本发明涉及一种压力敏感涂料特性参数的优化方法和装置，属于航空航天工业空气动力学风洞试验技术领域。
背景技术：
压力敏感涂料的主要特性参数包括：压力灵敏度、温度灵敏度以及光降解速率等。这些特性参数是评估压力敏感涂料性能优劣的重要技术指标。如何提高涂料的压力灵敏度、降低其温度灵敏度及光降解速率是压力敏感涂料研发及其工程应用中的重要课题。
美国nasa、德国dlr、华盛顿大学、英国曼切斯特大学等相关研究机构针对压敏涂料特性及其影响因素进行了广泛的实验及机理研究，研究结果表明：涂料固化温度、喷涂厚度、入射光强度、滤光片带宽及其中心波长等是影响压敏涂料特性以及最终测压精度的重要因素。然而，目前涂料特性及其影响因素研究集中在影响机理研究及定性分析上。工程应用中，如何确定最优的涂料喷涂厚度、入射光强度以及滤光片带宽并获得最优的压力灵敏度等涂料特性参数往往依靠经验，缺少科学、定量的涂料特性参数优化方法。
技术实现要素：
针对上述缺陷，本发明提供一种压力敏感涂料特性参数的优化方法和装置，用于对压力敏感涂料特性参数的影响因素进行定量化分析，从而获得压力敏感涂料最优的影响因素数据，使压力敏感涂料能够以最优的工作参数进行压力测量工作。
本发明提供一种压力敏感涂料特性参数的优化方法，包括以下步骤：
利用现代试验设计分析特性参数的影响因素，获取影响因素试验数据列表；
根据所述影响因素试验数据列表确定特性参数试验数据列表，所述特性参数试验数据列表包括至少一个特性参数的试验数据；
根据所述影响因素试验数据列表和特性参数试验数据列表建立关于所述特性参数与影响因素的响应面模型；
根据所述响应面模型确定所述影响因素的最优理论数据，根据所述影响因素的最优理论数据确定所述特性参数的最优理论数据；
若所述特性参数的最优理论数据优于所述特性参数试验数据列表中的所有特性参数的试验数据，则所述影响因素的最优理论数据为所述压力敏感涂料特性参数的影响因素最优数据。
进一步地，所述根据所述响应面模型确定所述特性参数的最优理论数据之前，还包括：
评估所述响应面模型的精度，若所述响应面模型的精度达到第一阈值，则根据所述响应面模型确定所述影响因素的最优理论数据；
若所述响应面模型的精度未达到第一阈值，则重新建立所述响应面模型。
进一步地，所述利用现代试验设计分析特性参数的影响因素，获取影响因素试验数据列表之前，还包括：
确定所述特性参数的影响因素。
进一步地，还包括：
确定所述影响因素的数据最大值和数据最小值。
进一步地，还包括：
若所述特性参数的最优理论数据劣于所述特性参数试验数据列表中的至少一个特性参数的试验数据，则重新获取影响因素试验数据列表。
进一步地，所述根据所述影响因素试验数据列表确定所述特性参数试验数据列表，具体包括：
通过压力敏感涂料静态校准实验，根据所述影响因素试验数据列表确定所述特性参数试验数据列表。
进一步地，所述根据所述影响因素的最优理论数据确定所述特性参数的最优理论数据，具体包括：
通过压力敏感涂料静态校准实验，根据所述影响因素的最优理论数据确定所述特性参数的最优理论数据。
本发明还提供一种压力敏感涂料特性参数的优化装置，包括：
分析模块，所述分析模块用于利用现代试验设计分析特性参数的影响因素，获取影响因素试验数据列表；
确定模块，所述确定模块用于根据所述影响因素试验数据列表确定所述特性参数试验数据列表；
建立模块，所述建立模块用于根据所述影响因素试验数据列表和特性参数试验数据列表建立关于所述特性参数与影响因素的响应面模型；
所述确定模块还用于根据所述响应面模型确定所述影响因素的最优理论数据，根据所述影响因素的最优理论数据确定所述特性参数的最优理论数据；
