自適應閾值侵徹引信層目標識別算法

黃莎玲，朱鴻志，程祥利，謝玉斌

(中國工程物理研究院 電子工程研究所，四川 綿陽 621999)

0 引言

當前，侵徹武器不斷發(fā)展，引信的功能日益強大，從早前的碰炸、延時侵徹引信逐漸發(fā)展到計層、計深、計行程以及介質(zhì)識別等多種功能的引信。由此可知侵徹引信正向著高精度和智能化方向發(fā)展[1-2]。侵徹引信的計層功能主要針對多層防護目標，引信在侵徹過程中從加速度信號中獲取目標的層數(shù)信號，在到達裝定層數(shù)時起爆戰(zhàn)斗部。侵徹彈藥的應用日益廣泛，要面對的目標也呈多樣化特性，從而對侵徹引信的適用性有了更高要求。

目前侵徹引信中計層算法的研究方向主要集中在加速度信號濾波算法設(shè)計上，例如低通濾波算法[3-9]、融合算法[10]、小波分解算法[11-13]、機械濾波算法[14]、奇異值分解算法[15]、時間屏蔽算法[16]、積分算法[17]及自相關(guān)算法[18]等。這些傳感器信號處理算法主要是為了解決層信號之間的混疊對層識別帶來的干擾。雖然這些處理方法能夠?qū)幽繕说耐癸@起到一定的改善作用，但對于每層目標的判定閾值基本都采用裝定固定閾值方法進行，即必須根據(jù)不同試驗靶標裝定不同的閾值，來確保在不同工況中引信均能實現(xiàn)特定功能。但在侵徹武器的使用過程中，其層目標是多種多樣的，不同目標和速度下的侵徹加速度信號有較大的差別[19]。另外，器件安裝位置不同也會使引信測得的加速度信號不同[20]。因此，使用固定閾值判斷侵徹目標識別算法的適用性，不能滿足侵徹引信的發(fā)展要求。

本文提出一種自適應動態(tài)閾值方法，根據(jù)當前侵徹過程中采集到的加速度信號，自動選取合適的閾值對層目標進行識別，從而大大降低計層算法的閾值設(shè)置對先驗知識及試驗工況的依賴。

1 信號處理算法

目前侵徹多層目標信號處理算法有濾波算法、積分法、小波分解法和融合算法等。其主要方式是對加速度信號進行處理使得層信號凸顯，然后按照固定的一個或多個閾值判定層數(shù)，以融合算法[10]為例。融合算法采用一種基于加速度信號和開關(guān)信號融合的方式對層目標信號進行識別，利用加速度信號和開關(guān)分別與特定的時間窗進行卷積，然后將其按照一定權(quán)重相加獲得最后的處理信號，如(1)式所示：

(1)

本文主要采用4發(fā)不同試驗工況的火炮試驗中引信采集存儲到的加速度和開關(guān)信號，對以前算法存在的問題和本文算法的特性進行對比分析。4次侵徹試驗中采集到的加速度傳感器信號和開關(guān)信號如圖1所示。4次試驗工況均為5層鋼筋混凝土靶標，每次試驗中的速度、彈型、靶強度及排布均不相同。因此存儲的加速度傳感器信號和開關(guān)信號數(shù)據(jù)也有一些差異：加速度傳感器輸出為電壓信號，開關(guān)信號為數(shù)字信號，無量綱。

從圖1中可以看出，不同試驗工況下，引信采集到的傳感器輸出信號幅值存在較大差異，計數(shù)喜憂參半數(shù)設(shè)定為5層，每層信號的電壓峰值如表1所示。從表1中可以看出，試驗3的首層靶傳感器輸出信號峰值是試驗4的4倍多。這種巨大的電壓幅值差異，很難用同一個入靶閾值對不同試驗中的層目標進行判定。

圖1 4次試驗的傳感器輸出與開關(guān)原始信號Fig.1 Original sensor and switch signals in 4 tests

對4次侵徹試驗的加速度傳感器輸出信號和開關(guān)信號按照(1)式進行融合處理，其中傳感器輸出信號采用單片機采集值(非電壓值)，卷積時間窗采用0.9 ms矩形窗，傳感器輸出信號權(quán)重取1，開關(guān)信號權(quán)重10，處理后的融合信號如圖2所示。

