CN109992849A - 基于果蝇优化算法的结构损伤识别方法及装置 - Google Patents

Abstract

本发明公开了一种基于果蝇优化算法的结构损伤识别方法及装置，所述方法包括：输入果蝇优化算法相关参数，建立结构有限元模型，采用第一公式初始化随机值损伤参数采用第二公式计算随机值X_ij，得到结构损伤单元及其损伤参数X，计算结构动态响应R；输入实测的损伤结构动态响应R′，根据第三公式建立目标函数；根据第四公式进行迭代直至适应度函数f(X_best)优于目前的群定位值f(X_axis_j)，选择X_best代入X_axis_j；不断迭代上述步骤，直至达到最大迭代数Iter_max，输出X_axis_j作为确定的损伤参数α_j的结构。本发明利用时域结构加速度数据的差异构造目标函数，将结构损伤识别问题转化为优化问题，且对测量噪声不敏感，提高结构损伤识别方法的有效性和准确性。

Description

基于果蝇优化算法的结构损伤识别方法及装置

技术领域

本发明涉及结构健康检测损伤识别技术领域，具体涉及一种基于果蝇优化 算法的结构损伤识别方法及装置。

背景技术

结构损伤识别一直以来是土木工程中研究的热点分支之一，损伤结构的及 时检测可以避免重大事故的发生。在相关研究中，许多学者将结构裂纹模型等 价为单元刚度矩阵中杨氏模量的减少、可扭转弹簧、以及一种完全开口裂纹的 模型等等。另一方面，在反问题的识别研究中往往把结构损伤识别问题归结为 优化问题，即通过定义一个关于损伤结构的目标函数，然后利用各种优化方法 来实现结构参数的损伤检测。

但是，在对现有技术的研究与实践过程中，本发明的发明人发现，目前的 结构损伤识别方法存在计算效率低、准确性不足以及对测量噪声敏感的缺陷。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于果蝇优化算法的结 构损伤识别方法及装置，能够提高结构损伤识别方法的有效性和准确性，且对 测量噪声不敏感，减小识别误差。

为解决上述问题，本发明的一个实施例提供一种基于果蝇优化算法的结构 损伤识别方法，至少包括以下步骤：

输入果蝇优化算法相关参数，建立结构有限元模型，并采用第一公式初始 化随机值损伤参数

采用第二公式计算随机值X_ij，得到结构损伤单元及其损伤参数X，并根据 所述损伤参数X计算结构动态响应R；

输入实际测量的损伤结构动态响应R′，并根据第三公式建立目标函数；

根据第四公式进行迭代，当适应度函数f(X_best)优于目前的群定位值 f(X_axis_j)，在果蝇群中选择X_best代入X_axis_j；

根据所述果蝇优化算法不断迭代上述步骤，直至达到最大迭代数Iter_max，输 出X_axis_j作为确定的损伤参数α_j的结构。

进一步地，所述果蝇优化算法相关参数包括最大迭代数Iter_max、果蝇种群N、 下界Lb和上限Ub的群位置以及randValue。

进一步地，所述第一公式具体为

X_axis_j＝rand()×(U_bj-L_bj)+L_bj，j＝1，2，...，n；

其中，rand()为一个随机函数，从区间[0，1]的均匀分布中返回一个值；n为 群体数量，表示决策变量数量；U_bj和L_bj分别为果蝇群体定位决策变量的上界和 下界。

进一步地，所述第二公式具体为

其中，X_ij作为第j群中第i个果蝇的新的随机位置和距离，d为[1，n]区间内 的随机整数；En表示搜索半径；He代表搜索的稳定性。

进一步地，所述第三公式具体为

其中，nm和nt分别为时间历史上的测量点个数和采样点个数；R和R′分别 为响应的计算值和实测值；损伤参数的结果α_j最后得到的是能在得到目标函数的 条件下得到的f(α_j)满足给定的停止条件。

进一步地，所述第四公式具体为

X_axis_j＝X_best，iff(X_best)＜f(X_axis_j)，j＝1，2，...，n；

其中，f(X_best)为适应度函数，f(X_axis_j)为目前的群定位值，j为果蝇群数量。

进一步地，所述输入实际测量的损伤结构动态响应R′，具体为：输入初始 节点位移、速度、加速度以及外部激励{F(t)}，然后利用生成的损伤参数X计算 结构的动力响应Rij Newmark-β方法。

