基于克隆選擇和粒子群混合算法的導(dǎo)墻結(jié)構(gòu)損傷識別

歐陽秋平，何龍軍，2，練繼建，陳媛媛，馬 斌

（1．天津大學(xué) 水利工程仿真與安全國家重點實驗室，天津 300072；2．交通運輸部水運科學(xué)研究院，北京 100088；3．中水北方勘測設(shè)計研究有限責(zé)任公司，天津 300222）

結(jié)構(gòu)損傷診斷可分為確定損傷是否存在、確定損傷位置、評估損傷程度以及預(yù)測結(jié)構(gòu)剩余壽命4個層次［1］。近年來，利用模態(tài)信息的改變來檢測結(jié)構(gòu)損傷的方法已引起土木、機械和航空等工程界的廣泛關(guān)注［2－5］。然而對于許多大型工程結(jié)構(gòu)而言，人工激振是非常困難甚至是不可能進(jìn)行的，所以，利用環(huán)境激勵下的模態(tài)數(shù)據(jù)來識別結(jié)構(gòu)損傷的方法已越來越引起人們的重視［6－7］。

導(dǎo)墻結(jié)構(gòu)由于長期承受著高速水流和風(fēng)等多種環(huán)境荷載的作用，在疲勞和腐蝕影響下容易發(fā)生開裂損傷，而若結(jié)構(gòu)損傷發(fā)生在水下部分，則不易直接被發(fā)現(xiàn)，而且一旦發(fā)生損傷，在高速水流的激振作用下，破壞范圍會迅速擴展，可能導(dǎo)致整個結(jié)構(gòu)的失效［8］，如美國的Texarkana大壩、Trinity大壩和Navajo大壩的消力池導(dǎo)墻，均由于高速水流誘發(fā)了強烈振動而破壞［9］；我國的萬安水利樞紐溢洪道導(dǎo)墻在運行中倒塌，烏江渡水電站左岸滑雪道右導(dǎo)墻出現(xiàn)強烈的流激振動現(xiàn)象等［10］。因此，為了保證水工結(jié)構(gòu)的運行安全，就應(yīng)對導(dǎo)墻結(jié)構(gòu)進(jìn)行定期的損傷檢測，及早發(fā)現(xiàn)損傷并采取適當(dāng)措施，避免造成人員傷亡事故和重大經(jīng)濟損失。由于大型水工結(jié)構(gòu)的模態(tài)振型在實測中較難精確獲得，且很多部位往往處于水下，測點布置受到很大限制，因此基于模態(tài)振型及其衍生指標(biāo)的損傷診斷方法不適用于大型水工結(jié)構(gòu)。因結(jié)構(gòu)的模態(tài)頻率比較容易獲得且能保證較高的實測精度，所以在實際工程中更具應(yīng)用價值［11］。

由于體積龐大及環(huán)境激勵輸入的未知性和隨機性等因素，使結(jié)構(gòu)損傷診斷在大型水工結(jié)構(gòu)中的應(yīng)用面臨很大挑戰(zhàn)。人工神經(jīng)網(wǎng)絡(luò)［12］、支持向量機［13］等智能算法都已在智能損傷診斷研究中采用。但是，人工神經(jīng)網(wǎng)絡(luò)和支持向量機算法在尋優(yōu)時必須首先進(jìn)行預(yù)測模型的訓(xùn)練，這就需要海量準(zhǔn)確的樣本信息作支持，工作量巨大。

基于智能算法的模型修正方法是近期結(jié)構(gòu)損傷識別領(lǐng)域的研究熱點之一［1，14－15］。它主要是通過智能算法的尋優(yōu)能力，匹配結(jié)構(gòu)的實測指標(biāo)和有限元模擬指標(biāo)以尋求反映結(jié)構(gòu)真實性態(tài)的有限元模型，進(jìn)而達(dá)到準(zhǔn)確識別結(jié)構(gòu)損傷位置和程度的目的。遺傳算法和粒子群算法作為全局尋優(yōu)算法，都力圖在自然特性的基礎(chǔ)上模擬個體種群的適應(yīng)性，采用一定的變換規(guī)則通過搜索空間求解，而不需要海量的模態(tài)信息和預(yù)測模型訓(xùn)練。雖然遺傳算法為全局尋優(yōu)提供了一個比較可靠的工具，但是其在尋優(yōu)性能上仍然存在很大的發(fā)展空間。粒子群算法自1995年被Kennedy等［16］提出以來，以收斂速度快、參數(shù)設(shè)置少、程序?qū)崿F(xiàn)簡單和具有深刻的智能背景等特點，在求解非線性不可微和多峰值的優(yōu)化問題中表現(xiàn)出了較強的生命力。