判断模块，所述判断模块用于判断所述特性参数的最优理论数据的优劣性，若所述判断模块所述特性参数的最优理论数据优于所述特性参数试验数据列表中的所有特性参数的试验数据，则所述确定模块还用于确定所述影响因素的最优理论数据为所述压力敏感涂料特性参数的影响因素最优数据。
进一步地，所述判断模块还用于评估所述响应面模型的精度，若所述响应面模型的精度达到第一阈值，则所述确定模块根据所述响应面模型确定所述特性参数的最优理论数据；
若所述响应面模型的精度未达到第一阈值，则所述建立模块重新建立所述响应面模型。
进一步地，所述确定模块还用于确定所述特性参数的影响因素。
本发明的压力敏感涂料(pressuresensitivepaint,简称：psp)特性参数优化方法将现代试验设计理论(moderndesignofexperiments，简称：mdoe)应用于psp特性参数的优化中，合理的选择特性参数的影响因素列表，通过psp静态校准系统获得影响因素列表对应的特性参数，从而建立特性参数与影响因素的响应面模型，最后利用最优化理论定量计算出psp的最优特性参数以及相应的特性参数，为psp的精准压力测量工作提供了可量化的实现基础。
附图说明
图1为本发明压力敏感涂料特性参数优化方法实施例的流程图；
图2为本发明psp静态校准系统示意图；
图3为本发明压力敏感涂料特性参数优化方法又一实施例的流程图；
图4为本发明压力敏感涂料特性参数的优化装置实施例结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明压力敏感涂料特性参数优化方法实施例的流程图，请参考图1，本实施例提供的压力敏感涂料特性参数优化方法包括：
s101：利用现代试验设计分析特性参数的影响因素，获取影响因素试验数据列表。
现代试验设计又称现代试验设计方法(moderndesignofexperiments，简称：mdoe)，是利用最优化理论、统计方法以及数论科学安排生产和科研试验，通过设计方案、试验安排、数学建模、方差分析、优化方案等步骤，以期在更少的人力和物理消耗、更短的时间内取得更多、更好试验成果的一种方法。作为统计学最重要的分支之一，mode方法目前已形成较为成熟的理论和应用体系，并被广泛应用到涉及自然科学与技术的各个领域，并且产生了显著的应用效益。
压力敏感涂料(pressuresensitivepaint,简称：psp)包括多个特性参数，例如压力灵敏度、温度灵敏度、光降解速率以及响应时间等，本发明的优化方法能够对上述多个特性参数进行优化，从而使得psp具有良好的工作表现，具体地，能够使压力灵敏度、温度灵敏度、响应时间以及光降解速率的改善率至少达到20％。值得注意的是，由于psp包含多个种类，并且不同种类的psp会应用于不同的工作领域中，因此每种psp工作时对于特性参数的侧重点不同，本发明的psp特性参数优化方法是对psp的其中一个性能参数进行优化，其中，本发明并不限制具体进行优化的性能参数的种类，可以是压力灵敏度、温度灵敏度、光降解速率以及响应时间等的任意一个。
由于特性参数由与其相关的影响因素确定，并且与其相关的影响因素不止一个，也就是说多个影响因素确定一个特性参数，因此在对特性参数进行优化时，应该从与特性参数相关的多个影响因素着手。为了便于描述，下述说明中将确定一个特性参数的多个影响因素称为一组影响因素，该一组影响因素中包括了多个不同的影响因素。
本发明利用mode方法对待优化的特性参数的一组影响因素进行分析，获取影响因素试验数据列表，该影响因素实验数据列表中包含多组影响因素数据，这些多组影响因素数据都是经过mode方法分析出来的、较优的、能够使特性参数的改善率至少达20％以上的影响因素数据。