本发明的另一实施例还提供了一种基于果蝇优化算法的结构损伤识别装置， 包括：

有限元模型建立模块，用于输入果蝇优化算法相关参数，建立结构有限元 模型，并采用第一公式初始化随机值损伤参数

目标函数模块，用于采用第二公式计算随机值X_ij，得到结构损伤单元及其 损伤参数X，并根据所述损伤参数X计算结构动态响应R；输入实际测量的损 伤结构动态响应R′，并根据第三公式建立目标函数；

迭代输出模块，用于根据第四公式进行迭代，当适应度函数f(X_best)优于目 前的群定位值f(X_axis_j)，在果蝇群中选择X_best代入X_axis_j；根据所述果蝇优化 算法不断迭代上述步骤，直至达到最大迭代数Iter_max，输出X_axis_j作为确定的损 伤参数α_j的结构。

进一步地，所述果蝇优化算法相关参数包括最大迭代数Iter_max、果蝇种群N、 下界Lb和上限Ub的群位置以及randValue。

进一步地，所述第一公式具体为

X_axis_j＝rand()×(U_bj-L_bj)+L_bj，j＝1，2，...，n；

其中，rand()为一个随机函数，从区间[0，1]的均匀分布中返回一个值；n为 群体数量，表示决策变量数量；U_bj和L_bj分别为果蝇群体定位决策变量的上界和 下界。

实施本发明实施例，具有如下有益效果：

本发明实施例提供的一种基于果蝇优化算法的结构损伤识别方法及装置， 所述方法至少包括以下步骤：输入果蝇优化算法相关参数，建立结构有限元模 型，并采用第一公式初始化随机值损伤参数采用第二公式计算随机值X_ij， 得到结构损伤单元及其损伤参数X，并根据所述损伤参数X计算结构动态响应 R；输入实际测量的损伤结构动态响应R′，并根据第三公式建立目标函数；根 据第四公式进行迭代，当适应度函数f(X_best)优于目前的群定位值f(X_axis_j)，在 果蝇群中选择X_best代入X_axis_j；根据所述果蝇优化算法不断迭代上述步骤，直至 达到最大迭代数Iter_max，输出X_axis_j作为确定的损伤参数α_j的结构。本发明利用 时域结构加速度数据的差异构造目标函数，将结构损伤识别问题转化为优化问 题，提高结构损伤识别方法的有效性和准确性，且基于云模型的果蝇优化算法 对测量噪声不敏感，提高结构损伤识别能力。

附图说明

图1为本发明第一实施例提供的一种基于果蝇优化算法的结构损伤识别方 法的流程示意图；

图2为本发明第一实施例提供的另一种基于果蝇优化算法的结构损伤识别 方法的流程示意图；

图3为本发明第二实施例提供的本发明的一个实施例提供的一种基于果蝇 优化算法的结构损伤识别装置的结构示意图；

图4为本发明第三实施例提供的简支梁结构示意图；

图5为本发明第三实施例提供的各种噪声条件下的损伤识别结果；

图6为本发明第三实施例提供的不同噪声条件下单损伤梁对数适应度值的 迭代过程；

图7为本发明第三实施例提供的三单元损伤梁在不同噪声条件下的识别结 果；

图8为本发明第三实施例提供的三单元损伤梁在不同噪声条件下对数适应 度值的迭代过程；

图9为本发明第四实施例提供的悬臂板结构示意图；

图10为本发明第四实施例提供的不同噪声条件下单损伤板识别结果；

图11为本发明第四实施例提供的不同噪声条件下单损伤平板对数适应度值 的迭代过程；

图12为本发明第四实施例提供的不同噪声条件下三单元损伤板识别结果

图13为本发明第四实施例提供的三单元损伤板在不同噪声条件下对数适应 度值的迭代过程。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明第一实施例

请参阅图1-2。

如图1所示，本发明的一个实施例提供的一种基于果蝇优化算法的结构损 伤识别方法，至少包括以下步骤：

S101、输入果蝇优化算法相关参数，建立结构有限元模型，并采用第一公 式初始化随机值损伤参数

具体的，对于步骤S101，这一步骤的目标是初始化果蝇优化算法的参数， 包括最大迭代数Iter_max，果蝇种群N，果蝇群***置X_axis_j。通常为前两个变量 分配固定的值，在搜索空间内随机初始化X_axis_j如下：