因此，本文基于實數(shù)編碼克隆選擇和粒子群混合算法（A real encoding hybrid algorithm of clonal selection and particle swarm optimization，RCSA－PSO）優(yōu)化模態(tài)頻率指標(biāo)，提出一種適合于環(huán)境激勵下大型水工結(jié)構(gòu)的智能損傷診斷方法。首先，提出了一種全局尋優(yōu)能力更強的新型粒子群算法，通過不斷更新有限元模型參數(shù)，可高效可靠地搜索到與實測信息匹配的結(jié)構(gòu)損傷狀態(tài)；其次，提出了基于低階模態(tài)頻率的損傷指標(biāo)，并加入了損傷懲罰因子，以指導(dǎo)有限元模型與測試信息的匹配；第三，以某導(dǎo)墻的多工況損傷識別為例，研究了含噪聲條件下該損傷診斷方法的識別效果，解決了導(dǎo)墻結(jié)構(gòu)水下部分損傷檢測難的問題，證明了該識別方法的適用性。

1 實數(shù)編碼克隆選擇和粒子群混合算法

1．1 實數(shù)編碼粒子群算法

粒子群算法的基本思想是受他們早期對許多鳥類的群體行為進(jìn)行建模與仿真研究結(jié)果的啟發(fā)［17］。基本粒子群優(yōu)化算法的思想可表述為：每個優(yōu)化問題的潛在解都是搜索空間的粒子，所有的粒子都有一個被優(yōu)化的函數(shù)決定的適應(yīng)值，每個粒子還有一個速度向量決定他們飛行的方向和距離，然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中的搜索。粒子群優(yōu)化算法初始化為一群隨機粒子，然后通過迭代找到最優(yōu)解。在每一次迭代中，粒子通過跟蹤兩個極值來更新自己，第一個就是粒子本身到當(dāng)前時刻為止找到的最好解，這個解稱為個體最好值，另一個極值就是整個種群到當(dāng)前時刻找到的最好解，這個值是全局最好值。在找到這兩個極值后，粒子通過三方面來更新自己的速度和新的位置，包括粒子先前的速度，用來說明粒子目前的狀態(tài)；個體的認(rèn)知部分，使粒子有較強的全局搜索能力；以及社會共享信息，使粒子從其他優(yōu)秀粒子中汲取經(jīng)驗，加強搜索能力［18］。于是微粒i在第d維子空間中的狀態(tài)更新方程如下所示：

式中：上標(biāo)k代表微粒i所在的步數(shù)，下標(biāo)d代表微粒i的第d個維度，和分別為微粒i第d個維度在第k步和第k＋1步時的速度，和分別為微粒i的第d個維度在第k步時和第k＋1步時的位置，p為微粒i的歷史最優(yōu)位置，其與微粒i的當(dāng)前位置之差的作用是指引該微粒向個體最優(yōu)解靠攏；為微粒群的全局歷史最優(yōu)位置，其與微粒i當(dāng)前位置之差的作用是確定當(dāng)前微粒向全局最優(yōu)值運動的分量；α為慣性權(quán)重；c1和c2為加速常數(shù)；r1和r2為（0，1）之間的兩個相互獨立的隨機數(shù)；N為粒子群的規(guī)模；D為各粒子的維度。

為了同時對損傷位置和損傷程度尋優(yōu)，本文采用實數(shù)編碼形式來編寫解變量。將可能產(chǎn)生損傷的位置和程度的數(shù)目作為粒子的維度，每一維度上的數(shù)值代表損傷發(fā)生的位置或程度，即按照［損傷位置1，損傷程度1，損傷位置2，損傷程度2，…損傷位置n，損傷程度n］進(jìn)行編碼。若對位置和程度進(jìn)行歸一化，則有xid∈［0，1］。例如，某結(jié)構(gòu)共有3處可能存在的損傷，若算法尋找到的最優(yōu)解為［0．2，0．5，0．5，0．3，0．7，0．4］T，則表明該結(jié)構(gòu)的損傷位置發(fā)生在0．2、0．5和0．7位置處，相應(yīng)的損傷程度為50%、30%和40%。可見，應(yīng)用實數(shù)編碼方式表示結(jié)構(gòu)的損傷位置和損傷程度是十分方便和有效的。

