具体实施方式

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。

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。

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：

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；

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。

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：

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。

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。

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。

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：

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。

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。

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：

(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；

(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；

(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；

(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；

(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。

下面结合具体实施例对本发明的技术方案做进一步说明。

实施例1：

(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。

(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。

(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。

(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。

实施例2：

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。

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。

本实施例中采用的计算机配置为Windows10 64位专业版，i7-6820HQ [email protected]，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。

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。

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

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。

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。

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。