一种基于遗传算法的低频电磁传感器结构优化方法与流程

本发明涉及一种COMSOL有限元模拟的低频电磁传感器结构优化方法，特别是基于MATLAB遗传算法的仿真模型参量优化方法。该方法适用于低频电磁传感器仿真模型的结构设计和低频电磁传感器缺陷检测的形状重构，属于无损检测技术领域。

背景技术：

低频电磁传感器是低频电磁检测技术实现损伤检测的首要关键环节。利用低频电磁传感器检测铁磁材料时，其检测信号的灵敏度和空间分辨率主要受励磁信号、磁路结构和磁敏元件类型的影响。因此，为提高低频电磁的检测效果，国内外学者对影响低频电磁传感器检测性能的这些因素开展了大量的研究。Yuji Gotoh等[Electromagnetic inspection method of outer side defect on small and thick steel tube using both AC and DC magnetic fields[J].IEEE Transactions on Magnetics,2009,45(10):4467-4470.]研究了激励信号频率对交直流混合磁化方法的影响，并通过降低励磁频率至60Hz，提高了管内检测传感器对外壁裂纹缺陷的检测灵敏度。Norio Takahashi等[Study on problems in detecting plural cracks by alternating flux leakage testing using 3D nonlinear eddy current analysis[J].IEEE Transactions on Magnetics,2003,39(3):1527-1530.]根据扫频曲线，选用U型磁路结构的磁芯制作低频电磁传感器，在实现裂纹检测的基础上，成功分辨出了间隔0.5mm的多条裂纹损伤。Singh W S等[Flexible GMR sensor array for magnetic flux leakage testing of steel track ropes[J].Journal of Sensors,2012(2012):1-6.]尝试将柔性巨磁阻磁敏元件阵列用于64mm直径钢丝绳表面损伤检测，实现了轴向和径向人工刻槽与磨损缺陷的低频漏磁检测。由此可知，国内外学者就励磁信号、磁路结构和磁敏元件类型等单因素对低频电磁检测性能的影响进行了卓有成效的研究，得出不同试件中对损伤敏感的低频交流磁化条件，实现了低频传感器相应检测参数的优化设计。但在以上研究中，仅考虑单一因素的影响，对低频电磁传感器进行优化设计，未同时综合考虑以上多因素对低频传感器进行优化设计。

对于多参量的低频电磁传感器结构优化问题，模拟生物进化过程的遗传算法是一种解决多参量全局智能搜索问题的有效方法。它通过提供一种求解复杂系统优化问题的通用框架，在不依赖于问题具体领域的前提下，借助群体搜索策略和群体中个体间的信息交换，最大程度地实现全局搜索多参量最优解集的目的，同时保证求解问题的鲁棒性。

因此，基于MATLAB计算平台，建立一种MATLAB计算软件优化COMSOL仿真低频电磁传感器模型的动态链接，发展一种COMSOL低频电磁传感器结构参量的遗传优化算法，对解决低频电磁传感器结构设计中的多参量优化问题具有重要意义。

技术实现要素：

本发明的目的在于提供一种低频电磁传感器结构参量的整体优化方法，特别是基于MATLAB遗传算法与COMSOL电磁模拟的多参量优化方法。本方法将智能优化算法用于低频电磁传感器仿真模型的参量优化，在进行COMSOL低频电磁传感器模型参数化的基础上，建立MATLAB与COMSOL的数据传递，并利用MATLAB基本遗传算法(Simple Genetic Algorithms，简称SGA)对低频电磁传感器各设计参量进行整体优化。

本发明提出一种基于MATLAB遗传算法的COMSOL低频电磁传感器结构优化方法，其基本原理在于：

遗传算法是一个以适应度为依据，通过对群体中的个体施加遗传操作实现群体内个体结构重组的迭代处理过程。在这一过程中，群体个体逐代优化并逐渐逼近最优解。SGA通常使用选择、交叉和变异三种遗传操作算子，其主要运算流程如图1所示。

遗传算法主要由染色体编码、初始群体生成、个体适应度评价、选择、交叉和变异六个步骤组成。在染色体编码时，通常使用固定长度的二进制符号串表示群体中的个体，编码长度即染色体长度；在生成初始群体时，初始群体中的每个个体通过随机选择的方式产生；在进行个体适应度评价时，评估函数将作为个体遗传与淘汰的唯一依据，个体的适应度越大，该个体被遗传到下一代的概率也越大；在选择操作时，适应度值是选择的唯一标准；在交叉运算时，两个互相配对的染色体会按照某种方式相互交换部分编码基因，从而形成两个新的个体，该过程是产生新个体的主要方式；在变异操作时，对于二进制编码符号串表示的个体，若某一基因座上的基因值为0，则变异操作会将该值变为1，变异可保持种群的多样性。

