板结构试件多载荷识别算法及在损伤检测上的应用

　　1　引　言

　　智能材料必须具备感知、驱动和控制这3个基本要素。其中“感知”要素是最基本的要素,是实现“驱动”和“控制”要素的基本条件,“驱动”和“控制”是智能材料的目的。所谓的智能材料和结构的自诊断功能,是指结构能够根据外界环境变化引起的材料响应判断导致该响应的起因,并对结构自身反应及反应的累积历史进行评估,对未来使用情况进行一定的预测。这个识别、评估、预测的过程,实质上是对检测数据的智能计算和处理过程,可归结为力学上的反分析问题[1]。

　　通常智能结构感知的信息是离散的、有限的,而且不可避免地含有一些误差,如何由这些有限的、含有误差的信息推断出起因便是自诊断功能要完成的任务。本文将探讨根据埋入复合材料或粘贴在材料表面的传感器所提供的材料上若干个点的应变来识别同时加载在板结构试件的多个静态集中载荷的大小和位置的算法。

　　2　基于遗传算法的载荷识别原理

　　目前常用的载荷参数识别方法有:采用正则化方法和最小二乘法识别板结构受载后集中力的大小和位置[2],采用最小二乘法和边界元方法或有限元方法结合研究二维弹性反问题[3, 4],人工神经网络的方法[5]等。这些方法通常只用于识别单个集中载荷,无法识别多个集中载荷。因此必须寻找一个新的算法来解决载荷识别问题。

　　2·1　多载荷识别存在的难点

　　逆问题分析存在解非唯一,是多载荷识别的最大难题。这是因为通常埋入板结构的传感器是点传感器,而非分布式传感器。受成本限制和设备处理能力的影响,传感器的数量不可能太多。这样不同的载荷组合就有可能有相同的传感器值,造成误识别。所以,要想获得唯一的解是不现实的,所识别的结果应是最优解。

　　另外,对于神经网络这类需要训练样本的算法,样本的数量也是一个重要考虑因素。为了防止神经网络出现欠学习现象,样本的数量必需足够多。在300×300的板上用神经网络进行单个载荷识别实验,在板面上划分100(10×10)样本点,每个点分别施加10次大小不同的载荷,则样本量为1000个。经过训练后,神经网络能较好地识别单个集中载荷。若要识别多个载荷,仅以两个载荷识别为例子,在不同样本点上的载荷两两组合就可能达到近百万。这就意味着使用该算法所需要的训练工作量太大,致使算法无法实现。

　　对于神经网络,多载荷识别还有另外一个难题,就是神经网络结构的确定。由于事先不知道施加在试件上的载荷数量,因此神经网络输出的节点数就无法确定,以至于整个神经网络的结构就无法确定。由于每个载荷的参数有3个,力的大小和坐标(F、X、Y),要识别n个载荷所需要的输出节点就要3n。输入节点由传感器数量决定,而传感器数量不可能太多,所以,用于多个载荷识别的神经网络有可能出现输出节点的数量大于输入节点。这样的网络结构是不合理的,不容易收敛。因此,我们称神经网络不方便用于“表达”多载荷识别问题。