高g值加速度传感器动态补偿方法的研究

摘要

高g值加速度传感器是侵彻系统的核心器件，其动态性能直接影响测试系统的性能。由于高g值加速度传感器本身结构特点，使其测量频率上限受到限制，其工作频带不能完全覆盖加速度信号的有效带宽，从而导致侵彻测试系统产生较大的动态误差。为减少测试系统误差，提高测试系统的准确性，所以有必要对高g值加速度传感器进行动态补偿，拓宽其工作频带。本文针对传感器动态补偿方法做了一系列研究。
　　首先对于线性补偿方法，从建模误差以及输入噪声两个角度仿真分析了基于零极点相消法的补偿效果。结果显示幅值误差与动态补偿后频带宽度关联不大。
　　其次对于非线性补偿方法，研究了基于BP、RBF神经网络的补偿方法。以传感器输出信号为原型，构建神经网络的训练样本，以校准系统的激励源信号即传感器输入信号作为网络的期望输出。训练过程中由于权值训练精度不够理想以及训练步数较长等缺点，导致补偿过程时间较长，补偿后系统频带平缓段较短，补偿结果不理想。由此提出改进型变尺度法(L-BFGS)与径向基函数(RBF)神经网络相结合算法，并在补偿系统后增加实时性较好的卡尔曼滤波算法，减少输入噪声影响。通过比较三种神经网络训练的补偿模型，分析结果显示与改进型变尺度法结合的RBF网络补偿算法具有全局稳定，输入噪声影响较小，补偿效果更好等优点。
　　最后将与改进型变尺度法(L-BFGS)相结合的径向基函数(RBF)神经网络应用于AYZ-4-120K高g值加速度传感器上。先采用高冲击台校准系统对其动态校准，然后对动态校准数据预处理。将预处理后的AYZ-4-120K传感器输出数据作为补偿模型的训练输入样本，标准传感器输出作为补偿模型的期望样本，将另一组校准数据作为测试数据，验证神经网络训练模型的正确性。结果显示AYZ-4-120K传感器工作频带由原来的7.18KHz补偿到44.3KHz，由此证明了与改进型变尺度法(L-BFGS)相结合的RBF网络补偿算法的有效性。

目录

声明

摘要

1 绪论

1．1 高g值加速度传感器动态补偿意义1

1．2 传感器动态补偿研究现状

1．3 论文安排

1．4 传感器补偿过程

2 高g值加速度传感器动态性能及补偿原理

2．1 传感器模型

2．1．1 连续测试系统

2．1．2 离散测试系统

2．2 动态性能指标

2．2．1 时间域动态性能

2．2．2 频率域动态性能

2．3 高g值加速度传感器实测数据分析

2．4 高g值加速度传感器动态补偿原理

2．5 本章总结

3 零极点相消动态补偿法

3．1 零极点相消动态补偿原理

3．2 传感器模型辨识

3．2．1 最小二乘法

3．2．2 同时辨识差分方程模型阶次和参数(SIM(IV))

3．2．3 一种特殊白化滤波器的广义最小乘法(GLS(SF))

3．3 仿真分析

3．4 总结

4 神经网络动态补偿及改进算法

4．1 BP神经网络理论

4．2 径向基函数(RBF)神经网络

4．3 改进型变尺度法(L-BFGS)与RBF神经网络结合算法

4．4 改进算法验证

4．5 与零极点相消动态补偿法比较

4．6 本章总结

5．高g值加速度传感器动态性能补偿

5．1 基于高冲击台高g值传感器校准系统

5．1．1 高冲击台基本原理

5．1．2 冲击比较法

5．1．3 校准系统不确定度分析

5．2 高g值加速度传感器动态补偿

5．2．1 原始数据预处理

5．2．2 高g值压阻式加速度传感器动态补偿

5．3 本章总结

6．1 总结

6．2 创新点总结

6．3 下一步工作

参考文献

硕士期间发表的论文及科研工作

致谢