一种热电偶动态补偿方法、装置、设备及存储介质与流程

1.本发明涉及检测技术领域，特别是涉及一种收敛速度快、寻优精度高的热电偶动态补偿方法、装置、设备及存储介质。


背景技术：

2.传感器是检测与控制系统的重要组成部件，是获取自然界中各种信息的主要途径和手段。随着计算机技术和检测技术的不断发展，传感器的测量精度逐年提高，传感器技术正在朝着智能化方向进步。然而，在许多研究中发现，大多数传感器的输入输出特性存在非线性特性，再加上各种外界环境因素的影响，诸如环境温度、压强、电磁干扰、信号漂移等问题，使得传感器的非线性变得更为复杂，严重影响传感器的精度。由于大多数传感器都存在非线性误差，因此对传感器进行非线性校正能在一定程度上提高传感器测量精度。
3.火炮、火箭炮等武器在发射过程中产生的高温高压的火药燃气高速冲刷武器身管的内膛,使得身管内膛壁的温度变化剧烈,其温度的变化与武器身管的烧蚀程度有密切关系,所以测量武器内膛壁的温度对装药射击的热安全性和延长武器的使用寿命具有一定意义。
4.膛内温度由于火药燃气具有高温高压的特点难以直接测量,可采用热电偶传感器测量武器外壳的多点表面温度,通过武器身管热传动模型反演膛内温度。热电偶传感器的偶结情况反映了热电偶测温时的响应速度,偶结裸露的热电偶测温时的响应速度较快,即时间常数小,但在恶劣的测试环境中易造成热电偶的损坏,不适用于火炮等武器温度的测试；偶结带有保护套的热电偶其测温时的响应速度较慢,即时间常数大，在恶劣的测试环境中不易造成热电偶的损坏,所以更适用于测量火炮身管的温度。
5.然而，偶结带有保护套的热电偶在测量快速变化温度的过程中,由于本身的热惯性和有限热传导的因素,使得传感器响应速度无法跟上温度变化速度,导致测量结果存在动态误差，从而影响测试精度。因此,需对热电偶传感器的动态性能进行改善。
6.目前,常用的改善措施有两种:一种是改进热电偶结构从而减小偶结热容量；另一种是构建动态补偿滤波器用来拓宽传感器工作频带减小偶结热容量会减小偶结体积和机械强度。
7.而在火炮身管温度测试过程中,温度变化要伴随炸药爆炸,极易对传感器造成损伤。而构建动态补偿滤波器只需要辨识出滤波器的阶次和参数,并未改进传感器的偶结,其方法易于实现且补偿效果好。在设计动态补偿滤波器时,需采用各种优化算法来建立补偿滤波器的模型。
8.粒子群优化算法(pso)作为传统经典算法具有算法简单易于实现的优点,但同时也存在收敛速度慢、寻优精度低的问题。基本的鲸鱼算法(woa)相对于传统的粒子群优化算法(pso)，只用两个参数需要调节，具有简单易实现、调整参数少的优点，但woa算法中搜索具有很大的随机性，在处理高维复杂优化问题时，会存在收敛精度低且收敛速度慢的问题。


技术实现要素：

9.鉴于上述问题，本发明提供用于克服上述问题或者至少部分地解决上述问题的一种热电偶动态补偿方法、装置、设备及存储介质。
10.本发明提供了如下方案：
11.一种热电偶动态补偿方法，包括：
12.获取原始温度信号以及热电偶传感器测得的实测温度信号；所述热电偶传感器用于获取武器身管内膛壁的温度；
13.将所述原始温度信号作为补偿器的输出，所述实测温度信号作为所述补偿器的输入；所述补偿器用于对所述实测温度信号进行补偿减小动态误差；
14.采用改进型鲸鱼优化算法求解所述补偿器的最优传递函数，所述改进型鲸鱼优化算法包括精英个体引导机制以及动态混沌权重因子。
15.优选地：所述精英个体引导机制包括将当前种群最优个体作为精英个体引导种群位置更新。
16.优选地：通过下式进行位置更新：
17.x
(t+1)
＝x
p
(t)-dir
·a·d18.式中，xp(t)为第t次迭代时种群适应最优的个体位置，dir为种群搜索方向因子，d＝|c
·
x
rand
(t)-x
(t)
|表示个体距离随机个体x
rand
的长度，a和c为系数。
19.优选地：所述dir的值的选择方式包括：
20.比较当前种群最优个体的适应度值fit(x
p
(t))与上一代种群最优个体适应度fit(x
p
(t-1))，若fit(x
p
(t))＞fit(x
p
(t-1))，则dir为单位向量，否则dir向量每一维度可通过下式得到：
[0021][0022]
