液压管道故障诊断自适应调整算法

　　1 引 言

　　目前遗传算法已经在结构的损伤诊断领域获得了较多的应用[1-4]。结构损伤诊断的目的是通过现有的损伤特征数据寻找对应的损伤状态，因此损伤诊断问题可以归结为模式识别或参数优化问题，而遗传算法的全局优化功能[5-6]则能顺利完成损伤模式的搜索，但是搜索过程中的计算量相当大。在结构损伤模式识别过程中，由于不能准确判定结构的损伤位置，遗传算法中的染色体不仅包括了损伤位置处的损伤程度，还包括无损位置处的损伤程度，而对于搜索得到的每一种损伤模式，都需要通过有限元计算得到对应的损伤标识量，才能进行该损伤模式的适宜度判定。即使事先采用损伤定位性能优良的损伤标识量来判定结构可能的损伤位置，对于大型结构而言整个搜索速度还是非常缓慢的。而在进化成功的染色体编码中，只有部分位置的损伤程度不为零，因此染色体的很多参量是缺损的，缺损的参量对整个遗传算法的全局搜索以及结构的损伤状态的判定没有任何影响，但是会加大搜索的计算工作量，因此如何在全局搜索的前提下尽快减小搜索范围，就显得非常必要。

　　本文从结构损伤模式识别的特性出发，通过一定的改进措施实现遗传算法中染色体长度的自适应调整，在搜索过程去除染色体中参量缺损的区段，缩小损伤位置的搜索范围，达到提高损伤诊断效率的目的。

　　2 结构损伤诊断的遗传算法

　　遗传算法应用于结构的损伤诊断，关键环节是解决损伤诊断标识量的选择、编码的设计和适宜度函数选择三方面问题。

　　2.1 损伤标识量的选择

　　已有的研究表明结构的一阶振型变化率在损伤位置处存在峰值，因此可以通过其峰值位置来判定在该峰值以及峰值附近的位置可能存在损伤[7-8]，一阶振型变化率定义为

　　其中：分别为损伤前后结构第 j 个元素的一阶振型值即为损伤结构相对于无损伤结构的一阶振型变化率向量;n 为结构的自由度总数。

　　遗传算法应用于结构损伤诊断时，如果在所有的位置处进行损伤模式识别会造成种群规模过大，运行速度太慢而失去原有的优越性，选择一阶振型变化率作为结构的损伤诊断标识量，可以缩小损伤模式的搜索范围，解决种群规模过大的问题，提高收敛速度并充分发挥其全局搜索功能。

　　2.2 遗传算法的编码

　　本文遗传算法的编码采用二进制编码[9]，结构的损伤状态由弹性模量的折减表征。每个染色体代表一种损伤模式，包含各个可能的损伤位置(由一阶振型变化率决定)弹性模量的折减。无损伤结构局部的弹性模量0E ，存在损伤后的弹性模量为E '，定义编码参数