1．2 實數(shù)編碼克隆選擇和粒子群混合算法

在粒子群優(yōu)化算法的運行過程中，如果某粒子發(fā)現(xiàn)了一個當(dāng)前最優(yōu)位置，其他粒子將迅速向其靠攏，出現(xiàn)“聚集”現(xiàn)象，導(dǎo)致種群多樣性的降低。如果當(dāng)前所發(fā)現(xiàn)的最優(yōu)位置是局部最優(yōu)點，粒子群就有可能無法在解空間內(nèi)重新搜索，算法陷入局部最優(yōu)，出現(xiàn)早熟收斂現(xiàn)象。針對應(yīng)用粒子群算法求解非線性優(yōu)化問題過程中存在的早熟和收斂速度慢的問題，為提高粒子群算法的全局收斂性能，本文引入克隆選擇算法［19－20］，提出了一種新型克隆選擇和粒子群混合算法，并引入遺傳算法中的變異操作作為克隆選擇算法中的高頻變異算子。

克隆選擇算法是受到免疫系統(tǒng)啟發(fā)而發(fā)展起來的仿生算法，是模擬自然界生物免疫系統(tǒng)的機理和功能而設(shè)計的算法，具有保持種群多樣性的特點。本文在粒子群算法中融合免疫克隆選擇算法的思想，首先根據(jù)粒子的親和力對粒子執(zhí)行按比例克隆復(fù)制，然后對克隆后的個體進(jìn)行克隆高頻變異，最后進(jìn)行克隆選擇，即從父代個體與子代個體中選擇出最佳個體。成比例克隆復(fù)制可以使優(yōu)良個體得到保護，加快算法收斂；高頻變異為新粒子的產(chǎn)生提供了新的方法，維持種群多樣性；克隆選擇操作有效地避免了算法退化。因此，該混合算法可以增加種群的多樣性，加快算法收斂速度，提高最優(yōu)解的精度，具有更強的全局尋優(yōu)能力。本文所提出的算法的實現(xiàn)思想如圖1所示。

圖1 實數(shù)編碼克隆選擇和粒子群混合算法的流程圖Fig．1 RCSA-PSO flowchart

混合算法的關(guān)鍵步驟如下：

（1）初始化粒子。隨機產(chǎn)生初始群體，初始化粒子的速度和位置信息。置迭代次數(shù)Iteration＝1，定義最大迭代次數(shù)MaxIter，得到相同適應(yīng)度值的迭代次數(shù)Samecounter＝0。

（2）更新粒子速度和位置。計算每個粒子的適應(yīng)度值，并根據(jù)粒子適應(yīng)度值的大小確定個體極值pbest和全局極值gbest，依照式（1）和式（2）更新粒子位置。

（3）抗體親和力計算?？贵w親和力是種群中抗體優(yōu)良的度量標(biāo)準(zhǔn)。在克隆選擇和粒子群混合算法中，將粒子視為抗體，因此抗體親和力就等于粒子的適應(yīng)度。

（4）克隆復(fù)制算子。根據(jù)抗體親和力的大小，對親和力高的抗體進(jìn)行克隆操作。對親和力高的前50%抗體群A，每個抗體進(jìn)行一次細(xì)胞分裂，形成另一個相同的抗體群B。親和力后50%的抗體群C保持不變?？梢?，該操作一方面通過克隆操作保護了優(yōu)良基因，加快算法收斂速度，另一方面保留了每一個迭代步中親和力較差的抗體，保持了群體的多樣性。

（5）高頻變異算子。本文中引入遺傳算法中的變異算子進(jìn)行高頻變異操作。在個體親和力較高的子種群A和B中引入的幅值變異算子，即以一定概率隨機選取粒子中的某些維度進(jìn)行小幅度的數(shù)值調(diào)整。在個體親和力較低的子種群C中引入基因替換算子，即以一定概率隨機選取粒子中的某些維度并替換為［0，1］之間的隨機數(shù)?？梢?，幅值變異算子可以對較優(yōu)的抗體在小范圍進(jìn)行調(diào)整，以達(dá)到局部尋優(yōu)的效果；基因替換算子可對親和力較差的抗體進(jìn)行某些維度的替換，加速產(chǎn)生適應(yīng)度更大的抗體。高頻變異算子提供了產(chǎn)生新解的方法，使得新解的產(chǎn)生不受其它抗體的影響，提高了種群的多樣性。

