Inleiding

Structurele gezondheidsmonitoringsystemen (SHM) zijn onmisbaar geworden voor het beoordelen van de conditie en integriteit van kritieke infrastructuur, zoals bruggen, gebouwen, dammen, windturbines en offshore platforms. Door het voortdurend of periodiek verzamelen van gegevens van sensoren die zijn ingebed of aan een structuur zijn bevestigd, maakt SHM het mogelijk om vroegtijdig schade, verslechtering of abnormaal gedrag te detecteren, waardoor proactief onderhoud en risicobeperking worden ondersteund. Echter, het ontwerpen van een effectief SHM-systeem is inherent een veelzijdige uitdaging: ingenieurs moeten tegelijkertijd rekening houden met sensorkosten, detectienauwkeurigheid, dekkingsgebied, bandbreedte voor gegevenstransmissie, stroomverbruik en berekeningsbronnen. Deze doelstellingen kunnen vaak conflictmaximalisatie van sensordekking kosten verhogen, terwijl vermindering van sensordichtheid de detectienauwkeurigheid in gevaar kan brengen. Dit is waar multi-objectieve optimalisatie (MOO) (meer) (meervoudige exploratie van trade-offs tussen concurrerende doelen. Door systematisch te onderzoeken, helpt MOO Pareto-optimale configuraties die balans, kosten en betrouwbaarheid te identificeren. Dit artikel biedt een diepgaande verkenning van hoe multi-georiënteerde optimalisatie van SHM-systemen, die de onderliggende principes, praktische

Inzicht in de structurele gezondheidsmonitoring

Structurele gezondheidsmonitoring verwijst naar het proces van de implementatie van een schade identificatie strategie voor technische structuren. Het gaat om het gebruik van verschillende sensoren (treinmeters, versnellingsmeters, glasvezel sensoren, piëzo-elektrische transducers, enz.) om gegevens te verzamelen in de loop van de tijd, die vervolgens geanalyseerd wordt om de huidige toestand van de structuur af te leiden. SHM-systemen kunnen worden ingedeeld in passieve systemen (die alleen monitoren, bijvoorbeeld trillingen) en actieve systemen (die de structuur en de responsen kunnen stimuleren en meten). De primaire doelstellingen van SHM zijn:

  • Beschadigingsdetectie . . .
  • Beschadigde lokalisatie . . . de locatie van de schade bepalen.
  • Beschadigde kwantificering . . .
  • Prognose ..voorspelling van de resterende levensduur.

De effectiviteit van een SHM-systeem hangt sterk af van de sensorlay-out, de frequentie van de gegevensopname, de signaalverwerkingsmethoden en de beslissingsalgoritmen. Echter, praktische beperkingen zoals budgetbeperkingen, installatieproblemen en omgevingsomstandigheden maken optimalisatie van deze parameters essentieel. Traditionele benaderingen maken vaak gebruik van regel-van-duim of een-object optimalisatie, maar deze kunnen belangrijke interacties tussen concurrerende factoren verwaarlozen.

Multi-doelstelling optimalisatie Fundamentals

Multi-objectieve optimalisatie is een tak van wiskundige optimalisatie die problemen aanpakt waarbij meerdere objectieve functies gelijktijdig worden geoptimaliseerd. In tegenstelling tot een enkele-objectieve optimalisatie waarbij één enkele beste oplossing wordt gezocht, zoekt MOO naar een reeks oplossingen die de best mogelijke afwegingen tussen de doelstellingen vertegenwoordigen. Deze oplossingen staan bekend als Pareto-optimal oplossingen. Een oplossing is Pareto-optimal als geen doel kan worden verbeterd zonder vernedering van ten minste één andere doelstelling. De set van alle Pareto-optimale objectieve vectoren wordt de Pareto front[ genoemd.

Formeel kan een multi-objectief minimaliseringsprobleem worden gesteld als:

Waar x de beslissingsvector is, en f1 door fm de objectieve functies zijn. In SHM-toepassingen omvatten doelstellingen vaak het minimaliseren van kosten, het maximaliseren van detectienauwkeurigheid, het maximaliseren van dekking, en het minimaliseren van responstijd. Omdat deze doelstellingen typisch tegenstrijdig zijn, biedt MOO een systematische manier om het afhandeloppervlak te verkennen.

