本發(fā)明涉及炸藥安全與智能識(shí)別，具體涉及一種基于多參量數(shù)據(jù)驅(qū)動(dòng)的炸藥撞擊感度試驗(yàn)識(shí)別方法。

背景技術(shù)：

1、近年來，炸藥由于其高能量密度的特性，在軍事和民用方面的應(yīng)用日益廣泛，但隨之發(fā)生的安全事故也更加頻繁，傷亡損失也愈加慘重。炸藥安全事故的發(fā)生，往往和感度評(píng)價(jià)不準(zhǔn)確、點(diǎn)火機(jī)理認(rèn)識(shí)不清楚有關(guān)。特別是許多爆炸事故是由于炸藥受到撞擊引發(fā)的，因此，撞擊感度成為評(píng)估炸藥安全性的重要指標(biāo)，直接關(guān)系到武器系統(tǒng)的安全性能以及炸藥操作人員的人身安全。

2、現(xiàn)有技術(shù)主要存在以下幾個(gè)問題：

3、(1)主觀方法依賴：撞擊感度測(cè)試主要采用“聽聲音、看火光、觀痕跡”等主觀方法，缺乏客觀量化指標(biāo)，判定結(jié)果嚴(yán)重依賴實(shí)驗(yàn)者的主觀經(jīng)驗(yàn)。

4、(2)數(shù)據(jù)缺乏：由于撞擊感度測(cè)試過程較為簡(jiǎn)單，場(chǎng)地較小，產(chǎn)生的氣體收集成本較高，試驗(yàn)過程不易拍照等原因，缺乏系統(tǒng)全面的炸藥點(diǎn)火多參量數(shù)據(jù)。炸藥點(diǎn)火過程的參數(shù)眾多且相互耦合，需要系統(tǒng)測(cè)試獲得全面數(shù)據(jù)，但目前尚無相關(guān)報(bào)道。

5、(3)數(shù)據(jù)融合分析方法缺乏：炸藥點(diǎn)火判據(jù)涉及多參量，需要從海量異構(gòu)數(shù)據(jù)中提取關(guān)鍵信息并建立判據(jù)，但目前還未有相關(guān)研究?jī)?nèi)容。

6、(4)智能識(shí)別研究不足：目前對(duì)于撞擊感度的智能化研究主要集中在預(yù)測(cè)特性落高方面，而炸藥點(diǎn)火及結(jié)果智能識(shí)別方法缺乏。根據(jù)建立的多參量判據(jù)實(shí)現(xiàn)炸藥點(diǎn)火的實(shí)時(shí)智能識(shí)別，對(duì)確保炸藥安全至關(guān)重要，但尚未見相關(guān)研究。

7、中國(guó)專利202110387136.2發(fā)明了一種基于激光誘導(dǎo)擊穿光譜對(duì)含能材料撞擊感度和摩擦感度快速定量預(yù)測(cè)方法，屬于含能材料機(jī)械感度預(yù)測(cè)技術(shù)領(lǐng)域。獲取已知撞擊感度和摩擦感度的含能材料的激光等離子體發(fā)射光譜，并進(jìn)行有效數(shù)據(jù)篩選、連續(xù)輻射背景去除、分通道歸一化等有效的光譜預(yù)處理手段，基于特征原子、特征離子以及特征分子輻射等全部光譜信息，進(jìn)行訓(xùn)練、驗(yàn)證、測(cè)試，分別建立撞擊感度和摩擦感度的線性回歸模型；獲取未知撞擊感度和摩擦感度的含能材料的激光等離子體發(fā)射光譜，并進(jìn)行有效數(shù)據(jù)篩選、連續(xù)輻射背景去除、分通道歸一化等有效的光譜預(yù)處理手段，基于特征原子、特征離子以及特征分子輻射等全部光譜信息結(jié)合撞擊感度或摩擦感度線性回歸模型，得到感度值未知含能材料的預(yù)測(cè)撞擊感度值或者摩擦感度值。本發(fā)明所述方法對(duì)樣品消耗量極少，分析速度快，預(yù)測(cè)結(jié)果準(zhǔn)確，具有很好的應(yīng)用前景。但是成本較高。