优选地：在每次迭代中，对精英个体进行一次随机扰动与反向搜索操作，得到两个新的个体位置由下式表达：
[0023][0024][0025]
式中，x
max
，x
min
分别是搜索空间的上界和下界，r为[0，1]区间的随机向量；
[0026]
将得到替换当前种群中适应度最差的两个个体，并更新当前种群最优个体x
p
和迄今找到的最优个体x
best
。
[0027]
优选地：所述动态混沌权重因子由下式表达：
[0028]
ω(t+1)＝4ω(t)
·
(1-ω(t))，t＝1，...t
max
[0029]
式中，ω(1)取[0，1]区间的随机数，t
max
为最大迭代次数。
[0030]
优选地：将所述动态混沌权重因子以及收敛因子加入位置更新公式，获得改进后的位置更新公式，所述改进后的位置更新公式由下式表示：
[0031]
x
(t+1)
＝ω(t)
·
λ
·
x
best-a
·d[0032]
λ＝(t
max-t)/t
max
[0033]
式中，λ为随机迭代次数变化的收敛因子，x
best
为猎物位置向量。
[0034]
一种热电偶动态补偿装置，包括：
[0035]
信号获取单元，用于获取原始温度信号以及热电偶传感器测得的实测温度信号；所述热电偶传感器用于获取武器身管内膛壁的温度；
[0036]
补偿器输入输出确定单元，用于将所述原始温度信号作为补偿器的输出，所述实测温度信号作为所述补偿器的输入；所述补偿器用于对所述实测温度信号进行补偿减小动态误差；
[0037]
补偿器求解单元，用于采用改进型鲸鱼优化算法求解所述补偿器的最优传递函数，所述改进型鲸鱼优化算法包括精英个体引导机制以及动态混沌权重因子。
[0038]
一种热电偶动态补偿设备，所述设备包括处理器以及存储器：
[0039]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0040]
所述处理器用于根据所述程序代码中的指令执行上述的热电偶动态补偿方法。
[0041]
一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的热电偶动态补偿方法。
[0042]
根据本发明提供的具体实施例，本发明公开了以下技术效果：
[0043]
本技术实施例提供的一种热电偶动态补偿方法、装置、设备及存储介质，该方法采用改进型鲸鱼优化算法(awoa)求取最优补偿器的传递函数，算法在加入精英个体引导机制和动态混沌权重因子后，算法前期能及时调整种群的搜索方向快速寻找到猎物，后期在猎物附近彻底的搜索，从而加快了算法的收敛速度。因此该方法在获得较高收敛精度的同时表现出了更高的收敛速度。
[0044]
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0045]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0046]
图1是本发明实施例提供的一种热电偶动态补偿方法的流程图；
[0047]
图2是本发明实施例提供的热电偶动态补偿原理图；
[0048]
图3是本发明实施例提供的基于改进鲸鱼算法的热电偶动态补偿原理图；
[0049]
图4是本发明实施例提供的改进型鲸鱼算法实现流程图；
[0050]
图5是本发明实施例提供的一种热电偶动态补偿装置的示意图；
[0051]
图6是本发明实施例提供的一种热电偶动态补偿设备的示意图。
具体实施方式
[0052]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
参见图1，为本发明实施例提供的一种热电偶动态补偿方法，如图1所示，该方法可以包括：
[0054]
s101：获取原始温度信号以及热电偶传感器测得的实测温度信号；所述热电偶传感器用于获取武器身管内膛壁的温度；
[0055]
s102：将所述原始温度信号作为补偿器的输出，所述实测温度信号作为所述补偿器的输入；所述补偿器用于对所述实测温度信号进行补偿减小动态误差；
[0056]
s103：采用改进型鲸鱼优化算法求解所述补偿器的最优传递函数，所述改进型鲸鱼优化算法包括精英个体引导机制以及动态混沌权重因子。
[0057]
