[发明专利]融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法

说明书

本发明公开了一种融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法，步骤如下：根据结构设计参数建立有限元模型，提取结构的固有频率、振型等模态参数；依据模型修正原理并利用损伤结构和计算结构的频率相对变化值以及模态置信准则建立目标函数；利用加权策略和迹稀疏正则化对目标函数进行优化；采用多目标蚁狮优化算法不断优化目标函数，直到达到迭代终止条件为止；最后求得的最优解即为损伤识别结果。本发明同时对多个目标函数进行优化，更准确地寻找最优解，同时引入迹稀疏正则化与加权策略，分别提高噪声鲁棒性与识别精度，减小噪声和测量响应的损伤灵敏度对识别结果的影响，具有较好的噪声鲁棒性和较高的识别精度。

技术领域

本发明属于结构健康监测领域，涉及结构损伤识别技术，具体涉及一种融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法。

背景技术

随着全球经济和技术的迅猛发展，各类民用基础设施数量不断增长，如桥梁和楼房等建筑物，同时它们的规模也越来越大。这些基础设施一旦建成且投入运营后，其性能就会因为恶劣的服役环境、长期的超负荷运营以及损伤后未能及时修复和加固等不利因素的影响而逐渐地恶化。如果结构的核心构件的损伤恶化到一定程度，损伤将会蔓延到各个构件，最终导致整体结构的破坏，甚至引发灾难性事故而导致极大的人员伤亡和经济损失。为了评估结构在其服役期的安全性和可靠性，并及时对损伤结构进行修复及加固，近年来，结构健康监测(Structural Health Monitoring,SHM)技术不断发展并取得可喜进展。

结构损伤识别(Structural Damage Identification,SDI)是实施结构健康监测的关键一步。近年来，基于模型的结构损伤识别技术已成为结构损伤识别领域的一个研究热点。这类方法的基本原理是：在测量响应和结构物理属性(质量、刚度)变化量之间建立一种合理的关系，一旦结构物理性质发生变化，结构的动态特性就会随之发生变化。从计算和优化的角度，可将结构损伤识别问题转化为数学上的优化问题，通过定义一个或多个关于系统模型的目标函数，利用优化的手段实现对损伤参数的识别。大部分传统的优化技术难以解决复杂的、高维度的优化问题，而借助群智能优化算法能够较好地解决此类问题。例如中国专利(专利申请号：CN201610130388.6)公开了基于萤火虫群智能算法的结构损伤识别方法，该方法结合模型修正原理与萤火虫群智能算法实现结构的损伤识别；中国专利(专利申请号：CN201610301698.X)公开了基于果蝇算法的结构损伤识别方法；余岭和徐鹏提出了基于CACO算法的结构多损伤识别[余岭,徐鹏.基于CACO算法的结构多损伤识别[J].振动工程学报,2010,23(5):523-529.]。虽然这些方法在数值模拟中都表现出了群智能算法相对于传统优化技术的优越性，但是与实际工程应用要求还存在一定差距。因为在实际工程中，结构通常会受到噪声的“污染”，微小的结构响应信号误差容易引起识别结果极大的波动，从而严重影响识别精度。事实上，大多数算法存在识别精度不足和噪声鲁棒性有待提高的问题，而正则化技术正是解决此类问题的有效途径。因此，有必要探索基于群智能算法与正则化技术的结构损伤识别方法。

然而，当此类方法应用到实际结构时，常因实测模态信息的不完备性以及待识别参数过多等要求，容易导致识别结果产生过大偏差。例如，仅仅采用结构频率识别结构损伤，容易出现对称单元误判，等等。为解决此类难题，常采用多测点结构响应识别损伤，并在目标函数中对多测点响应对应的定量函数进行加权处理，以期实现较高的损伤识别精度。如余岭等在目标函数加权方面所做工作[Yu L,Yin T.Damage identification in framestructures based on FE model updating[J].Journal of Vibration and Acoustics,2010,132(5):051007.]。但是，对各定量函数进行加权时，确定加权系数的方法略失准确性而难以把握，同时将加权后的定量函数整合为单目标函数，对其进行优化所获得的解具有一定的随机性。因此，为了解决以上两个问题，亟待提出一种融合多目标蚁狮优化算法、稀疏正则化和加权策略的结构损伤识别方法。

发明内容