王啸, 韩太林, 张恩奎, 张永立, 刘轩, 宫玉琳

(长春理工大学 电子信息工程学院， 吉林 长春 130022)

基于烟花算法的压阻式压力传感器动态补偿方法

王啸, 韩太林, 张恩奎, 张永立, 刘轩, 宫玉琳

(长春理工大学 电子信息工程学院， 吉林 长春 130022)

为了解决在冲击波测试过程中，压力传感器有限的工作带宽和较低的谐振频率导致测试信号发生畸变问题，提出采用烟花算法对传感器进行动态补偿方法，并针对动态补偿改进适应度函数，进一步提高补偿结果的动态性能。通过激波管测试数据得到传感器动态补偿传递函数，可将阶跃压力信号的上升时间补偿至15.0 μs，超调量降低到8.27%；对实际炮口冲击波测试数据进行动态补偿，结果显示，动态补偿可有效抑制压力传感器谐振频率的影响，提高超压峰值和正压作用时间的测试精度。

兵器科学与技术； 烟花算法； 动态补偿； 数据处理； 冲击波测试

0 引言

火炮、火箭炮和导弹等武器发射时产生的冲击波不但会引起人的内脏器官或耳膜损伤，还会导致武器及周围设备零部件损坏，而且发射产生的冲击波也会暴露我方阵地位置。因此，准确测量炮口冲击波的峰值大小、持续时间，对人员的安全和武器性能的评价具有重要意义[1-2]。

在实际测试过程中，测试系统尤其是压力传感器受制作工艺等条件的限制，具有较小的阻尼比和谐振频率，并导致有限的工作带宽。而被测信号中，炮口冲击波具有上升时间短、变化幅度大、频谱范围广的特点，其频率成分超出传感器的工作带宽，覆盖传感器的谐振频率，在低阻尼比下导致传感器在谐振点发生振荡，引入动态误差，严重影响测试精度[3]。为了提高炮口冲击波测试精度，需要对压力传感器进行动态补偿，减小超调量，抑制谐振频率影响[4]，目前比较常用的方法包括零极点配置法[5]、支持向量机法[6]、神经网络法[7]和群体智能全局寻优法[8]等。其中群体智能全局寻优算法主要是粒子群优化(PSO)算法，其具有实现容易、精度高、收敛快等优点，在压力传感器动态补偿领域有较好的效果和广泛应用。但PSO算法存在容易陷入局部极值的问题，经常不能得到最优结果。为此，本文提出采用烟花算法(FWA)代替PSO算法确定传感器动态补偿传递函数，提高补偿精度。

1 压力传感器动态补偿原理

压力传感器动态补偿系统信号处理框图如图1所示。被测信号通过含有压力传感器的测试系统进行采样，此时由于压力传感器动态特性不佳而引入动态误差，需要构建动态补偿系统对其进行补偿，滤除测试系统的影响，以提高测量精度。

图1 补偿系统模型框图Fig.1 Block diagram of compensation system model

系统对传感器施加已知信号u(n)，传感器测得信号为y(n)，由于传感器系统为单输入单输出的线性时不变系统[9]，设传感器系统为H(z)，动态补偿参数构成系统为G(z)，测得信号经过补偿系统得到的信号为u′(n)，则图1可表示为

y(n)=H(z)u(n),

(1)

u′(n)=G(z)y(n).

(2)

本文采用激波管产生的激波作为信号激励u(n)，已知激波管作为标准计量设备，产生信号为标准阶跃信号[10]，信号频谱较宽，超出传感器系统的工作频带并覆盖谐振频率。

在被测量随时间变化过程中进行测量时所产生的附加误差称为动态误差。动态误差是由于测量系统对输入信号变化响应上的滞后，或输入信号中不同频率成分通过测量系统时受到的不同衰减增益比例导致的。在冲击波测试系统中，从频域角度看，由于传感器测试系统的工作带宽有限，对超出带宽的频率分量的放大倍数与工作带宽内信号不一致，同时在谐振频率附近的频率分量被高比例放大，导致信号叠加幅度较大的单频信号，严重影响测试精度[11]。传感器测试系统测得包含动态误差的信号为y(n)，测试系统为了更准确地描述被测原始信号，建立动态补偿系统G(z)对测得信号进行补偿，即拓展原系统带宽，并对谐振频率附近信号进行抑制，得到补偿后信号为u′(n)，使u′(n)尽可能接近u(n)的G(z)为对应传感器系统最优的动态补偿系统。

通过y(n)和u′(n)可以求得动态补偿系统G(z)，其差分方程为

A(z-1)y(n)=B(z-1)u′(n),

(3)

(4)

式中：a0,a1，…，an和b1,b2，…，bn分别为分子分母系数；n为补偿系统阶数。文献[12]中，轩青春等采用PSO算法实现对压力传感器动态补偿系统的求取，但是由于PSO算法本身存在易陷入局部收敛的问题，导致求取结果精度降低。本文通过采用FWA进行多次迭代，确定最优G(z)使得补偿后信号u′(n)尽量接近原始真实信号u(n).

