Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru/87)
Аннотации (09.2017) : ОПРЕДЕЛЕНИЕ ЛОКАЛИЗАЦИИ НАГРУЗКИ, ПРИЛОЖЕННОЙ К ОПТОВОЛОКОННОМУ СМАРТ-КОМПОЗИТУ, ВЫЧИСЛЕНИЕМ РЕГРЕССИИ ОПОРНЫХ ВЕКТОРОВ С ИСПОЛЬЗОВАНИЕМ ГЕНЕТИЧЕСКОГО АЛГОРИТМА

ОПРЕДЕЛЕНИЕ ЛОКАЛИЗАЦИИ НАГРУЗКИ, ПРИЛОЖЕННОЙ К ОПТОВОЛОКОННОМУ СМАРТ-КОМПОЗИТУ, ВЫЧИСЛЕНИЕМ РЕГРЕССИИ ОПОРНЫХ ВЕКТОРОВ С ИСПОЛЬЗОВАНИЕМ ГЕНЕТИЧЕСКОГО АЛГОРИТМА

 

© 2017 г.       L. B. Shen; Z. M. Zhao

College of Science, Nanjing University of Aeronautics and Astronautics, Nanjing City, Jiangsu Province 210016, People’s Republic of China

Предложен метод определения локализации приложенной нагрузки с использованием матричной оптоволоконной структуры и описан прототип системы получения и обработки данных. Для определения координат нагрузки, приложенной к композитной панели со встроенными восемью датчиками, используется метод «Генетический алгоритм — регрессия опорных векторов». При приложении нагрузки в произвольном месте панели характеристики волокон, находящихся вблизи этого места, изменяются. Характеристикой метода являются восьмикомпонентные сигналы, собираемые и накапливаемые центром обработки. Накопленные сигналы разделяются на массивы обучающих, удостоверяющих и проверочных данных. Модель регрессии опорных веторов строится с использованием обучающих и удостоверяющих массивов, а ее параметры оптимизируются методом генетического алгоритма. Проведено сравнение точности представленного метода и модели обратного распространения ошибки. Показано, что точность предсказания предложенного метода составляла 85,78% и превышает таковую у сетей, использующих модель обратного распространения ошибки. Показано, что использование предложенного метода для локализации нагрузки обеспечивает устойчивость и надежность, а также высокую точность. Этот метод важен для мониторинга состояния и определения дефектов в композитных материалах.

Ключевые слова: волоконные оптические датчики, генетический алгоритм, регрессия опорных векторов, умные композитные материалы.

 

 

Loads location identification of fiber optic smart structures based on Genetic Algorithm-Support Vector Regression

© 2017    Lingbin Shen; Zhimin Zhao

College of Science, Nanjing University of Aeronautics and Astronautics, Nanjing City, Jiangsu Province 210016, People’s Republic of China

E-mail: nuaazhzm@126.com

Submitted 09.06.2016

A load location identification method of fiber optic smart structures based on a prototype data acquisition system was proposed. It employed genetic algorithm — support vector regression to estimate X, Y coordinates of loads loading on a composite panel. The panel is embedded with 8 sensors. When loads act on any position of smart composite structures, the output values of embedded fiber near the loading position will change. The 8-changed signals are the features of genetic algorithm — support vector regression. The data acquisition center collects the features as the data samples. Data samples are divided into training set, validation set and testing set. Then support vector regression model was established by using the training set and validation set and the parameters were optimized by genetic algorithm. The study compared the prediction accuracy between genetic algorithm — support vector regression model and back propagation model. The comparison results showed that the prediction accuracy of testing set was 85.78% and it is better than the back propagation neural network prediction model. This paper demonstrates that using genetic algorithm — support vector regression model to identify loads is not only stable and feasible, but also with high precision. The presented method in this paper is significant for the health monitoring and damage identification of composite materials in future.

Keywords: optical fiber sensors, genetic algorithm — support vector regression, loads location, smart composite structures.

Коды OCIS: 060.2370

 

REFERENCES

1.         Hao K.A., Wang Z.Q., Zhou L.M. The research of low speed impact properties of different layer depth composites and damage pattern // Appl. Mathematics and Mechanics. 2013. V. 34. Is. 7. P. 661–671.

2.         Hutchins D.A., Billson D.R., Bradley R.J., Ho K.S. Structural health monitoring using polymer-based capacitive micromachined ultrasonic transducers (CMUTs) // Ultrasonics. 2011. V. 51. P. 870–877.

3.         Haywood J., Coverley P.T., Staszewski W.J., Worden K. An automatic impact monitor for a composite panel employing smart sensor technology // Smart Materials and Structures. 2005. V. 14. P. 265–271.

4.        Kang L.H. Vibration and impact monitoring of a composite-wing model using piezoelectric paint // Advanced Composite Materials. 2014. V. 23. Is. 1. P. 73–84.

5.         Bethoux O., Godoy E., Roche I., Naccari B., Taleb M.A., Koteiche M., Nassif Y. A new state-observer of inner PEM fuel cell pressures for enhanced system monitoring // Europ. Physical J. Appl. Phys. 2014. V. 66. Is. 3. P. 30901.

