一种用于轨道车辆状态监测的传感器布局方法及系统与流程
1.本发明属于轨道车辆状态监测技术领域，尤其涉及一种用于轨道车辆状态监测的传感器布局方法及系统。
背景技术：
2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.作为一个主要的公共交通方式之一，轨道车辆极大的影响着人们的出行方式和生活节奏，轨道车辆在长时间的运转中出现故障，通常会造成巨大的经济损失以及威胁人类的人身安全。所以对于轨道车辆进行实时健康监测是十分有必要的。
4.合理布置传感器采集轨道车辆的实时状态信息，是保证有效监测的基础，对于结构形态的重构效率和精度有着重要的影响。在考虑传感器的布局时，通常需要兼顾两个方面的内容。第一，是对于传感器的利用效率，第二就是光纤传感网络系统的可靠性问题。两者在一定程度上是对立的，因此需要提出一种方法可以实现在达到既定要求的前提下，布置尽可能少的传感器同时能够保证传感系统的可靠性，从而实现光纤传感网络的最优布局。传统的传感器优化布局方法如有效独立法、原点留数法、qr分解法和奇异值分解法等，仅适用于自由度较少的结构模型中，能够得到较为准确的测量结果，对于轨道车辆，如高速列车等大尺度复杂结构，由于自由度大大增加，若仍采用传统的传感器优化布局方法，位置精度难以保证，不利于后续应变场重构；虽然通过增设传感器能够提高测量精度，但是一方面增加了成本，另一方面大大增加计算复杂度，此外还会造成传感器信息冗余现象。因此，目前在轨道车辆关键部件布设传感器仍然大部分依靠工人经验。
技术实现要素：
5.为克服上述现有技术的不足，本发明提供了一种用于轨道车辆状态监测的传感器布局方法及系统，针对传感器布局优化的问题，利用粒子优化算法与极限学习机相结合的方法对fbg传感器进行优化标定，有助于减小承力结构应变场重构误差。
6.为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
7.一种用于轨道车辆状态监测的传感器布局方法，包括以下步骤：
8.获取所述轨道车辆承力结构的有限元模型，均匀提取多个结构点；
9.对所述有限元模型进行模态分析，根据模态分析结果基于所述多个结构点得到多种初始布局方案；
10.对于多种载荷下的每种初始布局方案，均对其中多个测点的模拟应变和所有结构点的应变进行重构；
11.根据重构的多个测点的模拟应变和所有结构点的应变，基于极限学习机，学习局部-全局应变关系模型；
12.将每种初始布局方案分别作为一个粒子，以所述局部-全局应变关系模型输出应
变与模拟应变的均方根误差为约束，基于粒子优化方法获取传感器最优布局。
13.进一步地，多种初始布局方案获取方法为：
14.基于所述有限元模型进行模态分析，得到所述多个结构点的振动特性；
15.根据所述振动特性从中选取多个候选测点；
16.基于所述多个候选测点的不同组合，得到多种初始布局方案。
17.进一步地，对所述有限元模型进行模态分析，还得到所述多个结构点的模态振型矩阵，以及每种初始布局方案中多个测点的模态振型矩阵。
18.进一步地，多种载荷的模拟方法包括：
19.将所述承力结构进行区域划分，在每种初始布局方案下，对其中的一个区域或多个区域进行静力加载，得到多种载荷，以及各种载荷下每种初始布局方案中多个测点的模拟应变。
20.进一步地，对所有结构点的应变进行重构包括：
21.对于每种载荷下每种初始布局方案，获取其中多个测点的模拟应变值，根据所述多个测点的模拟应变值和相应模态振型矩阵，求解模态坐标；
22.根据所述模态坐标和所述多个结构点的模态振型，得到每种载荷下每种初始布局方案对应的多个结构点的应变值。
23.一个或多个实施例提供了一种用于轨道车辆状态监测的传感器布局系统，包括：
24.有限元模型获取模块，用于获取所述轨道车辆承力结构的有限元模型，均匀提取多个结构点；
25.初始布局确定模块，用于对所述有限元模型进行模态分析，根据模态分析结果基于所述多个结构点得到多种初始布局方案；
26.全局应变重构模块，用于对于多种载荷下的每种初始布局方案，均对其中多个测点的模拟应变和所有结构点的应变进行重构；
