基于BP神经网络的侵彻过程弹体内部应力反演方法

技术领域

本发明属于兵器装备测试技术领域，特别是涉及侵彻过程中冲击、贯穿目标时弹体内部应力变化情况检测、冲击过程中药柱的安定性判断以及弹体内部装药应力场构建的测试方法，具体为基于BP神经网络的侵彻过程弹体内部应力反演方法。

背景技术

侵彻武器在国防领域中有着重要作用，受到各军事强国的重点关注。该类型武器可以在击穿目标防护壳层后再行爆炸，可以提高对攻击目标的打击效率。多数情况下，侵彻弹药在冲击、贯穿防护壳体时，伴随着包括高冲击、高温、高压在内的恶劣条件，这就会使一般的直接传感测试手段的可靠性、精度降低。在侵彻弹整体结构中，其关键部位之一是内部装药。内部装药在侵彻弹贯穿防护壳体后起爆，起到主要杀伤作用。准确测量弹体内部药柱所受应力，对提升起爆精度、提升杀伤效率有着重要的意义。

该类武器在实际冲击、侵彻目标时，会受到目标的阻力和反向冲击载荷。现有技术手段可以在弹体内部上加装存储测试系统，以此采集弹体在实际冲击、贯穿过程中的实时信息参数。在对弹药的研究中，弹体内部药柱在穿透目标防护层时材料状态的安定性、应力集中区域等指标评估，是侵彻过程中对弹体测试研究关键内容之一。与传统传感测试手段相比，利用反演方法可以提高对侵彻过程中对弹体应力状态判断的效率和准确度。

由于侵彻武器在战斗时冲击状态和内部结构特点，在该类型设备测试中，涉及到高温、高过载等环境条件，常见应力测试手段，如:应变片，其灵敏度相对较低，且测试结果受外部温度影响较大，会带来较大的误差，难以准确反映药柱在侵彻过程中应力情况。

发明内容

本发明为了解决侵彻武器药柱在侵彻过程中的应力无法被准确测试的问题，提供了一种基于BP神经网络的侵彻过程弹体内部应力反演方法。该技术方法可以确定传感测试系统中采集到弹体冲击目标时的加速度信息，还可通过加速度信息获得实时应力场。同时该方法应用范围包括弹体内部含有装药的穿甲弹、钻地弹等侵彻兵器装备。

本发明的目的在于利用BP神经网络构建加速度-应力反演数学模型，可由布设的传感器确定弹体发射到侵彻目标靶板时的加速度信息，还可通过边界条件联合反演模型，计算得到弹体在侵彻目标过程中内部装药的应力场。通过分析应力场的信息，可以对侵彻过程中弹体内部装药的材料力学性能、材料疲劳损伤、安全运行状态、应力分布情况等进行评估分析。

本发明所采用的技术方案为：基于BP神经网络的侵彻过程弹体内部应力反演方法，根据传感器测得侵彻过程中的加速度信息，利用反演模型，反演出所测弹体内部关键部位的应力情况，再根据有限元软件求出内部应力场信息。

本发明中使用的BP神经网络将利用传感器测得的数据作为学习、测试样本，通过反演计算，求出测量部位的应力信息，经过迭代训练后，模型输出达到要求。对于实际测试中，使用加速度传感器测得的加速度信息经过滤波处理后作为模型输入，应力信息作为模型输出。

本发明的具体技术方案如下：

通过利用传感器测得的加速度数据信息训练所搭建的BP神经网络加速度-应力反演数学模型，从该模型中反演出所测量装药部位的应力信息，进而通过设定边界条件得出应力场信息。

具体包括以下步骤：

步骤一：搭建传感器测量阵列，得到弹体装药测量位置的加速度信息。

步骤二：联合加速度-应力反演数学模型，进行应力反演。

对所测部位进行有限元处理，按轴向分割为n个截面。则各截面所受到的惯性力、截面面积、应力关系可表示为：

F

式中S表示横截面积，σ

在弹体进行侵彻目标时的惯性力可表示为：

F

上式中m

建立加速度-应力反演数学模型一

对于一段药柱而言有一定的厚度，建立加速度-应力反演数学模型二

步骤三：根据截面处的应力值和一段药柱上的应力值，利用有限元软件确定内部装药的应力场。该处的应力值为同一截面处求得的多个应力值的平均值，同一个截面处布设多个传感器，根据每个传感器的加速度值都计算得到一个应力值，故应力值取平均。

本发明所述的弹体，其内部装药主要涉及如下两种装药方式，分段式装药和整体式装药。其中分段式装药包括隔板分段式和腔体单元式。内部装药形状为等截面与不等截面的立体几何结构。内部装药形状包括但不限于圆柱、立方体，即横截面包括但不限于圆形、方形。

在进行传感器排布时，排布位置在各类几何体截面形状的几何轮廓起沿截面轴线的任意位置；装药方式为隔板分段式时，在隔板处的非几何轮廓上排布时需使用夹层材料贴合隔板，夹层材料选择使用聚丙烯材料，将加速度传感器布设在两层聚丙烯材料之间，利用聚丙烯材料特性，尽可能减少贴合隔板方式对内部应力分布的影响；整体式和分段腔体单元式弹体内部装药测量传感器排布在横截面的几何轮廓上，处于药柱表面及弹体内壳层之间。

