[发明专利]基于深度学习的高g值加速度计的标定系统及标定方法

权利要求书

1.一种基于深度学习的高g值加速度计标定系统的标定方法，其中基于深度学习的高g值加速度计的标定系统包括若干普通加速度计(2)、高性能加速度计(3)、数据收集模块，深度学习模块和修正信号检测模块，其中数据收集模块产生并通过若干普通加速度计(2)和高性能加速度计(3)收集大量不同量级的冲击信号；深度学习模块使得普通加速度计(2)通过向高性能加速度计(3)深度学习提高精度；修正信号检测模块评估修正后的冲击加速度信号的精确程度；所述数据收集模块包括电荷放大器(4)、数据采集卡(5)和数据收集卡(6)；其中若干普通加速度计(2)和高性能加速度计(3)分别与电荷放大器(4)连接，电荷放大器(4)和数据采集卡(5)相互连接；外部高g冲击信号发生源产生的冲击信号同时传入普通加速度计(2)和高性能加速度计(3)；经普通加速度计(2)和高性能加速度计(3)测量加速度信号后传入电荷放大器(4)；经电荷放大器(4)放大后传入数据采集卡(5)；数据采集卡(5)将采集到的数据传入计算机，并对采集的数据进行滤波、保存处理；通过深度学习模块中的深度神经网络学习普通加速度计测得的信号和高性能加速度计测得的信号之间的映射来完成普通加速度计测得信号的修正；标定系统还包括修正信号检测模块，所述修正信号检测模块通过峰值误差、主脉宽误差、冲击响应谱曲线、时域波形相对误差、确定系数共5个指标来评价修正的普通加速度计测得的冲击加速度信号的修正精确程度；所述深度学习模块采用编码机-解码机形式的深度神经网络进行学习，深度神经网络包括编码机、解码机和峰值预测网络；

其特征在于，包括以下步骤：

步骤1：利用冲击信号发生系统，采用若干个普通加速度计和一个高性能加速度计同时测量大量不同量级的冲击信号，包括以下子步骤：

步骤1.1：将待测的加速度计平行、对称地固定在冲击放大器台面上；

步骤1.2：将冲击放大器底座固定于跌落式冲击试验机的台面上；

步骤1.3：通过操控系统控制驱动装置提升跌落式冲击试验机台面上升到指定高度，释放跌落式冲击试验机台面，使之与冲击放大器一同自由下落；该动作可以在显示及任务输入系统中直接操作，并通过操控系统完成；

步骤1.4：跌落式冲击试验机台面与冲击试验机底座上的橡胶波形发生器撞击后发生反弹，此时冲击放大器台面因为惯性，将继续竖直向下运动，并与安装在冲击放大器底座上的金属质量块碰撞，产生冲击响应；

步骤1.5：固定在冲击放大器台面上加速度计感应到冲击响应并将其传输给电荷放大系统，再传输给数据采集和处理系统进行处理，最终在显示及任务输入系统中展示并收集；

步骤2：采用深度学习方法训练并建立普通加速度计测得的冲击信号和高性能加速度计测得信号之间的映射，以修正普通加速度计测得的冲击信号；其中神经网络的具体工作过程为：

步骤2.1：将输入的普通加速度计测得的冲击信号序列x^r，维数为r，归一化为xⁿ，维数为n；

步骤2.2：将序列维数为n的序列xⁿ编码为序列维数为n₃的序列z；

步骤2.3：再将序列维数为n₃的序列z重构解码为序列维数为n的yⁿ；

步骤2.4：峰值预测网络作为整个神经网络的一个额外分支，是专门设计用于校正冲击信号的峰值的；该网络同时提取输入信号的峰值信息p^x和归一化的全局编码信息z；

步骤2.5：预测峰值p^y和解码信号yⁿ将被去归一化，从而获得最终修正的冲击信号序列y^pred；

步骤3：利用修正信号检测模块评估修正信号的修正精度，其中设y^Rep为修复的加速度信号，y^Ref为相应的高性能加速度计测量得到的加速度信号；上述5个指标的具体计算公式分别如下

峰值相对误差的计算公式为：

式(1)中：和分别为y^Rep和y^Ref的最大值；该评价指标描述了修复的加速度信号在测量最大加速度响应方面的能力，也是评估修复加速度信号局部精度的重要指标；

主脉宽误差的计算公式为：

REP＝|P(y^Rep)-P(y^Ref)| (2)

式(2)中：P(y^Rep)和P(y^Ref)分别表示修复的加速度信号的脉宽和相应的高性能加速度计测量得到的加速度信号的脉宽；

时域波形相对误差的计算公式为：

式(3)中：和分别为y^Rep和y^Ref中第i个点的值；该评价指标描述了修复的加速度信号每一个点的局部精度；

确定系数的计算公式为：

式(4)中，为y^Ref的平均值；该评价指标表征了修复的加速度信号和高性能加速度计测得的冲击信号之间的接近程度；R²越接近1，表示修复的加速度信号的和高性能加速度计测得的冲击信号越接近。