מבוא

מערכות ניטור בריאות סטרקטיבית (SHM) הפכו הכרחיות להערכת המצב והשלמות של תשתיות קריטיות, כולל גשרים, מבנים, סכרים, טורבינות רוח ופלטפורמות offshore.על ידי איסוף מתמיד או מעת לעת של נתונים מחיישנים משובצים או מחוברים למבנה, SHM מאפשר זיהוי מוקדם של נזק, הפחתה או התנהגות לא תקינה, ובכך תמיכה תחזוקה והפחתה של מערכת יעילה של תפקודים (Samsupal) היא לעתים קרובות זיהוי של אבטחה של אבטחה מהירה של עלויות אבטחה, תוך כדי שיפור של אבטחה, כאשר היא יעילה, כלומר, לחץ דם גבוה יותר, כלומר, כלומר, כלומר, כלומר, כלומר, לחץ דם גבוה יותר, כלומר, תכונות מהירות גבוהה יותר, כלומר, תכונות מהירות גבוהה יותר, כלומר, לחץ דם גבוה יותר, לחץ דם גבוה יותר, כלומר, טיפול מהיר, טיפול יעיל, טיפול יעיל, טיפול מהיר, טיפול יעיל, טיפול יעיל, טיפול מיידי, טיפול מיידי, תכונות אבטחה של אבטחה של אבטחה גבוהה יותר, טיפול מיידיות, טיפול מיידיות, טיפול מיידיות, תוך כדי שיפור אבטחה מהירה יותר, טיפול ברזולוציה גבוהה יותר, טיפול מיידיות, טיפול, טיפול, תוך כדי שיפור אבטחה, טיפול מיידיות, טיפול ברזולוציה גבוהה יותר, טיפול יעיל, טיפול מיידיות, טיפול יעיל, טיפול מיידיות,

הבנה של מעקב בריאותי

ניטור בריאות סטרקטידור מתייחס לתהליך של יישום אסטרטגיית זיהוי נזק למבנים הנדסיים.זה כרוך בשימוש בחיישנים שונים (מדדי אימון, אגנומטרים, חיישני סיבים אופטיים, טרנסנפורמטיביים וכו ') לאסוף נתונים לאורך זמן, אשר לאחר מכן מנתח כדי להסיק את המצב הנוכחי של המבנה.

  • (ב) ,0) ,917: ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,9.
  • (ב) ,0) ,9 ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,PrognosisofLT:1 - צופה שנותרו בחיים שימושיים.

יעילותה של מערכת SHM תלויה במידה רבה בהפצה של חיישן, תדירות רכישת נתונים, שיטות עיבוד אותות ואלגוריתמים של החלטות.עם זאת, מגבלות מעשיות כגון מגבלות תקציב, קשיים בהתקנה, ותנאים סביבתיים עושים אופטימיזציה של הפרמטרים האלה הכרחיים.

Multi-Objective Optimization Fundamentals

אופטימיזציה רב-אובייקטיבית היא ענף של אופטימיזציה מתמטית העוסק בבעיות הכרוכות יותר מתפקוד אובייקטיבי אחד כדי להיות מותאם בו-זמנית.בניגוד לאופטימיזציה חד-משמעית שבה פתרון יחיד הטוב ביותר מבוקש, MOO מבקש למצוא סדרה של פתרונות המייצגים את הטוב ביותר האפשרי של סחר-offs בין המטרות.

באופן פורמלי, ניתן לומר בעיית מיני-מיזציה רב-אובייקטיבית כ:

(ב) .

כאשר x הוא וקטור ההחלטה, ו f1 באמצעות fm הם פונקציות אובייקטיביות.ביישומים SHM, מטרות כוללות לעתים קרובות צמצום עלות, למקסם את דיוק זיהוי, למקסם את הכיסוי, ולהפחית את זמן התגובה. כי מטרות אלה הם בדרך כלל סכסוכים, MOO מספקת דרך שיטתית לחקור את פני השטח של המסחר.

