一种冲击波场数据智能重构方法技术

本发明专利技术涉及一种冲击波场数据智能重构方法，基于生成对抗网络用来重建爆炸场测量盲区波形，首先，对传感器的点位进行布置，通过传感器对爆炸的冲击波进行采集，之后利用传感器采集到的时域波形信息及相应的位置信息进行数据处理并生成学习样本，再将处理好的样本数据输入到生成对抗网络中，最终通过生成对抗网络中生成器和判别器对抗训练生成测点盲区的波形

【技术实现步骤摘要】
一种冲击波场数据智能重构方法


[0001]本专利技术属于爆破震动测试

、
毁伤威力评估
，具体涉及一种冲击波场数据智能重构方法
。

技术介绍

[0002]冲击波超压场是利用有限节点获取的冲击波信号，以反演的方式重建爆炸载荷在测试区域的强度分布，以及随时间的分布
。
该参数是衡量高效能武器系统对目标杀伤力
(“打的狠”)
的重要指标，是改进该类弹药打击方式
、
研究该类弹药爆炸能量传导模式和毁伤机理的主要依据
。
[0003]在冲击波超压场重建过程中，冲击波测试数据的完备性直接影响到重建精度
。
国内外研究人员主要通过2种方法，提高测试数据的完备性
。(1)
增加冲击波测量节点数量，通过布设的冗余性，减少数据的稀疏性，从而提高测试数据的完备性；
(2)
通过插值算法
(
如非线性插值
、
径向基函数等，结合冲击波经验公式
)
，对测试盲区的数据量进行补偿
。
随着大威力弹药技术不断提升，目前仍存在以下问题：
[0004]随着弹药威力增加，破片
、
高温等环境因素，造成测试仪器生存能力不足，以增加测试节点数量，提高冲击波数据量的方式无法适用；冲击波场由
‘
点
’
爆下各向同性向
‘
体
’
爆下的各向异性方向发展，常规经验公式已无法适用，造成插值算法在数据补偿过程中误差较大
。
针对上述问题，本专利技术依据爆炸冲击波传播规律，结合人工智能在数据预测方面的优势，采用基于分区模型驱动的深度学习方法重建测点盲区的冲击波时域波形
。

技术实现思路

[0005]本专利技术提供一种冲击波场数据智能重构方法，解决上述问题
。
[0006]为了解决以上技术问题，本专利技术提供了一种冲击波场数据智能重构方法，其特征在于：具体包括以下步骤：
[0007]S1.
对传感器的点位进行布置；
[0008]设置实验区域，将其中心设置为炸点，并将该区域划分成网格；同时，以炸点为圆心，
x
轴为半径，创建多个扇形区域，每个扇形区域中总共布置
50
％网格数的传感器，另外
50
％的网格为测点盲区的位置；每个区域中所有传感器离炸点的距离都不相同；最后，对划分出来的区域进行逆序编码；
[0009]S2.
进行一次爆炸试验，通过传感器对爆炸的冲击波进行采集获取冲击波数据；利用传感器采集到的时域波形信息及相应的位置信息进行数据处理，生成学习样本；
[0010]S3.
建立一个用于预测出完整时域数据的生成对抗网络；
[0011]S4.
网络训练：将
S2
处理好的样本数据输入到生成对抗网络中，由生成对抗网络的生成网络生成虚假数据，将虚假数据的标签设为0，原始数据的标签设为1，通过生成对抗网络的判别网络和生成网络进行对抗训练生成测点盲区的波形；
[0012]S5.
网络训练完成后，根据得到的所有扇形区域的生成数据，确定每个扇形区域中
生成的测点盲区的时域数据，对该时域数据中的每一行分别拟合成光滑曲线，选择效果最优的一次波形作为该区域重建后的测点盲区的时域波形
。
[0013]有益效果：本专利技术是基于生成对抗网络用来重建爆炸场测量盲区波形，首先，对传感器的点位进行布置，通过传感器对爆炸的冲击波进行采集，之后利用传感器采集到的时域波形信息及相应的位置信息进行数据处理并生成学习样本，再将处理好的样本数据输入到生成对抗网络中，最终通过生成对抗网络中生成器和判别器对抗训练生成测点盲区的波形
。
[0014](1)
本专利技术通过建立深度学习网络模型，结合冲击波在空气中的传播规律，使得重建后的波形更加贴近真实波形
。
同时，能够为侵彻类弹药评估毁伤威力，检验
、
修正理论模型，改进打击方式提供重要的依据
。
[0015](2)
本专利技术利用一种端到端的时域数据重建方法，该方法利用降噪自编码器的降维能力，自动为每一条测点盲区的数据找到对应的特征向量，结合生成对抗网络技术，能够端到端自动补全所需的波形数据，具有很高的效率
。
附图说明
[0016]图1区域划分图
[0017]图2区域1中传感器点位布置图
(
黑点为传感器布设位置，灰点为测点盲区
)
[0018]图3生成对抗网络模型
[0019]图4生成网络示意图
[0020]图5循环神经单元示意图
[0021]图6判别网络示意图
。
具体实施方式
[0022]为使本专利技术的目的
、
内容和优点更加清楚，下面对本专利技术的具体实施方式作进一步详细描述
。
[0023]本专利技术提出的一种冲击波场数据智能重构方法，具体包括以下步骤：
[0024]S1.
对传感器的点位进行布置；
[0025]如图1所示，设置边长为
40
米的正方形，设置中心为炸点，并划分
40
×
40
个1米
×1米的网格
。
同时，以炸点为圆心
x
轴为半径逆时针每旋转
22.5
°
为一个区域
(
虚线划分
)
，创建
16
个扇形区域，每个扇形区域中总共布置
50
％网格数的传感器
。
另外
50
％的网格为测点盲区的位置；每个区域中所有传感器离炸点的距离都不相同
。
最后，对划分出来的
16
个区域进行逆序编码
。
[0026]S2.
进行一次爆炸试验，通过传感器对爆炸的冲击波进行采集获取冲击波数据；利用传感器采集到的时域波形信息及相应的位置信息进行数据处理，生成学习样本，具体操作如下：
[0027]S21.
将
16
个区域的编号做独热编码处理，即可得到
16
个区域的独热编码形式的一维矩阵
Φ
i
(i
＝
1,2,...,16)
，形状为1×
16
，“i”表示区域数
。
[0028]S22.
采集测试区冲击波信号：如图2所示，以第一个区域为例，共覆盖有
94
个网格，图中黑点为均匀布置的
47
个传感器，灰色的点为测点盲区
。
设置采样率为
1MHz
，采样时间为
0.1s
...