X_axis_j＝rand()×(U_bj-L_bj)+L_bj，j＝1，2，…，n

其中rand()是一个随机函数，它从区间[0，1]的均匀分布中返回一个值；n为群 体数量，表示决策变量数量；U_bj和L_bj分别为果蝇群体定位决策变量的上界和下界。

S102、采用第二公式计算随机值X_ij，得到结构损伤单元及其损伤参数X， 并根据所述损伤参数X计算结构动态响应R；

S103、输入实际测量的损伤结构动态响应R′，并根据第三公式建立目标函 数；

具体的，对于步骤S102和S103，N个食物源的种群随机生成在当前果蝇群 ***置的周围。定义X_ij作为第j群中第i个果蝇的新的随机位置和距离，其方程 为均匀分布的随机函数，其表达式为：

X_ij＝X_axis_j+randValue，i＝1，2，…，N；j＝1，2，…，n。

S104、根据第四公式进行迭代，当适应度函数f(X_best)优于目前的群定位值 f(X_axis_j)，在果蝇群中选择X_best代入X_axis_j；

S105、根据所述果蝇优化算法不断迭代上述步骤，直至达到最大迭代数 Iter_max，输出X_axis_j作为确定的损伤参数α_j的结构。

具体的，对于步骤S104和S105，在这一阶段，我们进行了一个贪婪的选择 过程，得到了适应度最小的最优个体，X_best首次在果蝇群体中发现。如果适应 度函数f(X_best)优于目前的群定位值f(X_axis_j)，X_axis_j更新为X_best：

X_axis_j＝X_best，iff(X_best)＜f(X_axis_j)，j＝1，2，...，n；

这代表果蝇群利用视觉飞向新的位置。

以上步骤均重复进行，直到迭代次数达到最大迭代次数Iter_max。

在具体的实施例中，如图2所示，本发明第一实施例还提供了另一种基于 果蝇优化算法的结构损伤识别方法，具体步骤为：

步骤1：输入最大迭代数Iter_max，果蝇种群N，下界Lb和上限Ub的群位 置和randValue；

步骤2：建立结构有限元模型；

步骤3：初始化一个随机值X_axis_j；

步骤4：产生X_ij利用公式随机选取当前果蝇群***置，给出结构损伤单元 及其参数的新解。

步骤5：输入初始节点位移、速度和加速度，以及外部激励{F(t)}，然后利 用生成的损伤参数X计算结构的动力响应Rij Newmark-β方法；

步骤6：输入损伤结构实测动力响应R′，建立目标函数；

步骤7：在下一次迭代中，如果f(X_best)＜f(X_axis_j)，找到X_best在果蝇群中选 择X_best代入X_axis_j；

步骤8：重复步骤4-7，直到达到最大迭代数Iter_max；

步骤9：输出X_axis_j作为确定的损伤参数α_j的结构。

优选地，所述果蝇优化算法相关参数包括最大迭代数Iter_max、果蝇种群N、 下界Lb和上限Ub的群位置以及randValue。

优选地，所述第一公式具体为

X_axis_j＝rand()×(U_bj-L_bj)+L_bj，j＝1，2，...，n；

其中，rand()为一个随机函数，从区间[0，1]的均匀分布中返回一个值；n为 群体数量，表示决策变量数量；U_bj和L_bj分别为果蝇群体定位决策变量的上界和 下界。

优选地，所述第二公式具体为

其中，X_ij作为第j群中第i个果蝇的新的随机位置和距离，d为[1，n]区间内 的随机整数；En表示搜索半径；He代表搜索的稳定性。

优选地，所述第三公式具体为

其中，nm和nt分别为时间历史上的测量点个数和采样点个数；R和R′分别 为响应的计算值和实测值；损伤参数的结果α_j最后得到的是能在得到目标函数的 条件下得到的f(α_j)满足给定的停止条件。

优选地，所述第四公式具体为

X_axis_j＝X_best，iff(X_best)＜f(X_axis_j)，j＝1，2，...，n；

其中，f(X_best)为适应度函数，f(X_axis_j)为目前的群定位值，j为果蝇群数量。

优选地，所述输入实际测量的损伤结构动态响应R′，具体为：输入初始节 点位移、速度、加速度以及外部激励{F(t)}，然后利用生成的损伤参数X计算结 构的动力响应RijNewmark-β方法。