Gemeenschappelijke benaderingen voor het oplossen van MOO-problemen zijn onder meer:

  • Gewogen sommethode
  • ε-beperkingsmethode
  • Evolutionaire algoritmen .. populatiegebaseerde metaheuristieken die het gehele Pareto front in één run kunnen benaderen (bv. NSGA-II, SPEA2, MOEA/D).
  • Particle zwerm optimalisatie . . zwerm intelligentie varianten voor multi-objectieve problemen.

Evolutionaire algoritmen (EA's) zijn bijzonder populair voor SHM-optimalisatie vanwege hun vermogen om niet-lineaire, niet-convexe en discrete zoekruimtes te hanteren zonder dat gradiëntinformatie vereist is. Meer informatie over multi-objectieve optimalisatie op Wikipedia.

Belangrijkste doelstellingen in SHM-optimalisatie

Bij het toepassen van MOO op SHM-systemen worden de volgende doelstellingen algemeen in overweging genomen:

  • Kosten
  • Detectectienauwkeurigheid . . de waarschijnlijkheid van het correct identificeren van schade (echt positief tarief) bij het minimaliseren van vals alarm. Kan worden uitgedrukt als gevoeligheid, specificiteit, of ontvanger operationele kenmerken (ROC) meters.
  • Overgang . . de ruimtelijke omvang waarover het sensornetwerk op betrouwbare wijze schade kan detecteren. Dit kan worden gedefinieerd als percentage van de overdekte structuur of het aantal gecontroleerde kritieke zones.
  • Resolutie . . de mogelijkheid om kleine schade te detecteren, vaak gerelateerd aan de dichtheid en gevoeligheid van de sensor.
  • Robuustheid . . Het systeem is bestand tegen sensorstoringen, lawaai en veranderingen in het milieu.
  • Gegevenstransmissie en verwerkingsefficiëntie . . bandbreedtegebruik, latentie en rekenbelasting, vooral voor real-time SHM.
  • Power consumment

Het relatieve belang van deze doelstellingen varieert met de toepassing. Bijvoorbeeld, een brug monitoring systeem zou de nauwkeurigheid en dekking prioriteit, terwijl een tijdelijke monitoring setup voor een bouwplaats zou kunnen benadrukken lage kosten en gemak van de implementatie. MOO laat besluitvormers om deze trade-offs kwantitatief te verkennen.

Multi-doelstellingoptimalisatie toepassen op SHM

MOO kan geïntegreerd worden in verschillende fasen van SHM systeemontwerp en -bewerking. Hieronder bespreken we drie primaire toepassingsgebieden.

Sensorplaatsing Optimalisatie

Een van de meest bestudeerde problemen in SHM is optimale sensorplaatsing (OSP). Het doel is om een deelverzameling van potentiële sensorlocaties te selecteren die de meest informatieve gegevens voor schadeidentificatie biedt, terwijl de kosten worden beperkt. Belangrijkste doelstellingen zijn het maximaliseren van de determinant van de Fisher informatiematrix (in verband met modale identificatienauwkeurigheid), het maximaliseren van de dekking van kritieke gebieden, het minimaliseren van het aantal sensoren, en het waarborgen van robuustheid van sensorstoringen. Multi-objectieve evolutionaire algoritmen (MOEA's) zijn succesvol toegepast op OSP voor grootschalige structuren zoals lange-spanbruggen en offshore platforms. Bijvoorbeeld, NSGA-II (Niet-gedomineerde Sorting Genetic Algorithm II)[]] wordt veel gebruikt om Pareto fronten te genereren die de uitschakelingen tussen sensortelling en modale observabiliteit tonen. De resulterende oplossingen helpen ingenieurs bij het kiezen van een layoutoutline die voldoet aan budget en prestatiedoelstellingen.

Gegevensverwerving en -verwerking

Naast sensorplaatsing kan MOO de databemonsteringssnelheden, compressiealgoritmen en functieextractiemethoden optimaliseren. In draadloze SHM-systemen is het energieverbruik een groot probleem. Doelstellingen zoals het minimaliseren van stroomverbruik, het maximaliseren van datatrouw en het verminderen van latency kunnen worden afgewogen met behulp van MOO. Zo kunnen adaptieve bemonsteringsschema's worden ontworpen die de bemonsteringsfrequentie aanpassen op basis van structurele activiteit, met behulp van een Pareto front om trade-offs te bieden tussen energiebesparing en informatieverlies. Ook kunnen functies geselecteerd worden voor schadedetectie (bijvoorbeeld, kiezen voor modale parameters of golfcoëfficiënten te gebruiken) als een multi-objectief probleem waarbij het aantal functies geminimaliseerd wordt terwijl de classificatienauwkeurigheid wordt gemaximaliseerd.