本发明采用的技术方案为一种基于遗传算法的低频电磁传感器结构优化方法，该方法包括以下步骤：

步骤一：简化COMSOL仿真的低频电磁传感器模型。

将低频电磁传感器的COMSOL仿真模型保存为JAVA语言的M文件。按照建模的顺序，保存的M文件会存储建模过程中全部操作步骤。因此在保存模型前，需要将模型进行清理，删去修改过程中冗余的步骤，得到简化后传感器模型的M文件model.m。所述操作步骤为参量赋值、修改、注释等。

步骤二：参数化COMSOL低频电磁传感器优化模型。

在简化后低频电磁传感器模型的M文件model.m中，传感器的结构参量值均为建模时的初始实数值，根据JAVA编程语言，将模型中需要优化的主要结构变量设定为主变量，即变量代替给定的数值，且不同变量的名称均不相同。同时，由于模型中低频电磁传感器的某些位置、尺寸等变量受到各个主变量的制约，因此在设定主变量的同时，要将随其变化的变量设为从变量。此外，在模型参数化过程中，受不同主变量制约的从变量数量不等，但从变量的数量不计入优化变量的数量，即优化变量的数量仅为主变量数量。分别定义不同变量的读取路径para_n.m子程序，并将其保存为可供MATLAB直接调用的子程序，从而形成参数化低频电磁传感器优化模型。

步骤三：设定低频电磁传感器遗传优化目标函数。

定义优化传感器模型的目标函数为检测区域内的检测信号的评价系数，该目标函数作为遗传算法的适应度函数，控制遗传优化算法的种群进化质量，整体衡量各参量的优化程度，其极小值或极大值为优化的最终目标。极值表明检测区域内的检测信号不仅具有较高的强度，还具有很好的均匀性。

步骤四：设定遗传优化的主要参数。

定义遗传优化的主要参数，包括算法运行参数和控制参数。其中，运行参数的设定包括个体编码长度l、群体大小M、交叉概率P_c、变异概率P_m、终止代数T和代沟G；控制参数的设定包括收敛条件、可行域、种群规模和最大遗传代数，收敛条件即适应度阈值和适应度容差值等。

步骤五：编写MATLAB调用COMSOL的动态链接函数。

通过在COMSOL仿真平台中绘制几何模型、建立耦合物理场、划分域网格与边界网格等步骤之后，完成低频电磁传感器模型的设计。在此基础上，利用MATLAB与COMSOL的动态链接函数，实现MATLAB对COMSOL模型的调用，建立相互传递数据的渠道。动态链接函数是COMSOL传感器模型参量遗传进化机制的主要控制子函数，其主要模块包括主变量写入模块即myFun.m、中间变量存储模块即parameters.txt、COMSOL低频电磁传感器模型调用模块即model.m和检测信号计算模块即data.csv。

步骤六：调用MATLAB遗传算法。

根据步骤二中低频电磁传感器COMSOL优化模型的主变量和步骤三中遗传优化的检测区域检测信号评价系数，在MATLAB中编写遗传算子调用语句即ga.m子程序，设定遗传算法运行主程序即main.m主程序，用于控制各个子程序的调用、主要运行参数的选取和遗传优化的停止。给定低频电磁传感器模型各个主变量的初始值即parameters.txt，通过COMSOL计算得到检测信号仿真结果即data.csv；利用该结果判断检测信号评价系数是否满足最优准则；若满足，则输出最优结构参量即results。若不满足，则利用MATLAB中的遗传算法即ga.m，对各个模型参量进行多参数优化，循环搜索，并将优化结果赋予低频电磁传感器仿真模型，通过COMSOL软件可以计算出对应的物理仿真结果；最终，得到满足收敛准则的目标函数，此时主变量及从变量的优化结果为最优模型参数。

本发明具有以下优点：1)通过MATLAB与COMSOL的动态链接，突破了COMSOL单一赋值运算的局限，实现了COMSOL传感器模型参量的智能优化。2)将遗传算法用于低频电磁传感器结构的优化设计，实现了传感器结构多参量的整体优化。