27.局部-全局关系学习模块，用于根据重构的多个测点的模拟应变和所有结构点的应变，基于极限学习机，学习局部-全局应变关系模型；
28.布局优化模块，用于将每种初始布局方案分别作为一个粒子，以所述局部-全局应变关系模型输出应变与模拟应变的均方根误差为约束，基于粒子优化方法获取传感器最优布局。
29.进一步地，多种初始布局方案获取方法为：
30.基于所述有限元模型进行模态分析，得到所述多个结构点的振动特性；
31.根据所述振动特性从中选取多个候选测点；
32.基于所述多个候选测点的不同组合，得到多种初始布局方案。
33.进一步地，对所述有限元模型进行模态分析，还得到所述多个结构点的模态振型矩阵，以及每种初始布局方案中多个测点的模态振型矩阵。
34.进一步地，多种载荷的模拟方法包括：
35.将所述承力结构进行区域划分，在每种初始布局方案下，对其中的一个区域或多个区域进行静力加载，得到多种载荷，以及各种载荷下每种初始布局方案中多个测点的模拟应变。
36.进一步地，对所有结构点的应变进行重构包括：
37.对于每种载荷下每种初始布局方案，获取其中多个测点的模拟应变值，根据所述多个测点的模拟应变值和相应模态振型矩阵，求解模态坐标；
38.根据所述模态坐标和所述多个结构点的模态振型，得到每种载荷下每种初始布局方案对应的多个结构点的应变值。
39.一个或多个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现用于轨道车辆状态监测的传感器布局方法。
40.一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述用于轨道车辆状态监测的传感器布局方法。
41.以上一个或多个技术方案存在以下有益效果：
42.通过模态分析从轨道车辆承力结构中指定多种初始布局方案，保证了后续测点的设置能够在承力结构中均匀分布；
43.针对每种初始布局方案，通过获取不同载荷下各初始布局方案对应的应变场，以及全场应变场，以此为训练数据，基于极限学习机进行局部-全局关系学习，并以重构应变和模拟应变的均方根误差为优化目标，基于粒子优化算法进行寻优，得到最优布局方案，从而大幅减小承力结构应变场重构误差，提高了传感器测量数据的可靠性，能够准确地模拟轨道车辆承力结构的应变场，为状态监测提供依据。
附图说明
44.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
45.图1为本发明一个或多个实施例中轨道车辆承力结构传感器布局优化方法流程图；
46.图2为本发明一个或多个实施例中极限学习机结构图。
具体实施方式
47.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
48.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
49.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
50.实施例一
51.光栅光纤传感器(fbg传感器)具备可以实现多参量、多点监测且具有较高的灵敏度等优点，因此其逐渐成为工程领域中应用最广泛、技术最成熟的光纤传感器。本实施例公开了一种轨道车辆承力结构传感器布局优化方法，具体地，基于有限元分析和fbg传感器实验，提取承力结构的全局应变模态矩阵、fbg传感器对应节点的模态矩阵和fbg传感器测量
点的应变值，利用模态叠加法重构承力结构的全场应变，运用模态叠加法和粒子极限学习机(pso-elm)，对fbg传感器进行布局优化，减小承力结构的应变重构误差，所述方法包括以下步骤：
52.步骤1：建立轨道车辆承力结构的有限元模型，并均匀地进行多个结构点提取。
53.本实施例中，所述承力结构为列车的横梁结构，是其他各零件安装的基础，为整个车体提供支撑作用。
54.通过获取承力结构的实际参数来建立承力结构的有限元模型，在建立有限元模型后，以多个结构点用来近似代替整体的所述承力结构，并作为后续传感器布局点位的筛选基础，本实施例中，所述多个结构点的个数记为n。
55.本领域技术人员可以理解，上述有限元建模可以采用当前现有有限元分析软件实现，在此不做限定。