本技术实施例提供的热电偶动态补偿方法，针对鲸鱼算法(woa)存在的问题，提出一种改进型鲸鱼优化算法(advance whale optimization algorithm,awoa)用于求解所述补偿器的最优传递函数,改进型鲸鱼优化算法在寻优性能上得到了大幅度提升，进行改进从而建立较好的动态补偿滤波器模型,改善热电偶的动态性能,提高热电偶的补偿精度。
[0058]
本技术实施例提供的改进型鲸鱼优化算法(awoa)在获得较高收敛精度的同时表现出了更高的收敛速度。体现了算法在加入精英个体引导机制和动态混沌权重因子后，算法前期能及时调整种群的搜索方向快速寻找到猎物，后期在猎物附近彻底的搜索，从而加快了算法的收敛速度。
[0059]
为了保证算法前期能准确找到猎物位置，提出一种精英个体引导机制。具体的，所述精英个体引导机制包括将当前种群最优个体作为精英个体引导种群位置更新。
[0060]
通过下式进行位置更新：
[0061]
x
(t+1)
＝x
p
(t)-dir
·a·d[0062]
式中，x
p
(t)为第t次迭代时种群适应最优的个体位置，dir为种群搜索方向因子，d＝|c
·
x
rand
(t)-x
(t)
|表示个体距离随机个体x
rand
的长度，a和c为系数。
[0063]
所述dir的值的选择方式包括：
[0064]
比较当前种群最优个体的适应度值fit(x
p
(t))与上一代种群最优个体适应度fit(x
p
(t-1))，若fit(x
p
(t))＞fit(x
p
(t-1))，则dir为单位向量，否则dir向量每一维度可通过下式得到：
[0065][0066]
在每次迭代中，对精英个体进行一次随机扰动与反向搜索操作，得到两个新的个体位置由下式表达：
[0067][0068][0069]
式中，x
max
，x
min
分别是搜索空间的上界和下界，r为[0，1]区间的随机向量；
[0070]
将得到替换当前种群中适应度最差的两个个体，并更新当前种群最优个体x
p
和迄今找到的最优个体x
best
。
[0071]
为了加快对全局最优值的搜索采取收缩包围机制，然而这种机制并未充分利用全局最优解的位置信息，只能使鲸鱼个体缓慢靠近局部最优解，无法在猎物附近进行快速精
细搜索，导致算法收敛速度较慢、收敛精度较低。引入一种计算简单的动态混沌权重因子提高了woa算法的局部寻优能力，算法寻优速度得到了提高，具体的，所述动态混沌权重因子由下式表达：
[0072]
ω(t+1)＝4ω(t)
·
(1-ω(t))，t＝1，...t
max
[0073]
式中，ω(1)取[0，1]区间的随机数，t
max
为最大迭代次数。
[0074]
将所述动态混沌权重因子以及收敛因子加入位置更新公式，获得改进后的位置更新公式，所述改进后的位置更新公式由下式表示：
[0075]
x
(t+1)
＝ω(t)
·
λ
·
x
best-a
·d[0076]
λ＝(t
max-t)/t
max
[0077]
式中，λ为随机迭代次数变化的收敛因子，x
best
为猎物位置向量。
[0078]
下面对本技术实施例提供的方法进行详细介绍。
[0079]
在温度测试过程中，由于热电偶传感器动态性能不足，使得传感器响应速度跟不上温度变化速度，测量结果存在动态误差，从而影响测试精度，因此需要对热电偶实测数据进行动态补偿，使其补偿后的信号尽可能地接近原始信号，减小动态误差，热电偶动态补偿原理如图2所示。
[0080]
其中，x(n)为被测的温度信号，y(n)为经过热电偶传感器后带有动态误差的信号，x
′
(n)为经过动态补偿滤波器补偿后得到的信号。在传感器后接入补偿器可以拓宽传感器系统的工作频带，提高响应速度，使得实测信号经过补偿系统后动态误差可以减小。
[0081]
求解最优补偿器的本质就是求取最优补偿器的传递函数h(z)。因此，将原始温度信号x(n)作为补偿器的输出，经过热电偶测得的信号y(n)作为补偿器的输入，建立方程
[0082]
a(z)x(n)＝b(z)y(n)
[0083][0084]
通过h(z)补偿模型，采用awoa算法进行求解。
[0085]
在动态补偿方法中，常采用最小均方误差作为优化算法的适应度函数，其公式如下：
[0086][0087]
