CN109470888A - 基于深度学习的高g值加速度计的标定系统及标定方法 - Google Patents

Abstract

本发明涉及基于深度学习的高g值加速度计的标定系统及标定方法，利用冲击测试设备高效率地提供不同冲击量级的冲击环境，在不同的冲击环境下用一个普通加速度计和一个高精度加速度计反复测量相应的冲击信号并形成数据集；再基于深度学习方法让普通加速度计向高精度加速度计“学习”；最后通过训练深度神经网络来提取高精度加速度计测量信号的隐藏特征，以标定普通加速度计并提升其测量性能。本发明旨在提出一种高g值加速度计的智能标定方法，可以用于快速标定和提升普通高g值加速度计的测量性能，也可以用于部分故障加速度计的智能修复。

Description

基于深度学习的高g值加速度计的标定系统及标定方法

技术领域

本发明涉及一种基于深度学习理论，特别涉及一种基于深度学习的高g值加速度计的标定系统及标定方法。

背景技术

冲击激励是一种瞬间的能量传递，并且这种瞬间的能量传递往往会对系统造成巨大的破坏。冲击现象广泛存在于产品的设计、制造和使用过程中，比如火箭发射、卫星释放时的爆炸分离、汽车碰撞、产品运输装卸过程中的颠簸和跌落等。因此，为评估产品在冲击环境下的可靠性和生存能力，并进一步提升产品性能，冲击测试技术格外重要。

冲击测试技术必然伴随着冲击响应的测量。冲击响应通常用加速度信号表示，并由加速度计测量得到。但是，随着产品性能要求的越发严格，相应的测试条件也变得更加严苛，特别是在高g值冲击测试领域，普通加速度计的测量水平不容乐观，其测量结果往往并不可靠，很多时候都需要配套高性能加速度计才能完成。考虑到很多时候高性能加速度计需要通过进口获得，因而往往价格昂贵，有些甚至被禁运，因此如何准确标定并快速提升普通加速度计的测量水平就是一个亟待解决的问题。

关于高g值加速度计的标定技术，诸多学者及企业已经做了大量研究。国际方面，美国Endevco公司早在1977年就提出了采用压缩波在10⁵g下校准加速度计的方法，类似的技术后来被称为Hopkinson杆技术；日本工业界也在1990年代开发了相关技术；ISO标准16063-13描述了两种高g值加速度计的标定方法，一种是基于一维弹性波理论的Hopkinson杆技术，另一种是基于刚体碰撞理论的机械撞击式冲击试验技术，二者都利用激光干涉法测量加速度。国内在该方面虽然起步稍晚，但经过不懈努力，目前的技术水平也不遑多让，1997年，西北工业大学李玉龙教授团队在Hopkinson杆技术的基础上研制了高g值加速度计校准系统，随后Yuan等人对其进行了改进；中北大学石云波教授团队设计了一种双弹头Hopkinson杆校准装置，用于实现精确标定高g值加速度计的动态线性度；北京航空航天大学黄俊钦教授团队也基于小型空气炮技术研制了加速度计校准系统；浙江大学陈章位教授团队基于碰撞理论，在摆锤式冲击试验机的技术基础上研制了一款加速度计冲击校准系统。上述研究虽然提供了很多精确地标定加速度计的方法，但只能用于检测出待标定加速度计的测量误差，并没有提升待标定加速度计自身的测量水平。

由传感器的精度(也称综合误差)计算公式(式中r_L、r_H、r_R分别代表非线性误差、重复性误差和迟滞误差)可知，传感器的精度主要受非线性误差、重复性误差和迟滞误差影响。考虑到高g值加速度计主要作用于冲击环境，不存在反向输入问题，因此迟滞误差项可以忽略。工程实践经验也表明非线性误差和重复性误差是普通高g值加速度计普遍存在的问题，也是最难克服的两个缺点。在非线性误差方面，目前用于实现非线性自校正的方法主要有：查表法、曲线拟合法和神经网络法。查表法主要基于线性插值法逼近反非线性曲线，简单易行，但精度较差；曲线拟合法通常采用n次多项式来逼近反非线性曲线，精度较高，但当有噪声时，求解待定系数会出现病态情况，造成无法求解；神经网络法则是通过训练神经网络来完成准确测量值的预测，但目前大多使用单隐层神经网络进行训练，需要人工提取特征，并且泛化能力较差。通常，这三种方法都是人为提取峰值和脉宽两个特征来描述相应的冲击激励，忽略了波形的影响。显然，用整个冲击脉冲的加速度-时间序列来描述冲击激励是最准确的。此外，这三种方法都无法适用于测量结果重复性较差的情况。

