Определение локализации нагрузки, приложенной к оптоволоконному смарт-композиту, вычислением регрессии опорных векторов с использованием генетического алгоритма

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Lingbin Shen, Zhimin Zhao Loads location identification of fiber optic smart structures based on Genetic Algorithm-Support Vector Regression (Определение локализации нагрузки, приложенной к оптоволоконному смарт-композиту, вычислением регрессии опорных векторов с использованием генетического алгоритма) [на англ. яз.] // Оптический журнал. 2017. Т. 84. № 9. С. 71–78.

Lingbin Shen, Zhimin Zhao Loads location identification of fiber optic smart structures based on Genetic Algorithm-Support Vector Regression (Определение локализации нагрузки, приложенной к оптоволоконному смарт-композиту, вычислением регрессии опорных векторов с использованием генетического алгоритма) [in English] // Opticheskii Zhurnal. 2017. V. 84. № 9. P. 71–78.

Ссылка на англоязычную версию:

Lingbin Shen and Zhimin Zhao, "Load location identification of fiber optic smart structures based on a genetic algorithm–support vector regression," Journal of Optical Technology. 84(9), 635-641 (2017). https://doi.org/10.1364/JOT.84.000635

Аннотация:

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

Благодарность:

Работа выполнена при финансовой поддержке Национального фонда естественных наук Китая (грант № 61475071), Фонда поддержки молодых ученых Китая (грант № 2013M531346), Фодна поддержки выдающихся докторских диссертаций Нанкинского университета авиации и космонавтики (грант № BCXJ14-13), Фонда поддержки инновационных программ послевузовской подготовки провинции Цзянсу (гранты №№ KYLX_0245, KYLX_0246, Фонд фундаментальных исследований для центральных университетов), Проекта, поддержаного Ключевой лабораторией спектральной визуализации и интеллектуального восприятия провинции Цзянсу (грант № 30920130122003).

Коды OCIS: 060.2370

Список источников:

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.