自适应阈值侵彻引信层目标识别算法

2020-11-24黄莎玲朱鸿志程祥利谢玉斌

兵工学报 2020年9期

黄莎玲，朱鸿志，程祥利，谢玉斌

(中国工程物理研究院电子工程研究所，四川绵阳 621999)

0 引言

当前，侵彻武器不断发展，引信的功能日益强大，从早前的碰炸、延时侵彻引信逐渐发展到计层、计深、计行程以及介质识别等多种功能的引信。由此可知侵彻引信正向着高精度和智能化方向发展[1-2]。侵彻引信的计层功能主要针对多层防护目标，引信在侵彻过程中从加速度信号中获取目标的层数信号，在到达装定层数时起爆战斗部。侵彻弹药的应用日益广泛，要面对的目标也呈多样化特性，从而对侵彻引信的适用性有了更高要求。

目前侵彻引信中计层算法的研究方向主要集中在加速度信号滤波算法设计上，例如低通滤波算法[3-9]、融合算法[10]、小波分解算法[11-13]、机械滤波算法[14]、奇异值分解算法[15]、时间屏蔽算法[16]、积分算法[17]及自相关算法[18]等。这些传感器信号处理算法主要是为了解决层信号之间的混叠对层识别带来的干扰。虽然这些处理方法能够对层目标的凸显起到一定的改善作用，但对于每层目标的判定阈值基本都采用装定固定阈值方法进行，即必须根据不同试验靶标装定不同的阈值，来确保在不同工况中引信均能实现特定功能。但在侵彻武器的使用过程中，其层目标是多种多样的，不同目标和速度下的侵彻加速度信号有较大的差别[19]。另外，器件安装位置不同也会使引信测得的加速度信号不同[20]。因此，使用固定阈值判断侵彻目标识别算法的适用性，不能满足侵彻引信的发展要求。

本文提出一种自适应动态阈值方法，根据当前侵彻过程中采集到的加速度信号，自动选取合适的阈值对层目标进行识别，从而大大降低计层算法的阈值设置对先验知识及试验工况的依赖。

1 信号处理算法

目前侵彻多层目标信号处理算法有滤波算法、积分法、小波分解法和融合算法等。其主要方式是对加速度信号进行处理使得层信号凸显，然后按照固定的一个或多个阈值判定层数，以融合算法[10]为例。融合算法采用一种基于加速度信号和开关信号融合的方式对层目标信号进行识别，利用加速度信号和开关分别与特定的时间窗进行卷积，然后将其按照一定权重相加获得最后的处理信号，如(1)式所示：

(1)

本文主要采用4发不同试验工况的火炮试验中引信采集存储到的加速度和开关信号，对以前算法存在的问题和本文算法的特性进行对比分析。4次侵彻试验中采集到的加速度传感器信号和开关信号如图1所示。4次试验工况均为5层钢筋混凝土靶标，每次试验中的速度、弹型、靶强度及排布均不相同。因此存储的加速度传感器信号和开关信号数据也有一些差异：加速度传感器输出为电压信号，开关信号为数字信号，无量纲。

从图1中可以看出，不同试验工况下，引信采集到的传感器输出信号幅值存在较大差异，计数喜忧参半数设定为5层，每层信号的电压峰值如表1所示。从表1中可以看出，试验3的首层靶传感器输出信号峰值是试验4的4倍多。这种巨大的电压幅值差异，很难用同一个入靶阈值对不同试验中的层目标进行判定。

图1 4次试验的传感器输出与开关原始信号Fig.1 Original sensor and switch signals in 4 tests

对4次侵彻试验的加速度传感器输出信号和开关信号按照(1)式进行融合处理，其中传感器输出信号采用单片机采集值(非电压值)，卷积时间窗采用0.9 ms矩形窗，传感器输出信号权重取1，开关信号权重10，处理后的融合信号如图2所示。

从图2中可以看出：4次试验的数据由于靶标、速度等试验工况不同，其融合后的加速度传感器输出信号虽然有较明显的层信号凸显，但是融合信号的幅值仍然有较大差异，例如试验2、试验3的融合信号峰值接近400，而试验1的融合信号峰值小于300，试验4峰值则不到200.因此采用固定阈值的融合算法对层目标进行识别时，必须根据不同试验工况选取不同阈值，才能准确地从融合信号中识别层目标。这往往需要较多的先验知识，才能正确选取合适的入靶阈值。

此外，由于加速度传感器输出原始信号幅值在不同工况中存在较大差异(见表1)，利用滤波、积分或小波分解等方法对传感器输出信号进行处理，亦难以用固定阈值来适合多种工况。对图1中的传感器输出信号进行低通滤波，结果如图3所示。

