化向量中的每个元素分别对应待监测结构上某一具体的传感器布设位置，优化向量总维数n则代表步骤(1)中拟定的所有可能的传感器布置位置总数；每种传感器布设方案均依据步骤(1)中的布设准测定量评估其效用函数值，进而构建传感器布设目标函数，但此时其优化向量仍为连续型实数，还需要通过本发明扩展接口后方可被步骤(2)中的算法所利用。
63.(4)扩展目标函数优化向量转译接口：在步骤(3)中所构造的待监测结构传感器优化布设目标函数基础上，对应用本发明对该目标函数进行优化向量转译的接口扩展。具体可细分为以下几个主要步骤：
①
将n维连续型优化向量进行降序排列；
②
提取第
①
步中产生的n维排序编号向量；
③
截取第
②
步中n维编号向量的前m个元素；
④
独立生成n维0元素向量；
⑤
按第
③
步中截取的m维编号向量对第
④
步中产生的n维0向量进行变换操作，即将n维0向量中与m个编号值对应元素置为1且其余元素保持不变，完成从连续型向量向01向量的转译；
⑥
将第
⑤
步所获得的n维01向量作为传感器布设指示向量，其可以直接供步骤(3)中的目标函数采用，并基于步骤(2)的约束无梯度算法进行传感器优化配置组合优化问题的有
效解算。值得指出，通过本发明构建的该转译扩展接口，能非常有效地将步骤(2)中的带边界约束无梯度优化算法与步骤(3)中所构建的待监测对象传感器优化配置目标函数进行无缝衔接，并且无需对于原始优化算法代码作任何改动。
64.实施例2：
65.为验证基于本发明扩展的带边界约束无梯度优化算法解算传感器优化布设问题的可行性与计算效率，考虑如图2所示的大跨度悬索桥模型，拟将若干数量的单轴加速度传感器优化布设于桥面所有可能的节点处，共有n＝70个可能的布设位置，如图中所示的圆圈标识。其中，共考虑6种不同数量的传感器供桥面布设，即分6种情况分别将m＝1到6个传感器布置于70个可能的位置。作为悬索桥结构体系的关键传力构件，吊索将桥面加劲梁自重、外荷载传递到主缆，成为连系桥面加劲梁和主缆的重要纽带，吊索的健康服役状态对于整个桥梁结构体系的安全起着决定性作用，因此，在本实施例中，传感器优化布设目的是使制定的传感器布设方案能最大限度地有利于对所有吊索健康服役状况的有效监测和评估。具体地，将本悬索桥模型上下游同一断面上的每对吊索分成一组，共有33组吊索，其均布于桥梁两边跨与主跨。将吊索的健康状态通过其弹性模量来进行表征，并通过33个无量纲比例系数来对每组吊索的弹性模量进行标定或修正，利用动力试验获得的有效模态参数数据对这些反映吊索健康状态的无量纲比例参数进行反演辨识。其中，通过信息熵理论来定量表征从指定的传感器布设方案中所获取的模态参数信息量，将其作为传感器优化布设的目标函数，即在桥面所有70个可能布设位置基础上，寻找一组传感器优化布置方案，使得按该方案所布设的传感器组合能够量测到相对最丰富的模态参数信息，有利于后续开展基于桥面模态参数的吊索健康状态表征无量纲系数的有效辨识。
66.不失一般性，本实施例以无梯度优化算法中的典型代表——遗传算法为例进行应用研究，具体选取考虑边界约束的实数编码遗传算法，应指出，本发明完全可以将现有的通用、闭源遗传算法作为黑箱使用，无需对遗传算法内部的任何遗传算子或任何代码进行改动，而仅需应用本发明对具体的传感器优化布设目标函数进行简单扩展，以构建与传统黑箱遗传算法进行优化变量转译的无缝接口，即可在传统遗传算法基础上执行传感器最优化配置组合优化问题的有效解算，在确保种群规模足够的情况下有一定可能找到全局最优配置组合。在此基础上，还可以进一步利用遗传算法自身的并行或分布式计算功能显著提升大型桥梁结构传感器配置等大规模高维组合优化问题的解算效率。
67.本实施例中采用的计算机配置为windows10 64位专业版，i7
‑
6820hq cpu@2.70ghz，32g内存，512g硬盘，计算软件平台为matlab r2019a且考虑并行计算功能，其中，遗传算法采用该软件平台自带genetic algorithm toolbox中的内置标准算法，遗传算法种群规模取为软件默认值，即未知变量数目(本算例中未知变量数目为桥面所有可能的传感器布置位置总数n＝70)的10倍；遗传算法采用实数编码方式，未知向量维数为70，其对应所有可能的传感器布设位置，且分别考虑0和1的上下约束边界。以此为基础，仅需应用本发明扩展标准遗传算法目标函数的优化变量转译接口，即可对本实施例进行传感器布设组合优化问题解算，优化过程计算结果如图4表示，其中，考虑可供布设的传感器数量从1个逐渐增加到6个共6个计算工况，其分别对应图4中的(a)至图4中的(f)。不失一般性，以3个传感器优化布设情况，即图4中的(c)进行举例，上图表示应用本发明的遗传算法随遗传世代数的收敛曲线，可以看出，整个解算过程收敛非常迅速，目标函数值下降很快且迅速收敛到全
局最优值
‑
38.0785；下图给出对应于每个遗传世代数的传感器布设中间结果，纵轴代表所有可能的传感器布设位置，即处于同一竖直线上的三块灰色矩形对应一种传感器布设方案，可以很明显看出，随着算法演化进程的推进，传感器布设迅速达到稳定，且指向全局最优配置方案{26,35,42}，其对应目标函数值为
‑
38.0785。
68.通过与穷举法所给出的精确组合结果进行参照，表1对比了基于本发明扩展的遗传算法解算本传感器优化配置问题的精度与效率。从表中可以明显看出，对于所考虑的6种计算工况，应用本发明均准确地找到了全局最优组合。应指出，在可供布置的传感器数目很少情况下，穷举法计算时间占有一定优势，但是随着传感器数目的逐渐增加，所有可能组合总数呈几何级数增长，穷举法的计算耗时也相应急剧增加，而相比之下，应用本发明的遗传算法解算时间较少且受传感器数目增加影响相当不明显。特别地，当优化布设6个传感器于70个可能位置时，总组合数达1.3亿之多，穷举法计算时间为本解算技术时间的近2000倍，且穷举法消耗计算机内存巨大，而随着传感器数量进一步增加，普通个人计算机无论是在计算时间与计算硬件耗费都上将远无法满足。而针对此类高维组合优化问题解算，应用本发明扩展接口的约束无梯度优化算法则可以高效地予以解决。应指出，尽管本实施例仅以传统遗传算法为例进行展示，但本发明由于无需改动原始算法代码，可以一般性地应用于其他带边界约束的无梯度优化算法，如粒子群算法、蚁群算法以及单纯形算法等，使这些算法都可用于有效求解大型桥梁结构传感器优化布设中的高维组合优化问题。
69.表1.应用本发明扩展转译接口的遗传算法解算传感器优化配置问题
[0070][0071][0072]
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或
暗示相对重要性。
[0073]
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、cd或dvd
‑
rom的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
[0074]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本发明领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。