8、中國(guó)專利202310141419.8公開了一種應(yīng)用于煙花爆竹藥劑的撞擊感度實(shí)驗(yàn)自動(dòng)化裝置，能夠在檢測(cè)后卷收電機(jī)反轉(zhuǎn)從而將卷收繩卷收，進(jìn)而使得撞擊后的撞擊錘能夠上移復(fù)位，進(jìn)而實(shí)現(xiàn)設(shè)備的自動(dòng)復(fù)原，可進(jìn)行循環(huán)操作，進(jìn)而可重復(fù)測(cè)試，且不需要人力干預(yù)，整體自動(dòng)化程度更高，人力操作強(qiáng)度降低。但是對(duì)反應(yīng)結(jié)果的判別還是需要人工判斷。

9、中國(guó)專利202220451762.3公開了一種含能材料撞擊感度測(cè)試裝置，將撞擊感度儀與溫度檢測(cè)儀、氣體檢測(cè)儀和爆炸概率計(jì)算裝置相結(jié)合，可滿足含能材料撞擊感度的精確測(cè)試，測(cè)試結(jié)果數(shù)據(jù)化，具有較高實(shí)用價(jià)值。但是該裝置過程復(fù)雜，成本較高，使用價(jià)值較低。

10、綜上所述，現(xiàn)有的撞擊感度試驗(yàn)技術(shù)和方法，都比較依賴人工操作和個(gè)人經(jīng)驗(yàn)，不確定度高，可重復(fù)性較差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于多參量數(shù)據(jù)驅(qū)動(dòng)的炸藥撞擊感度試驗(yàn)識(shí)別方法，獲取炸藥撞感試驗(yàn)過程的多參量耦合數(shù)據(jù)，采用機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)炸藥撞擊感度試驗(yàn)智能識(shí)別。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

3、一種基于多參量數(shù)據(jù)驅(qū)動(dòng)的炸藥撞擊感度試驗(yàn)識(shí)別方法，包括以下步驟：

4、獲取炸藥撞感試驗(yàn)過程的多參量耦合數(shù)據(jù)；

5、對(duì)多參量耦合數(shù)據(jù)中的音頻數(shù)據(jù)進(jìn)行特征提取，將其轉(zhuǎn)換成頻譜圖；

6、基于dcgan模型對(duì)生成的頻譜圖擴(kuò)增；

7、基于擴(kuò)增后的頻譜圖和多參量耦合數(shù)據(jù)中的氣體數(shù)據(jù)進(jìn)行炸藥點(diǎn)火智能識(shí)別模型訓(xùn)練；

8、基于訓(xùn)練好的炸藥點(diǎn)火智能識(shí)別模型，輸入待測(cè)炸藥的多參量耦合數(shù)據(jù)，得到預(yù)測(cè)結(jié)果。

9、在一些實(shí)施例中，所述多參量耦合數(shù)據(jù)，包括：氣體數(shù)據(jù)和音頻數(shù)據(jù)。

10、在一些實(shí)施例中，對(duì)多參量耦合數(shù)據(jù)中的音頻數(shù)據(jù)進(jìn)行特征提取，將其轉(zhuǎn)換成頻譜圖，包括：用librosa庫(kù)提取音頻數(shù)據(jù)中數(shù)字化的時(shí)間序列和采樣率，基于librosa.stft()函數(shù)，將提取出的時(shí)間序列做短時(shí)傅里葉變換，得到音頻信號(hào)在不同時(shí)間上的頻率分量的強(qiáng)度；再用圖像表示出來，其中，橫坐標(biāo)代表時(shí)間，縱坐標(biāo)代表頻率，顏色代表強(qiáng)度即響度。

11、在一些實(shí)施例中，所述基于dcgan模型對(duì)生成的頻譜圖擴(kuò)增，包括：

12、輸入真實(shí)數(shù)據(jù)頻譜圖，通過卷積方式訓(xùn)練判別器，使其具備辨別真假的能力；

13、判別器訓(xùn)練預(yù)設(shè)輪數(shù)后，生成器開始工作，通過產(chǎn)生隨機(jī)噪聲生成圖片，再交給判別器訓(xùn)練；

14、多次循環(huán)迭代，使生成器生成的圖片接近真實(shí)數(shù)據(jù)。

15、在一些實(shí)施例中，所述dcgan模型，包括：判別器和生成器；判別器部分包括1個(gè)輸入層，5個(gè)卷積層和1個(gè)輸出層，其中卷積層的卷積核大小均為4*4，步幅均為2，每一個(gè)卷積層后都接入relu層；

16、生成器包括1個(gè)輸入層，5個(gè)反卷積層和1個(gè)輸出層構(gòu)成，其中每個(gè)反卷積層后都用relu層激活，最后輸出層采用tanh函數(shù)激活；采用真實(shí)數(shù)據(jù)頻譜圖作為輸入來訓(xùn)練模型，達(dá)到生成數(shù)據(jù)的目標(biāo)。

