Применение многоцелевой оптимизации для улучшения систем мониторинга здоровья

Введение

Системы мониторинга состояния и целостности критической инфраструктуры, включая мосты, здания, плотины, ветряные турбины и морские платформы. Благодаря постоянному или периодическому сбору данных от датчиков, встроенных или прикрепленных к структуре, SHM позволяет на ранней стадии обнаруживать повреждения, ухудшение или ненормальное поведение, тем самым поддерживая упреждающее обслуживание и снижение риска. Однако проектирование эффективной системы SHM по своей сути является многогранной задачей: инженеры должны одновременно учитывать затраты на датчики, точность обнаружения, зону покрытия, полосу пропускания данных, потребление энергии и вычислительные ресурсы. Эти цели часто конфликтуют - максимизация покрытия датчиков может увеличить затраты, в то время как снижение плотности датчиков может поставить под угрозу точность обнаружения. Многообъективная оптимизация (MOO) предлагает мощную основу. Систематическое изучение компромиссов между конкурирующими целями, MOO помогает идентифицировать парето-оптимальные конфигурации, которые балансируют производительность, стоимость и надежность. Эта статья обеспечивает углубленное исследование того, как многообъективная оптимизация может улучшить системы SHM, охватывая его основные принципы, практически

Понимание структурного мониторинга здоровья

Структурный мониторинг здоровья относится к процессу реализации стратегии идентификации повреждений для инженерных сооружений. Он включает в себя использование различных датчиков (штаммов, акселерометров, волоконно-оптических датчиков, пьезоэлектрических преобразователей и т. Д.) для сбора данных с течением времени, которые затем анализируются, чтобы сделать вывод о текущем состоянии структуры. Системы SHM могут быть классифицированы в пассивные системы (которые только контролируют, например, вибрацию) и активные системы (которые могут возбуждать структуру и измерять ответы). Основными целями SHM являются:

Эффективность системы SHM сильно зависит от компоновки датчика, частоты сбора данных, методов обработки сигналов и алгоритмов принятия решений.Однако практические ограничения, такие как бюджетные ограничения, трудности установки и условия окружающей среды, делают оптимизацию этих параметров существенной.Традиционные подходы часто используют эмпирическую или однообъективную оптимизацию, но они могут пренебрегать важными взаимодействиями между конкурирующими факторами.

Многообъективные основы оптимизации

Многообъективная оптимизация — это отрасль математической оптимизации, которая занимается задачами, требующими одновременной оптимизации более чем одной объективной функции. В отличие от однообъективной оптимизации, где испрашивается одно лучшее решение, MOO стремится найти набор решений, которые представляют наилучшие возможные компромиссы среди целей. Эти решения известны как Парето-оптимальные решения. Решение Парето-оптимальное, если никакая цель не может быть улучшена без ухудшения по крайней мере одной другой цели. Набор всех парето-оптимальных векторов цели называется Перелом Парето.

Формально, многообъективная задача минимизации может быть сформулирована как:

где x - вектор принятия решения, а f1 - fm - объективные функции. В приложениях SHM цели часто включают минимизацию затрат, максимизацию точности обнаружения, максимизацию охвата и минимизацию времени отклика. Поскольку эти цели обычно противоречат друг другу, MOO обеспечивает систематический способ изучения поверхности компромисса.

Общие подходы к решению проблем МОО включают:

Эволюционные алгоритмы (EA) особенно популярны для оптимизации SHM из-за их способности обрабатывать нелинейные, невыпуклые и дискретные пространства поиска без необходимости градиентной информации.

Основные цели оптимизации SHM

При применении MOO к системам SHM обычно рассматриваются следующие цели:

  • Стоимость — включает в себя расходы на покупку, установку, обслуживание и обработку данных датчиками.
  • Точность обнаружения — вероятность правильного определения повреждения (истинная положительная скорость) при минимизации ложных тревог.Может быть выражена как чувствительность, специфичность или метрика характеристик работы приемника (ROC).
  • Покрытие — пространственная протяженность, в которой сенсорная сеть может надежно обнаруживать повреждения. Это может быть определено как процентная доля охваченной структуры или количество контролируемых критических зон.
  • Резолюция — способность обнаруживать небольшие повреждения, часто связанные с плотностью и чувствительностью датчиков.
  • Рыбкость — устойчивость системы к сбоям датчиков, шумам и изменениям окружающей среды.
  • Эффективность передачи и обработки данных — использование полосы пропускания, задержка и вычислительная нагрузка, особенно для SHM в реальном времени.
  • Потребление энергии — для беспроводных сенсорных сетей время автономной работы является важной целью.