现有技术中较为成熟的mode方法包括中心组合设计(包括通用旋转组合设计与二次正交组合设计)、box设计、均匀设计以及d最优设计等。一般的，中心组合设计和box设计的操作过程较为简便，适合对分析精度要求不高的情况；均匀设计以及d最优设计的操作过程较为复杂，适合对分析精度要求较高的情况，因此，具体使用何种mode方法进行分析，可以根据对精度的要求进行选择。一般的，使用mode方法分析后获得的影响因素试验数据列表中的数据都是归一化后的影响因素数据。
s102：根据影响因素试验数据列表确定特性参数试验数据列表，特性参数试验数据列表包括至少一个特性参数的试验数据。
由于s101中已经获取了影响因素试验数据列表，因此能够根据影响因素试验数据列表中的影响因素的数据值获得与其对应的特性参数，由于影响因素试验数据列表中包括了经过mode方法分析出来的多组影响因素数据，因此能够根据多组影响因素数据获取与其对应的多个特性参数，该多个特性参数的试验数据构成了特性参数试验数据列表。
为了提高本发明的可信度，本发明可以采用psp静态校准实验系统进行实验，从而获取与影响因素对应的特性参数(也就是说，在该影响因素数据条件下能够确定的与其对应的唯一的特性参数)。
具体地，以特性参数为压力灵敏度为例，psp静态校准实验的原理为：当压力敏感涂料受到一定波长光源照射时，涂层中的探针分子会受到激发，进入电子激发态，并通过发射波长更长的光来耗散所吸收的能量，同时，激发态的探针分子与空气中渗透进入涂层并在其中扩散的氧分子相碰撞，转移所吸收的能量，回到基态。上述过程被称为stern-volmer过程，描述这一过程的关系式为stern-volmer关系式。stern-volmer关系式建立了表面压力与涂料发光强度之间的函数关系。工程应用中，stern-volmer关系式常用形式为：
其中，p和i分别为涂层表面压力及其光致发光强度，ai(t)为stern-volmer系数，与温度有关。“ref”表示参考状态，n为stern-volmer关系式阶数。工程应用中，一般选择大气压状态为参考状态。一般地，表面压力与涂料发光强度之间呈线性关系，可用一阶stern-volmer关系式描述：
式2中，b即为涂料的压力灵敏度，因此可以通过一系列i-p的组合做出i-p的关系图，从而根据最小二乘拟合法，获得涂料的压力灵敏度b。而在psp静态校准系统中，能够通过固化温度、喷涂厚度、入射光强度以及滤光片带宽确定入射光强度i。
图2为本发明psp静态校准系统示意图，请参考图2，该psp静态校准系统包括校准箱1、压力调节单元2、温度调节单元3、控制反馈单元4、激发光源5以及以及数字成像单元6。其中，校准箱1中设置有psp样件，通过在psp样件上进行psp的喷涂实现固化温度以及喷涂厚度两个影响因素，通过激发光源5实现入射光强度影响因素，通过数字成像单元6中的滤光片实现滤光片带宽影响因素。当将压力敏感涂料静态校准系统按照每组影响因素进行设置和调试后，根据试验条件预先通过压力调节单元2、温度调节单元3确定模型表面的压力范围和温度范围，采取等间隔取值方式将压力范围和温度范围离散化，分别采集不同温度与压力值点处校准样片的发光图像，以风洞试验时当地大气压作为校准基准压力，完成涂料校准实验。按照stern-volmer关系式，采用最小二乘法拟合获得stern-volmer关系式系数a、b，其中，b即为涂料的压力灵敏度，至此完成根据影响因素试验数据列表中的一组影响因素获得与其对应的特性参数。
s103：根据影响因素试验数据列表和特性参数试验数据列表建立关于特性参数与影响因素的响应面模型。