從圖2中可以看出：4次試驗的數(shù)據(jù)由于靶標、速度等試驗工況不同，其融合后的加速度傳感器輸出信號雖然有較明顯的層信號凸顯，但是融合信號的幅值仍然有較大差異，例如試驗2、試驗3的融合信號峰值接近400，而試驗1的融合信號峰值小于300，試驗4峰值則不到200.因此采用固定閾值的融合算法對層目標進行識別時，必須根據(jù)不同試驗工況選取不同閾值，才能準確地從融合信號中識別層目標。這往往需要較多的先驗知識，才能正確選取合適的入靶閾值。

此外，由于加速度傳感器輸出原始信號幅值在不同工況中存在較大差異(見表1)，利用濾波、積分或小波分解等方法對傳感器輸出信號進行處理，亦難以用固定閾值來適合多種工況。對圖1中的傳感器輸出信號進行低通濾波，結(jié)果如圖3所示。

表1 傳感器輸出原始信號峰值表Tab.1 Peak values of sensor signals in 4 tests V

從圖3中可以看出，低通濾波可以濾除一些高頻成分，但不能消除或者改善原始傳感器輸出信號幅值動態(tài)范圍大的問題。因此即使采用低通濾波，也無法改善固定閾值對多種工況下層目標信號的適用性。

在實際應用中，同一款引信產(chǎn)品若采用固定閾值方式對層信號進行判別，無法找到合適的固定閾值來適應不同工況，則產(chǎn)品只能用于單一工況的武器裝備，從而大大降低了引信的實用性。

2 自適應動態(tài)閾值

鑒于計層算法閾值選取的問題，本文在融合算法[10]基礎(chǔ)上，提出一種自適應動態(tài)閾值的層目標識別算法，根據(jù)傳感器采集到的實時加速度信號，自動計算后續(xù)層的判定閾值。

在實際侵徹過程中，隨著侵徹彈藥的速度不斷提高，層信號粘連現(xiàn)象越來越嚴重，從圖1中可以看出，4次試驗采集到的開關(guān)信號都出現(xiàn)了嚴重的信號粘連，而傳感器輸出信號的層特征更明顯。因此采用融合算法，只對傳感器輸出信號和矩形時間窗進行卷積，而不考慮開關(guān)信號，如(2)式所示：

(2)

式中：f(t)表示卷積后的結(jié)果，卷積運算的結(jié)果對傳感器信號有濾波和放大的作用[4]；g(t)表示傳感器輸出信號采樣值；ω(t)表示時間窗，窗函數(shù)采用文獻[10]中的窗函數(shù)，由濾波器單位沖擊響應與高斯時間窗卷積得到。

利用(2)式對4次試驗的傳感器輸出信號進行卷積處理，結(jié)果如圖4所示。

對比圖2和圖4可以看出，只對傳感器輸出信號進行卷積，融合后的信號層特征更明顯。提取圖3中的數(shù)據(jù)，得到每層信號的峰值，數(shù)據(jù)如表2所示。

圖2 傳感器輸出信號和開關(guān)信號融合結(jié)果Fig.2 Fusion results of sensor signal and switch signal

圖3 傳感器輸出信號低通濾波處理結(jié)果Fig.3 Low pass filtering results of sensor signal

圖4 傳感器輸出信號融合處理結(jié)果Fig.4 Processing results of sensor output signal fusion

表2 融合信號峰值表Tab.1 Peak values of sensor fusion signals in 4 tests

從圖4和表2中可以發(fā)現(xiàn)傳感器融合信號具有以下兩個特征：1)不同試驗中，傳感器融合信號幅值差別較大；2)同一發(fā)試驗中，每層過載的峰值相近。

基于以上分析，本文提出一種自適應動態(tài)閾值算法，用于侵徹引信實時計算每層目標的判定閾值，具體計算方法如(3)式所示：

(3)

(4)

式中：a(n)為層閾值；n為靶層數(shù)；E為某一設(shè)定的固定值；φ為權(quán)重系數(shù)，一般取0.7～0.8；B(n)為前面所有層峰值的均值；f(t)為(2)式計算出的傳感器輸出信號融合值；T(n-1)為第n層和第n-1層的靶間時間，

T=L/v，

(5)

L為彈長，v為彈速。彈速對本文算法影響不大，因為多層目標間距一般大于彈長L，且過載的峰值一般均出現(xiàn)在彈頭穿透目標的時刻點附近，所以T的取值在(6)式范圍之間都可有效實現(xiàn)算法：

Ls/v≤T≤Lt/v，

(6)

式中：Ls為彈頭卵形部的長度；Lt為靶間距。

首層閾值a(1)采用固定值E，一般可設(shè)置為1個較低的值，以保證可以對首層識別，也可結(jié)合過載開關(guān)進行首層靶進行判定。

2層閾值采用首靶時間窗內(nèi)傳感器輸出信號融合值最高峰值乘以系數(shù)φ.