56.步骤2：基于所述有限元模型进行模态分析，基于所述多个结构点得到多种初始布局方案。
57.所述步骤2具体包括：
58.步骤2.1：基于所述有限元模型进行模态分析，得到所述多个结构点的振动特性；
59.步骤2.2：根据所述振动特性从中选取多个候选测点；
60.步骤2.3：基于所述多个候选测点的不同组合，得到多种初始布局方案。
61.根据选定模态阶数r，本实施例首先基于所述有限元模型，对所述多个结构点进行振动模拟，根据振动幅值选择应变点，作为候选测点，候选测点的个数记为p。具体地，根据所述承力结构服役的固支情况、实际承载情况，将横梁两端固支作为边界条件，对其进行模态分析，模态阶数按照模态有效质量占比80％以上进行选择。
62.由于传感器布局的原则是在保证传感系统可靠性的前提下使得传感器数量尽可能少，因此本实施例在获取了p个候选测点的基础上，从中选取m个作为fbg传感器的初始布局，如此，即得到c
p
m种初始布局方案。本领域技术人员可以理解，若m取多个不同值，则有更多初始布局方案。
63.此外，基于上述模态分析，还获取所述多个结构点的模态振型矩阵并且对于每一种初始布局方案，均获取其中多个测点的模态振型矩阵其中，n是多个结构点的数量，m是测点的数量，r是选取的模态阶数。
64.步骤3：对所述承力结构依次进行多种载荷的静力加载，对于多种载荷下的每种初始布局方案，均对其中多个测点的模拟应变和所有结构点的应变进行重构。
65.所述步骤3具体包括：
66.步骤3.1：将所述承力结构进行区域划分，在每种初始布局方案下，对其中的一个区域或多个区域进行静力加载，得到多种载荷，以及各种载荷下每种初始布局方案中多个测点的模拟应变。
67.具体地，对结构进行静力学分析，根据承力结构在服役过程中的受力情况，设计载荷加载方法，对承力结构进行数值模拟静力加载。具体地，将所述承力结构进行区域划分，例如划分为20个区域，对其中的一个区域或多个区域进行静力加载，顺序模拟各种载荷组合静力加载，得到多种载荷，载荷数记为n，并且得到每个载荷下m个测点的模拟应变。
68.步骤3.2：对于每种载荷下每种初始布局方案，获取其中多个测点的模拟应变值，
基于模态叠加法对所有结构点的应变进行重构。具体包括：根据所述多个测点的模拟应变值和相应模态振型矩阵，求解模态坐标；根据所述模态坐标和所述多个结构点的模态振型，得到每种载荷下每种初始布局方案对应的多个结构点的应变值。
69.基于模态叠加法，对于每一种载荷，m个测点的应变可以表示为：
[0070][0071]
式中，qr为模态坐标，当传感器数目大于等于选定模态阶数时，qr的最小二乘解为：
[0072][0073]
式中，是的伪逆，即
[0074]
确定模态坐标后，所有结构点的应变值可以表示为：
[0075][0076]
由此，获得承力结构所有结构点的应变值，记为全场重构应变，实现了承力结构的应变场重构模型搭建。
[0077]
步骤4：根据重构的多个测点的模拟应变和所有结构点的应变，基于极限学习机(elm)，学习局部-全局应变关系模型。
[0078]
基于模态叠加法，分别对n个载荷下的应变场进行重构，获得n个载荷下的对应每种初始布局方案的全场重构应变εn，从中选取k(k＜n)个载荷下的多种初始布局方案fbg传感器测量位置的模拟应变εm和全场重构应变εn作为训练集，对其进行极限学习机的学习，其原理如图2所示。
[0079]
极限学习机(elm)是针对单隐层前馈神经网络(slfns)的监督型学习算法。标准slfns的模型为：
[0080][0081]
式中，为隐层节点数，g(
·
)为激活函数，wi为输入权值，bi为隐层节点阈值，βi为隐层输出权值，xj为输入向量；oj为输出向量。
[0082]
给定k个学习样本(ε
jm
,ε
jn
),j＝1,2,...,k，其中输入为ε
jm
＝[ε
1m
,ε
2m
,...,ε
jm
]
t
∈rk，输出为ε
jn
＝[ε
1n
,ε
2n
,...,ε
jn
]
t
∈rk，elm的学习方法是：
[0083]
(1)确定隐层节点个数和激活函数，随机设定输入权值和隐层节点阈值；
[0084]
(2)计算隐层输出矩阵，即