在具体的实施例中，本发明将最先进的果蝇优化算法变体基于云模型的果 蝇优化算法应用于结构损伤识别，与其他果蝇优化算法变体相比具有更好的全 局收敛能力。本文没有采用频域模态数据，而是采用时域观测数据来建立目标 函数，其中所需传感器较少，时域数据对结构损伤甚至局部损伤都比较敏感。 为了评价基于云模型的果蝇优化算法损伤识别方法的有效性和准确性，本文研 究了两个数值算例，包括简支梁和悬臂板，并与基本果蝇优化算法方法计算的 结果进行了比较。同时考虑了不同人工噪声水平的影响。本发明中对果蝇算法 进行了以下三个方面的改进：

1)基于云模型的果蝇优化算法

基本果蝇优化算法采用均匀分布的随机函数式，在嗅觉搜索阶段为每个果 蝇产生新的位置。这忽略了对不同果蝇的各种判断和飞行规律。考虑到这种随 机性和模糊性，引入常规云发生器生成新的位置如下：

其中d为[1，n]区间内的随机整数；En表示搜索半径；He代表搜索的稳定性。

果蝇群体在搜索初期的位置通常远离最优解，需要较大的搜索半径。然而， 随着群体进化，其位置接近最优解，因此较小的搜索半径适合于最后阶段的求 解。因此，为了平衡勘探和开发的能力，采用了En和He随迭代动态变化的自 适应策略：

He＝0.1En；

其中En_max＝(U_b-L_b)/4为最大搜索半径；c为正整数，代表迭代开发精度。 更大的c意味着更快更准确的开发。

2)结构损伤参数化

结构的运动方程可以表示为：

其中{u(t)}，{ü(t)}分别为节点位移、速度和加速度矢量；M、K、C分 别为***质量矩阵、刚度矩阵和阻尼矩阵；{F(t)}是一个节点力向量。

可以合理地假设结构损伤是由基础刚度损伤引起的，而不考虑基础质量损 伤。第j个结构单元的损伤程度可以用一个值来量化，α_j(α_j∈[0，1])。在此， α_j＝1表示单元是完整的，α_j＝0表示单元完全损坏。因此，损伤结构的整体刚 度矩阵可表示为：

其中为第j单元的刚度矩阵；n为有限元总个数，与基于云模型的果蝇优化 算法中的决策变量个数相同；L_b和U_b分别为损伤参数的上限和下限。

3)目标函数

结构的损伤通常引起***参数的变化，从而引起结构动力响应的变化。通 常由Newmark-β计算方法的响应。为了识别损伤，可以通过最小化结构动力响 应计算值与实测值的差值来构造目标函数，可以表示为：

其中nm和nt分别为时间历史上的测量点个数和采样点个数；R和R′分别为 响应的计算值和实测值。损伤参数的结果α_j最后得到的是能在得到目标函数的条 件下得到的f(α_j)满足给定的停止条件。

本实施例提供的一种基于果蝇优化算法的结构损伤识别方法，所述方法至 少包括以下步骤：输入果蝇优化算法相关参数，建立结构有限元模型，并采用 第一公式初始化随机值损伤参数采用第二公式计算随机值Xij，得到结构 损伤单元及其损伤参数X，并根据所述损伤参数X计算结构动态响应R；输入 实际测量的损伤结构动态响应R′，并根据第三公式建立目标函数；根据第四公 式进行迭代，当适应度函数f(X_best)优于目前的群定位值f(X_axis_j)，在果蝇群中 选择X_best代入X_axis_j；根据所述果蝇优化算法不断迭代上述步骤，直至达到最大 迭代数Iter_max，输出X_axis_j作为确定的损伤参数α_j的结构。本发明利用时域结构 加速度数据的差异构造目标函数，将结构损伤识别问题转化为优化问题，提高 结构损伤识别方法的有效性和准确性，且基于云模型的果蝇优化算法对测量噪 声不敏感，提高结构损伤识别能力。

本发明第二实施例

如图3所示，本发明的另一个实施例还提供一种基于果蝇优化算法的结构 损伤识别装置，包括：

有限元模型建立模块100，用于输入果蝇优化算法相关参数，建立结构有限 元模型，并采用第一公式初始化随机值损伤参数

目标函数模块200，用于采用第二公式计算随机值X_ij，得到结构损伤单元及 其损伤参数X，并根据所述损伤参数X计算结构动态响应R；输入实际测量的 损伤结构动态响应R′，并根据第三公式建立目标函数；

