[发明专利]激波管动态压力重构方法、装置、电子设备及存储介质

权利要求书

1.一种激波管动态压力重构方法，其特征在于，包括：

获取初始动态压力响应信号，所述初始动态压力响应信号包括振动信号和响应信号；

基于变分模态分解方法和经验模态分解方法对所述振动信号和响应信号进行预处理操作，得到去噪振动信号、预处理响应信号以及所述预处理响应信号在不同频段的分量信号；

根据所述不同频段的分量信号分别与所述去噪振动信号和预处理响应信号之间的相关性构建训练集；

基于Bi-LSTM神经网络模型构建初始逆传感网络模型，基于所述训练集迭代训练初始逆传感网络模型，得到目标逆传感网络模型；

获取实时动态压力响应信号并进行所述预处理操作后输入所述目标逆传感网络模型，得到目标激波管动态压力重构信号；

所述基于变分模态分解方法和经验模态分解方法对所述振动信号和响应信号进行预处理操作，得到去噪振动信号、预处理响应信号以及所述预处理响应信号在不同频段的分量信号，包括:

基于变分模态分解方法对所述振动信号进行分解，得到多个振动模态分量，分别计算所述多个振动模态分量与振动信号的相关系数，去掉高频噪声分量，得到所述去噪振动信号；

基于变分模态分解方法对所述响应信号进行分解，得到多个响应模态分量，基于传感器振铃频率对所述多个响应模态分量进行重构，得到多个重构信号；

基于经验模态分解方法对所述多个重构信号进行分解，得到多个重构信号本征模态函数分量；

分别计算所述多个重构信号本征模态函数分量与去噪振动信号的相关系数，其中与去噪振动信号的相关系数最大的重构信号本征模态函数分量对应的重构信号为所述预处理响应信号；

基于经验模态分解方法对所述预处理响应信号进行分解，得到所述预处理响应信号在不同频段的分量信号；

所述根据所述不同频段的分量信号分别与所述去噪振动信号和预处理响应信号之间的相关性构建训练集，包括：

分别计算所述不同频段的分量信号与预处理响应信号和去噪振动信号之间的相关系数，将所述不同频段的分量信号中与所述预处理响应信号的相关系数最大的分量信号作为振铃分量信号；

将所述不同频段的分量信号中除振铃频率分量外与去噪振动信号相关系数数值小于设定阈值的分量信号作为噪声分量信号，对所述噪声分量信号予以剔除，得到去噪响应信号、重构响应信号、振动相关分量信号和趋势分量信号；

基于所述重构响应信号、振动相关分量信号和趋势分量信号构建所述训练集；

所述基于所述训练集迭代训练初始逆传感网络模型，得到目标逆传感网络模型，包括：

基于所述重构响应信号构建初始逆传感网络模型第一训练集输入，基于所述振动相关分量构建初始逆传感网络模型第二训练集输入，将所述趋势分量信号作为初始逆传感网络模型的输出；

设置所述初始逆传感网络模型的隐含层层数及超参数后，基于构建的训练集对所述初始逆传感网络模型进行迭代训练；

当所述初始逆传感网络模型输出损失率低于设定的损失阈值时，得到所述目标逆传感网络模型。

2.根据权利要求1所述的激波管动态压力重构方法，其特征在于，所述趋势分量信号与所述目标激波管动态压力重构信号幅值相对应。

3.根据权利要求1所述的激波管动态压力重构方法，其特征在于，所述设置所述初始逆传感网络模型的隐含层层数及超参数后，基于构建的训练集对所述初始逆传感网络模型进行迭代训练，包括：

设置所述初始逆传感网络模型的初始隐含层层数，所述隐含层包括若干神经元单元；

设置所述初始逆传感网络模型的超参数，所述超参数包括：优化器参数、学习率、序列长度和训练轮次；

迭代训练过程中通调节所述初始逆传感网络模型的初始隐含层层数、优化器参数、学习率、序列长度和训练轮次，并确定所述隐含层内部各个神经元单元节点的权值和偏置，使所述初始逆传感网络模型的输出使输出均方根误差最小，并达到设定的损失阈值，完成所述初始逆传感网络模型的迭代训练过程。