本发明涉及冲击测试传感器，具体地，涉及一种高灵敏度冲击测试传感器逆向设计方法及装置。
背景技术：
1、在高精度测试和测量领域，冲击测试传感器是关键的组件之一，尤其在需要精确测量瞬间力量变化的场合，如汽车碰撞测试、航空安全评估、舰船结构损伤以及材料科学研究中。这些传感器能够在极短时间内捕捉到冲击力和加速度的大小和作用时间，为工程师和研究人员提供准确分析所需关键数据。随着技术的发展，冲击传感器的设计日益复杂，要求传感器不仅要有高灵敏度，还需要有良好的稳定性和可靠性。传统的传感器设计方法往往依赖于经验和试错，不仅效率低下，而且很难达到最优设计。
2、近年来，深度学习(deep learning简称dl)因其在模式识别、数据分析和预测建模方面的强大能力而在各种领域得到了广泛应用。在传感器设计中，深度学习可以处理和分析大量的设计参数和性能之间的复杂的非线性关系。然而，深度学习通常需要大量的数据来训练，并且在优化设计参数时可能陷入局部最优解问题。鲸鱼优化算法(whaleoptimization algorithm，简称woa)是一种受自然界鲸鱼捕食行为启发的全新优化算法，它通过模拟鲸鱼的社会行为和独特的猎食策略，展现出优秀的全局搜索能力和高效的收敛性能，但单独使用时缺乏针对具体问题的适应性和细节处理能力。
技术实现思路
1、针对现有技术中冲击测试传感器设计效率低下、设计精度不高等问题，本发明提供了一种高灵敏度冲击测试传感器逆向设计方法及装置，利用深度学习对传感器性能进行精确预测，同时，利用鲸鱼优化算法对传感器设计参数进行全局最优，确保传感器性能达到最优状态，通过结合深度学习和鲸鱼优化算法，提高了冲击测试传感器设计效率并缩短了设计周期，此外还解决了传统设计方法容易陷入局部最优解的问题，增强了设计的全局最优能力和适应性，提升了设计结果的可靠性。
2、为实现上述目的，按照本发明的第一方面，提供了一种高灵敏度冲击测试传感器逆向设计方法，该方法包括：
3、确定冲击测试传感器单胞的结构几何参数，包括韧带长度、韧带厚度、中间圆形节点半径以及马蹄形半径，并确定其对应的结构等效应变；
4、将不同单胞分别进行阵列得到不同的冲击测试传感器，并确定传感器的性能参数，包括灵敏度、加速度和峰值压力；
5、构建传感器深度学习模型，所述传感器深度学习模型以不同冲击测试传感器的结构参数为输入，以对应的性能参数为输出；其中，所述结构参数包括结构几何参数和其所对应的结构等效应变；
6、设置冲击测试传感器的目标性能参数，结合所述传感器深度学习模型，利用鲸鱼优化算法逆向设计冲击测试传感器，得到所设目标性能参数对应的最优结构参数。
7、进一步的，设置冲击测试传感器的目标性能参数，结合所述传感器深度学习模型，利用鲸鱼优化算法逆向设计冲击测试传感器，得到所设目标性能参数对应的最优结构参数，包括：
8、设置冲击测试传感器的目标性能参数；
9、初始化鲸鱼种群，每个鲸鱼个体对应冲击测试传感器的结构参数；
10、利用所述传感器深度学习模型得到种群中每个鲸鱼个体的性能参数，并结合所设目标性能参数计算每个鲸鱼个体的适应度值；
11、选择最优个体，并通过包围猎物、网泡攻击和搜索觅食更新种群中鲸鱼个体的位置，即结构参数；
12、重新计算适应度值，直至得到冲击测试传感器所设目标性能参数对应的最优结构参数。
13、进一步的，重新计算适应度值，直至得到冲击测试传感器所设目标性能参数对应的最优结构参数，包括：
14、当当前迭代次数t小于最大迭代次数max_iter时，继续计算种群中每个鲸鱼个体的适应度值；
15、判断是否优于前一代个体，如果是，则选择最优个体，否则，使用前一代个体进行替换；直到t大于最大迭代次数时，输出冲击测试传感器所设目标性能参数对应的最优结构参数。
16、进一步的，结合所设目标性能参数计算每个鲸鱼个体的适应度，包括：
17、
18、式中，f1为适应度，k为目标性能参数的个数，x为种群中鲸鱼个体的位置，即结构参数，di(x)为所设目标性能参数，为传感器深度学习模型预测的性能参数，i表示性能参数中的第i个参数。
19、进一步的，该方法还包括：
20、利用韧带长度l对结构几何参数进行归一化：归一化韧带厚度α＝t/l，归一化圆形节点半径γ＝r/l，归一化马蹄形半径β＝r0/l；其中，t、r和r0分别为韧带厚度、中间圆形节点半径以及马蹄形半径；
21、结构等效应变计算公式为：
22、
23、式中，ε为结构等效应变，δl为结构的压缩位移，l为韧带长度；
24、将归一化韧带厚度α、归一化圆形节点半径γ、归一化马蹄形半径β和结构等效应变ε作为冲击测试传感器的结构参数，以作为传感器深度学习模型的输入。
25、进一步的，通过多层感知机反向传播算法构建冲击测试传感器的结构参数和性能参数之间的映射关系，如下：
26、y(gf,a,fm)＝f[x(α,β,γ,ε)]
27、式中，gf为传感器的灵敏度，a为加速度，fm为峰值压力，x、y和f代表了其间的映射关系，其为隐函数表达式。
28、进一步的，通过冲击测试和有限元模拟得到传感器的灵敏度gf、加速度a和峰值压力fm；其中灵敏度计算公式为：
29、
30、式中，gf为冲击测试传感器的灵敏度，δr0为冲击测试传感器过程中的电阻变化量，r0为冲击测试传感器的初始电阻。
31、进一步的，该方法还包括：
32、训练并验证所述传感器深度学习模型；训练时，自动调整每个参数的学习率：
33、
34、式中，wnew表示为下一步权重，wold为当前权重，η为学习率，为损失函数关于权重的梯度；
35、正则化参数：
36、
37、式中，j0(w)为原始损失函数，j(w)为当前损失函数，λ为正则化系数，wi为权重值；
38、采用均方误差mse作为损失函数来评估所述传感器深度学习模型的精度，损失函数的均方误差mse定义为：
39、
40、式中，l是损失，n是数据量，yi是真值，并且是相应的预测值，i表示第i个数据量。进一步的，基于立方混沌映射初始化鲸鱼种群，如下所示：
41、x(n+1)＝4x(n)3-3x(n)
42、-1≤x(n)≤1,n＝1,2,3...
