一种弹性结构三维变形重构方法及系统技术方案

本发明专利技术提供了一种弹性结构三维变形重构方法及系统，包括：获取铝合金板状结构表面的波长数据；依据获取的波长数据，以及预设的预测模型，得到铝合金板状结构的形变位移数据；其中，预设的预测模型为基于极限学习机算法建立的波长偏移量和铝合金板状结构形变位移量的非线性关系，极限学习机算法采用粒子群优化算法优化；根据得到的形变位移数据，以及曲面重构算法，得到铝合金板状结构变形曲面的重构；本发明专利技术利用极限学习机神经网络算法预测得到弹性结构形变位移数据，相较于传统算法，简化了运算过程，适用于复杂的非线性系统，同时，利用PSO算法优化极限学习机神经网络预测模型，进一步提高了曲面重构精度。进一步提高了曲面重构精度。进一步提高了曲面重构精度。

【技术实现步骤摘要】
一种弹性结构三维变形重构方法及系统


[0001]本专利技术属于结构健康监测
，尤其涉及一种弹性结构三维变形重构方法及系统。

技术介绍

[0002]铝合金结构质地轻，耐腐蚀性能好，加工方便，是制造航天器的理想材料，因此在航空航天领域中应用广泛。铝合金板状结构是航天器的典型结构，由于航天器工作环境复杂，易受到低速冲击，高低温交变和气压变化等影响，从而导致结构发生变形，继而产生疲劳破坏和结构分层，会造成严重的飞行事故。因此，对这些典型结构通过传感测量系统进行变形监测，及时诊断，调整飞行参数，对保证航天器的飞行性能和整体安全性至关重要。
[0003]专利技术人发现，在三维曲面重构技术研究领域，现有的传统方法有曲率转换法，模态法，挠度曲线法等，采用的智能算法有学习迁移法和极限学习机等，这些方法已经被应用于大量的研究中。而曲率转换法由于计算过程复杂，会导致误差累积，使得重构精度下降；模态法要求的足够精确的载荷或弹性模量等材料信息，在实验过程中很难测量到精确的数值，因此不易重构模型；逆有限元法适用于线性变形体系，不适合复杂的工程结构。相比之下，采用智能算法可以很有效地规避以上问题。神经网络算法对仿真模型没有严格的要求，可以充分逼近任意复杂的非线性关系，因此在弹性结构曲面重构上，具有很好的应用前景。极限学习机(Extreme Learning Machine，ELM)是一种单隐层前馈神经网络，通过随机产生的输入权重矩阵和阈值权重矩阵，可逆运算一次性确定输出权重矩阵，相较于传统的BP神经网络，ELM泛化性能更好，训练速度更快。但是由于ELM的输入权重矩阵和阈值矩阵都是随机产生的，仍会造成一定的预测误差。

