Yapısal Sağlık İzleme Sistemlerini Geliştirmek için Multi-objective Optimizasyonu Uygulayın

Giriş Giriş Giriş

Yapısal Sağlık İzleme (SHM) sistemleri, köprüler, binalar, barajlar, rüzgar türbinleri ve deniz platformları dahil olmak üzere kritik altyapının durumunu ve bütünlüğünü değerlendirmek için vazgeçilmez hale geldi.Aynı zamanda sensör maliyetlerini sürekli olarak veya periyodik olarak veri toplama, algılamayı, kapsama alanını, veri iletimini, güç tüketimini ve hesaplama kaynaklarını artırmayı sağlar.

Yapısal Sağlık İzlemesini Anlamak

Yapısal Sağlık İzleme, mühendislik yapıları için bir hasar tespit stratejisi uygulamak için bir prosedür uygulamak için ifade eder.Bu, yapıdaki mevcut durumu içerir (yalnızca monitör, eccelerometreler, fiber optik sensörler, pastazoelektrik transducers vs.) ve SHM'nin birincil hedeflerini toplamak için kullanılır:

• [FONT:0]Damage algılama[[[DFLT:1) - bu hasarın meydana geldiğini tanımlamak.
• [FONT:0] Yerelleşme[[DDDK:1] - hasar yerini belirleme.
• [FONT:0]Damage niceleştirme[[DDDDVT:1) - hasarın şiddetini değerlendirmek.
• [FONT:0)Prognoz[[Dönetici: 1) Kalan yararlı hayatı tahmin edin.

Bir SHM sisteminin etkinliği, sensör düzeni, veri toplama frekansı, sinyal işleme yöntemleri ve karar algoritmalarına bağlıdır. Ancak, bütçe sınırlamaları, yükleme zorlukları ve çevresel koşullar bu parametrelerin optimizasyonunu genellikle kuralı-of-faz optimizasyonu veya tek-objective optimizasyonunu kullanabilir, ancak bunlar rekabet faktörleri arasındaki önemli etkileşimleri ihmal edebilir.

Multi-Objective Optimizasyon Temelleri

Multi-objective optimizasyon, tek bir hedefle optimize edilecek problemlerle ilgili konuların bir parçası.Tek bir en iyi çözümün aradığı tek bir optimizasyondan farklı olarak MOO, en iyi hedeflerden birini temsil eden bir çözüm bulmaya çalışıyor.Bu çözümler aynı anda optimize edilmiş durumda.[Dönemli)[Dönemli çözümlerden farklı olarak adlandırılır[Dönemli)[Dönemli çözümler.

Formally, çok-objective minimization problemi olarak belirtilebilir:

[0]

x'in karar vektörü olduğu ve f1'in fm aracılığıyla objektif işlevleri vardır. SHM uygulamalarında, hedefler genellikle minim maliyeti, maxize edici algılama doğruluğu, maxdinging kapsama ve yanıt süresi içerir. çünkü bu hedefler genellikle çatışmaktadır, MOO ticaretten çıkmak için sistematik bir yol sunar.

MOO problemlerini çözmenin ortak yaklaşımlar şunlardır:

• [FONT:0]Weighted sum method[[Dönemli: 1))[[Dönemli:0)Weighted sum method[[Döntilmiş: 0,8- ) - hedefleri tek bir işleve ağırlık kullanarak birleştirir, ancak Pareto cephesinin sınırsız kısımlarını kaçırabilir.
• [FONT:0] ⁇ -constraint yöntemi) - diğer hedefleri kısıtlar olarak tedavi ederken bir hedef optimize eder.
• [FONT=0]Evolutionary algoritmaları[DÜDÜDÜDÜDÜDÜDÜŞÜN)[Üye Olmayanlar, Bir Tek Bir Kaçınma Önünde (e.g., NSGA-II, SPEA2, MOEA/D)
• [FONT:0)Particle swarm optimizasyonu[[Dön 1: 1] – çoklu-objective problemler için yanlış bilgi çeşitleri.

Evrimsel algoritmaları (EAs) özellikle Wikipedia'da çok fazla toparlama optimizasyonu nedeniyle SHM optimizasyon için popülerdir[Dönersiz, non-convex ve ayrı arama alanları, lisanssız bilgi gerektiren olmadan.]