由于在s101中获取了影响因素试验数据列表，又在s102中通过psp静态校准实验系统，根据影响因素试验数据列表中的多组影响因素的试验数据获取了每组影响因素所对应的特性参数的试验数据(特性参数存在于特性参数试验数据列表)，因此能够根据多组影响因素试验数据-特性参数试验数据通过最小二乘拟合法等建立两者之间的响应面模型。一般的，响应面模型多为二阶的多项式函数。
以特性参数为压力灵敏度为例，由于压力灵敏度的影响参数为涂料的固化厚度、喷涂厚度、入射光强度以及滤光片厚度，因此关于压力灵敏度-影响参数的响应面模型如下式1：
sp＝k0+k1t+k2h+k3i+k4w+
k5th+k6ti+k7tw+k8hi+k9hw+k10iw+
k11t2+k12i2+k13h2+k14w2式3
其中，sp为压力灵敏度，t、h、i以及w分别为归一化后的涂料固化温度、喷涂厚度、入射光强度以及滤光片带宽，k0～k14为多项式系数。
s104：根据响应面模型确定影响因素的最优理论数据，根据影响因素的最优理论数据确定特性参数的最优理论数据。
由于在s103中获取了响应面模型，即获取了特性参数-影响因素的函数关系式，因此可以根据该响应面模型获取当前在该模型下的特性参数的最优理论数据。所谓特性参数的最优理论数据即为能够使psp具有良好工作表现的、改善率至少为20％以上的特性参数。
具体地，当获取了响应面模型后，可以利用现阶段较为成熟的优化算法，如罚函数法、复合形法等确定影响因素的最优理论数据，然后再采用psp静态校准实验系统进行实验，根据影响因素的最优理论数据获取与影响因素的最优理论数据对应的特性参数的最优理论数据。
s105：若特性参数的最优理论数据优于特性参数试验数据列表中的所有特性参数的试验数据，则影响因素的最优理论数据为压力敏感涂料特性参数的影响因素最优数据。
将s104中获得的特性参数的最优理论数据与s102中获取的特性参数试验数据列表中的所有特性参数的试验数据进行比较，如果特性参数的最优理论数据优于特性参数试验数据列表中的所有特性参数的试验数据，那么该与特性参数的最优理论数据对应的影响因素的最优理论数据即为该特性参数的影响因素最优数据，在该特性参数的影响因素最优数据下，psp的特性参数的改善率能够至少达到20％以上。
此处需要注意的是，s105中所提到的如果特性参数的最优理论数据优于特性参数试验数据列表中的所有特性参数的试验数据中的“优于”，是指将特性参数的最优理论数据与所有特性参数的试验数据进行数值的大小比较。由于psp的特性参数包括压力灵敏度、温度灵敏度、光降解速率、响应时间等，而对于psp而言，当压力灵敏度越大、温度灵敏度越小、光降解速率越小、响应时间越小时，该psp便具有良好的工作表现。
因此，当需要优化的特性参数是压力灵敏度时，则s015中的“如果特性参数的最优理论数据优于特性参数试验数据列表中的所有特性参数的试验数据，则影响因素的最优理论数据为压力敏感涂料特性参数的影响因素最优数据”意为：如果压力灵敏度的最优理论数据大于压力灵敏度试验数据列表中的所有压力灵敏度的试验数据，则在s104中获取的压力灵敏度的影响因素的最优理论数据为压力敏感涂料压力灵敏度的影响因素最优数据。
当需要优化的特性参数是温度灵敏度时，则s015中的“如果特性参数的最优理论数据优于特性参数试验数据列表中的所有特性参数的试验数据，则影响因素的最优理论数据为压力敏感涂料特性参数的影响因素最优数据”意为：如果温度灵敏度的最优理论数据小于温度灵敏度试验数据列表中的所有温度灵敏度的试验数据，则在s104中获取的温度灵敏度的影响因素的最优理论数据为压力敏感涂料温度灵敏度的影响因素最优数据。