גישות נפוצות לפתרון בעיות MOO כוללות:

  • (ב) ,0Weighted sumureeur MethodFLT:1) משלב מטרות לתפקוד יחיד באמצעות משקולות, אך עשוי להחמיץ חלקים שאינם-convex של חזית Pareto.
  • (ב) ⁇ :0.08.com-constraint MethodFLT:1 - אופטימיזציה למטרה אחת תוך התייחסות למטרות אחרות כמגבלות.
  • (FLT:0 אלגוריתמים אבולוציוניים (Evolutionaryאלגוריתמים) 1:1 – מטאוריסטים המבוססים על האוכלוסייה שיכולים להיות דומים לחזית הפארטה כולה בריצה אחת (למשל, NSGA-II, SPEA2, MOEA/D).
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

אלגוריתמים אבולוציוניים (EAs) פופולריים במיוחד עבור אופטימיזציה של SHM בשל יכולתם להתמודד עם לא לינארי, לא-קונבוקס, ומרחבי חיפוש דיסקרטיים ללא צורך במידע ⁇ .FLT:0 למד יותר על אופטימיזציה רב-אובייקטיבית על ויקיפדיהFLT:1.

מטרות מפתח ב-SHM Optimization

כאשר החלים את MOO ל-SHM מערכות, המטרות הבאות נחשבות בדרך כלל:

  • (FLT:0) CosteurFLT:1) כולל רכישת חיישן, התקנה, תחזוקה והוצאות עיבוד נתונים.
  • (FLT:0) דיוק טיהור (Detection דיוקFLT:1) - ההסתברות של זיהוי נכון של נזק (קצב חיובי אמיתי) בעוד צמצום האזעקות השקריות.
  • (FLT:0CoverageofFLT:1) - היקף המרחבי שעליו רשת החיישן יכולה לזהות נזק באופן אמין.זה יכול להיות מוגדר כאחוז של המבנה מכוסה או מספר אזורי ביקורת מעקב.
  • (ב) ,0) ,ResolutionveFLT:1 - היכולת לזהות נזקים קטנים, לעתים קרובות הקשורים צפיפות חיישן רגישות.
  • (ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0Data transfer and processing יעילות יעילות עיבוד: 1) - שימוש רוחב פס, שקיפות ועומס חישובי, במיוחד עבור זמן אמת SHM.
  • (FLT:0) Power הצריכה של PowerFLT:1) - עבור רשתות חיישן אלחוטי, חיי סוללה הם מטרה חיונית.

החשיבות היחסית של מטרות אלה משתנה עם היישום.לדוגמה, מערכת ניטור גשר עשויה לאשר דיוק וכיסוי, בעוד שהגדרת ניטור זמני עבור אתר בנייה עשויה להדגיש עלות נמוכה וקלות של פריסה. MOO מאפשר למקבלי ההחלטות לחקור את אלה באופן כמותי.

יישום Multi-Objective Optimization to SHM

ניתן לשלב MOO בשלבים שונים של עיצוב מערכת SHM ופעולה. להלן אנו דנים בשלושה תחומים עיקריים של יישום.

אופטימיזציה של Sensor Placeation

אחת הבעיות המלומדות ביותר ב-SHM היא FLT:0 חיישנים מודולריים ו-ApLT 1 (OSP) המטרה היא לבחור תת-קבוצה של מיקומים חיישן פוטנציאלי המספקים את הנתונים המודיעים ביותר עבור זיהוי, בעוד ש-Minimizing מטרות מפתח כולל את ה- PLCD של אלגוריתמים (החומרים של אלגוריתמים) ל- Multiv2, אשר נועדו להבטיח אלגוריתמים גדולים (כגון אלגוריתמים) ל-DLCVal Discontectdancedancedancedanced) אלגוריתמים (ה-R) אלגוריתמים (D2 (החומרים שאינם בשימוש באופן נרחב (D) ל-R) עבור אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים (DIF) אלגוריתמים של אלגוריתמים של אלגוריתמים של אלגוריתמים (DVal Discidarectiondanced) עבור אלגוריתמים (D.

רכישת נתונים ועיבוד

מעבר למיקום חיישן, MOO יכול לייעל את שיעורי הדגימה של נתונים, אלגוריתמים דחיסה, וטכניקות החילוץ תכונה. במערכות אלחוטיות SHM, צריכת אנרגיה היא דאגה עיקרית. מטרות כגון צמצום צריכת חשמל, למקסם את נאמנות הנתונים, והקטנת הכדאיות ניתן מאוזנת באמצעות MOO. לדוגמה, תוכניות דגימה אדפטיות הסתגלות יכול להיות מתוכנן כי סימולציה המבוססת על תדירות, באמצעות אופטימיזציה של שימוש בתכונות של טיפוליות (optretto) באופן דומה כדי להפחית את רמת דיוק (למשל, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, שימוש בתכונות מרובות של אובדן מידע קיבולת חיתוך חסכוני) עבור טיפול.