SHM Optimizasyonunda Anahtar Hedefler

MOO'yu SHM sistemlerine uyguladığında, aşağıdaki hedefler genellikle dikkate alınır:

• [FONT:0]Cost[[DÜT:1) - sensör satın alma, yükleme, bakım ve veri işleme harcamalarını içerir. genellikle para birimlerinde ölçülmektedir.
• [FONT=0)Deteksiyon doğruluk[[[Dönetici:0))[Dönetici:0)) Doğru şekilde tespit edilen hasarın olasılığı (gerçek pozitif oran) yanlış alarmlar ifade ederken, hassaslık, belirlilik veya alıcı işletim karakteristik (ROC) metrikleri ifade edilebilir.
• [FONT:0)Koverage[[[Dönetici: 1))[Dönetici: 2) Bu, sensör ağının güvenilir bir şekilde hasar tespit edebileceği yer.
• [FONT:0)Resolution[[DÜT:1) - küçük hasarları tespit etme yeteneği, genellikle sensör yoğunluğu ve duyarlılığı ile ilgili.
• [FONT:0]Robustness[Dönetici: 1) Sistemin sensör başarısızlıkları, gürültü ve çevresel değişiklikler için direnci.
• [FONT:0]Data iletim ve işleme verimliliği[[Dönetici: 1), bant kullanımı, gecikme ve hesaplama yükü, özellikle gerçek zamanlı SHM için.
• [FONT:0)Power tüketimi[DÜT:1) – kablosuz sensör ağları için, batarya hayatı önemli bir hedeftir.

Bu hedeflerin göreceli önemi uygulama ile değişir. Örneğin, bir köprü izleme sistemi doğruluk ve kapsama öncelik verebilir, bir inşaat sitesi için geçici bir izleme kurulumu düşük maliyet ve dağıtım kolaylığı vurgulayabilir. MOO, karar vericilerin bu ticaret-offları nice olarak keşfetmelerini sağlar.

SHM'ye Çok Çok Çok İyi Bir Optimizasyonu Uygulayın

MOO, SHM sistem tasarımı ve işleyişinin çeşitli aşamalarında entegre edilebilir. Aşağıda uygulamanın üç birincil alanını tartışacağız.

Sensör Placement Optimizasyon

SHM'deki en ince problemlerden biri, Fisher yerleştirmesinin determinantını (öneticileri ile ilgili) en yüksek çözünürlükte (öneticileri) seçmek ve algılama için en bilgilendirici verileri sağlayan potansiyel sensör lokasyonlarını seçmektir. Multidom-objective evrimsel algoritmaları (MOEAs), uzun vadeli köprüler ve notlar ile ilgili olarak büyük ölçekli yapıların belirleyicilerini göstermek için başarıyla uygulanmıştır.

Data Acquisition and Processing

Sensör yerleştirmesinin ötesinde, MOO veri örnekleme oranlarını optimize edebilir, sıkıştırma algoritmaları ve özellik çıkarma yöntemleri. Kablosuz SHM sistemlerinde, enerji tüketimi büyük bir endişedir. Enerji tasarrufları ve bilgi kaybı arasındaki ayrımı en aza indirmek için kullanılabilir. Benzer şekilde, hasar tespiti için özellik seçimi (örneğin, hangi mod parametreleri veya dalgalama katlarını kullanmak için optimize edebilir) çok sayıda özellikte bulunabilir.

Karar Destek Sistemleri

Veri işlendikten sonra, SHM sistemleri genellikle bakım uyarılarını veya önerileri tetikler. MOO, bakım planlamaları için multi-criter karar verme (MCDM) yardımcı olabilir. Örneğin, birden fazla hasar senaryosu tespit edildiğinde, hedefler, uzun vadeli finansal ve güvenlik etkilerini kullanarak özellikle de güvenilir altyapıyı içerir.

Algoritmalar ve Teknikler

Çeşitli algoritmaları çok-objective SHM optimizasyon için uyarıldı. Aşağıda en yaygın kullanılan kategorileri özetliyoruz.

Pareto Front Analysis

Klasik yaklaşım Pareto cephesini, karışık-integer değişkenleri (örneğin, ayrık sensör türleri) gibi yöntemler kullanarak oluşturmakta, bu yöntemler ticari-kapılı modelleri kullanarak, hesaplama verimliliğini artırmakta sınırlamaları olabilir.For SHM problemleri için (örneğin, ayrık sensör türleri), bu yöntemler etkin bir şekilde araştırılamaz.

Evrimsel Algoritmalar

Evrimsel algoritmaları, özellikle NSGA-II ve SPEA2 (Strength Pareto Evolutionary Algorithm 2), SHM optimizasyonu için en popüler olanıdır.

• Kiloları gerektiren bir çok hedefle başa çıkabilir.
• Pareto cephesinin tek bir koşuda iyi dağıtılması.
• Karmaşık kısıtlamalar ve ayrı arama alanları için uyarlanabilir.

Bir başka önemli algoritma, SİAD'ın bir dizi ölçeklendirmesi ve aynı anda optimize edilmesidir. (Multi-Objective Evolutionary Algorithm based on Decompos), evrimsel algoritmaların (FLT:3) daha fazla oku.

Hibrit Yaklaşımlar

Her fitness değerlendirme için ayrıntılı sonlu elemanlar modellerinin çalıştırılması için araştırmacılar genellikle MOEAs'ları ESFLT ile birleştirir:0) Sigortarogate modelleri) (örneğin, Kritch, sinir ağları) tasarım alanının daha hızlı bir şekilde araştırılmasına olanak sağlar.