2 烟花算法

2010年，Tan等[13]根据对于烟花爆炸产生火花这一自然现象的观察提出了FWA. FWA基于对烟花爆炸过程的模拟实现对解空间的搜索，烟花种群中各个烟花根据各自适应度值占所有烟花适应度值的百分比进行资源分配和信息交互，使得整个种群能够在全局搜索能力和局部搜索能力之间达到一个平衡，而且烟花的爆炸搜索机制使得单个烟花具有很强的局部爆发性。

FWA具体包括以下4个步骤[14]：

1)初始化过程，根据解空间的范围限制，在解空间随机布放一定数量的烟花，每个烟花代表解空间的一个解。

2)根据优化目标函数计算每个烟花的适应度值，并判断每个烟花在整个烟花种群中适应度优劣程度，以此确定各个烟花的爆炸半径和爆炸产生的火花数量。在FWA中，爆炸搜索机制将产生两种形式的火花，分别是爆炸火花和高斯变异火花。其中爆炸火花主要负责烟花邻近区域的搜索，适应度值好的烟花在较小的邻近区域内产生较多的火花；反之，适应度值差的烟花在较大的邻近区域内产生较少的火花。相对于爆炸火花，高斯火花的引入增强了种群的多样性和跳出局部收敛的能力。

3) 迭代选择策略，根据所有烟花、爆炸火花和高斯变异火花的适应度值，分别计算每个解的选中概率并选出一定数量粒子作为烟花进行下一代迭代。

4) 满足终止条件或达到最大迭代次数则算法停止迭代，并给出迭代过程中最优适应度函数值所对应的解。

FWA的执行流程如图2所示。

图2 FWA执行流程图Fig.2 Flowchart of fireworks algorithm

通过FWA实现过程可知，FWA的迭代结果由爆炸算子、变异算子和选择策略决定。

2.1 爆炸算子

爆炸算子根据各烟花点的适应度值及其占整个烟花种群适应度值的优劣程度，为其分配适当的资源，确定该烟花的爆炸半径和爆炸火花的数量。

对应第i个烟花的爆炸半径Ai和火花数量Si的计算公式为

(5)

(6)

式中：f(xi)为第i个烟花对应适应度函数值；ymin=min (f(xi))为烟花种群适应度函数最小值；ymax=max (f(xi))为烟花种群适应度函数最大值；A为爆炸半径参数；M为火花数量参数；I为烟花总数。由(5)式和(6)式可以看出，爆炸半径和爆炸火花数量与适应度函数值的优劣关系。适应度值越好的烟花，其爆炸火花半径越小、数量越多、密度越大，增大算法对最优适应度函数值附近的挖掘能力；反之适应度值越差的烟花对应的爆炸火花半径越大、数量越少、密度越小，增大算法对理论最优解的探索能力。

2.2 变异算子

为了进一步提高FWA的探索能力，避免群智算法的早熟问题，FWA引入变异算子，对数量随机的烟花若干个随机维度进行高斯变异，产生高斯变异火花。

对应的变异火花产生公式为

ik=xike,

(7)

式中：xik为第i个烟花的第k个维度解；e为均值和方差均为1的高斯分布；ik为第i个烟花的第k个维度经过高斯变异的结果。

通过爆炸算子和变异算子产生火花的过程中，需要保证子代火花各维度均在解空间范围内。对超出范围的通过(8)式进行映射修正。

′ik=xLB，k+|ik|%(xUB，k-xLB，k),

(8)

式中：xUB，k为解空间k维的上限，xLB，k为下限；ik为超出解空间范围的第i个火花的第k个维度的值；′ik为经过映射后符合对应维度范围要求解值；%为取余符号。