43、混沌初始化步骤如下：
44、(1)在空间中搜索并随机生成一个[-1，1]的d维个体x(n)；
45、(2)将生成的第一个个体按上式进行迭代生成其它个体混沌序列；
46、(3)所有鲸鱼个体都迭代完成后，按照下式映射到原搜索空间：
47、
48、式中：md和ld为每个个体x每个维度的上下限，xd为映射到解空间的混沌变量。
49、按照本发明的第二方面，提供了一种用于实现上述中任意一项所述的高灵敏度冲击测试传感器逆向设计方法的高灵敏度冲击测试传感器逆向设计装置，该装置包括：
50、结构参数单元，用于确定冲击测试传感器单胞的结构几何参数，包括韧带长度、韧带厚度、中间圆形节点半径以及马蹄形半径，并确定其对应的结构等效应变；
51、性能参数单元，用于将不同单胞分别进行阵列得到不同的冲击测试传感器，并确定传感器的性能参数，包括灵敏度、加速度和峰值压力；
52、深度学习单元，用于构建传感器深度学习模型，所述传感器深度学习模型以不同冲击测试传感器的结构参数为输入，以对应的性能参数为输出；其中，所述结构参数包括结构几何参数和其所对应的结构等效应变；
53、逆向设计单元，用于设置冲击测试传感器的目标性能参数，结合所述传感器深度学习模型，利用鲸鱼优化算法逆向设计冲击测试传感器，得到所设目标性能参数对应的最优结构参数。
54、总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得以下有益效果：
55、本发明提出了一种基于深度学习-鲸鱼优化算法的高灵敏度冲击测试传感器逆向设计方法及装置，结合深度学习和鲸鱼优化算法进行冲击测试传感器的逆向设计：首先，通过深度学习的强大数据处理能力，准确捕捉和模拟传感器性能(加速度、峰值压力以及灵敏度的大小)与结构设计参数之间的关系，实现精确预测；然后，结合鲸鱼优化方法，优化传感器结构设计参数的选择，实现全局最优解的搜索，增强逆向设计传感器的准确性。
56、此外，该设计方法具有通用性和适应性，不局限于该一种传感器结构设计，可以广泛应用于各类冲击测试传感器设计中，为传感器设计提供了一种新的思路。
1.一种高灵敏度冲击测试传感器逆向设计方法，其特征在于，该方法包括：
2.根据权利要求1所述的高灵敏度冲击测试传感器逆向设计方法，其特征在于，设置冲击测试传感器的目标性能参数，结合所述传感器深度学习模型，利用鲸鱼优化算法逆向设计冲击测试传感器，得到所设目标性能参数对应的最优结构参数，包括：
3.根据权利要求2所述的高灵敏度冲击测试传感器逆向设计方法，其特征在于，重新计算适应度值，直至得到冲击测试传感器所设目标性能参数对应的最优结构参数，包括：
4.根据权利要求2所述的高灵敏度冲击测试传感器逆向设计方法，其特征在于，结合所设目标性能参数计算每个鲸鱼个体的适应度，包括：
5.根据权利要求1所述的高灵敏度冲击测试传感器逆向设计方法，其特征在于，该方法还包括：
6.根据权利要求5所述的高灵敏度冲击测试传感器逆向设计方法，其特征在于，通过多层感知机反向传播算法构建冲击测试传感器的结构参数和性能参数之间的映射关系，如下：
7.根据权利要求1所述的高灵敏度冲击测试传感器逆向设计方法，其特征在于，通过冲击测试和有限元模拟得到传感器的灵敏度gf、加速度a和峰值压力fm；其中灵敏度计算公式为：
8.根据权利要求1所述的高灵敏度冲击测试传感器逆向设计方法，其特征在于，该方法还包括：
9.根据权利要求1所述的高灵敏度冲击测试传感器逆向设计方法，其特征在于，基于立方混沌映射初始化鲸鱼种群，如下所示：
10.一种用于实现权利要求1至9中任意一项所述的高灵敏度冲击测试传感器逆向设计方法的高灵敏度冲击测试传感器逆向设计装置，其特征在于，该装置包括：