（6）克隆選擇算子。抗體經(jīng)過克隆復(fù)制、克隆高頻變異后，如果子代個體的適應(yīng)度高于其父代個體，則選擇出一個適應(yīng)度最高的子代個體替換對應(yīng)的父代個體，將更新后的種群作為下一代個體。父代個體與子代個體的混合，避免了算法退化。

（7）比較本次迭代更新前和更新后全局最優(yōu)適應(yīng)度值，相等時Samecounter增加1，不相等時更新適應(yīng)度值且Samecounter清零。

（8）當(dāng)Samecounter達(dá)到50或者Iteration達(dá)到最大迭代次數(shù)時，終止迭代運算并輸出最終結(jié)果；如不滿足，轉(zhuǎn)入第2步。

需要指出的是，在粒子優(yōu)化和變異過程中，需添加約束保證粒子各維度的值在［0，1］范圍內(nèi)搜索。如果超出這一范圍，則置該維度為［0，1］之間的隨機數(shù)。

2 基于模態(tài)頻率的目標(biāo)函數(shù)

當(dāng)導(dǎo)墻由于損傷出現(xiàn)裂縫時，其結(jié)構(gòu)模態(tài)參數(shù)也相應(yīng)發(fā)生改變。其中模態(tài)頻率是實測中最易獲得的模態(tài)參數(shù)，而且精度最容易保證。因此本文中選取導(dǎo)墻的低階模態(tài)頻率差作為智能算法尋優(yōu)的目標(biāo)函數(shù)。規(guī)定歸一化的裂縫位置為L，歸一化的裂縫長度為D，如果將L和D定義為待優(yōu)化的變量，那么損傷識別問題就歸結(jié)為一個有約束的非線性優(yōu)化問題，其目標(biāo)函數(shù)可用實測和數(shù)值模擬得出的模態(tài)頻率差來表示。定義基于模態(tài)頻率差的目標(biāo)函數(shù)為：

其中：m為測試模態(tài)數(shù)，下標(biāo)A和E分別代表計算結(jié)果和實測結(jié)果，ωj代表結(jié)構(gòu)的第j階頻率。

值得注意的是，在損傷識別過程中，不僅要追求測試信息與數(shù)值模擬結(jié)果的最優(yōu)匹配，還應(yīng)盡可能地找到最小程度的損傷模式。為此，引入了損傷懲罰因子，以避免由于噪聲干擾等導(dǎo)致的損傷診斷失誤。

因此，指導(dǎo)實測信息與數(shù)值模擬匹配的適應(yīng)度函數(shù)可表示為：

其中：∑D為損傷模式對應(yīng)的裂縫長度的總和；γ的取值取決于數(shù)值模型和試驗數(shù)據(jù)的可信程度?？尚懦潭仍礁撸弥祽?yīng)越小。

綜上所述，該優(yōu)化問題可定義為：

其中：n為結(jié)構(gòu)可能產(chǎn)生裂縫的數(shù)目。式（5）將損傷識別問題轉(zhuǎn)化為一個有約束條件的非線性最小化問題，即函數(shù)適應(yīng)度值越小，匹配程度越高。

3 應(yīng)用與驗證

本文提出的損傷識別方法的整體思路為：在Mat-lab平臺下對有限元計算軟件進(jìn)行二次開發(fā)，利用改進(jìn)粒子群算法的尋優(yōu)能力，不斷更新有限元模型中損傷的位置和程度，以尋求模擬計算出的模態(tài)參數(shù)指標(biāo)與實測模態(tài)參數(shù)指標(biāo)的最優(yōu)匹配，從而得到反映結(jié)構(gòu)真實性態(tài)的有限元模型，達(dá)到準(zhǔn)確識別結(jié)構(gòu)損傷位置和程度的目的?；谥悄芩惴▋?yōu)化模態(tài)頻率指標(biāo)的損傷識別方法的具體步驟如圖2所示。

3．1 研究對象和模態(tài)階次的選取

本文選取某水電站的中導(dǎo)墻作為研究對象。取兩結(jié)構(gòu)縫之間的24 m導(dǎo)墻段進(jìn)行分析，導(dǎo)墻懸臂段高50 m。由于導(dǎo)墻上部懸臂部分剛度相對較小，本文將懸臂部分作為裂縫容易發(fā)生的部位進(jìn)行重點分析，以驗證本文所提出的新型智能損傷識別方法在環(huán)境激勵下導(dǎo)墻結(jié)構(gòu)損傷識別中的適用性。