2.3 选择策略

在迭代过程中，通过爆炸算子和变异算子产生的子代火花与上一代烟花共同构成本代子群，定义为集合K. 需要在子群K中选择Q个粒子作为子代烟花，规定其中适应度值最优的粒子必定被选中，其余子代烟花的选取遵循轮盘赌的方法进行随机概率选择，各子代粒子具体概率公式为

(9)

(10)

式中：R(xi)为第i个粒子与其他所有粒子的距离和。通过(9)式可以看出，距离其他粒子越远被选中的概率越大。遵循这种选择策略可以进一步避免局部收敛的出现。

通过上述步骤和3个要点可实现运用FWA对解空间的搜索，确定最优解。

2.4 FWA与标准PSO算法对比

FWA相对于标准PSO算法表现出了不同的搜索机制。标准PSO算法通过种群中的粒子间相互协作，每个粒子通过种群中的全局最优信息和自身历史最优信息进行指导搜索，进而更新粒子的位置。对于FWA，其主要用于连续空间的优化问题求解，FWA采用爆炸搜索机制，不局限于每个粒子本身的历史信息。其通过烟花之间交互机制来计算每个烟花的爆炸半径和爆炸火花数目，使得适应度值较好的烟花获取更多的资源；反之，适应度值较差的烟花获取较少的资源。FWA在迭代过程中，种群中每个烟花个体的一次迭代会产生多个个体，而PSO算法通常只产生一个个体，FWA的这种爆炸机制使得其对于烟花附近区域的搜索更加彻底。同时由于变异火花的引入和轮盘赌的选择策略，提高了FWA的探索能力，更不易陷入局部收敛[15]。

由于FWA的特性，导致其与标准PSO算法进行了相同的高次迭代后，可以跳出局部收敛并获得比标准PSO算法更优的结果。但是，由于FWA的每次迭代将产生多个火花，需要分别计算每个火花的适应度函数值，无疑提高FWA的计算量。求取动态补偿系统过程对实时性没有要求，相反为了提高系统动态性能对补偿精度要求相对较高。综合上述原因，本文选用FWA求取压力传感器动态补偿参数。

3 FWA对激波管数据的补偿效果

激波管主要由高压室、低压室和薄膜构成，随着高压室不断注入气体，高低压室之间的薄膜破裂，高压气体由高压室向低压室传播，产生激波，并在低压室末端到达传感器，形成标准阶跃信号[16]。

如前所述，由于压力传感器谐振频率和阻尼比等动态性能不足，工作带宽较窄，导致测得信号与标准阶跃信号存在动态误差。具体如图3和图4所示。

图3 激波管压力测试信号和阶跃信号时域图Fig.3 Time-domain chart of shock tube test signal and step signal

图4 激波管压力测试信号和阶跃信号频谱Fig.4 Spectra of shock tube test signal and step signal

由图3可知，阶跃压力信号经过压力传感器系统后，引入较大动态误差，其超调量为190%，严重影响测试精度。将测试信号频谱与阶跃信号频谱进行对比，如图4所示，由于传感器系统谐振频率的存在，对71.3 kHz附近信号进行了高倍率异常放大，此频率范围即为传感器系统的谐振频率，易计算得到传感器系统的自然频率ω=4.48×105rad/s.

现采用9阶线性系统作为动态补偿系统，构成补偿系统传递函数为

(11)

采用以传感器测试信号作为输入y(n)，标准阶跃信号作为补偿系统输出u(n)，通过FWA确定传递函数系数，得到补偿系统传递函数为

(12)

动态补偿系统波特图如图5所示。已知70 kHz附近为传感器测试系统谐振频率，从图5中可以看到：补偿系统对其进行补偿，对70 kHz附近信号进行衰减，使传感器测试系统和补偿系统串联后通带平滑，进一步延拓工作带宽，提高测试系统整体的动态性能。

图5 动态补偿系统波特图Fig.5 Bode plot of dynamic compensation system

3.1 针对压力传感器动态补偿适应度函数的改进

在传统补偿方案中，通常采用动态补偿后信号的均方误差作为迭代算法的适应度函数[12]，具体公式为

(13)

