This work aims to develop a Structural Health Monitoring methodology that maximizes the acquired modal response and minimizes the number of sensors in a helicopter’s main rotor blade. Although this trade-off is a SHM principle, there is no methodology in literature that opposes these objectives for any structure. Firstly, a real AS350 helicopter rotor blade was experimentally tested and a numerical model was elaborated in FEM. An inverse method found the mechanical properties that fit numerical and experimental models. Then, a new methodology is proposed to address the Sensor Placement Optimization problem using the Multi-objective Lichtenberg Algorithm and Feature Selection. The Multi-objective Sensor Selection and Placement Optimization based on the Lichtenberg Algorithm (MOSSPOLA) has as one of the objectives the number of sensors and the other, one of the 7 best-known metrics in SPO: Kinetic Energy, Effective Independence, Average Driving-Point Residue, Eigenvalue Vector Product, Information Entropy, Fisher Information Matrix, and Modal Assurance Criterion. Pareto fronts and sensor configurations were generated and compared. Linear and convex families of Pareto fronts were unprecedentedly identified, showing a correlation between them. Better sensor distributions were associated with higher Hypervolume and the best metrics for each family were applied to damage identification for final comparison. The MOSSPOLA found a sensor configuration for each sensor number and metric, including one with 100% accuracy in identifying delamination considering triaxial modal displacements, minimum number of sensors, and noise for all blade sections.

这项工作旨在开发一种结构健康监测方法，最大限度地提高获得的模态响应，并最大限度地减少直升机主旋翼叶片中的传感器数量。尽管这种权衡是 SHM 原则，但文献中没有任何方法论反对任何结构的这些目标。首先，对一个真实的 AS350 直升机旋翼桨叶进行了实验测试，并在有限元法中详细阐述了数值模型。逆向方法找到了适合数值和实验模型的机械性能。然后，提出了一种使用多目标 Lichtenberg 算法和特征选择来解决传感器放置优化问题的新方法。基于 Lichtenberg 算法 (MOSSPOLA) 的多目标传感器选择和放置优化的目标之一是传感器的数量，另一个目标是，SPO 中最著名的 7 个指标之一：动能、有效独立性、平均驱动点残差、特征值向量积、信息熵、Fisher 信息矩阵和模态保证准则。生成并比较帕累托前沿和传感器配置。帕累托前沿的线性和凸型家族史无前例地被识别出来，显示出它们之间的相关性。更好的传感器分布与更高的 Hypervolume 相关联，并且每个系列的最佳指标应用于损坏识别以进行最终比较。MOSSPOLA 为每个传感器编号和指标找到了一种传感器配置，包括一个在识别分层方面具有 100% 准确度的传感器配置，考虑到三轴模态位移、传感器的最小数量和所有叶片部分的噪声。动能、有效独立性、平均驱动点残差、特征值向量积、信息熵、Fisher 信息矩阵和模态保证准则。生成并比较帕累托前沿和传感器配置。帕累托前沿的线性和凸型家族史无前例地被识别出来，显示出它们之间的相关性。更好的传感器分布与更高的 Hypervolume 相关联，并且每个系列的最佳指标应用于损坏识别以进行最终比较。MOSSPOLA 为每个传感器编号和指标找到了一种传感器配置，包括一个在识别分层方面具有 100% 准确度的传感器配置，考虑到三轴模态位移、传感器的最小数量和所有叶片部分的噪声。动能、有效独立性、平均驱动点残差、特征值向量积、信息熵、Fisher 信息矩阵和模态保证准则。生成并比较帕累托前沿和传感器配置。帕累托前沿的线性和凸型家族史无前例地被识别出来，显示出它们之间的相关性。更好的传感器分布与更高的 Hypervolume 相关联，并且每个系列的最佳指标应用于损坏识别以进行最终比较。MOSSPOLA 为每个传感器编号和指标找到了一种传感器配置，包括一个在识别分层方面具有 100% 准确度的传感器配置，考虑到三轴模态位移、传感器的最小数量和所有叶片部分的噪声。信息熵、Fisher 信息矩阵和模态保证准则。生成并比较帕累托前沿和传感器配置。帕累托前沿的线性和凸型家族史无前例地被识别出来，显示出它们之间的相关性。更好的传感器分布与更高的 Hypervolume 相关联，并且每个系列的最佳指标应用于损坏识别以进行最终比较。MOSSPOLA 为每个传感器编号和指标找到了一种传感器配置，包括一个在识别分层方面具有 100% 准确度的传感器配置，考虑到三轴模态位移、传感器的最小数量和所有叶片部分的噪声。信息熵、Fisher 信息矩阵和模态保证准则。生成并比较帕累托前沿和传感器配置。帕累托前沿的线性和凸型家族史无前例地被识别出来，显示出它们之间的相关性。更好的传感器分布与更高的 Hypervolume 相关联，并且每个系列的最佳指标应用于损坏识别以进行最终比较。MOSSPOLA 为每个传感器编号和指标找到了一种传感器配置，包括一个在识别分层方面具有 100% 准确度的传感器配置，考虑到三轴模态位移、传感器的最小数量和所有叶片部分的噪声。帕累托前沿的线性和凸型家族史无前例地被识别出来，显示出它们之间的相关性。更好的传感器分布与更高的 Hypervolume 相关联，并且每个系列的最佳指标应用于损坏识别以进行最终比较。MOSSPOLA 为每个传感器编号和指标找到了一种传感器配置，包括一个在识别分层方面具有 100% 准确度的传感器配置，考虑到三轴模态位移、传感器的最小数量和所有叶片部分的噪声。帕累托前沿的线性和凸型家族史无前例地被识别出来，显示出它们之间的相关性。更好的传感器分布与更高的 Hypervolume 相关联，并且每个系列的最佳指标应用于损坏识别以进行最终比较。MOSSPOLA 为每个传感器编号和指标找到了一种传感器配置，包括一个在识别分层方面具有 100% 准确度的传感器配置，考虑到三轴模态位移、传感器的最小数量和所有叶片部分的噪声。