排除环境因素，传感器自身的误差主要由传感器的敏感原理、敏感元件的材料性能、结构设计、制作工艺等因素决定，尤其制作工艺更是各传感器厂商秘而不宣的关键技术，因此短时间内通过改进硬件质量和制造水平来提升普通加速度计的性能非常困难。随着工业自动化、计算机技术、以及“大数据”和人工智能技术的快速进步，人类正逐步进入智能时代。如果说机器智能的核心是变智能问题为数据问题，那么深度学习方法无疑是处理大数据的重要利器。本文利用深度学习方法从软件角度出发解决高g值加速度计的标定问题。基本思路为：在相同条件下用若干普通加速度计和一个已标定过的高性能加速度计同时测量不同冲击量级下的加速度信号；完成大量组试验，并收集两个传感器测得的加速度数据；利用深度学习方法让普通加速度计向高性能加速度计“学习”，以提高普通加速度计的测量精度。

发明内容

本发明解决的技术问题是：为了解决现有技术的不足，利用冲击测试设备高效率地提供不同冲击量级的冲击环境，在不同的冲击环境下用一个普通加速度计和一个高精度加速度计反复测量相应的冲击信号并形成数据集；再基于深度学习方法让普通加速度计向高精度加速度计“学习”；最后通过训练深度神经网络来提取高精度加速度计测量信号的隐藏特征，以标定普通加速度计并提升其测量性能。本发明旨在提出一种高g值加速度计的智能标定方法，可以用于快速标定和提升普通高g值加速度计的测量性能，也可以用于部分故障加速度计的智能修复。

本发明的技术方案是：一种基于深度学习的高g值加速度计的标定系统，包括若干普通加速度计、高性能加速度计、数据收集模块，深度学习模块和修正信号检测模块，其中数据收集模块产生并通过若干普通加速度计和高性能加速度计收集大量不同量级的冲击信号；深度学习模块使得普通加速度计通过向高性能加速度计深度学习提高精度；修正信号检测模块评估修正后的冲击加速度信号的精确程度；

所述数据收集模块包括电荷放大器、数据采集卡和数据收集卡；其中若干普通加速度计和高性能加速度计分别与电荷放大器连接，电荷放大器和数据采集卡相互连接；外部高g冲击信号发生源产生的冲击信号同时传入普通加速度计和高性能加速度计；经普通加速度计和高性能加速度计测量加速度信号后传入电荷放大器；经电荷放大器放大后传入数据采集卡；数据采集卡将采集到的数据传入计算机，并对采集的数据进行滤波、保存处理；通过深度学习模块中的深度神经网络学习普通加速度计测得的信号和高性能加速度计测得的信号之间的映射来完成普通加速度计测得信号的修正。

本发明的进一步技术方案是：还包括修正信号检测模块，所述修正信号检测模块通过峰值误差、主脉宽误差、冲击响应谱曲线、时域波形相对误差、确定系数共5个指标来评价修正的普通加速度计测得的冲击加速度信号的修正精确程度。