如图3所示，本技术实施例提供了一种改进型鲸鱼优化算法(awoa)，在获得较高收敛精度的同时表现出了更高的收敛速度。体现了算法在加入精英个体引导机制和动态混沌权重因子后，算法前期能及时调整种群的搜索方向快速寻找到猎物，后期在猎物附近彻底的搜索，从而加快了算法的收敛速度。
[0088]
如图4所示，本技术实施例提供的改进型鲸鱼算法(awoa)具体实现步骤如下：
[0089]
step1：初始化算法：设置种群规模大小为n，解空间维数为d，最大迭代次数为tmax：
[0090]
探索阶段：
[0091]
在此阶段，鲸鱼种群为了寻找到猎物位置，每个鲸鱼个体选取种群中的随机个体位置来确定自身需要更新的下一个位置，其位置更新如下所示：
[0092]
x
(t+1)
＝x
rand
(t)-a
·dꢀꢀꢀꢀ
(1)
[0093]
其中，t标识当前迭代次数，x为鲸鱼个体所在位置，d＝|c
·
x
rand
(t)-x
(t)
|表示个体距离随机个体x
rand
的长度，a和c为系数，可以定义为：
[0094]
a＝2αr
1-α
ꢀꢀꢀꢀꢀꢀ
(2)
[0095]
c＝2r2[0096]
其中，r1，r1∈rand[0，1]，α为控制参数，其值由迭代次数t所决定，即：
[0097][0098]
式中，t
max
为最大迭代次数。
[0099]
向量a中元素的范围属于[-2，2]，其值随控制参数α的减小而减小，|a|≤1时，认为鲸鱼已寻找到猎物，算法由探索阶段进入开发阶段。
[0100]
step2：在搜索空间内，初始化鲸鱼种群{xi，i＝1，2，...，n}；
[0101]
开发阶段：
[0102]
在进入气泡网攻击阶段(此时|a|≤1)后，意味着鲸鱼种群已经发现猎物的大概位置，鲸鱼群体不再进行全局搜索，其他鲸鱼个体将会朝着目标猎物位置游去从而更新自身的位置，收缩包围的位置更新为下式所示：
[0103]
d＝|c
·
x
best-x
(t)
|
ꢀꢀꢀꢀꢀꢀ
(4)
[0104]
x
(t+1)
＝x
best-a
·dꢀꢀꢀꢀꢀꢀꢀ
(5)
[0105]
其中，x
(t)
为当前鲸鱼个体的位置向量，x
best
为猎物位置向量，由于最优问题求解时并没有已知的先验知识来确定目标猎物的任何信息，所以通常选取种群找到的适应度最低的位置作为目标猎物，在收缩包围阶段，迄今为止找到的种群最优解位置在个体位置更新中起关键的作用，个体鲸鱼向最优个体包围，模拟座头鲸对猎物的包围收缩捕食行为。
[0106]
step3：计算每一头鲸鱼个体的适应度值{f(xi)，i＝1，2，...，n}，选出当前种群最优(即适应度值最低)的鲸鱼个体作为精英个体x
p
。
[0107]
精英个体引导机制：
[0108]
在基本的woa算法中，鲸鱼游走阶段的个体位置是通过选取随机个体来引导更新，虽然能增加种群的搜索范围，但完全依靠随机性，其搜索方向性不强，容易增加种群无效搜索的次数，降低了算法前期找到猎物的能力。为了保证算法前期能准确找到猎物位置，提出一种精英个体引导机制。在选取精英个体时，为了避免种群多样性过早丧失，没有选取种群中找到的全局最优解x
best
作为精英个体，而是选取当前种群最优个体作为精英个体引导种群位置更新，其位置更新公式变更为如下所示：
[0109]
x
(t+1)
＝x
p
(t)-dir
·a·dꢀꢀꢀꢀ
(6)
[0110]
其中，x
p
(t)为第t次迭代时，种群适应最优的个体位置。dir为种群搜索方向因子，其值的选择方式为：比较当前种群最优个体的适应度值fit(x
p
(t))与上一代种群最优个体适应度fit(x
p
(t-1))，若fit(x
p
(t))＞fit(x
p
(t-1))，则dir为单位向量，否则dir向量每一维度可通过下式得到
[0111][0112]
step4：对精英个体进行随机扰动和反向搜索得到两个新的位置并将它们与当前种群适应度值最差与次差的两个个体进行替换。
[0113]
精英个体使种群朝靠近最优解位置进行搜索，搜索方向因子则利用最优个体进行反馈信息对种群的搜索方向进行调整，两者的加入使种群更具有目的性，避免了因随机个体与搜索矢量a的随机性而导致算法全局搜索能力弱的问题。精英个体的引入，使得最优鲸鱼个体在鲸鱼种群搜索中扮演着领导者的角色，所以其位置的好坏决定了种群的搜索效率，为了提高领导者的质量，避免算法陷入局部最优，在每次迭代中，对精英个体进行一次随机扰动与反向搜索操作，得到两个新的个体位置其数学表达式。
