[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

说明书

本发明涉及基于深度学习的高g值加速度计的标定系统及标定方法，利用冲击测试设备高效率地提供不同冲击量级的冲击环境，在不同的冲击环境下用一个普通加速度计和一个高精度加速度计反复测量相应的冲击信号并形成数据集；再基于深度学习方法让普通加速度计向高精度加速度计“学习”；最后通过训练深度神经网络来提取高精度加速度计测量信号的隐藏特征，以标定普通加速度计并提升其测量性能。本发明旨在提出一种高g值加速度计的智能标定方法，可以用于快速标定和提升普通高g值加速度计的测量性能，也可以用于部分故障加速度计的智能修复。

技术领域

本发明涉及一种基于深度学习理论，特别涉及一种基于深度学习的高g值加速度计的标定系统及标定方法。

背景技术

冲击激励是一种瞬间的能量传递，并且这种瞬间的能量传递往往会对系统造成巨大的破坏。冲击现象广泛存在于产品的设计、制造和使用过程中，比如火箭发射、卫星释放时的爆炸分离、汽车碰撞、产品运输装卸过程中的颠簸和跌落等。因此，为评估产品在冲击环境下的可靠性和生存能力，并进一步提升产品性能，冲击测试技术格外重要。

冲击测试技术必然伴随着冲击响应的测量。冲击响应通常用加速度信号表示，并由加速度计测量得到。但是，随着产品性能要求的越发严格，相应的测试条件也变得更加严苛，特别是在高g值冲击测试领域，普通加速度计的测量水平不容乐观，其测量结果往往并不可靠，很多时候都需要配套高性能加速度计才能完成。考虑到很多时候高性能加速度计需要通过进口获得，因而往往价格昂贵，有些甚至被禁运，因此如何准确标定并快速提升普通加速度计的测量水平就是一个亟待解决的问题。

关于高g值加速度计的标定技术，诸多学者及企业已经做了大量研究。国际方面，美国Endevco公司早在1977年就提出了采用压缩波在10⁵g下校准加速度计的方法，类似的技术后来被称为Hopkinson杆技术；日本工业界也在1990年代开发了相关技术；ISO标准16063-13描述了两种高g值加速度计的标定方法，一种是基于一维弹性波理论的Hopkinson杆技术，另一种是基于刚体碰撞理论的机械撞击式冲击试验技术，二者都利用激光干涉法测量加速度。国内在该方面虽然起步稍晚，但经过不懈努力，目前的技术水平也不遑多让，1997年，西北工业大学李玉龙教授团队在Hopkinson杆技术的基础上研制了高g值加速度计校准系统，随后Yuan等人对其进行了改进；中北大学石云波教授团队设计了一种双弹头Hopkinson杆校准装置，用于实现精确标定高g值加速度计的动态线性度；北京航空航天大学黄俊钦教授团队也基于小型空气炮技术研制了加速度计校准系统；浙江大学陈章位教授团队基于碰撞理论，在摆锤式冲击试验机的技术基础上研制了一款加速度计冲击校准系统。上述研究虽然提供了很多精确地标定加速度计的方法，但只能用于检测出待标定加速度计的测量误差，并没有提升待标定加速度计自身的测量水平。

由传感器的精度(也称综合误差)计算公式(式中r_L、r_H、r_R分别代表非线性误差、重复性误差和迟滞误差)可知，传感器的精度主要受非线性误差、重复性误差和迟滞误差影响。考虑到高g值加速度计主要作用于冲击环境，不存在反向输入问题，因此迟滞误差项可以忽略。工程实践经验也表明非线性误差和重复性误差是普通高g值加速度计普遍存在的问题，也是最难克服的两个缺点。在非线性误差方面，目前用于实现非线性自校正的方法主要有：查表法、曲线拟合法和神经网络法。查表法主要基于线性插值法逼近反非线性曲线，简单易行，但精度较差；曲线拟合法通常采用n次多项式来逼近反非线性曲线，精度较高，但当有噪声时，求解待定系数会出现病态情况，造成无法求解；神经网络法则是通过训练神经网络来完成准确测量值的预测，但目前大多使用单隐层神经网络进行训练，需要人工提取特征，并且泛化能力较差。通常，这三种方法都是人为提取峰值和脉宽两个特征来描述相应的冲击激励，忽略了波形的影响。显然，用整个冲击脉冲的加速度-时间序列来描述冲击激励是最准确的。此外，这三种方法都无法适用于测量结果重复性较差的情况。