本发明的进一步技术方案是：所述深度学习模块采用编码机-解码机形式的深度神经网络进行学习，深度神经网络包括编码机、解码机和峰值预测网络。

本发明的进一步技术方案是：一种基于深度学习的高g值加速度计的标定方法，其特征在于，包括以下步骤：

步骤一：利用本专利设计的冲击信号发生系统，采用若干个普通加速度计和一个高性能加速度计同时测量大量不同量级的冲击信号，包括以下子步骤：

子步骤一：将待测的加速度计平行、对称地固定在冲击放大器台面上；

子步骤二：将冲击放大器底座固定于跌落式冲击试验机的台面上；

子步骤三：通过操控系统控制驱动装置提升跌落式冲击试验机台面上升到指定高度，释放跌落式冲击试验机台面，使之与冲击放大器一同自由下落；该动作可以在显示及任务输入系统中直接操作，并通过操控系统完成；

子步骤四：跌落式冲击试验机台面与冲击试验机底座上的橡胶波形发生器撞击后发生反弹，此时冲击放大器台面因为惯性，将继续竖直向下运动，并与安装在冲击放大器底座上的金属质量块碰撞，产生冲击响应；

子步骤五：固定在冲击放大器台面上加速度计感应到冲击响应并将其传输给电荷放大系统，再传输给数据采集和处理系统进行处理，最终在显示及任务输入系统中展示并收集；

步骤二：采用深度学习方法训练并建立普通加速度计测得的冲击信号和高性能加速度计测得信号之间的映射，以修正普通加速度计测得的冲击信号；其中神经网络的具体工作过程为：

步骤一：将输入的普通加速度计测得的冲击信号序列x^r(维数为n)归一化为xⁿ(维数为n)；

步骤二：将序列维数为n的序列xⁿ编码为序列维数为n₃的序列z；

步骤三：再将序列维数为n₃的序列z重构解码为序列维数为n的yⁿ；

步骤四：峰值预测网络作为整个神经网络的一个额外分支，是专门设计用于校正冲击信号的峰值的；该网络同时提取输入信号的峰值信息p^x和归一化的全局编码信息z；

步骤五：预测峰值p^y和解码信号yⁿ将被去归一化，从而获得最终修正的冲击信号序列y^pred；

步骤三：利用修正信号检测模块评估修正信号的修正精度，其中设y^Rep为修复的加速度信号，y^Ref为相应的高性能加速度计测量得到的加速度信号；上述5个指标的具体计算公式分别如下

峰值相对误差的计算公式为：

式(5)中：和分别为y^Rep和y^Ref的最大值；该评价指标描述了修复的加速度信号在测量最大加速度响应方面的能力，也是评估修复加速度信号局部精度的重要指标；

主脉宽误差的计算公式为：

REP＝|P(y^Rep)-P(y^Ref)| (2)

式(6)中：P(y^Rep)和P(y^Ref)分别表示修复的加速度信号的脉宽和相应的高性能加速度计测量得到的加速度信号的脉宽；

时域波形相对误差的计算公式为：

式(7)中：和分别为y^Rep和y^Ref中第i个点的值；该评价指标描述了修复的加速度信号每一个点的局部精度；

确定系数的计算公式为：

式(8)中，为y^Ref的平均值；该评价指标表征了修复的加速度信号和高性能加速度计测得的冲击信号之间的接近程度；R²越接近1，表示修复的加速度信号的和高性能加速度计测得的冲击信号越接近。

发明效果

本发明的技术效果在于：(1)本发明提供了一种基于深度学习的高g值加速度计的智能标定方法。在考虑到普通加速度计的价格远低于高性能加速度计的情况下，本发明可以用于提升普通加速度计的测量精度，从而达到以较低的成本获得较高的测量精度的目的。特别是在需要大量加速度计精确测量冲击信号的工程背景下，本发明可以在保证测量精度的情况下，大量降低成本。

(2)同时，在考虑到目前国产高g值加速度计受制于材料、工艺、技术等因素，其测量性能与国外先进加速度计还有一定差距的情况下。本发明可以通过让国产高g值加速度计向进口的高性能高g值加速度计“学习”，提供了一种提升国产高g值加速度计测量性能的快捷方法。