迭代输出模块300，用于根据第四公式进行迭代，当适应度函数f(X_best)优 于目前的群定位值f(X_axis_j)，在果蝇群中选择X_best代入X_axis_j；根据所述果蝇 优化算法不断迭代上述步骤，直至达到最大迭代数Iter_max，输出X_axis_j作为确定 的损伤参数α_i的结构。

优选地，所述果蝇优化算法相关参数包括最大迭代数Iter_max、果蝇种群N、 下界Lb和上限Ub的群位置以及randValue。

优选地，所述第一公式具体为

X_axis_j＝rand()×(U_bj-L_bj)+L_bj，j＝1，2，...，n；

其中，rand()为一个随机函数，从区间[0，1]的均匀分布中返回一个值；n为 群体数量，表示决策变量数量；U_bj和L_bj分别为果蝇群体定位决策变量的上界和 下界。

优选地，所述第二公式具体为

其中，X_ij作为第j群中第i个果蝇的新的随机位置和距离，d为[1，n]区间内 的随机整数；En表示搜索半径；He代表搜索的稳定性。

优选地，所述第三公式具体为

其中，nm和nt分别为时间历史上的测量点个数和采样点个数；R和R′分别 为响应的计算值和实测值；损伤参数的结果α_j最后得到的是能在得到目标函数的 条件下得到的f(α_j)满足给定的停止条件。

优选地，所述第四公式具体为

X_axis_j＝X_best，iff(X_best)＜f(X_axis_j)，j＝1，2，...，n；

其中，f(X_best)为适应度函数，f(X_axis_j)为目前的群定位值，j为果蝇群数量。

优选地，所述输入实际测量的损伤结构动态响应R′，具体为：输入初始节 点位移、速度、加速度以及外部激励{F(t)}，然后利用生成的损伤参数X计算结 构的动力响应RijNewmark-β方法。

本实施例提供的一种基于果蝇优化算法的结构损伤识别装置，包括：有限 元模型建立模块，用于输入果蝇优化算法相关参数，建立结构有限元模型，并 采用第一公式初始化随机值损伤参数目标函数模块，用于采用第二公式 计算随机值X_ij，得到结构损伤单元及其损伤参数X，并根据所述损伤参数X计 算结构动态响应R；输入实际测量的损伤结构动态响应R′，并根据第三公式建 立目标函数；迭代输出模块，用于根据第四公式进行迭代，当适应度函数f(X_best) 优于目前的群定位值f(X_axis_j)，在果蝇群中选择X_best代入X_axis_j；根据所述果蝇 优化算法不断迭代上述步骤，直至达到最大迭代数Iter_max，输出X_axis_j作为确定 的损伤参数α_j的结构。本发明利用时域结构加速度数据的差异构造目标函数，将 结构损伤识别问题转化为优化问题，提高结构损伤识别方法的有效性和准确性， 且基于云模型的果蝇优化算法对测量噪声不敏感，提高结构损伤识别能力。

本发明第三实施例

请参阅图4-8。

本实施例通过识别简支梁和悬臂板的单损伤或多损伤来验证基于云模型的 果蝇优化算法的性能。最大迭代数Iter_max单元素损伤为500，多元素损伤为2000。 总体N取180。损伤参数的上限和下限U_b和L_b分别设置为1和0.5。Newmark-β 方法的参数γ和β为0.5和0.25，分别。初始节点位移、速度、加速度均设为零。 同时采用了基于基本果蝇优化算法的损伤识别方法，在无噪声和有噪声的情况 下，对该方法的有效性、有效性和准确性进行了比较。

如图4所示，本实施例采用的改进PSO进行结构损伤检测的简支梁数值模。 梁是1.2米长，0.05×0.006米的横截面2。梁的有限元模型有21个节点和20个单 元，节点和单元编号分别用***数字表示，***数字的初始N和圆内。梁 的材料性能如下：杨氏模量E＝70GPa，质量密度ρ＝2.70×10³kg/m³和泊松比 μ＝0.33。