有限元模型如圖3所示，其中坐標(biāo)原點選在導(dǎo)墻懸臂段的根部。模型采用8節(jié)點三維塊體單元，利用實體楔形模擬裂縫，假定導(dǎo)墻懸臂段兩側(cè)均有可能產(chǎn)生裂縫且裂縫近似水平。模擬裂縫的長度和高度如圖所示，分別利用懸臂段高度50 m和寬度24 m對裂縫位置和長度進(jìn)行歸一化?；炷敛牧厦芏热? 400 kg／m3，彈性模量取35 GPa，泊松比取0．167。地基采用無質(zhì)量彈性地基，彈性模量取30 GPa，泊松比取0．25。為模擬工程實際，以附加質(zhì)量的形式考慮流體的影響，計算濕模態(tài)下導(dǎo)墻的模態(tài)頻率。因為大型混凝土結(jié)構(gòu)的低階模態(tài)具有較大的振型參與系數(shù)，通常能夠描述結(jié)構(gòu)系統(tǒng)的動態(tài)特性，且結(jié)構(gòu)的低階模態(tài)參數(shù)通常較易獲取并能保證足夠精度，因此本文將該導(dǎo)墻的前6階模態(tài)選作目標(biāo)模態(tài)。不失一般性的，本文僅針對圖3所示Y向振動特性進(jìn)行損傷識別研究。

圖2 本文提出的智能損傷識別方法的流程Fig．2 The procedure of the proposed method for intelligence damage identification

圖3 導(dǎo)墻有限元模型Fig．3 FE model of the guide wall structure

3．2 考慮噪聲影響的模態(tài)參數(shù)識別

本文中各損傷工況的實測信號均來自于環(huán)境激勵下的有限元模擬。在有限元模擬中，以高斯白噪聲作為輸入（模擬環(huán)境激勵），分析導(dǎo)墻的振動響應(yīng)，其中時程信號的采樣頻率為100 Hz，采樣時間20 s。在各測點的位移時程信號中加入白噪聲數(shù)據(jù)，即：

式中：xi和x分別是i測點加入噪聲前后的信號，randn表示均值為零、標(biāo)準(zhǔn)差為1的高斯白噪聲，ns表示時程信號中的噪聲水平。因此，加入噪聲的標(biāo)準(zhǔn)差為該測點時程數(shù)據(jù)最大值的ns倍。本文取ns為5%。測點可根據(jù)改進(jìn)有效獨立法［21－22］進(jìn)行選擇，這里不再贅述。

以兩處裂縫損傷工況（一側(cè)裂縫 L1＝0．7，D1＝0．2；另一側(cè)裂縫 L2＝0．5，D2＝0．3）為例，圖 4和圖 5中分別為導(dǎo)墻結(jié)構(gòu)在環(huán)境激勵下添加5%白噪聲時的位移時程信號圖和通過現(xiàn)代譜方法得出的位移信號歸一化的功率譜圖。將識別出的前六階模態(tài)頻率作為有限元模型的匹配導(dǎo)向，利用智能算法搜索與實測模態(tài)信息最匹配的結(jié)構(gòu)損傷模式。

3．3 方法的性能驗證與比較

以噪聲水平5%時，兩處裂縫損傷工況（一側(cè)裂縫L1＝0．7，D1＝0．2；另一側(cè)裂縫 L2＝0．5，D2＝0．3）為例。經(jīng)驗證，損傷懲罰因子γ＝0．05時算法能獲得較好的尋優(yōu)效果。