当需要优化的特性参数是光降解速率时，则s015中的“如果特性参数的最优理论数据优于特性参数试验数据列表中的所有特性参数的试验数据，则影响因素的最优理论数据为压力敏感涂料特性参数的影响因素最优数据”意为：如果光降解速率的最优理论数据小于光降解速率试验数据列表中的所有光降解速率的试验数据，则在s104中获取的光降解速率的影响因素的最优理论数据为压力敏感涂料光降解速率的影响因素最优数据。
当需要优化的特性参数是响应时间时，则s015中的“如果特性参数的最优理论数据优于特性参数试验数据列表中的所有特性参数的试验数据，则影响因素的最优理论数据为压力敏感涂料特性参数的影响因素最优数据”意为：如果响应时间的最优理论数据小于响应时间试验数据列表中的所有响应时间的试验数据，则在s104中获取的响应时间的影响因素的最优理论数据为压力敏感涂料响应时间的影响因素最优数据。
本发明将现代试验设计理论运用到psp特性参数的优化中，通过确定影响特性参数的影响因素的最优数据，使得psp能够具有最优的工作表现。
进一步地，为了提高本发明的精度，在s104之前还包括：评估响应面模型的精度，若响应面模型的精度达到第一阈值，则根据响应面模型确定特性参数的最优理论数据；
若响应面模型的精度未达到第一阈值，则重新建立响应面模型。
如果获取的响应面模型的精度达到第一阈值，则可以进行s104；如果获取的响应面模型的精度没有达到第一阈值，则需要重新建立新的响应面模型。
具体评估响应面模型精度的方法，可以为：任意定两组影响因素的数据，将这两组影响因素的数据称为影响因素的评估数据，其中，这两组影响因素的评估数据互不相同并且与影响因素试验数据列表中的任一组影响因素试验数据都不相同(两组影响因素的评估数据与影响因素试验数据列表中的任一组影响因素试验数据都不相同具体是指一组影响因素中的至少一个影响因素不同)。通过psp静态校准实验系统进行实验，获取与两组影响因素的评估数据对应的两个特性参数的评估数据a和b。然后再将两组影响因素的评估数据带入待评估的响应面模型中，得到两个与两组影响因素的评估数据对应的两个特性参数的模型数据a1和b1。比较a和a1、b和b1，当a和a1之间的相对误差≤1％并且b和b1之间的相对误差≤1％时，说明该响应面模型的精度达到第一阈值。
如果响应面模型的精度没有达到第一阈值，则可以通过两种途径重新建立响应面模型：
第一种途径：由于一般建立的响应面模型都是关于影响因素的二阶多项式函数，因此当响应面模型的精度未达到要求时，可以建立更高阶的多项式函数进行回归分析；
第二种途径：重新选择mode方法。
进一步地，在s101之前，还包括：确定特性参数的影响因素。由于psp具有多个特性参数，例如压力灵敏度、温度灵敏度、光降解速率以及响应时间等，而且不同的特性参数又具有多个不同的影响因素(即多个不同的影响因素能够影响与其对应的特性参数)，例如能够影响压力灵敏度、温度灵敏度以及光降解速率的影响因素包括：涂料喷涂厚度、固化温度、入射光强度、滤光片带宽等，能够影响响应时间的影响因素包括：涂料喷涂厚度、固化温度等，因此在具体使用该方法对psp的特性参数进行优化时，应该先确定具体优化哪个特性参数，随后根据待优化的特性参数就能确定其对应的影响因素了。
当确定了待优化的特性参数的影响因素，例如当待优化参数为压力灵敏度时，就能够利用现代试验设计对涂料喷涂厚度、固化温度、入射光强度、滤光片带宽进行分析，从而获取含有涂料喷涂厚度、固化温度、入射光强度、滤光片带宽的试验数据列表。