3層及后續(xù)閾值取上一層閾值與上一層時間窗內(nèi)融合值最高峰值的平均值。

本文動態(tài)閾值算法的處理過程實質(zhì)，就是讓每層靶的判定閾值不斷逼近歷史層融合峰值的均值。詳細算法流程如圖5所示。圖5中傳感器輸出信號的融合值按照(2)式進行計算，具體計算過程見文獻[4]，從采集到第1個有效傳感器數(shù)據(jù)就開始按照(2)式的卷積計算，當數(shù)據(jù)點不足一個周期時，按照實際采集數(shù)據(jù)進行卷積；當超過一個周期后按照滑窗方式向后計算卷積。本文算法可以在彈上實時運行，在采集傳感器信號的同時，計算層目標閾值并對層目標進行識別。

圖5 算法流程圖Fig.5 Flow chart of algorithm

按照本文方法計算前面4個試驗每層目標的閾值，結(jié)果如表3所示，其中首層靶閾值采用固定的30作為閾值。從表3中可以看出，每層靶的閾值都不同。無需再使用固定閾值對目標層數(shù)進行判斷，算法可以根據(jù)歷史傳感器信息實時給出每一層目標的識別閾值。

表3 層閾值表Tab.3 Thresholds of layers

與固定閾值算法相比，動態(tài)閾值算法具有自適應的功能，可以適應不同工況的試驗。另外由于算法計算閾值只依賴當前試驗的傳感器歷史數(shù)據(jù)，可以在侵徹過程中對層目標判定閾值進行實時計算，滿足引信使用的要求。

3 半實物仿真驗證

將本文所提算法在硬件電路板中實現(xiàn)后，采用信號發(fā)生器、電源、示波器和信號處理板組成半實物仿真系統(tǒng)，如圖6所示。

圖6 半實物仿真系統(tǒng)Fig.6 A hardware platform and software simulation system

由圖6可見，首先采用任意波形發(fā)生器將4次試驗中采集到的傳感器輸出信號轉(zhuǎn)化為模擬電壓信號，輸出連接到已下載本文算法的被測模塊采集口。然后通過觸發(fā)開關(guān)控制模塊的工作，觸發(fā)開關(guān)動作時被測模塊中的算法啟動，且任意波形發(fā)生器輸出試驗波形到被測模塊中。最后通過串口回讀被測模塊中采集到的傳感器信號，以及其給出的層標識信號。

先后在被測模塊中運行采用固定閾值的融合算法以及本文提出的動態(tài)閾值算法。在兩種算法中均設(shè)定相同的首層閾值30(固定閾值算法所有層閾值均設(shè)定為30)，計層層數(shù)設(shè)定為5層，層間時間設(shè)定為3 ms.測試結(jié)果如圖7和圖8所示。

圖7 閾值設(shè)為30時試驗1、試驗2數(shù)據(jù)半實物仿真結(jié)果Fig.7 Semi-physical simulation results of data in Tests 1 and 2 with threshold of 30

圖7為試驗1、試驗2的半實物仿真結(jié)果，其中圖7(a)、圖7(c)、圖7(e)分別為試驗1的原始傳感器輸出信號、固定閾值算法層標識信號、動態(tài)閾值算法層標識信號；圖7(b)、圖7(d)、圖7(f)分別為試驗2的原始傳感器輸出信號、固定閾值算法層標識信號、動態(tài)閾值算法層標識信號。從圖7中可以看出：本文所提動態(tài)閾值算法的層標識信號與原始傳感器輸出信號的峰值點能夠較好地吻合，較準確地對層目標進行判定；而固定閾值算法獲得的層標識信號與傳感器輸出信號的峰值時刻有較大差異，這主要是因為固定閾值不能適用于不同工況。同樣地，圖8是試驗3、試驗4數(shù)據(jù)的半實物仿真結(jié)果。其中圖8(a)、圖8(c)、圖8(e)分別為試驗3的原始傳感器輸出信號、固定閾值算法層標識信號、動態(tài)閾值算法層標識信號，圖8(b)、圖8(d)、圖8(f)分別為試驗4的原始傳感器輸出信號、固定閾值算法層標識信號、動態(tài)閾值算法層標識信號。從圖8中可以看出：與固定閾值算法相比，動態(tài)閾值算法給出的層標識信號與傳感器峰值時刻較吻合；雖然與其他試驗相比，試驗4采集到的傳感器輸出信號幅值明顯較小，但本文自適應閾值算法仍然可以識別到正確的目標層數(shù)。