(3)此外，针对部分已损坏的加速度计，在损坏后的加速度计还具备一定的测量能力的情况下，本发明还可以用于对已损坏的加速度计进行智能修复。

附图说明

图1：高g值加速度信号发生系统的示意图。图1中：1-固定器、2-冲击放大器导向柱，3-金属质量块，4-冲击放大器底座，5-跌落式冲击试验机台面，6-冲击试验机底座，7-缓冲气囊，8-冲击试验机导向杆，9-冲击放大器阻尼器，10-橡胶绳，11-冲击放大器台面，12-橡胶波形发生器，13-冲击试验机阻尼器，14普通加速度计，15-高性能加速度计。其中，1、2、3、4、9、10、11构成冲击放大器；5、6、7、8、12、13构成跌落式冲击试验机。

图2：数据采集流程图。

图3：深度学习模块示意图。

图4：深度神经网络结构示意图。图4中n,n₁,…,n₇为向量维数，并且n>n₁>…>n₇。

图5：实例展示。图5中：(a)-普通加速度计测得的冲击信号，(b)-修正后的冲击信号，(c)-普通加速度计测得的冲击信号、修正后的冲击信号和高性能加速计测得的冲击信号的冲击响应谱曲线，(d)-修正后的加速度信号和高性能加速度计测得的冲击信号的时域波形相对误差。

具体实施方式

参见图1—图5，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。

本发明主要包括三个模块，分别为：数据收集模块，深度学习模块和修正信号检测模块。

数据收集模块的主要作用是：高效率地产生并收集大量不同量级的高g值加速度信号。其特征在于：如图1所示，组合冲击放大器与气压(或液压)驱动跌落式冲击试验机构成高g值冲击信号发生系统，并且该系统还包含操控系统、电荷放大系统、数据采集处理系统、显示及任务输入系统。其中操控系统、电荷放大系统、数据采集处理系统、显示及任务输入系统被集成到一台控制柜里面，从而保证该高g值冲击信号发生系统完成一次冲击信号的发生和采集的所有动作都可以通过操作该控制柜中的命令按钮直接高效地完成。分别用一个普通加速度计和一个高性能加速度计同时测量上述冲击信号即可采集得到大量的加速度信号数据，该过程的示意图如图2所示。

选用组合冲击放大器与气压(或液压)驱动跌落式冲击试验机的方式构成高g值冲击信号发生系统。该系统依靠重力加速度产生一级冲击速度放大，一般可以产生不少于20000g的冲击加速度，并且可以通过调整跌落式冲击试验机台面的跌落高度来调整获得不同的冲击量级。该系统具有操作简便、连续冲击速度快的特点，大大提升了冲击信号的发生效率，方便快速发生并收集大量冲击数据，为基于深度学习理论标定高g值加速度计奠定了技术基础。

操控系统、电荷放大系统、数据采集处理系统、显示及任务输入系统，操控系统用于控制冲击试验机的升起和跌落，具体包括操控软件、气压控制阀、光电门、绝对编码器、工控机；电荷放大系统用于放大加速度计采集到的电荷信号，以便于读取和识别，具体包括电荷放大器、数据线；数据采集处理系统用于采集加速度计测量得到的冲击信号并对其做滤波、保存处理，具体包括数据采集卡和相应的滤波保存软件；显示及任务输入系统用于显示采集到的冲击信号，具体包括显示器、键盘。诸系统之间的运行关系如图1所示：

步骤一：将需要试验的跌落高度通过任务输入系统输入进控制程序；

步骤二：控制程序通过操控系统控制冲击试验机提升到指定高度并自由释放产生冲击响应；

步骤三：加速度计测量到相应的冲击响应后经过电荷放大系统放大；

步骤四：放大后的电荷信号形式的冲击响应传输入数据采集和处理系统，对冲击信号的数字化处理之后完成保存；

步骤五：最后将保存的多组冲击信号数据展示在显示器上，至此一次冲击信号收集任务完成。

相较于传统的冲击试验机只能完成单次冲击，本冲击试验系统可以一次性输入多个跌落高度，然后自动连续完成多个跌落高度的冲击试验并自动收集好试验数据，大大提升了冲击试验的测试效率，为基于大数据和深度学习技术标定并提升普通加速度计的测量性能提供了技术支撑。

