激波管动态压力重构方法、装置、电子设备及存储介质

1.本发明涉及计量测试技术领域，具体涉及一种激波管动态压力重构方法、装置、电子设备及存储介质。


背景技术：

2.激波管动态压力广泛地存在于爆炸测试、医学仪器、材料冲击测试、航空发动机等领域。在实际测量中，动态压力的稳定持续时间一般为几毫秒到十几毫秒。激波管动态压力的产生是一种瞬变的动态过程，不仅测试环境复杂，而且很难控制，从而导致动态压力信号难以准确估计，严重地影响动态压力信号的测量精度。
3.现有方法都是将激波管产生的动态压力看作理想的阶跃压力，即动态压力的幅值恒定。然而实际激波管产生的动态压力的幅值随时间波动，用恒定的幅值来表征激波管动态压力存在一定的理想化假设，必然导致表征的结果不合理。并且激波管工作过程中，入射激波到达低压室端面时会产生冲击振动，安装在端面上的压力传感器会同时受到动态压力信号和振动信号的激励，采集到的压力传感器输出信号为动态压力响应和振动响应的混合信号，现有方法没有考虑振动响应的影响，导致得到的动态压力幅值估计结果不准确。
4.综上，现有技术对激波管动态压力进行重构时未考虑激波管动态压力信号的波动特征以及冲击振动对动态压力重构结果的影响，导致动态压力幅值估计结果缺乏合理性和准确性。


技术实现要素：

5.有鉴于此，有必要提供一种激波管动态压力重构方法、装置、电子设备及存储介质，解决现有技术中对激波管动态压力进行重构时由于未考虑激波管动态压力信号的波动特征以及冲击振动对动态压力重构结果的影响，导致动态压力幅值估计结果缺乏合理性和准确性的技术问题。
6.为了解决上述技术问题，一方面，本发明提供了一种激波管动态压力重构方法，包括：
7.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；
8.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；
9.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；
10.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；
11.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。
12.在一些可能实现的方式中，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:
13.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；
14.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；
15.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；
16.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；
17.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。
18.在一些可能实现的方式中，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：
19.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；
20.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信号；
21.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。
22.在一些可能实现的方式中，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，能够体现所述目标激波管动态压力重构信号的幅值特征。
23.在一些可能实现的方式中，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：
24.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，基于所述趋势分量信号初始逆传感网络模型训练集输出；
25.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；
26.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。
27.在一些可能实现的方式中，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：
28.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；
29.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；
30.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。
31.在一些可能实现的方式中，所述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，包括：
32.获取激波管传感器实时动态压力响应信号，对所述实时响应信号进行所述预处理操作得到实时动态压力响应信号对应的所述去噪振动信号和去噪响应信号；
33.将所述实时动态压力响应信号对应的去噪振动信号和去噪响应信号输入所述目标逆传感网络模型，得到目标逆传感网络模型输出，将所述输出除以压力传感器放大倍数和灵敏度，得到所述目标激波管动态压力重构信号。
34.另一方面，本发明还提供了一种激波管动态压力重构装置，包括：
35.信号获取模块，用于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；
36.信号处理模块，用于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；
37.信号构建模块，用于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；