Относительная важность этих целей зависит от применения. Например, система мониторинга мостов может определять приоритеты в отношении точности и охвата, в то время как временная установка мониторинга для строительной площадки может подчеркивать низкую стоимость и простоту развертывания. MOO позволяет лицам, принимающим решения, количественно исследовать эти компромиссы.

Применение многоцелевой оптимизации к SHM

МОО может быть интегрировано в различные этапы проектирования и эксплуатации системы SHM. Ниже мы обсудим три основных области применения.

Оптимизация размещения датчиков

Одной из наиболее изученных проблем в SHM является оптимальное размещение датчиков (OSP). Цель состоит в том, чтобы выбрать подмножество потенциальных местоположений датчиков, которое обеспечивает наиболее информативные данные для идентификации повреждений, при этом минимизируя затраты. Ключевые цели включают максимизацию детерминанта информационной матрицы Фишера (связанной с точностью идентификации модалей), максимизацию охвата критических областей, минимизацию количества датчиков и обеспечение устойчивости к отказу датчиков. Многообъективные эволюционные алгоритмы (MOEA) были успешно применены к OSP для крупномасштабных структур, таких как мосты с длинным пролетом и морские платформы. Например, NSGA-II (Не доминирующий сортирующий генетический алгоритм II) широко используется для генерации фронтов Парето, показывающих компромиссы между количеством датчиков и наблюдаемостью мода. Полученные решения помогают инженерам выбирать макет, который отвечает целям бюджета и производительности.

Приобретение и обработка данных

Помимо размещения датчиков, MOO может оптимизировать скорости отбора данных, алгоритмы сжатия и методы извлечения признаков. В беспроводных системах SHM потребление энергии является основной проблемой. Такие цели, как минимизация потребления энергии, максимизация точности данных и снижение задержки, могут быть сбалансированы с использованием MOO. Например, могут быть разработаны адаптивные схемы выборки, которые регулируют частоту выборки на основе структурной активности, используя фронт Парето, чтобы предложить компромиссы между экономией энергии и потерей информации. Аналогично, выбор функций для обнаружения повреждений (например, выбор параметров модального или коэффициентов вейвлета для использования) может быть обрамлен как многообъективная проблема, где количество функций минимизируется, а точность классификации максимизируется.

Системы поддержки принятия решений

После обработки данных системы SHM часто запускают оповещения или рекомендации по техническому обслуживанию. MOO может помочь в принятии решений по нескольким критериям (MCDM) для планирования технического обслуживания. Например, при обнаружении нескольких сценариев ущерба цели могут включать минимизацию затрат на ремонт, максимизацию запаса прочности и минимизацию простоев. Используя оптимизацию Pareto, можно создать набор стратегий технического обслуживания, в которых заинтересованные стороны выбирают наиболее подходящие на основе своих предпочтений. Этот подход особенно ценен для критической инфраструктуры, где решения имеют долгосрочные финансовые последствия и последствия для безопасности.

Алгоритмы и методы

Несколько алгоритмов были адаптированы для многообъективной оптимизации ШМ. Ниже мы очерчиваем наиболее широко используемые категории.

Анализ фронта Парето

Классический подход включает в себя создание фронта Парето с использованием таких методов, как метод взвешенной суммы или ε-ограничения. Хотя они просты в реализации, они имеют ограничения, когда фронт Парето не выпуклый или прерывистый. Для проблем SHM со смешанными целыми переменными (например, дискретными типами датчиков) эти методы могут не эффективно исследовать компромиссное пространство. Тем не менее, объединение их с суррогатными моделями может повысить вычислительную эффективность.

Эволюционные алгоритмы

Эволюционные алгоритмы, особенно NSGA-II и SPEA2 (Strength Pareto Evolutionary Algorithm 2), являются одними из самых популярных для оптимизации SHM. Они используют популяцию решений-кандидатов, которые развиваются в течение поколений через кроссовер, мутацию и отбор на основе доминирования Парето и сохранения разнообразия. Ключевые преимущества:

  • Может выполнять несколько задач, не требуя веса.
  • Производить хорошо распределенное приближение фронта Парето в один заход.
  • Адаптация к сложным ограничениям и дискретным пространствам поиска.

Другой известный алгоритм — MOEA/D (Многообъективный эволюционный алгоритм на основе разложения), который разбивает задачу MOO на ряд подзадач скалярной оптимизации и оптимизирует их одновременно. MOEA/D продемонстрировала высокую производительность в высокоразмерных задачах SHM, где вычислительная стоимость является проблемой. Подробнее об эволюционных алгоритмах.

Гибридные подходы

Чтобы преодолеть вычислительное бремя запуска подробных моделей конечных элементов для каждой оценки пригодности, исследователи часто объединяют MOEA с суррогатными моделями (например, Kriging, нейронные сети), которые приближают функции целей. Это позволяет быстрее исследовать пространство проектирования. Кроме того, методы машинного обучения, такие как обучение подкреплению, появляются для управления динамическими датчиками в SHM.