【技术保护点】

【技术特征摘要】
1.
一种冲击波场数据智能重构方法，其特征在于：具体包括以下步骤：
S1.
对传感器的点位进行布置；设置实验区域，将其中心设置为炸点，并将该区域划分成网格；同时，以炸点为圆心，
x
轴为半径，创建多个扇形区域，每个扇形区域中总共布置
50
％网格数的传感器，另外
50
％的网格为测点盲区的位置；每个区域中所有传感器离炸点的距离都不相同；最后，对划分出来的区域进行逆序编码；
S2.
进行一次爆炸试验，通过传感器对爆炸的冲击波进行采集获取冲击波数据；利用传感器采集到的时域波形信息及相应的位置信息进行数据处理，生成学习样本；
S3.
建立一个用于预测出完整时域数据的生成对抗网络；
S4.
网络训练：将
S2
处理好的样本数据输入到生成对抗网络中，由生成对抗网络的生成网络生成虚假数据，将虚假数据的标签设为0，原始数据的标签设为1，通过生成对抗网络的判别网络和生成网络进行对抗训练生成测点盲区的波形；
S5.
网络训练完成后，根据得到的所有扇形区域的生成数据，确定每个扇形区域中生成的测点盲区的时域数据，对该时域数据中的每一行分别拟合成光滑曲线，选择效果最优的一次波形作为该区域重建后的测点盲区的时域波形
。2.
根据权利要求1所述的一种冲击波场数据智能重构方法，其特征在于：
S2
具体步骤如下：
S21.
将所有扇形区域的编号做独热编码处理，即可得到所有扇形区域的独热编码形式的一维矩阵；
S22.
采集测试区冲击波信号：通过一次爆炸，每个扇形区域采集到一组冲击波信号，均匀取每个传感器接收到的
10000
个采样值作为一个传感器的特征，将每个测点盲区的
10000
个采样值全部初始为0，按照距爆点距离由近到远进行合并得到了第一个区域的二维数组；将第一个区域的时域数据定义为：其中表示第
i
个区域中第
j
个传感器的
10000
个采样值，令为列向量，则此时
S1形状为
94
×
10000
；
S23.
在
S
i
中所有传感器采集的采样点全置1，需要预测的点全置0构建掩膜矩阵
m
i
；利用如下公式得到每个相邻有效值之间的距离差相邻有效值之间的距离差表示第
i
个区域中第
j
个位置离爆点的距离，形状为
10000
×1，与形状相同；表示第
i
个区域中第
j
个位置的掩膜向量，
[1]
表示全为1的列向量，
[0]
表示全为0的列向量，具体公式如下，公式
(2)
代表缺失数据的距离间隔；公式
(3)
代表完整数据的距离间隔：
S24.
在原始时域数据的基础上添加随机噪声
。3.
根据权利要求1所述的一种冲击波场数据智能重构方法，其特征在于：生成对抗网络由生成网络和判别网络组成，生成网络用来生成符合原始数据规律的假样本，判别网络用来判断输入样本的真实性，并输出输入样本真实性的概率；生成网络的最终目的是生成可以欺骗判别网络以假乱真的样本，判别网络目的是尽量分辨输入样本的真假，通过这种对抗训练实现对未知波形的重建
。4.
根据权利要求3所述的一种冲击波场数据智能重构方法，其特征在于：生成网络和判别网络均使用循环神经网络和全连接网络组成
。5.
根据权利要求4所述的一种冲击波场数据智能重构方法，其特征在于：生成网络是利用循环神经单元搭建的降噪自编码器，包括编码器和解码器；编码器和解码器均采用相同的网络，具体设计如下：
...

【专利技术属性】
技术研发人员：李剑，臧丹枫，李传坤，孔庆珊，金艳，孔慧华，魏晓曼，贺斌，
申请(专利权)人：中北大学，
类型：发明
国别省市：