38.模型训练模块，用于基于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；
39.目标重构模块，用于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。
40.另一方面，本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现上述实现方式中所述的激波管动态压力重构方法。
41.最后，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述实现方式中所述的激波管动态压力重构方法。
42.采用上述实施例的有益效果是：本发明提供的激波管动态压力重构方法，一方面，利用变分模态分解方法和经验模态分解方法对响应信号以及振动信号进行分解和重构，并综合考虑各分量信号与响应信号和振动信号之间的相关性，同时考虑激波管产生的实际动态压力幅值随时间的波动以及振动信号的影响，使得预处理得到的数据具有更高的合理性和准确性，另一方面，基于bi-lstm神经网络构建的逆传感网络模型通过采用双向输入对激波管的动态压力进行重构，使得模型对信号特征的提取更加细致，进一步提高了激波管重构动态压力的合理性和准确性。
附图说明
43.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
44.图1为本发明提供的激波管动态压力重构方法一实施例的流程示意图；
45.图2为本发明提供的图1中步骤s102一实施例的流程示意图；
46.图3为本发明提供的图1中步骤s103一实施例的流程示意图；
47.图4为本发明提供的图1中步骤s104一实施例的流程示意图；
48.图5为本发明提供的传感器原始测量数据一实施例的示意图；
49.图6为本发明提供的构建训练集数据一实施例的示意图；
50.图7为本发明提供的模型训练结果一实施例的示意图；
51.图8为本发明提供的动态压力重构信号一实施例的示意图；
52.图9为本发明提供的激波管动态压力重构装置一实施例的流程示意图；
53.图10为本发明提供的电子设备一实施例的结构示意图。
具体实施方式
54.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，所描述的实施例仅仅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，本领域技术人员在没有做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。
55.应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
56.附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
57.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
58.在实施例描述之前，对相关词语进行释义：
59.激波管：激波管是压力传感器校准的核心设备，用来产生平面激波。所谓激波，是气体某处压力发生突然变化，压力波高速传播。波的速度与压力变化强弱有关，压力变化越大，波速越高。传播过程中，波阵面到达某处，该处气体压力、密度和温度都发生突变；波阵面未到处，气体不受波的扰动；波阵面过后，波阵面后面的气体温度、压力都比波阵面前面的髙，气体粒子向波阵面前进的方向流动，其速度低于波阵面前进速度。
60.bi-lstm神经网络：即双向长短期记忆神经网络，bi-lstm神经网络是一种双馈神经网络，由两个独立的长短期记忆（lstm）神经网络构成，输入序列分别以正序和逆序输入至两个长短期记忆网络中，然后进行特征提取。
61.变分模态分解方法：（variational mode decomposition，vmd）是一种自适应、完全非递归的模态变分和信号处理的方法。该技术具有可以确定模态分解个数的优点，其自适应性表现在根据实际情况确定所给序列的模态分解个数，随后的搜索和求解过程中可以自适应地匹配每种模态的最佳中心频率和有限带宽，并且可以实现固有模态分量（imf）的有效分离、信号的频域划分、进而得到给定信号的有效分解成分，最终获得变分问题的最优解。它克服了emd方法存在端点效应和模态分量混叠的问题，并且具有更坚实的数学理论基础，可以降低复杂度高和非线性强的时间序列非平稳性，分解获得包含多个不同频率尺度且相对平稳的子序列，适用于非平稳性的序列，vmd的核心思想是构建和求解变分问题。
62.经验模态分解方法：(empirical mode decomposition，emd)是依据数据自身的时间尺度特征来进行信号分解，无需预先设定任何基函数，是一种时频域信号处理方式。emd在处理非平稳及非线性数据上具有明显的优势，适合分析非线性非平稳的信号序列，具有较高的信噪比。该方法关键是经验模式分解，使复杂的信号分解为有限个本征模函数(intrinsic mode function， imf)，分解出来的各个imf分量包含了原信号的不同时间尺度的局部特征信息。
63.基于上述技术名词的描述，现有技术中动态压力的常用重构方法为理论计算法和逆向重构法两种。理论计算法利用激波管内入射激波的传播特性和运动激波公式，建立激波管动态压力理论幅值计算模型，并通过测量激波管低压室的初始温度和初始压力，以及入射激波的传播速度，得到激波管动态压力的幅值；逆向重构法首先对压力传感器响应信号进行趋势估计，获取趋势信号的稳定区间，进而得到响应信号的稳定值，最后将响应信号的稳定值除以传感器的灵敏度和采集放大系数，得到激波管动态压力信号稳定值。但现有技术对激波管动态压力进行重构时未考虑激波管动态压力信号的波动特征以及冲击振动对动态压力重构结果的影响，导致动态压力幅值估计结果缺乏合理性和准确性，本发明旨在提出一种具有更高合理性和准确性的激波管动态压力重构方法。
64.以下分别对具体实施例进行详细说明，需说明的是，以下实施例的描述顺序不作为对实施例优选顺序的限定。
65.本发明实施例提供了一种激波管动态压力重构方法、装置、电子设备及存储介质。
66.如图1所示，图1为本发明提供的激波管动态压力重构方法一实施例的流程示意图，该激波管动态压力重构方法包括：