式中：u′(n)为测试信号y(n)经过补偿系统数据；u(n)为阶跃信号；L为数据总点数。

由图3可以看出，激波管阶跃信号的高压作用持续时间约7 ms，持续期间压力稳定，其中稳态环节持续时间约为5 ms，本文更关心的动态环节，即阶跃产生阶段(图3中竖线范围内)，持续时间约为1～2 ms. 在传统适应度函数中，没有对两个环节进行区分，则导致占时间比例更大的稳态环节成为适应度函数值的主导部分，弱化了动态部分对函数值的影响。以图3中波形为例，未补偿信号的适应度函数值为34.91，而补偿最优解对应的适应度函数值约为4，差值较小。在群智算法中，最优适应度函数值与每个粒子适应度值的差越大，算法收敛速度越快。为了提高动态环节在适应度函数中的影响和动态补偿精度，本文提出改进型适应度函数，将系统的动态参数引入适应度函数。具体函数表达式为

(14)

式中：c1、c2、c3为权重参数，此处为常数；tr为动态补偿后信号的上升时间；σ为补偿后信号的超调量。即通过调整c1、c2、c3值可以调整对补偿结果的期望，其中：c1主要影响系统的最终稳态值，即整体波形与理想阶跃的接近程度；c2主要影响系统的上升时间，c2越大，上升时间的影响越大。在其他参数相同的情况下，群智算法会自动选取上升时间小的结果作为最优结果；同理，c3影响超调量参数。

当u′(n)→u(n)时，有

(15)

即补偿结果的均方误差f1为0，上升时间tr为0，超调量σ为0. 可知当u′(n)→u(n)时，改进适应度函数fD→0收敛。

经过多次试验，确定本文传感器对应最优权重参数为c1=0.23，c2=0.09，c3=0.68. 计算可知，未补偿原始数据对应适应度函数为139.32，经过最优解补偿后数据适应度函数为9.81，二者相差较大，且补偿结果动态性能好的数据适应度函数值明显小于动态性能差的数据，凸显了动态性能参数在适应度函数中的影响。

经验证，采用改进型适应度函数得到的动态补偿系统可在降低超调量的同时，更好地降低对上升时间的影响。

3.2 激波管数据动态补偿结果

本文同时采用FWA和PSO算法进行5 000次迭代，得到适应度函数进化代数曲线如图6所示，可见FWA在迭代初期收敛速度优于PSO算法，同时，在300次迭代后，PSO算法已经收敛于一个局部最优解，当PSO算法收敛后，所有粒子均聚集在收敛位置，无法跳出，失去探索能力。而FWA由于存在变异火花和轮盘赌的选择机制，在局部收敛情况下仍具有一定的探索能力，可以跳出局部最佳进一步对最优解进行逼近。如图6在约300次和500次位置适应度函数值均出现阶梯式减小，并在超过1 000次迭代时，适应度函数代数值仍有明显的进化趋势，可以进一步提高系统动态补偿精度。

图6 适应度函数代数进化曲线Fig.6 Fitness function

图7为采用FWA求得的补偿函数对某次激波管数据进行补偿前后对比图，从中可以看出，经过动态补偿后，信号超调量降低7.83%，上升时间为17.5 μs. 由图8可以看出，经过动态补偿后，71.3 kHz谐振频率被有效抑制，补偿后系统动态性能得到了明显提升，补偿后信号更接近原始被测信号。

图7 激波管测试信号和动态补偿结果对比Fig.7 Shock tube test signals before and after compensation

图8 激波管测试信号动态补偿前后频谱对比Fig.8 Spectra of shock tube test signals before and after compensation

本文又对传统适应度函数和改进型适应度函数进行了对比，经过5 000次迭代，并重复进行20次动态补偿，补偿结果动态性能的平均值如表1所示。

表1 补偿后信号动态性能对比表

通过表1和图6可以看出，相较于PSO算法，在相同迭代次数下，FWA收敛速度更快，迭代结果更好，且具有跳出局部收敛的能力。

系统阶跃响应中，超调量与上升时间为两个相互制约的参数，很难同时提升。在实际测试过程中，上升时间主要影响冲击波的正压作用时间，而炮口冲击波正压作用时间为毫秒级，而超调量将以百分比的形式影响超压峰值的准确度。故在上升时间均比较小的情况，更希望得到比较小的超调量。对比表1的第1、第2两列和第3、第4两列，可以看到：FWA和PSO算法采用相同的适应度函数时，FWA具有更好的超调量和上升时间，主要由于PSO算法已经陷入局部收敛，无法进一步寻优，而FWA可以跳出局部收敛，进一步抑制测试系统谐振频率对测量数据的影响。

同时，通过对比表1的第1、第3两列和第2、第4两列时可以看出，改进型适应度函数可以通过参数调整，均衡上升时间和超调量影响，对应的补偿结果优于传统适应度函数补偿结果。进一步提高传感器系统的动态性能。