表1 传感器输出原始信号峰值表Tab.1 Peak values of sensor signals in 4 tests V

从图3中可以看出，低通滤波可以滤除一些高频成分，但不能消除或者改善原始传感器输出信号幅值动态范围大的问题。因此即使采用低通滤波，也无法改善固定阈值对多种工况下层目标信号的适用性。

在实际应用中，同一款引信产品若采用固定阈值方式对层信号进行判别，无法找到合适的固定阈值来适应不同工况，则产品只能用于单一工况的武器装备，从而大大降低了引信的实用性。

2 自适应动态阈值

鉴于计层算法阈值选取的问题，本文在融合算法[10]基础上，提出一种自适应动态阈值的层目标识别算法，根据传感器采集到的实时加速度信号，自动计算后续层的判定阈值。

在实际侵彻过程中，随着侵彻弹药的速度不断提高，层信号粘连现象越来越严重，从图1中可以看出，4次试验采集到的开关信号都出现了严重的信号粘连，而传感器输出信号的层特征更明显。因此采用融合算法，只对传感器输出信号和矩形时间窗进行卷积，而不考虑开关信号，如(2)式所示：

(2)

式中：f(t)表示卷积后的结果，卷积运算的结果对传感器信号有滤波和放大的作用[4]；g(t)表示传感器输出信号采样值；ω(t)表示时间窗，窗函数采用文献[10]中的窗函数，由滤波器单位冲击响应与高斯时间窗卷积得到。

利用(2)式对4次试验的传感器输出信号进行卷积处理，结果如图4所示。

对比图2和图4可以看出，只对传感器输出信号进行卷积，融合后的信号层特征更明显。提取图3中的数据，得到每层信号的峰值，数据如表2所示。

图2 传感器输出信号和开关信号融合结果Fig.2 Fusion results of sensor signal and switch signal

图3 传感器输出信号低通滤波处理结果Fig.3 Low pass filtering results of sensor signal

图4 传感器输出信号融合处理结果Fig.4 Processing results of sensor output signal fusion

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

从图4和表2中可以发现传感器融合信号具有以下两个特征：1)不同试验中，传感器融合信号幅值差别较大；2)同一发试验中，每层过载的峰值相近。

基于以上分析，本文提出一种自适应动态阈值算法，用于侵彻引信实时计算每层目标的判定阈值，具体计算方法如(3)式所示：

(3)

(4)

式中：a(n)为层阈值；n为靶层数；E为某一设定的固定值；φ为权重系数，一般取0.7～0.8；B(n)为前面所有层峰值的均值；f(t)为(2)式计算出的传感器输出信号融合值；T(n-1)为第n层和第n-1层的靶间时间，

T=L/v，

(5)

L为弹长，v为弹速。弹速对本文算法影响不大，因为多层目标间距一般大于弹长L，且过载的峰值一般均出现在弹头穿透目标的时刻点附近，所以T的取值在(6)式范围之间都可有效实现算法：

Ls/v≤T≤Lt/v，

(6)

式中：Ls为弹头卵形部的长度；Lt为靶间距。

首层阈值a(1)采用固定值E，一般可设置为1个较低的值，以保证可以对首层识别，也可结合过载开关进行首层靶进行判定。

2层阈值采用首靶时间窗内传感器输出信号融合值最高峰值乘以系数φ.

3层及后续阈值取上一层阈值与上一层时间窗内融合值最高峰值的平均值。

本文动态阈值算法的处理过程实质，就是让每层靶的判定阈值不断逼近历史层融合峰值的均值。详细算法流程如图5所示。图5中传感器输出信号的融合值按照(2)式进行计算，具体计算过程见文献[4]，从采集到第1个有效传感器数据就开始按照(2)式的卷积计算，当数据点不足一个周期时，按照实际采集数据进行卷积；当超过一个周期后按照滑窗方式向后计算卷积。本文算法可以在弹上实时运行，在采集传感器信号的同时，计算层目标阈值并对层目标进行识别。

图5 算法流程图Fig.5 Flow chart of algorithm

按照本文方法计算前面4个试验每层目标的阈值，结果如表3所示，其中首层靶阈值采用固定的30作为阈值。从表3中可以看出，每层靶的阈值都不同。无需再使用固定阈值对目标层数进行判断，算法可以根据历史传感器信息实时给出每一层目标的识别阈值。

表3 层阈值表Tab.3 Thresholds of layers

与固定阈值算法相比，动态阈值算法具有自适应的功能，可以适应不同工况的试验。另外由于算法计算阈值只依赖当前试验的传感器历史数据，可以在侵彻过程中对层目标判定阈值进行实时计算，满足引信使用的要求。