67.s101、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；
68.s102、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；
69.s103、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；
70.s104、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；
71.s105、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。
72.与现有技术相比，本发明实施例提供的激波管动态压力重构方法，一方面，利用变分模态分解方法和经验模态分解方法对响应信号以及振动信号进行分解和重构，并综合考虑各分量信号与响应信号和振动信号之间的相关性，同时考虑激波管产生的实际动态压力幅值随时间的波动以及振动信号的影响，使得预处理得到的数据具有更高的合理性和准确性，另一方面，基于bi-lstm神经网络构建的逆传感网络模型通过采用双向输入对激波管的动态压力进行重构，使得模型对信号特征的提取更加细致，进一步提高了激波管重构动态压力的合理性和准确性。
73.进一步的，在本发明的一些实施例中，步骤s101中，获取激波管传感器初始响应信号时，由于激波管工作过程中，入射激波到达低压室端面时会产生冲击振动，安装在端面上的压力传感器会同时受到动态压力信号和振动信号的激励，采集到的压力传感器输出信号为动态压力响应和振动响应的混合信号，可利用加速度传感器将振动信号单独采集出来，因此初始响应信号包括振动信号和响应信号。
74.需要说明的是，在步骤s105中，获取激波管传感器实时响应信号并进行预处理同样采用步骤s102中的经验模态分解方法和变分模态分解方法对实时响应信号进行预处理。
75.进一步的，在本发明的一些实施例中，如图2所示，图2为本发明提供的图1中步骤s102一实施例的流程示意图，步骤s102包括：
76.s201、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；
77.s202、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；
78.s203、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；
79.s204、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；
80.s205、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。
81.进一步的，如图3所示，图3为本发明提供的图1中步骤s103一实施例的流程示意图，步骤s103包括：
82.s301、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；
83.s301、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信号；
84.s301、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。
85.其中，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，能够体现所述目标激波管动态压力重构信号的幅值特征。
86.在本发明具体的实施例中，先利用变分模态分解方法对振动信号进行分解，vmd可将振动信号分解为k个窄带bimfs，表示为，其中心频率为，和可通过求解变分问题得到：
87.(1)
88.(2)
89.其中，表示求偏导，表示狄拉克分布函数，分别对应分解后第k个模态分量和中心频率。
90.采用二次惩罚函数和拉格朗日算子来求解上述约束优化问题，并采用拉格朗日算子的交替方向法来计算得到分解模态及其对应的中心频率，如下：
91.(3)
92.(4)
93.式中，分别对应的傅里叶变换。
94.得到的各振动模态分量可表示为：
95.(5)
96.式中，表示k个模态分量。
97.得到计算振动信号与各振动模态分量之间的相关系数cc，如下：
98.(6)
99.式中，和表示振动信号和第i个模态分量对应的离散信号；和分别表示和的平均值；n为信号长度。
100.根据相关系数意义，取相关系数小于0.2的分量作为噪声分量信号，予以剔除，得到去噪振动信号，可表示为：
101.(7)
102.式中，为高频噪声分量。
103.进一步的，利用变分模态分解方法将响应信号分解为k个响应模态分量，首先将中心频率小于等于传感器振铃频率的几个分量进行重构，得到基信号；剩余分量依据中心频率大小依次加入到基信号中进行信号重构，基信号以及重构信号表达式为：
104.(8)
105.(9)
106.式中，；；代表第j个重构信号。
107.采用经验模态分解方法依次对上述重构信号进行处理，得到一系列窄带分量，称为本征模态函数。
108.其中，每个本征模态函数必须满足以下两个条件：（1）极值点与过零点数量在整个数据集上相等或最多相差一个；（2）任意时间上，由局部极大值点估计的上包络线和局部极小值点估计的下包络线的均值为零。
109.分解的基本步骤如下：
110.步骤（1）：识别重构信号的局部极小值点和局部极大值点；
111.步骤（2）：采用三次样条曲线分别连接所有的局部极小值点和局部最大值点，得到的下包络线和上包络线，计算上包络线和下包络线的均值为：
112.(10)
113.步骤(3)：从信号中减去，得到差值信号为：
114.(11)
115.如果满足本征模态函数的两个条件，则为的第一个本征模态函数分量；否则，令，重复步骤(1)至步骤(3)计算过程k次，直到得到的满足本征模态函数的两个条件，此时的第一个本征模态函数分量为：
116.(12)
117.步骤(4)：从重构信号中减去，得到残余信号为
118.(13)
119.令，重复步骤(1)到步骤(4)计算过程i次，得到第i个本征模态函数分量为：
120.(14)
121.继续上述分解过程，直到最终的残余分量成为单调函数或者只包含一个极值点，此时从中无法再分解出本征模态函数分量。综合式(13)和式(14)，重构信号表示为:
122.(15)
123.因此，重构信号被分解为个h个重构信号的本征模态函数分量imf和一个残余分量，并且这些分量的频段由高到低变化。
124.计算经验模态分解方法得到的所有分量信号与去噪振动信号之间的相关系数，找到其中的最大相关系数，其对应的重构信号即为预处理信号。如下：
125.(16)
126.式中，，为分解的本征模态分量为趋势分量。
127.基于最大程度保留振动信号成分的思想，分别计算各imf(t)分量信号与预处理信号和去噪振动信号之间的相关系数，记为和；将中相关系数最大的分量信号作为振铃分量信号，并为最大保留振动信号成分，将中除振铃频率分量外，数值小于0.1的分量信号作为噪声分量信号，予以剔除，得到压力传感器重构响应信号和去噪响应信号。如下：
128.(17)
129.(18)
130.式中，为振动相关分量信号，，其中。
131.本发明实施例通过利用变分模态分解方法和经验模态分解方法对响应信号以及振动信号进行分解和重构，并综合考虑各分量信号与响应信号和振动信号之间的相关性，同时考虑激波管产生的实际动态压力幅值随时间的波动以及振动信号的影响，使得预处理得到的数据具有更高的合理性和准确性
132.进一步的，在本发明的一些实施例中，如图4所示，图4为本发明提供的图1中步骤s104一实施例的流程示意图，步骤s103包括：
133.s401、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，基于所述趋势分量信号初始逆传感网络模型训练集输出；
134.s402、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；
135.s403、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。
136.其中，步骤s402具体包括：
137.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；
138.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；
139.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。
140.在本方发明具体的实施例中，对激波管初始响应信号进行变分模态分解方法和经
验模态分解方法得到构建逆传感网络模型训练集需要的相关数据，由压力传感器的重构响应信号构建逆传感网络第一训练集输入，由振动相关分量构建逆传感网络第二训练集输入，由趋势分量信号构建逆传感网络训练集输出。
141.其中，建立基于bi-lstm神经网络的初始逆传感网络模型，主要包括隐含层层数设置，超参数设置与学习训练三个部分。
142.隐含层执行神经网络内部信息传递功能，即输入层传入的信息经多个隐含层处理得到输出层；隐含层由若干神经单元构成，一个工作神经单元由遗忘门、输入门、临时细胞状态、细胞状态、输出门和隐层状态构成。其中，遗忘门决定上一时刻细胞单元状态有多少保留到当前时刻，输入门决定当前时刻网络的输入有多少保存到细胞单元状态，临时细胞状态与输入门共同作用细胞单元状态的更新，细胞状态提供下一细胞状态的更新，输出门与隐层状态以及细胞状态共同作用提供下一细胞单元隐层状态的更新。工作原理如下：
143.(19)
144.(20)
145.(21)
146.(22)
147.(23)
148.(24)
149.式中：、、、、、分别为遗忘门、输入门、临时细胞状态、细胞状态、输出门和隐层状态，为权重、为偏置。
150.超参数设置即对优化器、学习率、序列长度、训练轮次等进行设置；
151.神经网络学习是根据训练样本，确定隐含层内部各个神经单元节点的权值和偏置，神经网络训练是寻找合适的权值和偏置使输出均方根误差最小；当模型输出损失率低于给定的损失阈值，即完成逆传感网络模型的辨识，得到目标逆传感网络模型。
152.需要说明的是，建立逆传感网络模型时，调节逆传感网络中的超参数，包括隐藏单元层数、学习率、学习下降率、优化器和训练次数等，使模型输出损失率低于设定的损失阈值，完成逆传感网络模型的辨识。
153.本发明实施例基于双向长短期记忆神经网络构建逆传感网络模型，并通过训练集进行迭代训练，确定神经网络的隐含层层数及超参数，使得模型输出的损失率降低，使得激波管重构动态压力的准确性和合理性进一步提升。
154.进一步的，在本发明的一些实施例中，步骤s105包括：
155.获取激波管传感器实时响应信号，对所述实时响应信号进行所述预处理操作得到实时响应信号对应的所述去噪振动信号和去噪响应信号；
156.将所述实时响应信号对应的去噪振动信号和去噪响应信号输入所述目标逆传感网络模型，得到目标逆传感网络模型输出，将所述输出除以压力传感器放大倍数和灵敏度，得到所述目标激波管动态压力重构信号。
157.在本发明具体的实施例中，对于实时获取的激波管传感器响应信号，采用上述实施例中同样的经验模态分解方法和变分模态分解方法对实时响应信号进行预处理操作，得
到的去噪响应信号和去噪振动信号作为目标逆传感网络模型的输入，得到模型的输出除以压力传感器放大倍数和灵敏度即为目标激波管动态压力重构信号，其中，动态压力重构信号与逆传感网络模型输出之间的关系为：
158.(24)
159.式中，为放大系数，s为灵敏度。
160.本发明实施例基于bi-lstm神经网络构建的逆传感网络模型通过采用双向输入对激波管的动态压力进行重构，使得模型对信号特征的提取更加细致，进一步提高了激波管重构动态压力的合理性和准确性。
161.为了更直观的体现本发明提供的激波管动态压力重构方法的合理性和准确性，下面以endevco 8510b pr压力传感器和ya1102 icp型加速度传感器测量由激波管系统产生的动态压力响应数据和振动信号数据进行分析，其中压力传感器灵敏度为0.16v/mpa，放大倍数为50，数据的采样频率为5mhz，进行动态压力重构：
162.endevco 8510b pr压力传感器和ya1102 icp型加速度传感器原始测量数据如图5所示，图5为本发明提供的传感器原始测量数据一实施例的示意图。
163.利用上述实施例中同样的经验模态分解方法和变分模态分解方法对图5中的响应信号以及振动信号进行处理，得到逆传感网络训练集如图6所示，图6为本发明提供的构建训练集数据一实施例的示意图。