进一步地，在s102之前，还包括：确定影响因素的数据最大值和数据最小值。由于现代试验设计理论分析得到的影响因素试验数据列表中的影响因素为归一化处理后的值，为了能够在psp静态校准系统中体现具体的影响因素的数值，应该对归一化的影响因素进行处理，得到具体的影响因素的具体数值。并且由于响应面模型中的影响因素也是归一化数值的带入，因此最后得到的影响因素的最优理论数据和特性参数的最优理论数据都是归一化后的数据，所以为了得到影响因素最优数据的具体数值，也必须对是归一化后的影响因素的最优理论数据和特性参数的最优理论数据进行处理，从而得到影响因素最优数据的具体数值。
具体地，影响因素试验数据归一化公式为：
其中，
因此，必须对影响因素的数据取值范围进行确定，即确定影响因素的数据最大值与数据最小值，从而能够得到压力敏感涂料特性参数归一化数据所对应的影响因素的具体数值。
影响因素的数据最大值与数据最小值是根据psp的应用条件来确定，一般的，能够通过涂料种类确定固化温度，通过信噪比要求以及模型类型确定喷涂厚度，通过风洞尺寸以及信噪比要求确定入射光强度，通过涂料种类确定滤光片厚度。例如，在2米量级大尺寸风洞中应用压力敏感涂料进行表面压力测量时，为了增强信噪比，涂层厚度可达60μm，入射光强度可达12w，在0.6米量级小尺寸风洞应用压力敏感涂料进行表面压力测量时，涂层厚度20μm，入射光强度5w便可获得较好的采集图像。
进一步地，在s105中，当将特性参数的最优理论数据与特性参数试验数据列表中的所有特性参数试验数据进行比较时，如果特性参数的最优理论数据劣于特性参数试验数据列表中的至少一个特性参数试验数据时，则说明该方法之前选用的mode方法不合适，需要更换mode方法重新分析，重新获取影响因素试验数据列表。
此处，如果特性参数的最优理论数据劣于特性参数试验数据列表中的至少一个特性参数试验数据中的“劣于”是指，当特性参数为压力灵敏度时，压力灵敏度的最优理论数据小于压力灵敏度试验数据列表中的至少一个压力灵敏度试验数据；特性参数为温度灵敏度时，温度灵敏度的最优理论数据大于温度灵敏度试验数据列表中的至少一个温度灵敏度试验数据；当特性参数为光降解速率时，光降解速率的最优理论数据大于光降解速率试验数据列表中的至少一个光降解速率试验数据；当特性参数为响应时间时，响应时间的最优理论数据大于响应时间试验数据列表中的至少一个响应时间试验数据。
综合上述对本发明压力敏感涂料特性参数优化方法的详细介绍，图3为本发明压力敏感涂料特性参数优化方法又一实施例的流程图，请参考图3，该实施例的具体流程包括：
s201：确定压力敏感涂料的待优化特性参数；
s202：根据待优化特性参数确定影响因素；
s203：确定影响因素的数据最大值以及数据最小值；
s204：选择现代试验设计方法；
s205：利用现代试验设计分析影响因素，获取影响因素试验数据列表；
s206：根据影响因素试验数据列表，获取特性参数试验数据列表；
s207：根据影响因素试验数据列表和特性参数试验数据列表建立响应面模型；
s208：评估响应面模型的精度，若精度满足第一阈值，则进行s209；若精度不满足第一阈值，则进入s207或者s204；
s209：根据响应面模型确定影响因素的最优理论数据；
s210：根据影响因素的最优理论数据确定特性参数的最优理论数据；
s211：对比特性参数的最优理论数据与特性参数试验数据列表中的特性参数的试验数据的优劣性；
若特性参数的最优理论数据优于特性参数试验数据列表中的所有特性参数的试验数据，则该特性参数的最优理论数据为该压力敏感涂料的特性参数最优数据，该影响因素的最优理论数据为该压力敏感涂料的影响因素最优数据；
若特性参数的最优理论数据劣于特性参数试验数据列表中的至少一个特性参数的试验数据，则进入s204；
当确定了压力敏感涂料的影响因素最优数据，可以通过式4与影响因素的取值范围确定影响因素的最优的具体数值。