Besluitondersteuningssystemen

Nadat de gegevens zijn verwerkt, SHM-systemen vaak leiden tot onderhoud waarschuwingen of aanbevelingen. MOO kan helpen bij multi-criteria besluitvorming (MCDM) voor onderhoudsplanning. Bijvoorbeeld, wanneer meerdere schade scenario's worden gedetecteerd, doelstellingen kunnen het minimaliseren van reparatiekosten, het maximaliseren van veiligheidsmarge, en het minimaliseren van downtime. Met behulp van Pareto optimalisatie, een reeks niet-gedomineerde onderhoudsstrategieën kan worden gegenereerd, waaruit belanghebbenden selecteren de meest geschikte op basis van hun voorkeuren. Deze aanpak is bijzonder waardevol voor kritieke infrastructuur waar beslissingen hebben op lange termijn financiële en veiligheid implicaties.

Algoritmen en technieken

Verschillende algoritmen zijn aangepast voor multi-objectieve SHM optimalisatie. Hieronder schetsen we de meest gebruikte categorieën.

Pareto frontanalyse

De klassieke benadering houdt in dat het Pareto front wordt gegenereerd met behulp van methoden zoals de gewogen som of ε-constraint methode. Hoewel deze eenvoudig te implementeren zijn, hebben ze beperkingen wanneer het Pareto front niet-convex of discontinu is. Voor SHM problemen met gemengde-integer variabelen (bijvoorbeeld discrete sensortypes), kunnen deze methoden niet efficiënt de afwisselende ruimte verkennen. Niettemin, combineren met surrogaatmodellen kan de computationele efficiëntie verbeteren.

Evolutionaire algoritmen

Evolutionaire algoritmen, vooral NSGA-II en SPEA2 (Strength Pareto Evolutionary Algorithm 2), zijn een van de meest populaire voor SHM optimalisatie. Ze gebruiken een populatie van kandidaat-oplossingen die zich ontwikkelen over generaties door middel van crossover, mutatie en selectie op basis van Pareto dominantie en diversiteit behoud. Belangrijkste voordelen:

  • Kan omgaan met meerdere doelstellingen zonder gewichten.
  • Maak een goed verdeelde benadering van het Pareto front in een enkele run.
  • Aanpasbaar aan complexe beperkingen en discrete zoekruimtes.

Een ander opmerkelijk algoritme is MOEA/D (Multi-Doelstelling Evolutionair Algoritme gebaseerd op Decompositie), dat een MOO probleem ontbindt in een aantal scalaire optimalisatie subproblemen en optimaliseert ze tegelijkertijd. MOEA/D heeft sterke prestaties getoond in hoogdimensionale SHM problemen waar de berekeningskosten een probleem is. Lees meer over evolutionaire algoritmen.

Hybride naderingen

Om de rekenlast van het uitvoeren van gedetailleerde eindige elementmodellen voor elke fitness-evaluatie te overwinnen, combineren onderzoekers vaak MOEA's met surrogaatmodellen[ (bv. Kriging, neurale netwerken) die de doelstellingen bij benadering van functies benaderen. Dit maakt een snellere exploratie van de ontwerpruimte mogelijk. Daarnaast komen machine learning technieken zoals versterking leren op voor dynamisch sensormanagement in SHM.

Real-World Case Studies

Er is een multi-objectieve optimalisatie toegepast op verschillende SHM-systemen. Zo is een studie naar optimale sensorplaatsing voor een stalen trussbrug gebruikt NSGA-II om de kosten en modale identificatienauwkeurigheid in evenwicht te brengen. De Pareto front toonde aan dat het gebruik van 10 goed geplaatste sensoren 90% van de modale informatie kan opleveren die verkregen wordt van 20 sensoren, wat aanzienlijke kostenbesparingen oplevert. Een ander geval betrof draadloze sensornetwerken voor hogesnelheidsspoorlijnen, waarbij MOO het energieverbruik minimaliseert en de betrouwbaarheid van schadedetectie behoudt. Door optimale bemonsteringsfrequenties en transmissieintervallen te kiezen, werd de levensduur van het netwerk verlengd met 40% zonder de bewakingskwaliteit in gevaar te brengen.