圖8 閾值設(shè)為30時試驗3、試驗4數(shù)據(jù)半實物仿真結(jié)果Fig.8 Semi physical simulation results of data in Tests 3 and 4 with threshold of 30

在兩種算法中均設(shè)定相同的閾值120(固定閾值算法所有層閾值均設(shè)定為120，首層入靶結(jié)合開關(guān)判斷)，計層層數(shù)設(shè)定為5層，層間時間設(shè)定為3 ms.測試結(jié)果如圖9和圖10所示。

圖9為入靶閾值設(shè)定為120時試驗1、試驗2的半實物仿真結(jié)果，其中圖9(a)、圖9(c)、圖9(e)分別為試驗1的原始傳感器輸出信號、固定閾值算法層標識信號、動態(tài)閾值算法層標識信號，圖9(b)、圖9(d)、圖9(f)分別為試驗2的原始傳感器輸出信號、固定閾值算法層標識信號、動態(tài)閾值算法層標識信號。從圖9中可以看出：本文所提動態(tài)閾值層標識信號與原始傳感器輸出信號的峰值點能夠較好地吻合，入靶閾值的改變不對其產(chǎn)生影響；固定閾值算法對于試驗1的數(shù)據(jù)，只識別到第1層和第3層，漏計了第2、4、5層，這主要是因為120的閾值對于該工況過高，而第1、3層的識別時刻比閾值設(shè)定為30時更準確。

圖9 閾值設(shè)為120時試驗1、試驗2數(shù)據(jù)半實物仿真結(jié)果Fig.9 Semi-physical simulation results of data in Tests 1 and 2 with thresholds of 120

圖10為入靶閾值設(shè)定為120時試驗3、試驗4的半實物仿真結(jié)果，其中圖10(a)、圖10(c)、圖10(e)分別為試驗3的原始傳感器輸出信號、固定閾值算法層標識信號、動態(tài)閾值算法層標識信號，圖10(b)、圖10(d)、圖10(f)分別為試驗4的原始傳感器輸出信號、固定閾值算法層標識信號、動態(tài)閾值算法層標識信號。同樣從圖10中可以看出：本文所提動態(tài)閾值層標識信號與原始傳感器輸出信號的峰值點能夠較好地吻合，入靶閾值的改變不對其產(chǎn)生影響；固定閾值算法對于試驗4的數(shù)據(jù)，只識別到第1層，漏計了第2、3、4、5層，這主要是因為120的閾值對于該工況過高。試驗3的數(shù)據(jù)中，固定閾值算法雖然給出了5層的識別標志，但其識別時刻點依然有誤。

圖10 閾值設(shè)為120時試驗3、試驗4數(shù)據(jù)半實物仿真結(jié)果Fig.10 Semi-physical simulation results of data in Tests 3 and 4 with threshold of 120

最后，將本文所提算法在半實物仿真得到的層識別時刻，與實際試驗中高速攝影采集到的彈體碰每層靶的時間進行對比，結(jié)果如表4所示。從表4中可以看出，本文動態(tài)閾值計層算法可以自行給出每層目標的判斷閾值，并準確識別出目標層信號，給出的層識別時刻與高速攝像的碰靶時間能夠較好地吻合。

表4 仿真結(jié)果與高速攝像數(shù)據(jù)對比Tab.4 Comparison of simulated results and high-speed photography data ms

4 結(jié)論

本文提出一種基于融合算法的自適應閾值算法，根據(jù)引信采集到的傳感器輸出信號，實時在線計算每層目標的判定閾值，然后對層目標信號進行識別。得到主要結(jié)論如下：

1) 本文所提算法可以相同的裝定閾值，在不同試驗工況下自動計算出相應的層閾值，并準確給出每層目標的標識。

2) 與實際試驗的高速攝影結(jié)果對比，本文提出的算法可以根據(jù)不同工況，自動完成層目標的層閾值計算，并準確識別層目標。

3) 本文算法可以改善目前侵徹引信層目標識別必須根據(jù)試驗工況計算層閾值的問題。

4) 本文算法不僅可以應用在融合算法上，也可以與其他算法相結(jié)合使用。

5) 算法的自適應模型還有需要繼續(xù)完善之處，以進一步提高層目標判別的自適應性。