假定該導(dǎo)墻兩側(cè)各有兩處可能的損傷，則每個粒子的維度為8（包含裂縫位置維度和長度維度各4個）。運用實數(shù)編碼克隆選擇和粒子群混合算法結(jié)合適應(yīng)度函數(shù)進(jìn)行結(jié)構(gòu)損傷識別。其中算法的基本參數(shù)如下：種群大小為100，c1和c2均取0．5。當(dāng)算法到達(dá)最大迭代次數(shù)1 000，或者連續(xù)搜索50次最優(yōu)適應(yīng)度值不變時，算法終止。為了驗證算法性能，選取實數(shù)編碼粒子群算法（Real encoding particle swarm optimization algo-rithm，RPSO）和實數(shù)編碼遺傳算法（Real encoding ge-netic algorithm，RGA）與本文的新型算法進(jìn)行全局尋優(yōu)性能比較。其中實數(shù)編碼粒子群算法的參數(shù)設(shè)置與實數(shù)編碼克隆選擇和粒子群混合算法一致，實數(shù)編碼遺傳算法的基本參數(shù)參照文獻(xiàn)［1］中選取。針對目標(biāo)函數(shù)，三種智能算法分別運行5次，典型的尋優(yōu)過程如圖6所示。由圖6可以看出，本文中提出的實數(shù)編碼克隆選擇和粒子群混合算法在解決損傷識別問題的尋優(yōu)效率上有明顯優(yōu)勢，該算法的收斂速度較快，且尋優(yōu)效果在三種算法中最接近理論最優(yōu)解（0．025）。而實數(shù)編碼粒子群算法雖然收斂也較快，但極易陷入局部最優(yōu)值，尋優(yōu)結(jié)果較實數(shù)編碼克隆選擇和粒子群混合算法有很大差距。實數(shù)編碼遺傳算法是一種改進(jìn)遺傳算法，該算法在損傷位置和程度的尋優(yōu)中收斂速度較上述兩種粒子群算法慢，尋優(yōu)效果較實數(shù)編碼粒子群算法好，但是相比實數(shù)編碼克隆選擇和粒子群混合算法仍有一定差距。綜上所述，實數(shù)編碼克隆選擇和粒子群混合算法有較強的跳出局部最優(yōu)的能力，在解決復(fù)雜的結(jié)構(gòu)損傷識別問題時能夠較快的向全局最優(yōu)值逼近，是一種很有效率的全局優(yōu)化算法。

圖4 典型位移時程信號圖Fig．4 Time history signals of displacement

圖5 位移信號的歸一化功率譜圖Fig．5 Normalized power spectrums of displacement

圖6 三種智能算法的典型優(yōu)化過程Fig．6 Fitness curves of the three intelligence algorithms

另外，從圖6中還可以看出，基于模態(tài)頻率的目標(biāo)函數(shù)對于損傷的區(qū)分度很高，本例中的區(qū)分度約為225。本文中規(guī)定當(dāng)識別出的裂縫長度小于0．03時，認(rèn)為損傷對結(jié)構(gòu)的影響較小，該損傷可忽略不計。利用本文的新型智能損傷識別方法能夠搜索到的最匹配的損傷程度和位置和真實情況如圖7所示?？梢?，該方法能夠準(zhǔn)確地識別出真實的結(jié)構(gòu)損傷情況。

3．4 損傷識別結(jié)果

在5%噪聲影響下，分別利用本文所提出的智能損傷識別方法及已有方法對一處損傷、兩處損傷和多處損傷等工況進(jìn)行裂縫位置和長度的識別，得到識別結(jié)果如表1所示。從表1可以看出，本文所提出的基于克隆選擇和粒子群混合算法的智能損傷識別方法在5%噪聲干擾下仍然能夠較準(zhǔn)確地識別出10個損傷工況下的裂縫位置和長度，證明本文提出的損傷識別方法具有一定的抗噪聲能力和較高的識別精度；基于RP-SO算法的識別方法僅能識別工況1～3中一處損傷的情況，對于工況4～10中兩處及以上損傷工況，由于RPSO算法易陷于局部最優(yōu)值，因此識別結(jié)果的精度很低，甚至得到錯誤的損傷位置和程度值；基于RGA算法的識別方法在識別一處和兩處損傷時較理想，對于工況7～10中兩處以上的損傷情況則無法正確識別，說明RGA算法的識別能力較本文提出的混合算法有一定差距。

圖7 基于本文方法的損傷識別結(jié)果Fig．7 Damage detected by the proposed method

綜上所述，由于全局尋優(yōu)能力的加強，本文所提出的基于RCSA－PSO算法的智能損傷識別方法對于結(jié)構(gòu)損傷具有很高的識別精度，且在較復(fù)雜的損傷工況中更能體現(xiàn)出其優(yōu)勢。