高g值冲击信号发生系统，其工作步骤为：

步骤一：通过螺栓连接，将待测的加速度计平行、对称地固定在冲击放大器台面上。在开始冲击信号采集之前，应互换待测加速度计的位置，通过若干次预试验以确保安装位置对加速度计测量冲击信号的影响很小，否则需要重新调整加速度计的安装位置；

步骤二：通过螺栓连接，将冲击放大器底座固定于跌落式冲击试验机的台面上；

步骤三：如图1(a)所示，通过操控系统控制气压(或液压)驱动装置提升跌落式冲击试验机台面上升到指定高度，然后如图1(b)所示，释放跌落式冲击试验机台面，使之与冲击放大器一同自由下落。该动作可以在显示及任务输入系统中直接操作，并通过操控系统完成；

步骤四：如图1(c)所示，跌落式冲击试验机台面与冲击试验机底座上的橡胶波形发生器撞击后发生反弹，此时冲击放大器台面因为惯性，将继续竖直向下运动，并与安装在冲击放大器底座上的金属质量块碰撞，产生冲击响应；

步骤五：固定在冲击放大器台面上加速度计感应到冲击响应并将其传输给电荷放大系统，再传输给数据采集和处理系统进行处理，最终在显示及任务输入系统中展示并收集。

深度学习模块主要用于完成普通加速度计向高性能加速度计“学习”的过程，其特征在于：通过训练深层神经网络来构建普通加速度计测得信号的修正模型，要求将普通加速度计的实测冲击信号输入训练完成的深层神经网络，输出修正后的冲击信号，并且要求该输出信号与高性能加速度计的实测信号的差别满足一定的误差要求。该过程的示意图如图3所示。本方法将这种基于深度学习标定的思想进一步推广到力传感器、温度传感器等其他传感器的智能标定；除了传感器标定领域，这种方法还可以推广到低采样频率数据采集卡的采样性能的提升。结合基于深度学习的加速度计智能故障识别技术，实现“加速度计智能故障识别+加速度计智能故障修复”的加速度计健康监测的智能专家系统。

采用编码机-解码机形式的深度神经网络来学习普通加速度计测得的信号和高性能加速度计测得的信号之间的映射。如图4所示，该神经网络由编码机、解码机和峰值预测网络三部分组成。神经网络的具体工作过程为：

步骤一：将输入的普通加速度计测得的冲击信号序列x^r(维数为n)归一化为xⁿ(维数为n)；

步骤二：将序列维数为n的序列xⁿ编码为序列维数为n₃的序列z；

步骤三：再将序列维数为n₃的序列z重构解码为序列维数为n的yⁿ；

步骤四：峰值预测网络作为整个神经网络的一个额外分支，是专门设计用于校正冲击信号的峰值的。该网络同时提取输入信号的峰值信息p^x和归一化的全局编码信息z；

步骤五：预测峰值p^y和解码信号yⁿ将被去归一化，从而获得最终修正的冲击信号序列y^pred。

修正信号检测模块主要用于评估修正后的冲击加速度信号的精确程度，其特征在于：以高性能加速度计测得的冲击加速度信号为基准，建立峰值误差、主脉宽误差、冲击响应谱曲线、时域波形相对误差、确定系数共5个指标来评价修正的普通加速度计测得的冲击加速度信号的修正精确程度。设y^Rep为修复的加速度信号，y^Ref为相应的高性能加速度计测量得到的加速度信号。上述5个指标的具体计算公式分别如下

峰值相对误差的计算公式为：

式(5)中：和分别为y^Rep和y^Ref的最大值。该评价指标描述了修复的加速度信号在测量最大加速度响应方面的能力，也是评估修复加速度信号局部精度的重要指标。

主脉宽误差的计算公式为：

REP＝|P(y^Rep)-P(y^Ref)| (6)