164.通过图6中训练集迭代训练得到的目标逆传感网络模型的训练结果如图7所示，图7为本发明提供的模型训练结果一实施例的示意图。
165.利用得到图7中得到的目标逆传感网络模型得到的动态压力重构信号如图8所示，图8为本发明提供的动态压力重构信号一实施例的示意图。
166.由上述图5到图8可知，通过本发明实施例提供的激波管动态压力重构方法得到的激波管动态压力重构信号由于考虑了振动信号的影响，并同时考虑激波管的动态压力幅值随时间变化特征，使得激波管动态压力重构信号能够更合理和准确的还原激波管产生的动态压力信号。
167.为了更好实施本发明实施例中的激波管动态压力重构方法，在激波管动态压力重构方法的基础之上，对应的，本发明实施例还提供了一种激波管动态压力重构装置，如图9所示，激波管动态压力重构装置900包括：
168.信号获取模块901，用于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；
169.信号处理模块902，用于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；
170.信号构建模块903，用于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；
171.模型训练模块904，用于基于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；
172.目标重构模块905，用于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。
173.上述实施例提供的激波管动态压力重构装置900可实现上述激波管动态压力重构方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述激波管动态压力重构方法实施例中的相应内容，此处不再赘述。
174.如图10所示，本发明还相应提供了一种电子设备1000。该电子设备1000包括处理器1001、存储器1002及显示器1003。图10仅示出了电子设备1000的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
175.处理器1001在一些实施例中可以是一中央处理器（centralprocessing unit，cpu），微处理器或其他数据处理芯片，用于运行存储器1002中存储的程序代码或处理数据，例如本发明中的激波管动态压力重构程序。
176.在一些实施例中，处理器1001可以是单个服务器或服务器组。服务器组可为集中式或分布式的。在一些实施例中，处理器1001可为本地的或远程的。在一些实施例中，处理器1001可实施于云平台。在一实施例中，云平台可包括私有云、公共云、混合云、社区云、分布式云、内部间、多重云等，或以上的任意组合。
177.存储器1002在一些实施例中可以是电子设备1000的内部存储单元，例如电子设备1000的硬盘或内存。存储器1002在另一些实施例中也可以是电子设备1000的外部存储设备，例如电子设备1000上配备的插接式硬盘，智能存储卡（smart media card，smc），安全数字（secure digital，sd）卡，闪存卡（flash card）等。
178.进一步地，存储器1002还可既包括电子设备1000的内部储存单元也包括外部存储设备。存储器1002用于存储安装电子设备1000的应用软件及各类数据。
179.显示器1003在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled（organic light-emitting diode，有机发光二极管）触摸器等。显示器1003用于显示在电子设备1000的信息以及用于显示可视化的用户界面。电子设备1000的部件1001-1003通过系统总线相互通信。
180.在一实施例中，当处理器1001执行存储器1002中的激波管动态压力重构程序时，可实现以下步骤：
181.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；
182.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；
183.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；
184.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；
185.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。
186.应当理解的是：处理器1001在执行存储器1002中的激波管动态压力重构程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
187.进一步地，本发明实施例对提及的电子设备1000的类型不做具体限定，电子设备1000可以为手机、平板电脑、个人数字助理(personal digital assistant，pda)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载ios、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备1000也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
188.相应地，本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的激波管动态压力重构方法中的步骤或功能。
189.本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件（如处理器，控制器等）来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
190.以上对本发明所提供的激波管动态压力重构方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。