Bij offshore monitoring van windturbines werd multi-objectieve optimalisatie gebruikt om de beste combinatie van versnellingsmeter- en stammeterlocaties te bepalen om de nauwkeurigheid van de vermoeidheidsvoorspelling te maximaliseren en tegelijkertijd de installatiekosten te minimaliseren. De resulterende niet-gedomineerde oplossingen leidden tot de selectie van een robuuste sensorlayout die goed werkte onder verschillende zeeomstandigheden.

Voordelen en beperkingen

De toepassing van MOO op SHM biedt duidelijke voordelen:

  • Verkennen van de afwegingen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
  • Kosteneffectief ontwerp .. redundante sensoren worden geëlimineerd terwijl de dekking wordt gehandhaafd.
  • Verbeterd vertrouwen . . Meerdere Pareto-optimale opties bieden flexibiliteit voor verschillende risicoprofielen.
  • Schaalbaarheid .. algoritmen kunnen honderden potentiële sensorlocaties en meerdere doelstellingen aan.

Er zijn echter beperkingen:

  • Computational complexity . .Elke fitness-evaluatie kan het uitvoeren van een gedetailleerd numeriek model, waardoor de optimalisatie tijdrovend. Surrogate modeling helpt maar introduceert benadering fouten.
  • Modelonzekerheid .. De nauwkeurigheid van de SHM-optimalisatie hangt af van de trouw van het structurele model en de veronderstelde schadescenario's. Echte structuren vertonen variabiliteit als gevolg van temperatuur, belasting en veroudering.
  • Onderwerpigheid in objectieve selectie .. ingenieurs moeten beslissen welke doelstellingen te omvatten en hoe ze te normaliseren, die kunnen leiden tot vooroordelen.
  • Gegevensvereisten .. evolutionaire algoritmen met grote populaties kunnen veel evaluaties nodig hebben, die onbetaalbaar kunnen zijn voor zeer grote structuren.

Toekomstige aanwijzingen

Het gebied van multi-objectieve optimalisatie voor SHM evolueert snel. Belovende onderzoeksrichtingen zijn onder andere:

  • Integratie met digitale tweeling . . real-time sensorgegevens kunnen de digitale tweeling bijwerken, waardoor dynamische heroptimalisatie van sensorconfiguraties en onderhoudsstrategieën mogelijk wordt.
  • Grote gegevens en AI . . . Deep learning surrogaat modellen kunnen het optimalisatieproces versnellen, en versterking leren kan sensor plaatsing aanpassen in reactie op voortdurende schade evolutie.
  • Onzekerheidskwantificatie .. robuuste MOO-methoden die expliciet rekening houden met onzekerheden in modellering, sensorgeluid en omgevingsomstandigheden worden ontwikkeld.
  • Multi-objectieve Bayesiaanse optimalisatie .. sample-efficiënte methoden die probabilistische modellen van de doelstellingen bouwen, waardoor optimalisatie met minder dure structurele analyses mogelijk is.
  • Menselijke besluitvorming .. interactieve hulpmiddelen waarmee ingenieurs in real time het Paretofront kunnen verkennen en voorkeuren kunnen uiten.

Naarmate SHM-systemen autonomer en datarijker worden, zal de rol van multi-objectieve optimalisatie toenemen, waardoor slimmer, veerkrachtiger infrastructuurbeheer mogelijk wordt.

Conclusie

Multi-objectieve optimalisatie biedt een rigoureus en flexibel kader voor het verbeteren van structurele gezondheidsmonitoringsystemen. Door expliciet de afwegingen te modelleren tussen concurrerende doelstellingen zoals kosten, nauwkeurigheid, dekking en robuustheid, helpt MOO ingenieurs sensornetwerken en data processing pijpleidingen te ontwerpen die zowel efficiënt als effectief zijn. Evolutionaire algoritmen zoals NSGA-II en MOEA/D zijn bijzonder waardevol gebleken voor het genereren van Pareto-optimale oplossingen in complexe, real-world SHM problemen. Terwijl computationele eisen en modelonzekerheden uitdagingen blijven, kunnen continue vooruitgang in surrogate modeling, AI en digitale tweelingtechnologieën de MOO nog praktischer en krachtiger maken. Voor infrastructuureigenaren en exploitanten, waarbij multi-objecte optimalisatie wordt toegepast, leiden tot veiligere, meer kostenefficiënte monitoring, uiteindelijk tot verlenging van de levensduur van kritieke structuren en vermindering van onderhoudskosten. Naarmate het veld verder tot ontwikkeling wordt de integratie van optimalisatie met realtime SHM-gegevens een hoeksteen van intelligent infrastructuurbeheer.