表1 損傷識別結(jié)果Tab．1 Results of damage detection

4 結(jié) 論

本文提出了一種基于實數(shù)編碼克隆選擇和粒子群混合算法優(yōu)化模態(tài)頻率指標(biāo)的導(dǎo)墻結(jié)構(gòu)智能損傷診斷方法，解決了導(dǎo)墻結(jié)構(gòu)水下部分損傷檢測難的問題。該方法僅需可測性強的低階模態(tài)頻率，且避免了神經(jīng)網(wǎng)絡(luò)和支持向量機預(yù)測時大量的樣本計算和模型訓(xùn)練，適合于環(huán)境激勵條件下的大型水工結(jié)構(gòu)的無損動態(tài)損傷檢測。結(jié)合在某導(dǎo)墻損傷識別中的應(yīng)用，得到主要結(jié)論如下：

（1）經(jīng)算法穩(wěn)定性驗證，本文提出的新型智能算法能夠快速收斂于全局最優(yōu)值。選取實數(shù)編碼粒子群算法和實數(shù)編碼遺傳算法與本文的新型算法進(jìn)行全局尋優(yōu)性能比較，結(jié)果表明：實數(shù)編碼克隆選擇和粒子群混合算法收斂速度快，且有較強的跳出局部最優(yōu)的能力，在解決復(fù)雜的非線性優(yōu)化問題時能夠較快的逼近全局最優(yōu)值，是一種很有效率的全局優(yōu)化算法。

（2）利用基于模態(tài)頻率的適應(yīng)度函數(shù)進(jìn)行裂縫位置和長度的識別，結(jié)果表明：本文提出的基于模態(tài)頻率的適應(yīng)度函數(shù)能夠準(zhǔn)確地識別結(jié)構(gòu)損傷的位置和程度，且該指標(biāo)可測性較強，具有很強的實際可操作性。

（3）通過應(yīng)用新型智能算法對有限元模型的參數(shù)進(jìn)行優(yōu)化，尋求與實際損傷結(jié)構(gòu)模態(tài)頻率指標(biāo)的最優(yōu)匹配，進(jìn)而確定不同損傷工況下的損傷位置和程度。經(jīng)驗證表明：與現(xiàn)有方法相比，該智能損傷識別方法對噪聲條件下各種損傷工況具有更高的識別精度，方法穩(wěn)定可靠。

綜上所述，本文所提出的基于實數(shù)編碼克隆選擇和粒子群混合算法優(yōu)化模態(tài)頻率指標(biāo)的損傷診斷方法是十分有效的，能夠準(zhǔn)確地識別出導(dǎo)墻在不同損傷組合時的結(jié)構(gòu)性態(tài)，可嘗試在各類大型水工結(jié)構(gòu)的損傷診斷中推廣應(yīng)用。

［1］Meruane V，Heylen W．An hybrid real genetic algorithm to detect structural damage using modal properties［J］．Mechanical Systems and Signal Processing，2011，25（5）：1559－1573．

［2］Doebling SW，F(xiàn)arrar CR，Prime M B．A summary review of vibration-based damage identification methods［J］．Shock and Vibration Digest，1998，30（2）：91－105．

［3］Qian J R，Ji X D，Zhang W J．Damage detection test of a substructure model of the National Swimming Center［J］．Science in China Series E：Technological Sciences，2008，51（7）：940－948．

［4］付春雨，單德山，李喬．列車行駛時橋梁結(jié)構(gòu)損傷預(yù)警的時域方法［J］．振動與沖擊，2011，30（1）：27－32．FU Chun-yu，SHAN De-shan，LI Qiao．Time domain method for bridge structural damage alarming when a train is running［J］．Journal of Vibration and Shock，2011，30（1）：27－32．

［5］杜永峰，李萬潤，李慧，等．基于時間序列分析的結(jié)構(gòu)損傷識別［J］．振動與沖擊，2012，31（12）：108－111．DU Yong-feng， LI Wan-run， LI Hui， et al． Structural damage identification based on time series analysis［J］．Journal of Vibration and Shock，2012，31（12）：108－111．

［6］ El-Ouafi Bahlous S，Smaoui H，El-Borgi S．Experimental validation of an ambient vibration-based multiple damage identification method using statistic al modal filtering［J］．Journal of Sound and Vibration，2009，325：49－68．

［7］常軍，任永輝，陳忠漢．環(huán)境激勵下結(jié)構(gòu)損傷識別的綜合指標(biāo)法試驗研究［J］．工程力學(xué)，2011，28（7）：130－135．CHANG Jun， REN Yong-hui， CHEN Zhong-han．Experimental investigation of structural damage identification by combination index method under ambient excitation［J］．Engineering Mechanics，2011，28（7）：130－135．