本次试验中，FWA每次迭代产生20个烟花，而PSO算法种群数量为20，由于FWA每次迭代将产生数量大于20的火花，而火花和烟花均需要构建传递函数并计算适应度值，所以，与2.4节所述相同，FWA耗时大于PSO算法耗时。表1第3行为两种算法分别进行5 000次迭代耗时对比。但由于求取补偿系统仅需要计算一次，故对精度要求大于对算法速度要求。

4 FWA对实测爆炸数据补偿效果

在实际应用中，如前所述在实验室内通过激波管获得压阻式压力传感器的动态补偿系统函数，并将每次实测得到的炮口冲击波信号经过对应传感器的补偿系统，最终得到经过动态补偿后的数据。

某次测试采用英国Endevco公司的压阻式压力传感器对某型火炮进行炮口冲击波测试，得到冲击波信号如图9所示。

图9 炮口冲击波测试信号Fig.9 Actual muzzle shock wave signal

由图9可知，由于冲击波信号上升沿陡峭，频谱范围较广，覆盖了传感器测试系统的谐振频率，导致测得信号严重失真，无法确定原始爆炸信号的准确超压峰值、正压作用时间等重要测试指标。

图10 炮口冲击波测试信号和动态补偿后对比Fig.10 Muzzle shock wave signals before and after compensation

采用对应传感器经过激波管数据校正得到的动态补偿系统传递函数对测得信号进行补偿，得到结果如图10所示。由此可知，补偿后信号的幅度误差明显降低，由于谐振频率导致的振荡信号已经消除，测试信号更接近真实压力信号。

5 结论

为解决压力传感器测试系统工作带宽有限、谐振频率较低等问题，求取动态补偿系统对传感器系统进行补偿。为弥补PSO算法可能出现的局部收敛问题，本文提出采用FWA对压力传感器进行动态补偿的方法，提高补偿精度和系统的动态性能。在激波管阶跃压力信号测试中，信号超调量由补偿前的190%降低为补偿后的8.27%，同时信号波形畸变消失，拓展了压力传感器的工作带宽，降低了其谐振频率影响，使补偿后数据更接近原始真实信号。最终通过实验室激波管和炮口冲击波实测数据验证，FWA结合针对动态补偿进行改进的适应度函数可实现对压力传感器进行有效地补偿，提高压力传感器系统动态性能。

References)

[1] 杨志焕, 王正国, 唐承功, 等. 炮口冲击波的生物效应及其对人员内脏损伤的安全限值[J]. 振动与冲击, 1994, 1(4): 39-45.

YANG Zhi-huan, WANG Zheng-guo, TANG Cheng-gong, et al. Muzzle shock wave biological effects and its visceral injury personnel safety limit value[J].Journal of Vibration and Shock, 1994, 1(4): 39-45.(in Chinese)

[2] Lobastov S A, Gerasimov S I. Spherical piezoceramic sensors for measuring shock-wave parameters[J]. Instruments & Experimental Techniques, 2017, 60(1):107-111.

[3] Zelan M, Arrhén F, Jarlemark P, et al. Characterization of a fiber-optic pressure sensor in a shock tube system for dynamic calibrations[J]. Metrologia, 2014, 52(1):112-138.

[4] Moallem P, Abdollahi M A, Hashemi M. Compensation of capacitive differential pressure sensor using multi-layer perceptron neural network[J]. International Journal on Smart Sensing & Intelligent Systems, 2015, 8(3):1443-1463.

[5] 杨文杰,张志杰,赵晨阳,等. 基于零极点配置理论的压力传感器动态特性补偿[J]. 科学技术与工程, 2016, 16(2): 78-82, 99.

YANG Wen-jie, ZHANG Zhi-jie, ZHAO Chen-yang, et al. The dynamic characteristics compensation of the pressure sensor based on the theory of configuring zero-poles[J]. Science Technology and Engineering, 2016, 16(2): 78-82, 99.(in Chinese)

[6] Giorgi M G D, Ficarella A, Lay-Ekuakille A. Cavitation regime detection by LS-SVM and ANN with wavelet decomposition based on pressure sensor signals[J]. IEEE Sensors Journal, 2015, 15(10):5701-5708.

[7] 王军号, 孟祥瑞. 一种基于改进遗传RBF神经网络的传感器动态特性补偿算法[J]. 传感技术学报, 2010, 23(9): 1298-1302.