Реальные мировые тематические исследования

Многообъективная оптимизация была применена к различным системам ШМ. Например, исследование оптимального размещения датчиков для стального моста с фермой использовало NSGA-II для балансировки стоимости и точности идентификации мода. Фронт Pareto показал, что использование 10 хорошо расположенных датчиков может достичь 90% модальной информации, полученной от 20 датчиков, предлагая значительную экономию затрат. Другой случай включал беспроводные сенсорные сети для высокоскоростных железнодорожных путей, где MOO минимизировал потребление энергии при сохранении надежности обнаружения повреждений. Выбрав оптимальные частоты выборки и интервалы передачи, срок службы сети был продлен на 40% без ущерба для качества мониторинга.

В мониторинге морских ветровых турбин для определения наилучшего сочетания акселерометра и тензометра была использована многообъективная оптимизация, чтобы максимизировать точность прогнозирования срока службы усталости при минимизации затрат на установку. Полученные в результате не доминируемые решения направляли выбор надежной компоновки датчика, которая хорошо работала в различных морских условиях.

Преимущества и ограничения

Применение MOO к SHM дает очевидные преимущества:

  • Комплексное исследование компромиссов — лица, принимающие решения, могут визуализировать, как меняется производительность с инвестициями.
  • Экономические конструкции — избыточные датчики устраняются при сохранении покрытия.
  • Повышенная уверенность — несколько оптимальных вариантов Парето обеспечивают гибкость для различных профилей риска.
  • Масштабируемость — алгоритмы могут обрабатывать сотни потенциальных мест расположения датчиков и несколько целей.

Однако существуют ограничения:

  • Вычислительная сложность — для каждой оценки пригодности может потребоваться запуск детальной численной модели, что делает оптимизацию трудоемкой.
  • Неопределенность модели — точность оптимизации SHM зависит от точности структурной модели и предполагаемых сценариев повреждения.Реальные структуры проявляют изменчивость из-за температуры, нагрузки и старения.
  • Субъективность в объективном отборе — инженеры должны решить, какие цели включать и как их нормализовать, что может привести к смещению результатов.
  • Требования к данным (FLT:0) — эволюционные алгоритмы с большими популяциями могут нуждаться во многих оценках, которые могут быть непомерными для очень больших структур.

Будущие направления

Область многообъективной оптимизации для SHM быстро развивается. Перспективные направления исследований включают:

  • Интеграция с цифровыми двойниками (FLT:0) — данные датчиков в реальном времени могут обновлять цифровой двойник, позволяя динамическую реоптимизацию конфигураций датчиков и стратегий обслуживания.
  • Большие данные и ИИ — суррогатные модели глубокого обучения могут ускорить процесс оптимизации, а обучение с подкреплением может адаптировать размещение датчиков в ответ на продолжающуюся эволюцию повреждений.
  • Определение неопределенности — разрабатываются надежные методы MOO, которые явно учитывают неопределенности в моделировании, шуме датчиков и условиях окружающей среды.
  • Многообъективная байесовская оптимизация — выборочно-эффективные методы, которые строят вероятностные модели целей, позволяя оптимизировать с меньшим количеством дорогостоящих структурных анализов.
  • Человеческое принятие решений в петле — интерактивные инструменты, позволяющие инженерам исследовать фронт Парето и выражать предпочтения в реальном времени.

По мере того, как системы SHM становятся более автономными и богатыми данными, роль многообъективной оптимизации будет расширяться, что позволит более разумно и устойчиво управлять инфраструктурой.

Заключение

Многообъективная оптимизация обеспечивает строгую и гибкую основу для улучшения структурных систем мониторинга здоровья. Путем явного моделирования компромиссов между конкурирующими целями, такими как стоимость, точность, покрытие и надежность, MOO помогает инженерам проектировать сенсорные сети и конвейеры обработки данных, которые являются эффективными и эффективными. Эволюционные алгоритмы, такие как NSGA-II и MOEA / D, оказались особенно ценными для генерации оптимальных решений в сложных, реальных проблемах SHM. В то время как вычислительные требования и неопределенность моделей остаются проблемами, текущие достижения в суррогатном моделировании, ИИ и технологиях цифровых двойников обещают сделать MOO еще более практичным и мощным. Для владельцев инфраструктуры и операторов принятие многообъективной оптимизации может привести к более безопасному, более экономичному мониторингу, в конечном итоге продлевая срок службы критических структур и снижая затраты на техническое обслуживание. По мере того, как область продолжает созревать, интеграция оптимизации с данными SHM в реальном времени станет краеугольным камнем интеллектуального управления инфраструктурой.