假设在第7个节点处施加冲力，大小为：

将N3、N6、N14、N19处的加速度响应计算为“实测”响应，然后作为输入 数据构建目标方程，，测量时间为6.0秒，采样频率为200hz。为了考虑实验室 条件下的测量噪声，在识别过程中引入振幅分别为2％、5％和10％的高斯噪声。 将考虑以下三种情况:一种是单元素损害，另一种是多元素损害。

案例1:梁模型单一单元损伤识别

在这种情况下，假设第十单元的单元刚度降低了8％。图5为各种噪声条件 下的损伤识别结果。在图中，彩色条表示沿梁不同单元杨氏模量识别的降低量， 其中蓝色条为真值，浅绿色条和红色条分别表示采用基于云模型的果蝇优化算 法和果蝇优化算法识别方法得到的结果。在无噪声的情况下，如图5(a)所示，基 于云模型的果蝇优化算法能够准确检测到第10单元的刚度降低，而果蝇优化算 法的结果被高估了一点，第6单元和第8单元的小缺陷被错误识别。当被测响 应受到噪声污染时，如图5(b)-(d)所示，基于云模型的果蝇优化算法仍能获得较 为理想的识别结果，而果蝇优化算法往往在第10单元处检测到较低的刚度折减 值，识别出多个假单元。在考虑噪声的情况下，这些被错误识别的单元的刚度降低程度显著增加。综上所述，无论噪声大小，该方法都比果蝇优化算法具有 更好的精度。

图6为基于云模型的果蝇优化算法和果蝇优化算法的对数形式适应度值对 应的迭代过程。可以看出，在有噪声或无噪声的情况下，前者收敛于全局最优 解的精度更高，收敛速度更快。结果表明，由于使用均匀分布随机函数的固有 缺陷，该算法容易产生早熟收敛，陷入局部最优解。同时，该方法的收敛性得 到了显著提高。这是由于在嗅觉阶段使用了传统云模型，该模型能够同时兼顾 果蝇群体觅食行为的随机性和模糊性。此外，随着噪声幅值的增大，该方法仍 能获得较好的收敛性。

案例2:梁模型多单元损伤识别

在这种情况下考虑梁模型中的多单元损伤。它假定第7、第10和19单元有 10％,8％和12％减少相应的元素刚度,分别α7＝0.9,α10＝0.92和α19＝0.88。同时 考虑无噪声和噪声污染的情况。

图7为有噪声和无噪声情况下，第7、10、19单元损伤梁的识别结果。在 无噪声的情况下，基于云模型的果蝇优化算法能够准确识别三种构件的刚度降 低，而果蝇优化算法检测到这三种构件的刚度降低值较低，在前一种(1.8％)、第 三种(0.6％)、第十二种(1.1％)、第十八种(1.6％)和第二十种(5.5％)构件中错误识 别出的缺陷并不小。在有噪声的情况下，如图7(b)-(d)所示，基于云模型的果蝇 优化算法仍然能够得到满意的结果，虽然有较小的缺陷(小于0.5％)被错误的检 测到，而且这种缺陷往往会随着噪声水平的提高而增加。对于果蝇优化算法来 说，其总体性能较差，在第20单元发现了较大的故障损害。这可能是因为果蝇 优化算法属于一个局部最优解，而当前的方法可以从中逃逸。

两种方法对数最优适应度值的迭代过程如图8所示。在无噪声条件下，可 以观察到果蝇优化算法的演化曲线在搜索初期明显下降，并很快趋于稳定，最 终几乎是一条直线。对于本方法的曲线，在搜索初期下降速度相对较低，并以 近似线性收敛的速度继续下降，在1300步左右开始变平。图8(b)-(d)为噪声污染 条件下两曲线的相似趋势。这一现象表明，当果蝇优化算法陷入局部最优解时， 本方法能够收敛到全局最优解，验证了图7中两种方法对精度性能的判断。由 此可见，该方法在多损伤梁模型中的损伤识别效果明显优于基本的果蝇优化算 法方法。

本发明第四实施例

请参阅图9-13。

本实施例还提供了对悬臂板进行损伤识别的例子，用于识别悬臂板的损伤， 并在时域内利用有限元模型更新进行结构损伤识别。板的大小为500×500×50 mm³，如图9所示。板的有限元模型有36个节点和25个单元。板材的材料性 能如下：杨氏模量E＝210GPa，质量密度p＝7.80×10³kg/m³和泊松比μ＝0.3。