技术实现思路

[0004]本专利技术为了解决上述问题，提出了一种弹性结构三维变形重构方法及系统，本专利技术利用粒子群优化算法(Particle swarm optimization，PSO)强大的全局寻优能力，寻找最优的ELM参数，从而得到最优的ELM模型。
[0005]为了实现上述目的，本专利技术是通过如下的技术方案来实现：
[0006]第一方面，本专利技术提供了一种弹性结构三维变形重构方法，包括：
[0007]获取铝合金板状结构表面的波长数据；
[0008]依据获取的波长数据，以及预设的预测模型，得到铝合金板状结构的形变位移数据；其中，预设的预测模型为基于极限学习机算法建立的波长偏移量和铝合金板状结构形变位移量的非线性关系，极限学习机算法采用粒子群优化算法优化；
[0009]根据得到的形变位移数据，以及曲面重构算法，得到铝合金板状结构变形曲面的重构。
[0010]进一步的，获取贴附在铝合金板状结构表面的光纤光栅传感器网络的波长数据。
[0011]进一步的，所述预测模型的获取过程为：
[0012]获取铝合金板状结构表面的初始波长数据、发生变形后的波长数据和形变位移数据；根据初始波长数据和发生变形后的波长数据，得到波长偏移量；
[0013]根据波长偏移量和形变位移数据，以及极限学习机算法，得到不同形变状态下的波长偏移量对应变的形变位移数据。
[0014]进一步的，控制电机施加载荷力使得铝合金板状结构发生变形，利用千分表采集铝合金板状结构的形变位移数据。
[0015]进一步的，极限学习机算法采用粒子群优化算法优化，包括：
[0016]将样本数据集分为训练数据集和预测数据集，并进行归一化处理；
[0017]设置极限学习机算法的初始变量和粒子群优化算法的初始参数：确定学习因子、惯性权重、最大迭代次数和精度；
[0018]基于粒子初始位置和训练数据代入极限学习机算法进行训练，得到输出值，并计算适应度值；同时寻找个体极值和群体极值，记录适应度值和位置；
[0019]更新惯性权重，惯性权重随迭代次数线性减小；
[0020]在每一次的迭代过程中，每个粒子根据个体极值和群体极值进行速度和位置更新，最终得到最优的个体适应度值和位置；
[0021]个体最优的位置代入极限学习机神经网络中，得到最优的输出权重。
[0022]进一步的，得到铝合金板状结构变形曲面的重构包括：
[0023]根据位移数据被采集时对应于铝合金板状结构表面的位置，对位移数据进行重新排列；
[0024]对离散位移数据进行连续化处理；
[0025]将连续化处理后的位移数据进行曲面拟合，得到重构曲面。
[0026]进一步的，采用二维插值法对离散位移数据进行连续化处理。
[0027]第二方面，本专利技术还提供了一种弹性结构三维变形重构系统，包括：
[0028]数据采集模块，被配置为：获取铝合金板状结构表面的波长数据；
[0029]预测模块，被配置为：依据获取的波长数据，以及预设的预测模型，得到铝合金板状结构的形变位移数据；其中，预设的预测模型为基于极限学习机算法建立的波长偏移量和铝合金板状结构形变位移量的非线性关系，极限学习机算法采用粒子群优化算法优化；
[0030]重构模块，被配置为：根据得到的形变位移数据，以及曲面重构算法，得到铝合金板状结构变形曲面的重构。
[0031]第三方面，本专利技术还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了第一方面所述的弹性结构三维变形重构方法的步骤。
[0032]第四方面，本专利技术还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了第一方面所述的弹性结构三维变形重构方法的步骤。
[0033]与现有技术相比，本专利技术的有益效果为：
[0034]1、本专利技术利用极限学习机神经网络算法预测得到弹性结构形变位移数据，相较于传统算法，简化了运算过程，适用于复杂的非线性系统，同时，利用PSO算法优化极限学习机神经网络预测模型，进一步提高了曲面重构精度；
[0035]2、本专利技术采用光纤光栅传感器阵列进行弹性结构的信号采集来提取结构的形变
信息，适用于复杂多变的航天环境。
附图说明
[0036]构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解，本实施例的示意性实施例及其说明用于解释本实施例，并不构成对本实施例的不当限定。
[0037]图1是本专利技术中实施案例1的基于光纤光栅传感器阵列和极限学习机的弹性结构形态可视化重构方法流程示意图；
[0038]图2是本专利技术中实施案例2的基于光纤光栅传感器阵列和极限学习机的铝合金板状结构变形监测系统的示意图；
[0039]图3是本专利技术中实施案例2的FBG(Fiber Bragg Grating，FBG)传感器，千分表测点和电机加载点布局图；
[0040]图4是本专利技术中实施案例2的PSO算法优化ELM神经网络的流程图；
[0041]图5是本专利技术中实施案例2的PSO算法的适应度曲线示意图；
[0042]图6是本专利技术中实施案例2的经PSO算法优化的ELM神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种弹性结构三维变形重构方法，其特征在于，包括：获取铝合金板状结构表面的波长数据；依据获取的波长数据，以及预设的预测模型，得到铝合金板状结构的形变位移数据；其中，预设的预测模型为基于极限学习机算法建立的波长偏移量和铝合金板状结构形变位移量的非线性关系，极限学习机算法采用粒子群优化算法优化；根据得到的形变位移数据，以及曲面重构算法，得到铝合金板状结构变形曲面的重构。2.如权利要求1所述的一种弹性结构三维变形重构方法，其特征在于，获取贴附在铝合金板状结构表面的光纤光栅传感器网络的波长数据。3.如权利要求1所述的一种弹性结构三维变形重构方法，其特征在于，所述预测模型的获取过程为：获取铝合金板状结构表面的初始波长数据、发生变形后的波长数据和形变位移数据；根据初始波长数据和发生变形后的波长数据，得到波长偏移量；根据波长偏移量和形变位移数据，以及极限学习机算法，得到不同形变状态下的波长偏移量对应变的形变位移数据。4.如权利要求3所述的一种弹性结构三维变形重构方法，其特征在于，控制电机施加载荷力使得铝合金板状结构发生变形，利用千分表采集铝合金板状结构的形变位移数据。5.如权利要求1所述的一种弹性结构三维变形重构方法，其特征在于，极限学习机算法采用粒子群优化算法优化，包括：将样本数据集分为训练数据集和预测数据集，并进行归一化处理；设置极限学习机算法的初始变量和粒子群优化算法的初始参数：确定学习因子、惯性权重、最大迭代次数和精度；基于粒子初始位置和训练数据代入极限学习机算法进行训练，得到输出值，并计算适应度值；同时寻找个体极值和群体极值，记录适应度值和位置；更新惯性权重，惯性权重随迭代次数...

【专利技术属性】
技术研发人员：张雷，张思思，姜明顺，张法业，隋青美，贾磊，
申请(专利权)人：山东大学，
类型：发明
国别省市：