Gerçek Dünya Vaka Çalışmaları

Multi-objective optimizasyon çeşitli SHM sistemlerine uygulanır. Örneğin, 20 sensörden elde edilen bir çalışma, NSGA-II'yi yüksek hızlı ve modal kimlik doğrulamasını dengelemek için kullandı. Pareto ön, 10 iyi yer sensörleri kullanarak, 20 sensörden elde edilen bilgileri kullanarak, önemli maliyet tasarrufu sağladı.

Offshore rüzgar türbini izlemesinde, çok-objective optimizasyon, hızlanan uzay koşullarındaki en iyi kombinasyonlarını belirlemek için kullanılmıştır.En kısa sürede hız tahmin doğruluğunu artırmak için ölçüm yerlerini belirlemek için kullanılmıştır.

Faydaları ve Sınırlamaları

MOO'nun SHM'ye uygulanması net faydalar sunar:

• [FONT:0] Ticaretten Çıkarmalarının Kapsamlı Olarak İncelenmesi[Döneticiler) – karar vericiler yatırım ile performans değişikliklerini nasıl görselleştirebilirler.
• [FONT:0]Cost-t-tüzerli tasarımlar[[Dönetici:0)[Dönetici tasarımlar[[Dönetici: 1 ) – teminat sensörleri, kapsama alanı altındayken ortadan kaldırılmıştır.
• [FONT:0) Geliştirilmiş güven[[[DÜT:1) - birden Pareto-optimal seçenekleri farklı risk profilleri için esneklik sağlar.
• [FONT:0]Scalability) - algoritmaları yüzlerce potansiyel sensör lokasyonu ve birden fazla hedefle başa çıkabilir.

Ancak, sınırlamalar vardır:

• [FONT:0)C ⁇ karmaşıklığı[Dönetici: 1 ) – Her fitness değerlendirmesi ayrıntılı bir sayısal model çalıştırmayı, optimizasyon zamanı-konsuming. Surrogate modelleme yardımcı olur ama son hataları tanıtabilir.
• [FONT:0) Model belirsizlik - SHM optimizasyonunun doğruluğu yapısal modelin sadakatine ve tahmin edilen hasar senaryolarına bağlıdır. Gerçek yapılar sıcaklık, yükleme ve yaşlanma nedeniyle değişkenliği göstermektedir.
• [FONT:0] Hedef seçimdeSubjectivity) - mühendisler hangi hedefleri dahil etmeye ve bunları nasıl normalleştirebilmelerine karar vermelidirler.
• [FONT:0)Data requirements[[Döneticileri olan evrimsel algoritmaları çok büyük yapılar için yasaklanabilir birçok değerlendirmeye ihtiyaç duyabilir.

Future Yol Tarifi

SHM için çok-objective optimizasyon alanı hızla gelişmektedir. Araştırma yollarının şunları içerir:

• [FONT:0) Dijital ikizlerle Integration with digital twins[[DÜT:1) – gerçek zamanlı sensör verileri dijital ikizi güncelleyebilir, sensör yapılandırmalarının ve bakım stratejilerinin dinamik yeniden tanımlanmasına olanak sağlar.
• [FONT:0) Büyük veri ve AI[[Dönetici: 1)) - derin öğrenme yarı iletken modelleri optimizasyon sürecini hızlandırabilir ve öğrenme öğrenme, sensör yerleştirmeyi devam eden hasar evrimine yanıt olarak değerlendirebilir.
• [FONT:0)Uncertainty niceification) – modelleme, sensör gürültü ve çevresel koşullardaki belirsizlikler için açık bir şekilde hesap veren sağlam MOO yöntemleri geliştirilmektedir.
• [FONT:0)Multi-objective Bayesian optimizasyon) – hedeflerin olasılıksal modellerini inşa eden örnek verimli yöntemler, daha az pahalı yapısal analizlere izin veriyor.
• [FONT:0]İnsan-in-the-loop kararı [Döntme: 1), Mühendislerin Pareto cephesini keşfetmelerine ve gerçek zamanlı tercihleri açıklamalarına izin veren interaktif araçlar.

SHM sistemleri daha bağımsız ve veri zengin hale geldiğinde, multi-objective optimizasyonun rolü genişletilecek, daha akıllı, daha dayanıklı altyapı yönetimine olanak sağlayacaktır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Multi-objective optimizasyon, hem verimli hem de etkili olan, NSGA-II ve MOEA / D gibi rekabetçi hedefler arasındaki ticareti karmaşık, doğruluk, kapsama ve sağlamlığı sağlarken, MOO, mühendislere tasarım sensör ağlarını ve veri işleme hatlarının hem verimli hem de etkili olduğunu sağlar.Internal-Coneto-optimal çözümlerinin karmaşık, gerçek dünya SHM problemlerini geliştirmek için daha gerçekçi bir şekilde teşvik eder.