מערכות תמיכה

לאחר שהנתונים מעובדים, מערכות SHM לעתים קרובות מעוררות התראות תחזוקה או המלצות.MOO יכול לסייע בקבלת החלטות מרובות-ביקורתיות (MCDM) לתכנון תחזוקה.לדוגמה, כאשר תרחישים מרובים של נזק מזוהה, מטרות עשויות לכלול צמצום עלויות התיקון, למקסם את שולי הבטיחות, ולהפחתת ההשלכות המתאימות על ידי אופטימיזציה פארוטטו, קבוצה של אסטרטגיות תחזוקה לא-דו-ערך יכול להיווצר, אשר יש להפיק מהעדפות לטווח הארוך ביותר עבור דרישות אבטחה.

אלגוריתמים וטכניקות

כמה אלגוריתמים מותאמים לאופטימיזציה של SHM רב-אובייקטיבי.למטה אנו מתארים את הקטגוריות הנפוצות ביותר.

ניתוח החזית

הגישה הקלאסית כוללת יצירת חזית Pareto באמצעות שיטות כמו הסכום המסולק או ε-constraint שיטה. בעוד אלה פשוטים ליישום, יש להם מגבלות כאשר חזית Pareto היא לא-convex או הפסקת.עבור בעיות SHM עם משתנים מעורבים מעורבים (למשל, סוגים של חיישן דיסקרטי), שיטות אלה עלולות לא לחקור ביעילות את החלל הסחר-offoffoutoff.

אבולוציה אלגורית

אלגוריתמים אבולוציוניים, במיוחד NSGA-II ו- SPEA2 (Strength Pareto Evolutionary Algorithm 2), הם בין הפופולריים ביותר עבור אופטימיזציה של SHM. הם משתמשים באוכלוסיית פתרונות מועמדים המתפתחים על פני דורות באמצעות צלב, מוטציות, ובחירה המבוססת על דומיננטיות ושמירה על מגוון.

  • יכול להתמודד עם מטרות מרובות ללא צורך במשקל.
  • לייצר נספח ממוסגר היטב של חזית Pareto בריצה אחת.
  • הסתגלות למגבלות מורכבות ולאתרי חיפוש דיסקרטיים.

אלגוריתם בולט נוסף הוא (FLT:0)MOEA / DMOFIRLT:1 (Multi-Objective Evolutionary Algorithm מבוסס על Decomposition), אשר מקנה בעיה MOO למספר של תת-פרופילים דרוגרמי אופטימיזציה ואופטימיזציה אותם בו-זמנית.MoEA/D הראה ביצועים חזקים בבעיות חישוביות גבוהות, כאשר עלות חישובית היא דאגה:

גישות היברידיות

כדי להתגבר על הנטל החישובי של הפעלת מודלים אלמנט סופיים מפורטים עבור כל הערכת כושר, החוקרים לעתים קרובות לשלב את MOEAs עם (FLT:0surrogate מודלים של ההרחבה 1 (למשל, קריינג, רשתות עצביות) שקרובים את המטרות.זה מאפשר מחקר מהיר יותר של חלל העיצוב.בנוסף, טכניקות למידה כגון חיזוק למידה הן מתפתחות עבור ניהול חיישן דינמי ב-SHM.

מחקרים אמיתיים

אופטימיזציה רב-אובייקטיבית כבר הוחל על מערכות SHM שונות. לדוגמה, מחקר על מיקום חיישן אופטימלי עבור גשר truss פלדה בשימוש NSGA-II כדי לאזן את העלות ואת הדיוק הזיהוי המודולאלי.חזית Pareto הראה כי באמצעות 10 חיישנים מטופחים היטב יכול להשיג 90% של המידע המודוליבי המתקבל מ חיישנים, המציע חיסכון משמעותי נוסף של רשתות חיישן אלחוטי עבור מסלולים מהירים, שבו הוא מצמצם את צריכת החשמל ולהפחית את רמת ה- 40% מהשינויים ללא שיפור איכות.

ב ניטור טורבינות רוח offshore, אופטימיזציה רב-אובייקטיבי שימש כדי לקבוע את השילוב הטוב ביותר של מאיץ ומד זן מיקומים כדי למקסם את החיזוי חיי העייפות תוך צמצום עלויות ההתקנה.הפתרונות שאינם נשלטים הובילו את הבחירה של פריסת חיישן חזק שביצע היטב תחת תנאי הים השונים.