本发明方法所使用的BP神经网络为三层结构。设置收敛误差标准为3％以内，在此范围内即符合输出标准。在本方法所使用的BP神经网络中输入层设置神经元数为传感器布设数量，输出层神经元数设置为对应的侵彻应力工况，输出层选择使用线性函数。本发明方法的神经网络选择激活函数为RELU函数。隐藏层设置神经元数量依据实际测得数据来进行设置。根据前述加速度-应力反演数学模型，该神经网络各层传播过程可表示为：

输入层到隐藏层：

隐藏层到输出层：

式中，v与w表示各层对应权重，i与n表示第i(n)个隐层(输出层)神经元输入，m、x分别为输入层与隐层中神经元个数，a、b分别表示输入层的神经元，θ表示所选择的激活函数。

在监测指标判据上选择如下函数式：

上式Y

本发明的有益效果是：通过对弹体进行应力反演，获得所测部位的应力信息，包括：应力大小、应力位置。进一步还可通过有限元分析得到应力场信息，从而分析材料力学性能、材料疲劳损伤、安全运行状态、应力分布情况等，有效地判断内部装药材料的工作情况，增强侵彻弹药起爆、杀伤的准确性，提高武器毁伤效率。

附图说明

图1为分段式(隔板式)装药弹体示意图。

图2为分段式(腔体单元式)装药弹体示意图。

图3为整体式装药弹体示意图。

图4为圆形截面传感器排布示意图。

图5为本发明方法流程图。

图6为本发明方法框图。

具体实施方式

本发明提出一种基于BP神经网络的侵彻过程弹体内部应力反演方法，利用传感器采集到的数据训练加速度-应力反演数学模型，进而通过训练好的模型得到内部装药关键部位的应力信息，使用反演出的应力信息，结合边界条件可得出该部位的应力场。

假设传感器测得加速度滤波处理后为a，作为加速度-应力反演数学模型中的自变量输入。

具体包括以下步骤：

步骤一：搭建传感器测量阵列得到内部装药定点布设处的加速度信息。

(一)对弹体内部装药关键部位进行传感器排布后进行相关测试工作，从测试后得到数据中选取5-10组传感器数据，其中取有效测试节点的80％作为BP神经网络算法模型的输入样本，余下的20％作为BP神经网络的测试样本。

(二)建立3层BP神经网络加速度-应力反演数学模型进行反演，此模型中输入层所设置的节点个数与传感器布设的数量相等，输出层节点个数与侵彻目标时药柱的应力工况相同，激活函数选取RELU函数；反演后的BP神经网络算法模型所输出的样本信息为所求应力信息。所提出的BP神经网络算法流程如下：

在监测判据指标上选择如下函数式：

上式Y

步骤二：反演应力场

在相关有限元软件中建立侵彻弹及内部装药的模型，通过添加边界条件，在有限元软件中进行程序计算得到内部装药的应力场。

实施样例：对侵彻武器内部装药状态实时研判的方法一直受到业界关注，传统应变片测量方式可靠性、准确性较低。本发明通过在弹体内部药柱的关键部位布设加速度传感器测量阵列，联合反演数学模型获得所需的应力信息。

具体用法说明：

用法一：整体装药式弹体应力信息反演

测试时所用传感器的排布位置方案，包括但不限于药柱的应力重点关注部位，如：药柱顶端、药柱中部、药柱尾部等部位。具体排布位置可在各类几何体截面形状的几何轮廓起沿截面轴线的任意位置。

在该类型装药的弹体药柱几何轮廓上等距布设5组，每组6个(从顶端到尾部，沿套筒与药柱表面之间)加速度传感器作为测试样本采集端，设置存储测试设备记录侵彻弹在进行侵彻目标时的相关数据。选择现场测试的20％数据量作为测试样本。

根据所得到的反演结果统计与理论值计算，模型训练迭代所得到的应力信息误差数值的百分比控制在3％以内，则符合监测判据要求。则可通过得到的应力数据判断在侵彻过程中，内部装药关键部位所受到的应力是否大于其材料的安定极限，从而对内部装药材料可能出现的疲劳损伤、提前起爆情况进行判断，提高该类武器设备在侵彻战斗时的准确性。

用法二：分段装药式弹体应力信息反演

实际应用中，为了提升弹体的结构刚度同时降低装药的冲击惯性，对该类弹体的结构设计时会加入隔板结构。进行该类型装药侵彻弹测试前，需要对装药及加速度传感器排布进行调整，将装药等质量、长度、直径打包分为3个单元。在隔板式分段药柱装填时每2个装药单元之间使用隔板分隔，使用聚丙烯材料夹层将加速度传感器布设在夹层之间，分段单元顶端或尾部处贴合隔板测量。每处聚丙烯材料夹层布设6组加速度传感器进行测量。布设位置包括药柱前端及尾部。腔体单元式分段装药的弹体中，传感器排布方式与用法一中排布方式相同。

进行侵彻测试后，将测试所得数据按设定百分比，分别作为学习样本与测试样本输入至前述的搭建的BP神经网络反演模型中进行训练，迭代所得到的应力信息误差数值百分比控制在3％以内，则符合监测判据要求。将输出结果的应力值求取平均值后结合边界条件输入至有限元软件中，可得到内部装药应力场。由此可得到分段式装药弹体不同装药单元之间的应力对比情况，可提高对该类型装药各单元应力影响分析的准确性，提高毁伤效率。