式(6)中：P(y^Rep)和P(y^Ref)分别表示修复的加速度信号的脉宽和相应的高性能加速度计测量得到的加速度信号的脉宽，采用JEDEC标准在10％峰值位置处取得。该评价指标描述了修复的加速度信号在测量冲击信号脉宽方面的能力，也是评估修复加速度信号局部精度的重要指标。之所以重点考查峰值和脉宽两个指标，是因为这两个指标是电子产品在板级测试过程中的重要参数。

冲击响应谱曲线可以通过改进的递归滤波算法直接计算得到，它是评估修复加速度信号频域全局精度的重要指标。之所以采用该指标，是因为冲击响应谱曲线是爆炸冲击测试领域的重要指标。

时域波形相对误差的计算公式为：

式(7)中：和分别为y^Rep和y^Ref中第i个点的值。该评价指标描述了修复的加速度信号每一个点的局部精度。

确定系数的计算公式为：

式(8)中，为y^Ref的平均值。该评价指标表征了修复的加速度信号和高性能加速度计测得的冲击信号之间的接近程度。R²越接近1，表示修复的加速度信号的和高性能加速度计测得的冲击信号越接近。它是评估修复加速度信号时域全局精度的重要指标。

本实施例是利用基于深度学习的高g值加速度计的智能标定方法，对某型国产加速度计进行智能标定。案例流程为：

步骤一：如图1所示，选取一枚已标定过的高性能加速度计，将其和待标定的国产普通加速度计平行对称放置在本发明提出的高g值冲击信号发生系统中冲击放大器的台面上。利用本发明的提出方法，如图2所示，让两个加速度计在不同跌落高度下同时反复测量大量组不同量级的冲击信号，并形成大数据库；

步骤二：如图3、图4所示，采用本发明提出的深度学习方法，让国产普通加速度计向高性能加速度计“学习”，通过大数据的训练，以构建用于修正普通加速度计测得的冲击信号的深度神经网络；

步骤三：为检验修正后的冲击信号的准确度，从峰值误差、主脉宽误差、冲击响应谱曲线、时域波形差、确定系数共5个指标出发，来评价修正的普通加速度计测得的冲击加速度信号的修正精确程度。选取某一组测量结果作为算例，普通加速度计测得的冲击信号、修正后的冲击信号、高性能加速计测得的冲击信号、修正后的冲击信号和高性能加速计测得的冲击信号的冲击响应谱曲线、修正后的冲击信号和高性能加速计测得的冲击信号的波形差曲线均展示如图5所示，修正后的冲击信号和高性能加速计测得的冲击信号的峰值相对误差为6.98％、主脉宽的绝对误差为0.2ms、确定系数为0.9488。从图5(b)可知，修正后的冲击信号和高性能加速计测得的冲击信号基本一致，二者的确定系数为0.9488，充分接近1；从图5(c)可见，二者的冲击响应谱曲线基本一致；从图5(d)可见，二者的时域波形相对误差完全保持在±0.15的区间内。充分说明修正后的冲击信号的准确性和本发明的有效性。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种基于深度学习的高g值加速度计的标定系统，其特征在于，包括若干普通加速度计(2)、高性能加速度计(3)、数据收集模块，深度学习模块和修正信号检测模块，其中数据收集模块产生并通过若干普通加速度计(2)和高性能加速度计(3)收集大量不同量级的冲击信号；深度学习模块使得普通加速度计(2)通过向高性能加速度计(3)深度学习提高精度；修正信号检测模块评估修正后的冲击加速度信号的精确程度；

所述数据收集模块包括电荷放大器(4)、数据采集卡(5)和数据收集卡(6)；其中若干普通加速度计(2)和高性能加速度计(3)分别与电荷放大器(4)连接，电荷放大器(4)和数据采集卡(5)相互连接；外部高g冲击信号发生源产生的冲击信号同时传入普通加速度计(2)和高性能加速度计(3)；经普通加速度计(2)和高性能加速度计(3)测量加速度信号后传入电荷放大器(4)；经电荷放大器(4)放大后传入数据采集卡(5)；数据采集卡(5)将采集到的数据传入计算机，并对采集的数据进行滤波、保存处理；通过深度学习模块中的深度神经网络学习普通加速度计测得的信号和高性能加速度计测得的信号之间的映射来完成普通加速度计测得信号的修正。