יתרונות ומגבלות

היישום של MOO ל-SHM מציע יתרונות ברורים:

  • (FLT:0) חקר מקיף של סחר-offscioFLT 1:1 - מקבלי ההחלטות יכולים לדמיין כיצד שינויים בביצועים עם השקעה.
  • (ב) ,0) עיצובים יעילים של LT:1 - חיישנים אדומים חוסכים בעת שמירה על הכיסוי.
  • (ב) ,0) שיפור האמון ב- 1:1 - מספר אפשרויות Pareto-optimal מספקות גמישות לפרופילי סיכון שונים.
  • (ב) אלגוריתמים יכולים להתמודד עם מאות מקומות חיישן פוטנציאליים ומטרות מרובות.

עם זאת, יש מגבלות:

  • (FLT:0) מורכבות רבת ערך (FLT:1) - כל הערכת כושר עשויה לדרוש הפעלת מודל מספרי מפורט, מה שהופך את זמן אופטימיזציה של זמן איסוף עוזר אבל מציג שגיאות חיזוי.
  • (FLT:0) אי הוודאות של מנדל (ModelureFLT:1) - הדיוק של אופטימיזציה של SHM תלוי נאמנות המודל המבני ואת תרחישי הנזק הנחושים.
  • (ב) ⁇ 0 (בחירות) בבחירה אובייקטיבית של 1:1) מהנדסים חייבים להחליט אילו מטרות לכלול וכיצד לנרמל אותם, אשר יכול להיות תוצאות הטיה.
  • דרישות ההרחבה:0 (FLT:0) דרישות נתונים, אלגוריתמים אבולוציוניים עם אוכלוסיות גדולות עשויים לדרוש הערכות רבות, אשר יכולות להיות בלתי חוקיות עבור מבנים גדולים מאוד.

כיוונים עתידיים

תחום אופטימיזציה רב-אובייקטיבית עבור SHM מתפתח במהירות.הוראות מחקר פרומינג כוללות:

  • (FLT:0) אינטגרציה עם תאומים דיגיטליים FLT:1) - נתוני חיישן בזמן אמת יכולים לעדכן את התאום הדיגיטלי, המאפשר התחדשות דינמי של תצורה חיישן אסטרטגיות תחזוקה.
  • (FLT:0) נתונים גדולים ו-AIIRLT:1 - מודלים פונדקאים עמוק יכולים להאיץ את תהליך אופטימיזציה, ולמידה חיזוק יכול להתאים את מיקום חיישן בתגובה לאבולוציה של נזק מתמשך.
  • (FLT:0) אי-וודאות כימות הקוונטים של 1FLT) – שיטות MOO חזקות אשר מהוות במפורש את אי-ודאות בדוגמנות, רעש החיישן, ותנאים סביבתיים מפותחים.
  • (FLT:0) Multi-objective Bayesian OptimizationveFLT) 1:1 - שיטות יעילות מדגם לבנות מודלים פרוביביליסטיים של המטרות, ומאפשרות אופטימיזציה עם ניתוחים מבניים פחות יקרים.
  • (FLT:0 Human-in-the-loop קבלת ההחלטות-the-loop-of-the-loop Decision-ReveFLT:1) – כלים אינטראקטיביים שמאפשרים למהנדסים לחקור את החזית של פארטה ולבטא העדפות בזמן אמת.

כשמערכות SHM הופכות ליותר אוטונומיות ועשירות בנתונים, התפקיד של אופטימיזציה רב-אובייקטיבית יתרחב, מה שיאפשר ניהול תשתיות חכמות יותר, גמישות יותר.

מסקנה

אופטימיזציה רב-אובייקטיבית מספקת מסגרת קפדנית וגמישה לשיפור מערכות ניטור בריאות מבניות.על ידי מודל מפורש של עסקאות בין מטרות מתחרות כגון עלות, דיוק, כיסוי, ועוצמה, MOO מסייע למהנדסים לעצב רשתות חיישן נתונים צינורות עיבוד נתונים כי הם יעילים ויעילים יותר אלגוריתמים ניהוליים כמו NSGA-II ו-MOEA / D הוכיחו ערך במיוחד לייצור סוללות-O-O-O פתרונות אמיתיים, בעוד שעדיין לא בטוחים יותר, בעוד שגורמים לטכנולוגיות דיגיטליות.