3 半实物仿真验证

将本文所提算法在硬件电路板中实现后，采用信号发生器、电源、示波器和信号处理板组成半实物仿真系统，如图6所示。

图6 半实物仿真系统Fig.6 A hardware platform and software simulation system

由图6可见，首先采用任意波形发生器将4次试验中采集到的传感器输出信号转化为模拟电压信号，输出连接到已下载本文算法的被测模块采集口。然后通过触发开关控制模块的工作，触发开关动作时被测模块中的算法启动，且任意波形发生器输出试验波形到被测模块中。最后通过串口回读被测模块中采集到的传感器信号，以及其给出的层标识信号。

先后在被测模块中运行采用固定阈值的融合算法以及本文提出的动态阈值算法。在两种算法中均设定相同的首层阈值30(固定阈值算法所有层阈值均设定为30)，计层层数设定为5层，层间时间设定为3 ms.测试结果如图7和图8所示。

图7 阈值设为30时试验1、试验2数据半实物仿真结果Fig.7 Semi-physical simulation results of data in Tests 1 and 2 with threshold of 30

图7为试验1、试验2的半实物仿真结果，其中图7(a)、图7(c)、图7(e)分别为试验1的原始传感器输出信号、固定阈值算法层标识信号、动态阈值算法层标识信号；图7(b)、图7(d)、图7(f)分别为试验2的原始传感器输出信号、固定阈值算法层标识信号、动态阈值算法层标识信号。从图7中可以看出：本文所提动态阈值算法的层标识信号与原始传感器输出信号的峰值点能够较好地吻合，较准确地对层目标进行判定；而固定阈值算法获得的层标识信号与传感器输出信号的峰值时刻有较大差异，这主要是因为固定阈值不能适用于不同工况。同样地，图8是试验3、试验4数据的半实物仿真结果。其中图8(a)、图8(c)、图8(e)分别为试验3的原始传感器输出信号、固定阈值算法层标识信号、动态阈值算法层标识信号，图8(b)、图8(d)、图8(f)分别为试验4的原始传感器输出信号、固定阈值算法层标识信号、动态阈值算法层标识信号。从图8中可以看出：与固定阈值算法相比，动态阈值算法给出的层标识信号与传感器峰值时刻较吻合；虽然与其他试验相比，试验4采集到的传感器输出信号幅值明显较小，但本文自适应阈值算法仍然可以识别到正确的目标层数。

图8 阈值设为30时试验3、试验4数据半实物仿真结果Fig.8 Semi physical simulation results of data in Tests 3 and 4 with threshold of 30

在两种算法中均设定相同的阈值120(固定阈值算法所有层阈值均设定为120，首层入靶结合开关判断)，计层层数设定为5层，层间时间设定为3 ms.测试结果如图9和图10所示。

图9为入靶阈值设定为120时试验1、试验2的半实物仿真结果，其中图9(a)、图9(c)、图9(e)分别为试验1的原始传感器输出信号、固定阈值算法层标识信号、动态阈值算法层标识信号，图9(b)、图9(d)、图9(f)分别为试验2的原始传感器输出信号、固定阈值算法层标识信号、动态阈值算法层标识信号。从图9中可以看出：本文所提动态阈值层标识信号与原始传感器输出信号的峰值点能够较好地吻合，入靶阈值的改变不对其产生影响；固定阈值算法对于试验1的数据，只识别到第1层和第3层，漏计了第2、4、5层，这主要是因为120的阈值对于该工况过高，而第1、3层的识别时刻比阈值设定为30时更准确。

图9 阈值设为120时试验1、试验2数据半实物仿真结果Fig.9 Semi-physical simulation results of data in Tests 1 and 2 with thresholds of 120

图10为入靶阈值设定为120时试验3、试验4的半实物仿真结果，其中图10(a)、图10(c)、图10(e)分别为试验3的原始传感器输出信号、固定阈值算法层标识信号、动态阈值算法层标识信号，图10(b)、图10(d)、图10(f)分别为试验4的原始传感器输出信号、固定阈值算法层标识信号、动态阈值算法层标识信号。同样从图10中可以看出：本文所提动态阈值层标识信号与原始传感器输出信号的峰值点能够较好地吻合，入靶阈值的改变不对其产生影响；固定阈值算法对于试验4的数据，只识别到第1层，漏计了第2、3、4、5层，这主要是因为120的阈值对于该工况过高。试验3的数据中，固定阈值算法虽然给出了5层的识别标志，但其识别时刻点依然有误。