［8］練繼建，張建偉，王海軍．基于泄流響應(yīng)的導(dǎo)墻損傷診斷研究［J］．水力發(fā)電學(xué)報，2008，39（1）：96－101．LIAN Ji-jian，ZHANG Jian-wei，WANG Hai-jun．Study on damage diagnosis of guide wall based on flood discharge response［J］．Journal of Hydroelectric Engineering，2008，39（1）：96－101．

［9］練繼建，崔廣濤，黃錦林．導(dǎo)墻結(jié)構(gòu)的流激振動研究［J］．水利學(xué)報，1998，11：33－37．LIAN Ji-jian，CUIGuang-tao，HUANGJin-lin．Study on flow induced vibration of spillway guide wall［J］．Journal of Hydraulic Engineering，1998，11：33－37．

［10］練繼建，李松輝．基于支持向量機和模態(tài)參數(shù)識別的導(dǎo)墻結(jié)構(gòu)損傷診斷研究［J］．水利學(xué)報，2008，39（6）：652－658．LIAN Ji-jian，LI Song-hui．Damage diagnosis of spillway guide wall based on support vector machine and modal parameter identification ［J］． Journal of Hydraulic Engineering，2008，39（6）：652－658．

［11］李松輝．基于機器學(xué)習(xí)和模態(tài)參數(shù)識別理論的水工結(jié)構(gòu)損傷診斷方法研究［D］．天津：天津大學(xué)，2008．

［12］熊仲明，王超，林濤．基于神經(jīng)網(wǎng)絡(luò)的大跨鋼結(jié)構(gòu)缺陷損傷的定位研究［J］．振動與沖擊，2011，30（9）：191－196．XIONG Zhong-ming， WANG Chao， LIN Tao． Defect determination of large-span steel structure based on neural network［J］．Journal of Vibration and Shock，2011，30（9）：191－196．

［13］Song H Z，Zhong L，Han B．Structural damage detection by integrating independent component analysis and support vector machine［J］．International Journal of Systems Science，2006，37（13）：961－967．

［14］ He R，Hwang S．Damage detection by an adaptive real-parameter simulated annealing genetic algorithm ［J］．Computers and Structures，2006，84（31－32）：2231－2243．

［15］ Vakil-Baghmisheh M，Peimani M，Sadeghi M H，et al．Crack detection in beam-like structures using genetic algorithms［J］．Applied Soft Computing，2008，8（2）：1150－1160．

［16］Kennedy J，Eberhart R C．Particle swarm optimization［C］．In：Proc IEEE Conf on Neural Networks，Perth，1995：1942－1948．

［17］練繼建，何龍軍，王海軍．基于PSO優(yōu)化LS-SVM算法的水電站廠房結(jié)構(gòu)振動響應(yīng)預(yù)測［J］．中國工程科學(xué)，2011，13（12）：45－50．LIAN Ji-jian，HE Long-jun，WANG Hai-jun．Prediction of vibration response of powerhouse structures based on LS-SVM optimized by PSO［J］．Engineering Sciences，2011，13（12）：45－50．

［18］王星星，吳貞煥，楊國安，等．基于改進(jìn)粒子群算法的最小二乘影響系數(shù)法的理論及實驗研究［J］．振動與沖擊，2013，32（8）：100－104．WANG Xing-xing，WU Zhen-huan，YANG Guo-an，et al．Theory and tests fo least square influence coefficient method based on an improved particle swarm optimization algorithm［J］．Journal of Vibration and Shock，2013，32（8）：100－104．

［19］Burnet F M．The clonal selection theory of acquired immunity［M］．Cambridge：Cambridge University Press，1959．

［20］De Castro L N，Von Zuben F J．Learning and optimization using the clonal selection principle［C］．IEEE Transactions on Evolutionary Computation，Special Issue on Artificial Immune Systems，2002，6（3）：239 251．

［21］Lian J J，He L J，Wang H J．Optimal sensor placement in hydropower house based on improved triaxial Effective Independence method［J］．Water Science and Engineering，2012，5（3）：329－339．

［22］何龍軍，練繼建，馬斌，等．基于距離系數(shù)－有效獨立法的大型空間結(jié)構(gòu)傳感器優(yōu)化布置［J］．振動與沖擊，2013，32（16）：13－18．HE Long-jun，LIAN Ji-jian，MA Bin，et al．Optimal sensor placement for large space structures based on distance coefficient-effective independence method［J］．Journal of Vibration and Shock，2013，32（16）：13－18．