[0114][0115][0116]
其中，x
max
，x
min
分别是搜索空间的上界和下界，r为[0，1]区间的随机向量。将得到替换当前种群中适应度最差的两个个体，并更新当前种群最优个体x
p
和迄今找到的最优个体x
best
。
[0117]
通过这种操作能进一步抑制种群的聚拢，避免算法出现早熟收敛，提高了算法的全局搜索能力。
[0118]
step5：重新选出当前种群适应值最优个体x
p
，更新迄今为止找到的最优个体x
best
；
[0119]
螺旋泡泡网攻击：
[0120]
鲸鱼个体对猎物进行收缩包围的同时会沿着螺旋形路径游走，以形成气泡网攻击，其中收缩机制是通过线性减小控制参数α所实现的，而螺旋路径游走通过数学模型描述如下：
[0121]
x
(t+1)
＝d
best
·ebr
·
cos(2πl)+x
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0122]dbest
＝|x
best-x
(t)
|
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0123]
其中，d
best
为鲸鱼个体到迄今为止找到的最优鲸鱼个体的距离，b为对数螺旋线形状的常量系数，l∈[0，1]是随机向量。为了模拟鲸鱼收缩包围和螺旋游走同时进行，在woa算法中引入了选择概率p，其数学模型如下：
[0124][0125]
p是[0，1]上的均匀分布，woa算法在开发阶段以相同概率p＝0.5来选择收缩包围和螺旋运动来更新下一刻鲸鱼的位置。
[0126]
step6当|a|≥1时，根据
[0127]
x
(t+1)
＝x
p
(t)-dir
·a·d[0128]
[0129]
来更新下一代个体位置，当|a|＜1时，依照随机变量p的值采用式x
(t+1)
＝d
best
·ebl
·
cos(2πl)+x
(t)
或x
(t+1)
＝ω(t)
·
λ
·
x
best-a
·
d来更新下一代个体位置。
[0130]
混沌动态权重因子：
[0131]
鲸鱼算法在进入气泡网攻击阶段后，为了加快对全局最优值的搜索采取收缩包围机制，然而这种机制并未充分利用全局最优解的位置信息，只能使鲸鱼个体缓慢靠近局部最优解，无法在猎物附近进行快速精细搜索，导致算法收敛速度较慢、收敛精度较低。引入一种计算简单的动态混沌权重因子提高了woa算法的局部寻优能力，算法寻优速度得到了提高，但同时也降低了算法的计算复杂度，其表达式如下：
[0132]
ω(t+1)＝4ω(t)
·
(1-ω(t))，t＝1，...t
max
ꢀꢀꢀꢀꢀ
(13)
[0133]
其中，ω(1)取[0，1]区间的随机数，将式5加入，x
(t+1)
＝x
best-a
·
d，并引入一个随机迭代次数变化的收敛因子λ，改进后的位置更新公式：
[0134]
x
(t+1)
＝ω(t)
·
λ
·
x
best-a
·dꢀꢀꢀꢀꢀ
(14)
[0135]
λ＝(t
max-t)/t
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(15)
[0136]
混沌映射，利用其随机性、遍历性等优点动态调整惯性权重，使鲸鱼个体能在猎物周围进行更加精细、彻底的搜索，加快了算法的收敛速度。同时也降低了算法陷入局部最优的概率。其次，参数λ随着迭代次数的增加而自适应的减小，能有效控制权重因子混沌变化的范围，缩小后期种群的搜索区域，加快了算法后期的收敛速度。
[0137]
step7：若达到终止条件，则结束迭代寻优，保存最终寻找的种群适应度最低的位置，否则，返回step3。
[0138]
step8：输出种群最优适应度值和位置，算法结束。
[0139]
总之，本技术实施例提供的热电偶动态补偿方法，采用改进型鲸鱼优化算法(awoa)求取最优补偿器的传递函数，算法在加入精英个体引导机制和动态混沌权重因子后，算法前期能及时调整种群的搜索方向快速寻找到猎物，后期在猎物附近彻底的搜索，从而加快了算法的收敛速度。因此该方法在获得较高收敛精度的同时表现出了更高的收敛速度。