附图说明

图1遗传算法流程图

图2优化模型参数化预处理示意图

图3动态链接MATLAB与COMSOL数据传递示意图

图4模型参量遗传优化过程图

图5低频电磁传感器仿真模型

图6低频电磁传感器模型参量遗传优化过程图

图7低频电磁传感器U型磁芯尺寸遗传优化收敛图

具体实施方式

下面结合具体实验对本发明作进一步说明：

本实验进行低频电磁传感器磁芯尺寸模型的优化设计，COMSOL仿真模型如图5所示。

步骤一：简化COMSOL仿真的低频电磁传感器模型。

将低频电磁传感器的COMSOL仿真模型保存为JAVA语言的M文件。按照建模的一般顺序，该文件会存储建模过程中全部参量赋值、修改、注释等操作步骤。因此在保存模型前，需要将模型进行清理，删去修改过程中冗余的步骤，得到简化后模型的M文件model.m。

步骤二：参数化COMSOL低频电磁传感器优化模型。

在简化的仿真模型model.m文件中，传感器的结构参量值均为建模时的初始实数值，即磁芯尺寸初始值为磁芯两极间距60mm，磁极宽度10mm，磁芯高度40mm。如图2所示，根据JAVA编程语言，将模型中需要优化的磁芯两极间距、磁极宽度等变量设定为主变量，即变量代替给定的数值，且不同变量的名称均不相同。同时，由于模型中传感器的绕线位置、被测试件位置、空气域尺寸等变量受到各个主变量的制约，因此在设定主变量的同时，要将随其变化的不同的位置变量设为从变量。此外，在模型参数化过程中，受不同主变量制约的从变量数量不等，但从变量的数量不计入优化时优化变量的数量，优化变量的数量为主变量数量。分别定义不同变量的读取路径(如para_n.m子程序)，并将其保存为可供MATLAB直接调用的子程序，从而形成参数化优化模型。

步骤三：设定低频电磁传感器遗传优化目标函数。

定义优化传感器模型的目标函数为检测区域漏磁场评价系数，该目标函数作为遗传算法的适应度函数，控制遗传优化算法的种群进化质量，整体衡量各参量的优化程度，其极小值为优化的最终目标，如公式1所示：

式中C_v——漏磁场评价系数；

σ——磁通量密度的标准差；

——磁通量密度的均值

从上式可以看出，C_v值越小，则表明检测区域内的漏磁场不仅具有较高的强度，还具有很好的均匀性。

步骤四：设定遗传优化的主要参数。

定义遗传优化的主要参数，包括算法运行参数和控制参数。其中，运行参数的设定为：个体编码长度l为2、群体大小M为10、交叉概率P_c为0.7、变异概率P_m为0.3、终止代数T为80和代沟G为0.8；控制参数的设定为：收敛条件为适应度阈值10^-4和适应度容差值10^-6、可行域为20-120mm、种群规模为10、最大遗传代数为80。

步骤五：编写MATLAB调用COMSOL的动态链接函数。

动态链接函数是COMSOL模型参量遗传进化机制的主要控制函数，将包含磁芯尺寸变量写入(myFun.m)、中间变量存储(parameters.txt)、COMSOL低频电磁传感器模型调用(model.m)和漏磁场检测信号计算(data.csv)等功能，作为低频电磁传感器磁芯尺寸遗传优化的子程序，控制MATLAB与COMSOL的互通。如图3所示，在COMSOL中通过绘制传感器的几何模型、建立电磁耦合物理场、划分域网格与边界网格等步骤完成模型的设计。利用MATLAB与COMSOL的动态链接函数，实现MATLAB对COMSOL模型的调用，建立相互传递数据的渠道。

步骤六：调用MATLAB遗传算法。

根据步骤二中低频电磁传感器COMSOL优化模型的磁芯尺寸变量和步骤三中遗传优化的检测区域漏磁场评价系数，在MATLAB中编写遗传算子调用语句(ga.m子程序)，设定遗传算法运行主程序(main.m主程序)，用于控制各个子程序的调用、主要运行参数的选取和遗传优化的停止。如图6所示，给定低频电磁传感器模型磁芯尺寸变量的初始值(parameters.txt)，通过COMSOL计算得到漏磁场仿真结果(data.csv)；利用该结果判断漏磁场评价系数是否满足最优准则；若满足，则输出最优结构参量(results)。若不满足，则利用MATLAB中的遗传算法(ga.m)，对各个模型参量进行多参数优化，循环搜索，并将优化结果赋给仿真模型，通过COMSOL软件可以计算出对应的物理仿真结果；最终，得到满足收敛准则的目标函数，此时磁芯尺寸的优化结果为最优模型参数，即U型磁芯低频电磁传感器的磁芯两极间距70mm、磁极宽度25mm。

以上是本发明的一个典型应用，本发明的应用不限于此。