אופטימיזציה רב-אובייקטיבית לפיתוח של חיישנים חכמים בהנדסה סטריקטלית

אופטימיזציה רב-אובייקטיבית לפיתוח של חיישנים חכמים בהנדסה סטריקטלית

ניטור בריאותי סטרקטיקלי (SHM) הפך אבן הפינה של הנדסה אזרחית מודרנית, המאפשר הערכה רציפה של גשרים, מבנים, סכרים, מנהרות, תשתיות קריטיות אחרות.ההופעת חיישנים חכמים - חיישנים המסוגלים לחישה, עיבוד, ותקשורת נתונים - שינתה את SHM מבדיקות תקופתיות ל-Times-oriented security- עם זאת, תכנון חיישנים חכמים אלה כרוך בתצורה מורכבת של יעילות גבוהה יותר של אנרגיה; או יותר; לא ניתן לבצע אופטימיזציה מהירה יותר; או יותר של אבטחה גבוהה יותר.

מימון של Multi-objective Optimization

אופטימיזציה רב-אובייקטיביים היא ענף של אופטימיזציה מתמטית העוסק בבעיות הכרוכות יותר מתפקוד אובייקטיבי אחד להיות מצמצם או ממקסים בו-זמנית.בניגוד לאופטימיזציה חד-משמעית, המבקשת פתרון יחיד "טוב ביותר", MOO מזהה כי מטרות לעתים קרובות בקונפליקט - אישור מטרה אחת בדרך כלל מחמירה זה את זה.לדוגמה, הגדלת קצב הדגימה של חיישן (דיוק מוכח) עשויה להגביר את צריכת החשמל האופטימלית (אוומתית), אך לא ניתן למצוא יעילות אופטימחדשת של עיצוב יחיד).

אפשרויות ל-Opreto Optimality

פתרון הוא אמר להיות פארטו אופטימלי (או לא-דו-דו-דו-דו-דו-דו-דו-דו-דו-דו-דו-דו-דו-דו-דו-דו-ממד) אם אין פתרון אפשרי אחר שיכול לשפר מטרה אחת מבלי להשפיל לפחות מטרה אחת אחרת.אוסף כל הפתרונות הלא-מונים כאלה יוצר את חזית-הפסק-ההחלטות של פארטה נמוכה יותר, אך באופן משמעותי, אך ורק לפריסת-יתר המסחר, ולסלק את העיצוב המתאים ביותר לסידורים עם סדרי-יתר דיוק נמוך יותר.

אלגורית'מים וגישות

אלגוריתמים אחדים פותחו כדי ליצור ביעילות חזיתות פארוטו.בין הנפוצים ביותר הם אלגוריתמים אבולוציוניים כגון NSGA-II (Non-dominateing Genetics Algorithm II) ו- MOEA /D (Multi-Objective Evolutionary Algorithm) תלוי באלגוריתם תחליפי של Decomposition). אלגוריתמים אלה מחקים את הברירה הטבעית לחקור את החלל העיצוב, איזון וניצול יקר יותר, כולל שיטות חישוביות יקרות יותר, וטכניקות חישוביות, כגון:

מטרות מפתח בפיתוח חיישנים חכמים

פיתוח חיישן חכם להנדסה מבנית כרוך בקידוד קבוצה של מדדי ביצועים, בעוד החשיבות היחסית של מדדים אלה משתנה על ידי יישום, המטרות הבאות כמעט תמיד נוכחות:

כלכלה ודעה קדומה

חיישן חייב למדוד באופן אמין כמויות פיזיות - אימון, האצה, העקירה, הטמפרטורה, קורוזיה - עם אי ודאות ידועה.דיוק משפיע ישירות על האמינות של נתוני SHM והחלטות הבאות (למשל, אם להנפיק אזהרה או לוח הזמנים תחזוקה) גורמי השפעה דיוק כוללים את הסוג הטרנסנפורמטיבי, sampling Rateling Rate, החלטה, יחס אות-to-to-noise, ו cabration לעתים קרובות מחפש אסטרטגיות.

עלויות עלויות עלויות

עלויות כוללות הוצאות ייצור ראשוניות, עבודות ההתקנה, תחזוקה, והחלפתן הסופית.עבור פריסות בקנה מידה גדול - כגון גשר עם מאות צמתים - עלות חיישן הוא גורם קריטי. MOO עוזר לזהות עיצובים בעלות נמוכה שעדיין עומדים בדיוק מינימלי וסף עמידות.זה עשוי לכלול עצירות סחר כגון שימוש במרכיבים נמוכים יותר כי הם לפצות על ידי עיבוד אותות מתקדמים, או בחירה יקרה פחות מספק הגנה סביבתית.

אחריות ויציבות

חיישנים שנקבעו על תשתיות חייבים לעמוד בתנאים קשים: טמפרטורות קיצוניות, לחות, רטט, חשיפה UV, התקפה כימית, ולפעמים submersion. Durability נמדדת על ידי זמן המשמעות של החיישן בין כישלונות (MTBF) לבין תוחלת החיים שלה. מערכות אנרגיה-הארכוס, תרכובות עמידות קורוזיות, ורכיבים אדומים כל שיפור עמידות, אך עלויות וגודל.