6.        Phang S.W., Yang H.Z., Harun S.W., Arof H., Ahmad H. Simple fiber optic sensor based on tapered fiber for aliphatic alcohol detection // J. Optoelectronics and Advanced Materials. 2011. V. 13. Is. 5–6. P. 604–608.

7.         Abdullah M., Bidin N., Yasin M., Pujiyanto, Harun S.W., Shaharin M.S. Fiber optic displacement sensor for thickness measurement based on transmission and of transparent plate // J. Optoelectronics and Advanced Materials. 2014. V. 16. Is. 5–6. P. 665–671.

8.        Ebrahim M., Ashraf A., Amir A. Evaluation of fiber optic sensors for remote health monitoring of bridge structures // Materials and Structures. 2009. V. 42. P. 183–199.

9.        Zhao L.H., Wang K.Q., Wang Y.Q., Shi L. BP network — based damage detection for composites // Instrumentation and Measurement. 2005. V. 24. Is. 2. P. 58–60.

10.       Yang Y. The research of damage location for optical fiber sensor based on neural network // J. Wuhan University of Technology. 2006. V. 28. Is. 11. P. 5–8.

11.       Tan W.J. Application of optical fiber sensing technology for positioning and evaluating damage in smart materials and structures // Inform. Technol. 2007. V. 11. P. 56–58.

12.       Song Cui, Yeng Chai Soh. Linearity indices and linearity improvement of 2-D tetralateral position-senstitive detector // IEEE Trans. Electron. Devices. 2010. V. 57. Is. 9. P. 2310–2316.

13.       Lu J.Y., Wang B.F., Liang D.K. Identification of impact location by using FBG based on wavelet feature extraction and SVR // Optics and Precision Engineering. 2012. V. 20. Is. 4. P. 712–718.

14.       Shamshirband S., Petkovic D., Pavlovic N.T., CH S., Altameem T.A., Gani A. Support vector machine firefly algorithm based optimization of lens system // Appl. Opt. 2015. V. 54. Is. 1. P. 37–45.

15.       Rahman M.M., Desai B.C., Bhattacharya P. Medical image retrieval with probabilistic multi-class support vector machine classifiers and adaptive similarity fusion // Computerized Medical Imaging and Graphics. 2008. V. 32. Is. 2. P. 95–108.

16.       Akay M.F., Abasikeles I. Predicting the performance measures of an optical distributed shared memory multiprocessor by using support vector regression // Expert System with Application. 2010. V. 37. Is. 9. P. 6293–6301.

17.       Niu P.F., Zhang W.P. Model of turbine optimal initial pressure under off-design operation based on SVR and GA // Neurocomputing. 2012. V. 78. Is. 1. P. 64–71.

18.       Ma L. Semi-supervised regression based on particle swarm optimization and support vector machine // Electron. Sci. and Technol. 2013. V. 26. Is. 9. P. 10–13.

19.       Terukuni S., Hidenori A. Optimal placement of SVRs considering multiple loads // Electrical Engineering in Japan. 2013. V. 182. Is. 1. P. 39–47.

20.      Emre C., Ahmet A. A new training method for support vector machines:Clustering k-NN support vector machines // Expert Systems with Applications. 2008. V. 35. Is. 3. P. 564–568.

21.       Pourbasheer E., Riahi S., Gsnjali M.R., Norouzi P. Application of genetic algorithm-support vector machine (GA-SVM) for prediction of BK-channels activity // Europ. J. Medicinal Chemistry. 2009. V. 44. Is.12. P. 5023–5028.

22.      Liu Y.L., Wang Z.Y., Zhu H.N., Gao X.R. Gain optimization of fiber optical parametric amplifier based on genetic algorithm with pump depletion // Appl. Opt. 2013. V. 52. Is. 31. P. 7445–7448.

23.      Kessal A., Rahmani L. GA-optimized parameters of sliding-mode controller based on both output voltage and input current with an application in the PFC of AC/DC converters // IEEE Trans. Power Electronics. 2014. V. 29. Is. 6. P. 3159–3165.

24.      Zhang Q.L., Cheng J., Chen Q.S., Hu W., Zhou B.H. Prediction of backfill drill-hole life based on combined model of GA-SVM and neural network // Sci. & Technol. Rev. 2013. V. 31. Is. 34. P. 34–38.

25.      Liu H.L., Liu H.D. Partial discharge localization in power transformers based on the sequential quadratic programming-genetic algorithm adopting acoustic emission techniques // Europ. Phys. J. Appl. Phys. 2014. V. 68. Is. 1. P. 10801.

26.      Wang Y.T., Zheng L.J., Zhang Y. The optical fiber sensing technology and application // Beijing University of Aeronautics and Astronautics Press. Beijing. 2009. P. 67–71.

27.       Zhao H.B. A study on evolutionary support vector machine based on genetic algorithm // J. Shaoxing University. 2004. V. 24. Is. 9. P. 25–28.

 

 

Полный текст