免疫遗传算法在结构损伤识别中的应用与改进

为了解决结构的多损伤识别问题,提出了基于免疫遗传算法和贝叶斯融合理论的二阶段识别方法.首先将结构的应变能和频率数据作为两种具有互补性质的信息源,通过采用贝叶斯融合理论来初步确定结构的损伤位置.然后通过免疫遗传算法来精确确定结构的损伤位置和程度.考虑到基本免疫遗传算法的搜索效率仍不太高,故提出了疫苗培养、以及双终止条件等改进策略.数值计算结果表明,论文提出的二阶段方法可以有效的识别出结构的损伤位置和程度,而所建议的改进免疫遗传算法明显优于基本免疫遗传算法和简单遗传算法.     

基于遗传算法和加权D-S信息融合的结构多损伤位置识别

将信息融合技术应用于结构的多损伤定位问题,为了解决证据融合理论中的不同证据应具有不同的重要性的问题,提出了一种基于遗传算法的加权平衡证据调整方法。该方法利用遗传算法来确定最优化的或者近似最优化的权重系数,然后依据加权平均值和优先权的证据分布形态对证据进行了加权调整,调整后的证据保证了加权平均值不变以及优先权证据分布形态的稳定。仿真结果表明,采用了信息融合方法的结构多损伤定位,可以产生比单一信息源更精确、更完全的估计和判决,而基于遗传算法的加权平衡证据调整方法具有更好的对多损伤定位的识别能力,优于基本D-S证据组合方法以及其他加权证据组合方法。     

基于贝叶斯优化BiLSTM模型的输电塔损伤识别

结构的加速度响应可以反映结构的状态信息，蕴含结构的损伤特征。针对目前输电塔健康监测系统产生大量数据而无法有效分析和诊断输电塔损伤的问题，利用结构输出加速度响应数据的时序关系，提出了基于双向长短时记忆网络(bi-directional long and short-term memory, BiLSTM)的损伤识别方法，并采用概率寻优方法贝叶斯优化(Bayesian optimization, BO)确定网络模型超参数。首先描述了BiLSTM的基本原理，给出基于贝叶斯优化的超参数选取策略，从而提出了基于BO-BiLSTM模型的损伤识别方法。然后使用该方法对输电塔有限元模型进行了损伤定位与模式识别，测试集的整体识别准确率达到94.2%。为了验证该方法对实际结构的损伤识别效果，提出基于异源数据的损伤识别方式：将输电塔有限元模型数据作为模型训练的样本训练BO-BiLSTM模型，使用试验数据用作验证集检验损伤识别效果。识别结果表明BO-BiLSTM可以较为准确的识别真实结构的损伤情况，识别效果较BiLSTM以及BO-LSTM更稳定。