אנרגיה יעילה

חיישנים חכמים רבים הם מופעלים סוללות או להסתמך על קצירת אנרגיה (סולר, רטט, תרמית) צריכת חשמל קובע את מרווח תחזוקה עבור החלפת סוללות או תיקון, אשר הוא קריטי במיוחד עבור חיישנים המותקנים במקומות מרוחקים או בלתי נגישים. אלקטרוניקה בעוצמה נמוכה, מחיצות, פרוטוקולי תקשורת אלחוטית יעילה (למשל, LoRaWAN, NB-IoT) הם אסטרטגיות נפוצות הסחר בין לעתים קרובות לשלוח קצב שידורים של נתונים ו-ל-אופטימיים (preomas) לשימוש רק בפרוטוקולים).

מטרות נוספות

בהתאם ליישום, מטרות אחרות עשויות לכלול:

• (ב) ,0) ,התב"ג ו"התש" (ב): עבור יישומים רטרו-fit או הטמעתם בגורמים קונקרטיים, קומפקטיים הם הכרחיים.
• (FLT:0)Bandwidth ו LatencyveFLT:1; ניטור בזמן אמת דורש העברת נתונים נמוכה; ניטור רטט גבוה דורש רוחב פס גבוה.
• (ב) ⁇ :0 (interoperabilityFLT:1): חיישנים חייבים להשתלב עם פלטפורמותSHM קיימות ותקני תקשורת (למשל, MQTT, API RESTs).
• (ב) ⁇ :0) , ⁇ : העיצוב צריך להיות בעל ערך רב וקל לפרוס ברשתות גדולות.

יישום Multi-objective Optimization to Sensor Design

תהליך השימוש ב-MOO בפיתוח חיישן חכם עוקב אחר זרימת עבודה מובנת:

1. (FLT:0) מטרות ו- ConstraintssveFLT:1: מהנדסים משתפים פעולה עם בעלי עניין כדי לזהות את מדדי הביצועים העיקריים (למשל, למזער את העלות, למקסם את הדיוק, למקסם את תוחלת החיים).
2. (FLT:0)Model the Sensor SystemFLT:1: מודל מתמטי או סימולציה בנוי המתייחס למשתנה עיצוב (למשל, סוג חיישן, קצב דגימה, בחירה חומרית, טופולוגיה מעגלית) אל המטרות.מודל זה יכול להיות אנליטי, סופי-הגדרה מבוססת, או מונחת נתונים.
3. (FLT:0) Run OptimizationFLT:1: אלגוריתם MOO מבוצע כדי לחקור את חלל העיצוב וליצור מערך של פתרונות שאינם מחוסנים.
4. (FLT:0Trade-off AnalysisFLT:1: חזית Pareto הוא ויזואלי (למשל, פיזור מזימה, קואורדינטות מקבילות) כדי להבין פשרות.מקבלי החלטות ליישם העדפות - לדוגמה, דיוק מקובל מינימלי - כדי לסנן את החזית.
5. (FLT:0) וסירובו של ההרחבה:1: מספר קטן של עיצובים מבטיחים הם אבטיפוס ובדיקה.המודל הוא מצופה בנתונים אמפיריים, ואת הלולאה אופטימיזציה ניתן לחזור על עצמו.

המונחים: Multi-objective Sensor Placement

יישום קלאסי אחד הוא קביעת המקומות האופטימליים עבור מספר מוגבל של חיישנים על מבנה.היעדים הם למקסם את המידע שנצבר על בריאות המבנה (למשל, לזהות נזק עם ההסתברות הגבוהה ביותר) תוך צמצום מספר החיישנים (עלות) ולהבטיח סיקור מספיק.MOO מספק סט של פריסת חיישן, כל אחד המייצג את סחר שונה בין כיסוי לעלויות גרסיה, למשל עם 20 חיישנים נוספים של ניתוח ספציפי ל- FII מאפשר מעקב אחר חיישנים).

דוגמה: חומר ובחירה

בעיצוב חיישן רטט אלחוטי, מהנדס חייב לבחור את המיקרובקר, מאיץ, סוללות, מודול אלחוטי, ואת המתחם. כל בחירה רכיב משפיע על על העלות, צריכת חשמל, דיוק, גודל. על ידי אופטימיזציה אלה החלטות דיסקרטי כמו משתנים עיצוב וריצה אופטימיזציה רב-אובייקטיבי, חזית Pareto עשוי לחשוף כי קצת יותר מאיץ משקל יקר בשילוב עם microaculative-Powerer זה כוח רצון מאיץ את תהליך זה.