[0140]
参见图5，本技术实施例还可以提供一种热电偶动态补偿装置，如图5所示，该装置可以包括：
[0141]
信号获取单元501，用于获取原始温度信号以及热电偶传感器测得的实测温度信号；所述热电偶传感器用于获取武器身管内膛壁的温度；
[0142]
补偿器输入输出确定单元502，用于将所述原始温度信号作为补偿器的输出，所述实测温度信号作为所述补偿器的输入；所述补偿器用于对所述实测温度信号进行补偿减小动态误差；
[0143]
补偿器求解单元503，用于采用改进型鲸鱼优化算法求解所述补偿器的最优传递函数，所述改进型鲸鱼优化算法包括精英个体引导机制以及动态混沌权重因子。
[0144]
本技术实施例还可以提供一种热电偶动态补偿设备，所述设备包括处理器以及存储器：
[0145]
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
[0146]
所述处理器用于根据所述程序代码中的指令执行上述的热电偶动态补偿方法的步骤。
[0147]
如图6所示，本技术实施例提供的一种热电偶动态补偿设备，该设备可以包括：处理器10、存储器11、通信接口12和通信总线13。处理器10、存储器11、通信接口12均通过通信总线13完成相互间的通信。
[0148]
在本技术实施例中，处理器10可以为中央处理器(central processing unit，cpu)、特定应用集成电路、数字信号处理器、现场可编程门阵列或者其他可编程逻辑器件等。
[0149]
处理器10可以调用存储器11中存储的程序，具体的，处理器10可以执行热电偶动态补偿方法的实施例中的操作。
[0150]
存储器11中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本技术实施例中，存储器11中至少存储有用于实现以下功能的程序：
[0151]
获取原始温度信号以及热电偶传感器测得的实测温度信号；所述热电偶传感器用于获取武器身管内膛壁的温度；
[0152]
将所述原始温度信号作为补偿器的输出，所述实测温度信号作为所述补偿器的输入；所述补偿器用于对所述实测温度信号进行补偿减小动态误差；
[0153]
采用改进型鲸鱼优化算法求解所述补偿器的最优传递函数，所述改进型鲸鱼优化算法包括精英个体引导机制以及动态混沌权重因子。
[0154]
在一种可能的实现方式中，存储器11可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能(比如文件创建功能、数据读写功能)所需的应用程序等；存储数据区可存储使用过程中所创建的数据，如初始化数据等。
[0155]
此外，存储器11可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。
[0156]
通信接口12可以为通信模块的接口，用于与其他设备或者系统连接。
[0157]
当然，需要说明的是，图6所示的结构并不构成对本技术实施例中热电偶动态补偿设备的限定，在实际应用中热电偶动态补偿设备可以包括比图6所示的更多或更少的部件，或者组合某些部件。
[0158]
本技术实施例还可以提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的热电偶动态补偿方法的步骤。
[0159]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0160]
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本技术可借助软件加上必需的通用硬件平台的方式来实现。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设
备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例或者实施例的某些部分所述的方法。
[0161]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0162]