17、在一些實(shí)施例中，所述輸入真實(shí)數(shù)據(jù)頻譜圖，通過卷積方式訓(xùn)練判別器，使其具備辨別真假的能力，包括：把圖片作為輸入，把圖片根據(jù)像素轉(zhuǎn)化為矩陣，和三通道的像素?cái)?shù)值對(duì)應(yīng)，對(duì)每一層矩陣通過卷積核卷積之后得到特征圖，經(jīng)過多次卷積得到一個(gè)512維的特征圖，通過全連接層處理后得到一個(gè)數(shù)字，通過對(duì)數(shù)字進(jìn)行sigmoid函數(shù)處理后輸出，該輸出接近1為真，接近0為假。

18、在一些實(shí)施例中，判別器訓(xùn)練預(yù)設(shè)輪數(shù)后，生成器開始工作，通過產(chǎn)生隨機(jī)噪聲生成圖片，再交給判別器訓(xùn)練；包括：生成器先隨機(jī)生成一個(gè)維度是100*1*1的噪聲向量，之后通過反卷積改變維度和特征圖的尺寸，最終輸出3*128*128的特征圖；再把生成的圖放入判別器中訓(xùn)練。

19、在一些實(shí)施例中，所述基于擴(kuò)增后的頻譜圖和多參量耦合數(shù)據(jù)中的氣體數(shù)據(jù)進(jìn)行炸藥點(diǎn)火智能識(shí)別模型訓(xùn)練；包括：

20、使用特征提取后的多參量耦合數(shù)據(jù)集進(jìn)行模型訓(xùn)練，模型輸入為氣體數(shù)據(jù)和音頻數(shù)據(jù)，輸出為炸藥點(diǎn)火狀態(tài)的置信概率；

21、所述模型采用cnn模型，cnn模型包括4個(gè)卷積層，4個(gè)池化層，2個(gè)全連接層和1個(gè)輸出層，其中前2層卷積核大小為5*5，后2層卷積核大小為3*3，步幅為1，池化層均為最大池化，池化核大小為2*2，步幅為2，把特征圖大小減半；最后輸出層輸出判別結(jié)果。

22、在一些實(shí)施例中，cnn模型采用圖片作為輸入，在訓(xùn)練之前cnn模型把圖像壓縮成224*224大?。?/p>

23、輸入特征圖，經(jīng)過多層卷積之后變成維度增加的特征圖，最后再通過全連接層把多維度特征圖變成1024*1的形式，然后再通過一層全連接層，輸出兩個(gè)數(shù)字(2*1)；

24、輸入氣體數(shù)據(jù)，輸入11個(gè)值(11*1)，經(jīng)過兩層神經(jīng)網(wǎng)絡(luò)之后變成1024*1的形式；和cnn中輸出到1024*1的向量相加，變成1*2048，之后再連接一個(gè)全連接層，變成兩個(gè)數(shù)值(2*1)；

25、再對(duì)兩個(gè)數(shù)值進(jìn)行softmax函數(shù)處理，變成0到1之間的數(shù)值，然后選擇概率大的分類作為判斷輸出。

26、本技術(shù)所披露的一種基于多參量數(shù)據(jù)驅(qū)動(dòng)的炸藥撞擊感度試驗(yàn)識(shí)別方法可能帶來的有益效果包括但不限于：

27、1.獲得了系統(tǒng)全面的炸藥點(diǎn)火過程多參量耦合數(shù)據(jù)，為深入研究炸藥點(diǎn)火機(jī)理奠定了數(shù)據(jù)基礎(chǔ)。

28、2.提出了多源異構(gòu)數(shù)據(jù)的融合分析方法，從海量數(shù)據(jù)中提取了炸藥點(diǎn)火的關(guān)鍵多參量信息。

29、3.建立了基于機(jī)器學(xué)習(xí)的炸藥點(diǎn)火智能識(shí)別模型，可實(shí)現(xiàn)炸藥點(diǎn)火狀態(tài)的實(shí)時(shí)自動(dòng)判別和安全預(yù)警。

30、4.本發(fā)明可廣泛應(yīng)用于炸藥生產(chǎn)、儲(chǔ)運(yùn)等環(huán)節(jié)，對(duì)提高炸藥安全性、降低事故風(fēng)險(xiǎn)具有重要意義。