2.如权利要求1所述的一种基于深度学习的高g值加速度计的标定系统，其特征在于，还包括修正信号检测模块，所述修正信号检测模块通过峰值误差、主脉宽误差、冲击响应谱曲线、时域波形相对误差、确定系数共5个指标来评价修正的普通加速度计测得的冲击加速度信号的修正精确程度。

3.如权利要求1所述的一种基于深度学习的高g值加速度计的标定系统，其特征在于，所述深度学习模块采用编码机-解码机形式的深度神经网络进行学习，深度神经网络包括编码机、解码机和峰值预测网络。

4.基于权利要求1所述基于深度学习的高g值加速度计的标定系统的标定方法，其特征在于，包括以下步骤：

步骤一：利用本专利设计的冲击信号发生系统，采用若干个普通加速度计和一个高性能加速度计同时测量大量不同量级的冲击信号，包括以下子步骤：

子步骤一：将待测的加速度计平行、对称地固定在冲击放大器台面上；

子步骤二：将冲击放大器底座固定于跌落式冲击试验机的台面上；

子步骤三：通过操控系统控制驱动装置提升跌落式冲击试验机台面上升到指定高度，释放跌落式冲击试验机台面，使之与冲击放大器一同自由下落；该动作可以在显示及任务输入系统中直接操作，并通过操控系统完成；

子步骤四：跌落式冲击试验机台面与冲击试验机底座上的橡胶波形发生器撞击后发生反弹，此时冲击放大器台面因为惯性，将继续竖直向下运动，并与安装在冲击放大器底座上的金属质量块碰撞，产生冲击响应；

子步骤五：固定在冲击放大器台面上加速度计感应到冲击响应并将其传输给电荷放大系统，再传输给数据采集和处理系统进行处理，最终在显示及任务输入系统中展示并收集；

步骤二：采用深度学习方法训练并建立普通加速度计测得的冲击信号和高性能加速度计测得信号之间的映射，以修正普通加速度计测得的冲击信号；其中神经网络的具体工作过程为：

步骤一：将输入的普通加速度计测得的冲击信号序列x^r(维数为n)归一化为xⁿ(维数为n)；

步骤二：将序列维数为n的序列xⁿ编码为序列维数为n₃的序列z；

步骤三：再将序列维数为n₃的序列z重构解码为序列维数为n的yⁿ；

步骤四：峰值预测网络作为整个神经网络的一个额外分支，是专门设计用于校正冲击信号的峰值的；该网络同时提取输入信号的峰值信息p^x和归一化的全局编码信息z；

步骤五：预测峰值p^y和解码信号yⁿ将被去归一化，从而获得最终修正的冲击信号序列y^pred；

步骤三：利用修正信号检测模块评估修正信号的修正精度，其中设y^Rep为修复的加速度信号，y^Ref为相应的高性能加速度计测量得到的加速度信号；上述5个指标的具体计算公式分别如下

峰值相对误差的计算公式为：

式(1)中：和分别为y^Rep和y^Ref的最大值；该评价指标描述了修复的加速度信号在测量最大加速度响应方面的能力，也是评估修复加速度信号局部精度的重要指标；

主脉宽误差的计算公式为：

REP＝|P(y^Rep)-P(y^Ref)| (2)

式(2)中：P(y^Rep)和P(y^Ref)分别表示修复的加速度信号的脉宽和相应的高性能加速度计测量得到的加速度信号的脉宽；

时域波形相对误差的计算公式为：

式(3)中：和分别为y^Rep和y^Ref中第i个点的值；该评价指标描述了修复的加速度信号每一个点的局部精度；

确定系数的计算公式为：

式(4)中，为y^Ref的平均值；该评价指标表征了修复的加速度信号和高性能加速度计测得的冲击信号之间的接近程度；R²越接近1，表示修复的加速度信号的和高性能加速度计测得的冲击信号越接近。