תוצאות חיפוש ויישומים בעולם האמיתי

MOO הוחל בהצלחה לפתח חיישנים חכמים עבור מספר פרויקטים של תשתיות בולטות.הדוגמאות הבאות ממחישות את הערך המעשי שלו:

גשר בריאות ניטור עם רשתות חיישן Wireless

רשת חיישן אלחוטית בקנה מידה גדול מותקנת על גשר שער הזהב השתמש אופטימיזציה רב-אובייקטיביים כדי לאזן צפיפות עם אמינות שידור נתונים.האופטימיזציה שנחשבת חיי סוללה (יעילות אנרגיה), כיסוי מרחבי (דיוק), ועלות ההתקנה.המהנדסים המובילים של Pareto מונחה כדי לפרוס רשת היברידית של 120 צמתים, שילוב של חיישנים חוטים בעלי ביצועים גבוהים על נקודות קריטיות נמוכות יותר עם אפס אלחוטיות עבור ספירת רחבה של MLTFN, אשר יכול להפחית את זה יכול להפחית את זה כמו גם כן, כאשר חיישן 1.

חיישן אנרגיה-הארווינג Nodes for Remote Infrastructure

במערכת ניטור מנהרה בנורבגיה, החוקרים השתמשו ב-MOO כדי לעצב חיישן מופעל עצמי המסיק אנרגיה מתדרדרות מרטטים ממתחרים (היעדים היו כדי למקסם את הכוח המנוסח, למזער את נפח הצומת, ולהמקסים את האמינות העברת הנתונים תחת עומסי תנועה שונים.על ידי יישום אלגוריתם גנטי רב-אובייקטיבי, הם זיהו עיצוב שהשיג 1.2 mW Harvested Power - חסר יכולת לכל שידור של 15 דקות של נייר: FEE בלבד היה ניתן למצוא פתרון אנרגיה.

ניטור סטריקטל וסביבתי

חיישנים חכמים מודרניים משלבים לעתים קרובות שיטות מרובות של חישה (אימון, טמפרטורה, לחות, קורוזיה) בחבילה אחת. MOO מסייע לקבוע את האסטרטגיה המכפלה אופטימלית ואלגוריתם היתוך נתונים כדי למקסם את איכות המידע הכוללת תוך צמצום כוח ונפח זיהוי נתונים.לדוגמה, גישה רב-אובייקטיבית מושגת נעשה שימוש לתכנון חיישן עבור ניטור רחבות על גשר כבישי, איזון צורך עבור דרישות גבוהות של ריכוז נתונים נמוך יותר של 40% לאחר עיצוב נתונים של נתונים של נתונים של קידוד 1.

אתגרים וכיוונים עתידיים

בעוד MOO מציעה כלים חזקים לתכנון חיישן, כמה אתגרים נותרו:

מורכבות

מודלים של נאמנות גבוהה (למשל, סימולציות של אלמנטים סופיים של התנהגות מכנית של חיישן) יכול להיות איטי מדי לשימוש ישיר אופטימיזציה אבולוציונית. Surrogate מודלים (משטח אחריות, תהליכים גאוסיים) וגישות רב נאמנות מועסקות כדי להפחית את העלות החישובית, אבל הם מציגים שגיאות יישום.

חוסר ודאות ורובוסטנס

תנאים אמיתיים אינם בטוחים: תכונות חומריות משתנות, עומס סביבתי הם סטוצ'יסטיות, וסובלנות ייצור החיישן קיימים. Deterministic MOO עשוי להניב חזית Pareto ששברירית כאשר אי-ודאות אלה נקבעות עבור. רובוסט אופטימיזציה רב-אובייקטיבית ואופטימיזציה עיצוב מבוסס אמינות (RBDO) הם שדות מתעוררים המשלבים אי-ודאות לפונקציות אובייקטיביות, ומייצרים עיצובים שאינם רק על תרגול אופטימלי אלא אמין.

שילוב עם IoT ו- Edge Computing

כאשר החיישנים הופכים חכמים יותר ויותר מחוברים, בעיית האופטימיזציה מתרחבת מעבר לחיישנים הפיזיים כדי לכלול עיבוד נתונים, תקשורת וארכיטקטורה בענן.לדוגמה, מטרה אחת עשויה להיות למזער את האנרגיה הכוללת הנצרכים על ידי מערכת ה-Sintentch-Cloud כולה, בעוד שעדיין יש למזער את הכדאיות של הודעות אזהרות.זה דורש מסגרות אופטימיזציה חדשות שמושכות חומרה, קושחה ושכבות רשת.

ממשק המשתמש והתמיכה בהחלטות

החזית פארטה יכולה להכיל מאות או אלפי פתרונות.הצגת הבורסות הללו למהנדסים ומקבלי החלטות באופן ברור ואינטואיטיבי נשאר אתגר.כלי הדמיה אינטראקטיביים, טכניקות העדפה לחיקוי, ובחירת פתרון אוטומטי המבוססת על לוגיקה מטושטשת הם אזורים פעילים של כלי פיתוח.

מסקנה

אופטימיזציה רב-אובייקטיבית אינה רק פעילות אקדמית; היא מתודולוגיה הנדסית מעשית שמתייחסת ישירות לדרישות הסכסוך של פיתוח חיישן חכם מודרני בהנדסה מבנית.על ידי פורמלית של עסקאות בין דיוק, עלות, עמידות, יעילות אנרגיה, ומדדים מרכזיים אחרים, MOO מאפשר יצירת חיישנים כי הם מכוונים היטב לצרכים של כל תשתית פרויקט.