WANG Jun-hao, MENG Xiang-rui. A dynamic compensation algorithm based on improved genetic-RBF neural network for sensor[J]. Chinese Journal of Sensor and Actuators, 2010, 23(9): 1298-1302.(in Chinese)

[8] Xia Y L, Zhai Y.Dynamic compensation and its application of shock wave pressure sensor[J]. Journal of Measurement Science and Instrumentation, 2016, 7(1): 48-53.

[9] 郭士旭,余尚江,陈晋央,等. 压电式压力传感器动态特性补偿技术研究[J]. 振动与冲击, 2016, 35(2): 136-140.

GUO Shi-xu, YU Shang-jiang, CHEN Jin-yang, et al. Dynamic compensation technique for piezoelectric pressure sensors[J]. Journal of Vibration and Shock, 2016, 35(2): 136-140.(in Chinese)

[10] Revel G M, Pandarese G, Cavuto A. The development of a shock-tube based characterization technique for air-coupled ultrasonic probes[J]. Ultrasonics, 2014, 54(6):1545-1552.

[11] 赵宁宁,王建林,魏青轩,等. 基于高阶补偿器的加速度传感器动态误差补偿方法[J]. 传感技术学报, 2016, 29(8): 1186-1192.

ZHAO Ning-ning, WANG Jian-lin, WEI Qing-xuan, et al. A dynamic error compensating method based on high-order compensator for accelerometer[J]. Chinese Journal of Sensors and Actuators, 2016, 29(8): 1186-1192.(in Chinese)

[12] 轩春青, 轩志伟, 陈保立. 基于最小二乘与粒子群算法的压力传感器动态补偿方法[J]. 传感技术学报, 2014, 27(10): 1363-1367.

XUAN Chun-qing, XUAN Zhi-wei, CHEN Bao-li. Dynamic compensation method based on least squares algorithm and particle swarm optimization for pressure sensor[J]. Chinese Journal of Sensor and Actuators, 2014, 27(10): 1363-1367.(in Chinese)

[13] Tan Y, Zhu Y C. Fireworks algorithm for optimization[C]∥Proceedings of International Conference on Advances in Swarm Intelligence: First International Conference (ICSI). Berlin, Germany: Springer, 2010: 355-364.

[14] 谭营, 郑少秋. 烟花算法研究进展[J]. 智能系统学报, 2014, 9(5): 515-528.

TAN Ying, ZHENG Shao-qiu. Recent advances in fireworks algorithm[J]. CAAI Transactions on Intelligent Systems, 2014, 9(5): 515-528.(in Chinese)

[15] Li J Z, Zheng S Q, Tan Y. The effect of information utilization: introducing a novel guiding spark in the fireworks algorithm[J]. IEEE Transactions on Evolutionary Computation, 2017, 21(1):153-166.

[16] Li Q, Wang Z, Wang Z, et al. Novel method for estimating the dynamic characteristics of pressure sensor in shock tube calibration test [J]. Review of Scientific Instruments, 2015, 86(6):101-111.

DynamicCompensationofPiezoresistivePressureSensorsBasedonFireworksAlgorithm

WANG Xiao, HAN Tai-lin, ZHANG En-kui, ZHANG Yong-li, LIU Xuan, GONG Yu-lin

(College of Electronic and Information Engineering, Changchun University of Science and Technology, Changchun 130022, Jilin, China)

In the process of shock wave testing, the test signal is distorted by the limited bandwidth and low resonant frequency of pressure sensor. In order to solve this problem, a pressure sensor dynamic compensation method which is based on fireworks algorithm is presented. And the fitness function for the dynamic compensation is improved to increase the dynamic performance. The transfer function of dynamic compensation of pressure sensor is obtained from the test data of shock tube. The rise time of step pressure signal can be improved to 15.0 μs, and the overshoot is reduced to 8.27% after dynamic compensation by the proposed method. In the actual muzzle shock wave test, the dynamic compensation method can suppress the resonant frequency effectively, and make the pressure sensor test system achieve a better dynamic performance.

ordnance science and technology; fireworks algorithm; dynamic compensation; data processing; shock wave test

TJ06； TP274+.2

A

1000-1093(2017)11-2226-08

10.3969/j.issn.1000-1093.2017.11.020

2017-05-16

总装备部装备运输局科研项目(2013 年)

王啸(1990—),男,博士研究生。E-mail: wangx_work@126.com

韩太林(1969—),男,教授,博士生导师。E-mail:hantl@cust.edu.cn