假设在N22处作用一个脉冲力，其大小为：

加速度响应在奈拉N15、N23 N29 Newmark-β计算方法，后来被用来确定板 的破坏。本算例采用1000Hz的采样频率和2秒的短时间。再次，分别对单损伤 和多损伤的情况进行了研究。

案例1：单一损害的识别

在这种情况下，在板模型的第5个单元中假设单个损伤，单元刚度降低10％。 图10为无噪声和有2％噪声、5％噪声和10％噪声情况下的板的实际减薄和损伤 识别结果。在无噪声的情况下，如图10(a)所示，本方法准确检测了基本损伤， 没有发现任何故障，而果蝇优化算法没有识别出第5个单元的损伤，误将第4、 第9、第20个单元给予额外的损伤。在有噪声的情况下，虽然在第15个元素中 错误地发现了一个小缺陷，但是本方法可以观察到相当准确的结果。随着噪声 幅值的增大，精度略有下降，小缺陷略有增加。相比之下，在噪音污染的情况 下，果蝇优化算法根本无法检测到任何损害。

两种方法的适应度值的对数形式迭代过程如图11所示。从图中可以看出， 在无噪声和噪声污染的情况下，本方法的收敛性都明显优于同类方法。应该注 意的是，基本果蝇优化算法几乎没有收敛性，这意味着在这种情况下，它几乎 丧失了检测损伤的能力。这证实了图10所示的故障识别。随着噪声幅值的增大， 基于云模型的果蝇优化算法仍能获得较好的收敛性。

案例2：多重损害认定

在这种情况下，赔偿被认为出现在第八，13和第二十四元素，以15％，12％和10％分别减少相应的元素刚度,即α8α＝0.9,13＝0.92和α24＝0.88。图12为基于云模 型的果蝇优化算法和基本果蝇优化算法识别的刚度折减结果。在无噪声的情况 下，基于云模型的果蝇优化算法能够准确识别三种损伤单元的刚度降低情况， 而不会检测到任何故障。基于云模型的果蝇优化算法的精度受到噪声的影响， 随着噪声水平的提高，其结果往往会越来越低于真实值，并且会出现一些错误 识别的损伤。与板模型的单一损伤情况(4.2.1节)不同，果蝇优化算法虽然错误地 检测到了多种额外的单元，且刚度折减量相对较大，但仍成功地找到了三种损 伤单元。原因在于基本自由裁量权的固有特征:它改变了所有的决策变量(α_j，j＝ 1,2，…，25，在这个板块模型中)的群***置时产生一个新的位置。换句话说， 基本的果蝇优化算法在多损伤情况下的性能要优于单一损伤情况。从波束模型 中可以看出，图8中搜索初期的收敛速度远远高于图6。相比之下，基于云模型 的果蝇优化算法随机选择一个决策变量，只生成一个新的解决方案，如所示， 对于单损伤和多损伤的情况更灵活。

基于云模型的果蝇优化算法和果蝇优化算法对数最优适应度值的迭代过程 如图13所示。基于云模型的果蝇优化算法的演化曲线在这种情况下也有类似的 趋势,多个损害的情况下梁模型(图8):减少早期快速搜索阶段,并很快几乎线性下 降率下降,最后收敛于全局最优解的迭代。对于果蝇优化算法曲线，其整体收敛 性较差，与图11曲线特征相似，但在早期过程中仍存在较短的收敛阶段。这是 因为，如上所述，基本的果蝇优化算法在有多个损害的情况下优于只有一个损 害的情况。

针对结构损伤识别问题，提出了一种基于云模型的果蝇优化算法。研究了 在无噪声和有噪声条件下，简支梁和悬臂板的损伤识别问题。主要研究结果如 下：

1)在多损伤的情况下，果蝇优化算法对梁模型中的人工测量噪声比较敏感， 在板模型中没有得到最优解，而基于云模型的果蝇优化算法性能优异，对噪声 不敏感。

2)对于多损伤的情况，基于云模型的果蝇优化算法在梁模型和板模型中都 能获得比果蝇优化算法更好的解决方案。

3)基于云模型的果蝇优化算法总是能够收敛全局最优解，而基本的果蝇优 化算法很容易陷入局部最优解。在结构损伤识别的有效性、效率和准确性方面， 基于云模型的果蝇优化算法通常优于果蝇优化算法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技 术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变形，这 些改进和变形也视为本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程， 是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算 机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。 其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory， ROM)或随机存储记忆体(RandomAccess Memory，RAM)等。