[0085][0086]
(3)计算输出层权值即：
[0087][0088]
式中，h
+
是h的moore-penrose广义逆，t＝[ε
1 ε
2 ··· εn]k×n[0089]
步骤5：将每种初始布局分别作为一个粒子，以所述局部-全局应变关系模型输出应变与模拟应变的均方根误差为约束，基于粒子优化方法(pso)获取传感器最优布局。
[0090]
将初始fbg传感器的位置坐标(xm,ym)作为pso中粒子的元素，共有c
pm
种，将elm学习样本期望输出应变与模拟输出应变的均方根误差(rmse)作为pso的适应度，使用pso对fbg传感器进行布局优化，使elm达到更高的精度。
[0091]
其中，以fbg传感器测量位置下的elm输出应变与模拟应变的均方根误差作为约束：
[0092][0093]
式中，em为elm输出的输出应变，εm为模拟应变，m为传感器数，即对应的坐标位置。
[0094]
具体地，所述步骤4-5中，pso-elm的学习流程是:
[0095]
①
给定学习样本。学习样本包括输入向量和期望输出向量，在训练前，对学习样本进行归一化处理。
[0096]
②
建立pso-elm神经网络拓扑结构。包括确定输入层、隐层、输出层的神经元个数和选择激活函数。
[0097]
③
产生种。设定粒子数产生z个范围在[-1，1]的随机数向量作为粒子的个体，每个个体有个元素，为隐层节点数，l为输入层神经元个数。
[0098]
④
初始化pso的速度、惯性权重、加速度因子以及最大迭代次数等。
[0099]
⑤
计算每个粒子适应度值。根据式(4)、(5)、(6)计算得到学习样本的实际输出，并进一步求出期望输出与实际输出的均方根误差，即得到每个粒子的适应度，到每个粒子的个体极值和种的体极值。
[0100]
⑥
根据pso的两个迭代公式更新粒子的速度和位置。
[0101]
⑦
判断是否达到最大迭代次数或者最小误差，若达到，则停止迭代，此时的体极值即是经过pso优化的fbg传感器最优布局。若没达到，转到
⑤
，继续迭代。
[0102]
通过利用粒子优化算法与极限学习机相结合的方法对fbg传感器进行优化标定，有助于减小承力结构应变场重构误差，对于大型结构的应用有着广阔前景和较高的工程应用价值。
[0103]
实施例二
[0104]
一种用于轨道车辆状态监测的传感器布局系统，其特征在于，包括：
[0105]
有限元模型获取模块，用于获取所述轨道车辆承力结构的有限元模型，均匀提取多个结构点；
[0106]
初始布局确定模块，用于对所述有限元模型进行模态分析，根据模态分析结果基于所述多个结构点得到多种初始布局方案；
[0107]
全局应变重构模块，用于对于多种载荷下的每种初始布局方案，均对其中多个测
点的模拟应变和所有结构点的应变进行重构；
[0108]
局部-全局关系学习模块，用于根据重构的多个测点的模拟应变和所有结构点的应变，基于极限学习机，学习局部-全局应变关系模型；
[0109]
布局优化模块，用于将每种初始布局方案分别作为一个粒子，以所述局部-全局应变关系模型输出应变与模拟应变的均方根误差为约束，基于粒子优化方法获取传感器最优布局。
[0110]
实施例三
[0111]
本实施例的目的是提供一种电子设备。
[0112]
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例一中所述的用于轨道车辆状态监测的传感器布局方法。
[0113]
实施例四
[0114]
本实施例的目的是提供一种计算机可读存储介质。
[0115]
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一中所述的用于轨道车辆状态监测的传感器布局方法。
[0116]
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
[0117]
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
[0118]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