图4为本发明压力敏感涂料特性参数的优化装置实施例结构示意图。如图4所示，本实施例提供的优化装置包括：
分析模块301，用于利用现代试验设计分析特性参数的影响因素，获取影响因素试验数据列表。
确定模块302，用于根据影响因素试验数据列表确定特性参数试验数据列表，用于根据响应面模型确定影响因素的最优理论数据，根据影响因素的最优理论数据确定特性参数的最优理论数据。
建立模块303，用于根据影响因素试验数据列表和特性参数试验数据列表建立关于特性参数与影响因素的响应面模型。
判断模块304，用于判断特性参数的最优理论数据的优劣性，若判断模判断特性参数的最优理论数据优于特性参数试验数据列表中的所有特性参数的试验数据，则确定模块302还用于确定影响因素的最优理论数据为压力敏感涂料特性参数的影响因素最优数据。
本实施例提供的优化装置能够对应执行图1所示的方法实施例，其实现原理相同，此处不再赘述。
另外，判断模块304还用于评估响应面模型的精度，若响应面模型的精度达到第一阈值，则确定模块302根据响应面模型确定特性参数的最优理论数据；
若响应面模型的精度未达到第一阈值，则建立模块303重新建立响应面模型。
进一步地，确定模块302还用于确定特性参数的影响因素。
现将压力灵敏度为作为待优化的特性参数进行举例，详细说明本发明的压力敏感涂料的特性参数优化方法。
步骤1：由于待优化参数为压力灵敏度，则根据本领域所熟知的概念可知，压力灵敏度的影响因素为涂料喷涂厚度、固化温度、入射光强度、滤光片带宽，因此将影响因素定为喷涂厚度、固化温度、入射光强度、滤光片带宽。
步骤2：选用d最优设计法对上述确定的影响因素进行分析，获取影响因素试验数据列表，具体见表1。
表1中记录了经过d最优设计法分析影响因素获得的影响因素试验数据列表，其中包括了25组影响因素的集合，并且表1中的数值为归一化后的数值。
表1影响因素试验数据列表
步骤3：根据psp的应用条件，确定各个影响因素的数据最大值和数据最小值。
其中，压喷涂厚度在20μm～70μm之间，固化温度在50℃～100℃之间，入射光强度在3w～12w之间，相机滤光片带宽在5nm～20nm之间。
步骤4：基于psp静态校准系统，根据影响因素试验数据列表中25组影响因素的具体试验数据，能够获得25个与影响因素对应的压力敏感度特性参数试验数据，即压力敏感度试验数据列表。
步骤5：由于获取了25组压力灵敏度-影响参数的试验数据值，因此可以利用最小二乘拟合法等确定关于压力灵敏度-影响参数的响应面模型。
步骤6：评估上述获得的响应面模型的精度。
步骤7：当该响应面模型的精度满足第一阈值的要求时，利用罚函数法通过该响应面模型获得一组影响因素的最优理论数据，再利用psp静态校准系统根据这一组影响因素的最优理论数据获得压力灵敏度的一个最优理论数据；
当该响应面模型的精度无法满足第一阈值的要求时，重新建立响应面模型。
步骤8：假设响应面模型满足精度要求，将上述获得的压力灵敏度的一个最优理论数据与压力敏感度试验数据列表中的25个压力灵敏度试验数据进行比较，当该压力灵敏度的最优理论数据大于表中所有的25个压力灵敏度试验数据，该压力灵敏度的最优理论数据就是该试验中psp的最优压力灵敏度，其对应的一组影响因素的最优理论数据便是压力灵敏度的影响因素最优数据。即在该压力灵敏度的影响因素最优数据下，本试验中psp的压力灵敏度的改善率能够至少提高20％以上。
具体地，由于压力灵敏度的影响因素最优数据为归一化后的数据，因此可以利用式4以及步骤3中确定的影响因素的数据最大值和数据最小值，确定压力灵敏度的影响因素的最优具体数值。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。