Claims (10)

1.一种基于果蝇优化算法的结构损伤识别方法，其特征在于，至少包括以下步骤：

输入果蝇优化算法相关参数，建立结构有限元模型，并采用第一公式初始化随机值损伤参数

采用第二公式计算随机值X_ij，得到结构损伤单元及其损伤参数X，并根据所述损伤参数X计算结构动态响应R；

输入实际测量的损伤结构动态响应R′，并根据第三公式建立目标函数；

根据第四公式进行迭代，当适应度函数f(X_best)优于目前的群定位值f(X_axis_j)，在果蝇群中选择X_best代入X_axis_j；

根据所述果蝇优化算法不断迭代上述步骤，直至达到最大迭代数Iter_max，输出X_axis_j作为确定的损伤参数α_j的结构。

2.根据权利要求1所述的基于果蝇优化算法的结构损伤识别方法，其特征在于，所述果蝇优化算法相关参数包括最大迭代数Iter_max、果蝇种群N、下界Lb和上限Ub的群位置以及randValue。

3.根据权利要求1所述的基于果蝇优化算法的结构损伤识别方法，其特征在于，所述第一公式具体为

X_axis_j＝rand()×(U_bj-L_bj)+L_bj，j＝1，2，…，n；

其中，rand()为一个随机函数，从区间[0，1]的均匀分布中返回一个值；n为群体数量，表示决策变量数量；U_bj和L_bj分别为果蝇群体定位决策变量的上界和下界。

4.根据权利要求1所述的基于果蝇优化算法的结构损伤识别方法，其特征在于，所述第二公式具体为

其中，X_ij作为第j群中第i个果蝇的新的随机位置和距离，d为[1，n]区间内的随机整数；En表示搜索半径；He代表搜索的稳定性。

5.根据权利要求1所述的基于果蝇优化算法的结构损伤识别方法，其特征在于，所述第三公式具体为

其中，nm和nt分别为时间历史上的测量点个数和采样点个数；R和R′分别为响应的计算值和实测值；损伤参数的结果α_j最后得到的是能在得到目标函数的条件下得到的f(α_j)满足给定的停止条件。

6.根据权利要求1所述的基于果蝇优化算法的结构损伤识别方法，其特征在于，所述第四公式具体为

X_axis_j＝X_best，iff(X_best)＜f(X_axis_j)，j＝1，2，...，n；

其中，f(X_best)为适应度函数，f(X_axis_j)为目前的群定位值，j为果蝇群数量。

7.根据权利要求1所述的基于果蝇优化算法的结构损伤识别方法，其特征在于，所述输入实际测量的损伤结构动态响应R′，具体为：输入初始节点位移、速度、加速度以及外部激励{F(t)}，然后利用生成的损伤参数X计算结构的动力响应Rij Newmark-β方法。

8.一种基于果蝇优化算法的结构损伤识别装置，其特征在于，包括：

有限元模型建立模块，用于输入果蝇优化算法相关参数，建立结构有限元模型，并采用第一公式初始化随机值损伤参数

目标函数模块，用于采用第二公式计算随机值X_ij，得到结构损伤单元及其损伤参数X，并根据所述损伤参数X计算结构动态响应R；输入实际测量的损伤结构动态响应R′，并根据第三公式建立目标函数；

迭代输出模块，用于根据第四公式进行迭代，当适应度函数f(X_best)优于目前的群定位值f(X_axis_j)，在果蝇群中选择X_best代入X_axis_j；根据所述果蝇优化算法不断迭代上述步骤，直至达到最大迭代数Iter_max，输出X_axis_j作为确定的损伤参数α_j的结构。

9.根据权利要求8所述的基于果蝇优化算法的结构损伤识别装置，其特征在于，所述果蝇优化算法相关参数包括最大迭代数Iter_max、果蝇种群N、下界Lb和上限Ub的群位置以及randValue。

10.根据权利要求8所述的基于果蝇优化算法的结构损伤识别装置，其特征在于，所述第一公式具体为

X_axis_j＝rand()×(U_bj-L_bj)+L_bj，j＝1，2，...，n；

其中，rand()为一个随机函数，从区间[0，1]的均匀分布中返回一个值；n为群体数量，表示决策变量数量；U_bj和L_bj分别为果蝇群体定位决策变量的上界和下界。