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

技术特征：
1.一种热电偶动态补偿方法，其特征在于，包括：获取原始温度信号以及热电偶传感器测得的实测温度信号；所述热电偶传感器用于获取武器身管内膛壁的温度；将所述原始温度信号作为补偿器的输出，所述实测温度信号作为所述补偿器的输入；所述补偿器用于对所述实测温度信号进行补偿减小动态误差；采用改进型鲸鱼优化算法求解所述补偿器的最优传递函数，所述改进型鲸鱼优化算法包括精英个体引导机制以及动态混沌权重因子。2.根据权利要求1所述的热电偶动态补偿方法，其特征在于，所述精英个体引导机制包括将当前种群最优个体作为精英个体引导种群位置更新。3.根据权利要求2所述的热电偶动态补偿方法，其特征在于，通过下式进行位置更新：x
(t+1)
＝x
p
(t)-dir
·
a
·
d式中，x
p
(t)为第t次迭代时种群适应最优的个体位置，dir为种群搜索方向因子，d＝|c
·
x
rand
(t)-x
(t)
|表示个体距离随机个体x
rand
的长度，a和c为系数。4.根据权利要求3所述的热电偶动态补偿方法，其特征在于，所述dir的值的选择方式包括：比较当前种群最优个体的适应度值fit(x
p
(t))与上一代种群最优个体适应度fit(x
p
(t-1))，若fit(x
p
(t))＞fit(x
p
(t-1))，则dir为单位向量，否则dir向量每一维度可通过下式得到：5.根据权利要求2所述的热电偶动态补偿方法，其特征在于，在每次迭代中，对精英个体进行一次随机扰动与反向搜索操作，得到两个新的个体位置由下式表达：由下式表达：式中，x
max
，x
min
分别是搜索空间的上界和下界，r为[0，1]区间的随机向量；将得到替换当前种群中适应度最差的两个个体，并更新当前种群最优个体x
p
和迄今找到的最优个体x
best
。6.根据权利要求1所述的热电偶动态补偿方法，其特征在于，所述动态混沌权重因子由下式表达：ω(t+1)＝4ω(t)
·
(1-ω(t))，t＝1，...t
max
式中，ω(1)取[0，1]区间的随机数，t
max
为最大迭代次数。7.根据权利要求6所述的热电偶动态补偿方法，其特征在于，将所述动态混沌权重因子以及收敛因子加入位置更新公式，获得改进后的位置更新公式，所述改进后的位置更新公式由下式表示：x
(t+1)
＝ω(t)
·
λ
·
x
best-a
·
dλ＝(t
max-t)/t
max
式中，λ为随机迭代次数变化的收敛因子，x
best
为猎物位置向量。8.一种热电偶动态补偿装置，其特征在于，包括：
信号获取单元，用于获取原始温度信号以及热电偶传感器测得的实测温度信号；所述热电偶传感器用于获取武器身管内膛壁的温度；补偿器输入输出确定单元，用于将所述原始温度信号作为补偿器的输出，所述实测温度信号作为所述补偿器的输入；所述补偿器用于对所述实测温度信号进行补偿减小动态误差；补偿器求解单元，用于采用改进型鲸鱼优化算法求解所述补偿器的最优传递函数，所述改进型鲸鱼优化算法包括精英个体引导机制以及动态混沌权重因子。9.一种热电偶动态补偿设备，其特征在于，所述设备包括处理器以及存储器：所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的热电偶动态补偿方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-7任一项所述的热电偶动态补偿方法。

技术总结
本发明公开了一种热电偶动态补偿方法、装置、设备及存储介质，该方法采用改进型鲸鱼优化算法(AWOA)求取最优补偿器的传递函数，算法在加入精英个体引导机制和动态混沌权重因子后，算法前期能及时调整种群的搜索方向快速寻找到猎物，后期在猎物附近彻底的搜索，从而加快了算法的收敛速度。因此该方法在获得较高收敛精度的同时表现出了更高的收敛速度。敛精度的同时表现出了更高的收敛速度。敛精度的同时表现出了更高的收敛速度。


技术研发人员：陈润星 李泽银 邹佳鑫 邵德立 孙梧雨 李龙杰 吴昌昊
受保护的技术使用者：中国兵器装备集团自动化研究所有限公司
技术研发日：2023.03.09
技术公布日：2023/7/12