一种基于Bi-LSTM强编码器的陀螺振型成像方法

本发明属于mems陀螺仪，具体为一种基于bi-lstm强编码器的陀螺振型成像方法。

背景技术：

1、mems（micro electro mechanical systems）陀螺仪基于科里奥利效应工作，其核心原理是利用两个正交谐振模态之间的能量传递来测量角速度。陀螺仪性能容易受到温度等复杂环境的影响，导致其测量精度下降，难以确保预测的精确度。

2、传统的有限元分析方法通过对复杂的陀螺仪结构进行精细的网格划分绘制图像，以便观察陀螺仪内部结构，这导致了庞大的计算量和冗长的求解时间，因此，与深度学习结合的分析方法受到了广泛关注。利用深度学习技术学习陀螺内部参数的物理变化规律，分析陀螺仪的振动特性，对于陀螺加工过程中无损检测和质量控制具有重要意义。

3、现有使用不同的人工神经网络（ann）模型可以映射复杂的非线性函数，并在许多领域得到了认可，如径向基函数（rbf）神经网络、结合自适应软阈值分割（ast-elm）的增强型ml方法和一种带有编码器和解码器网络的有监督的自动编码器（ae）神经网络来构建图像。虽然这些方法在电容层析成像（ect）领域取得了一定程度的进展，但这些方法大多数是深度学习与陀螺电学成像的结合，这些方法的研究主要集中在陀螺设备表层及其对电学信号的影响上，这也意味着对于陀螺设备内部结构复杂性和电学特性分布的研究还不够深入。所以现有方法还主要存在以下缺点：

4、（1）时间复杂度高，在处理具有高度复杂内部结构和细微特征变化的陀螺仪时，有限元方法通过精密的网格划分构建图像，需要耗费大量的计算时间。

5、（2）预测精度受限‌，由于未充分考虑陀螺内部参数之间的复杂关系，缺乏对陀螺内部电学特性分布的深入研究，现有算法可能无法准确捕捉陀螺运行的深层规律，导致预测精度受限‌。

6、（3）空间分辨率低‌，由于电学成像问题的非线性和不适定性，其重建结果的空间分辨率往往较低，难以满足对细节要求较高的应用场景。

7、因此，本发明提出一种基于bi-lstm（bidirectional long short-term memory，双向长短期记忆网络）强编码器的陀螺振型成像方法。

技术实现思路

1、本发明的目的在于提供一种基于bi-lstm强编码器的陀螺振型成像方法，利用深度学习技术，搭建基于bi-lstm强编码器的陀螺振型成像模型进行构建谐振子表征分布图像，以提升图像重建的精度和质量，增强陀螺仪内部结构的透明度。

2、为实现上述目的，本发明提供如下技术方案：

3、一种基于bi-lstm强编码器的陀螺振型成像方法，包括如下步骤，

4、步骤1、获取真实的谐振子表征分布图及随时间变化的陀螺仪表征参数，并构建陀螺仪表征参数数据集，对数据集进行预处理；陀螺仪表征参数包括驻波角、振幅、相位和能量；

5、步骤2、搭建基于bi-lstm强编码器的陀螺振型成像模型，该模型包括bi-lstm强编码器模块、全连接层和重塑模块；

6、bi-lstm强编码器模块包括bi-lstm单元和transformer编码器；

7、其中，预处理后的数据在陀螺振型成像模型中的处理过程如下：

8、首先，预处理后的陀螺仪表征参数经过bi-lstm单元，输出隐藏状态序列；然后，将隐藏状态序列输入到transformer编码器中提取序列的全局特征，并将transformer编码器的输出和bi-lstm单元的输出进行残差连接；

9、残差连接后通过全连接层将不同陀螺仪表征参数变量映射到图像的像素值上，得到整个图像像素上的谐振子表征分布；

10、最后，输入到重塑模块，使用重塑操作将低维特征转换为二维的图像形状；

11、步骤3、基于步骤1的数据集对步骤2中搭建好的陀螺振型成像模型进行训练和评估，然后利用训练好的陀螺振型成像模型构建陀螺仪谐振子表征分布图像。

12、本发明与现有技术相比，具有以下有益效果：

13、本发明利用深度学习方法自动学习陀螺仪内部变量之间的复杂非线性关系，而非停留在陀螺设备表层及其对电学信号的影响上，对传统的bi-lstm网络结构进行了改进，引入了transformer模型作为强大的全局信息编码器，并利用残差连接学习更细粒度的特征，从而更好地捕捉陀螺仪内部参数之间复杂的时空依赖关系，显著提升了图像重建的精度和质量，增强了陀螺仪内部结构的透明度，提高了陀螺修调的智能化水平。

14、本发明在深入分析陀螺仪内部结构的同时，还充分考虑微加工工艺精度、材料特性等多种因素对系统性能的影响，构建了一个大规模的陀螺仪表征参数数据集；该数据集包含了不同因素影响下陀螺仪内部参数（如驻波角、振幅、相位、能量等）的变化规律，为模型的训练和验证提供了有力的数据支撑。

15、本发明突破了传统分析方法的限制，能够更全面、深入地揭示陀螺仪内部的运行机理，不仅实现了对陀螺仪内部结构的精细化建模，还为未来的陀螺仪设计、加工和修调提供了新的思路和技术手段，有助于降低修调成本。

技术特征：

1.一种基于bi-lstm强编码器的陀螺振型成像方法，其特征在于，包括如下步骤，

2.根据权利要求1所述的一种基于bi-lstm强编码器的陀螺振型成像方法，其特征在于，步骤1中，陀螺仪真实的谐振子表征分布图和表征参数的获取包括如下步骤：

3.根据权利要求2所述的一种基于bi-lstm强编码器的陀螺振型成像方法，其特征在于，步骤1.1的具体过程如下：

4.根据权利要求1所述的一种基于bi-lstm强编码器的陀螺振型成像方法，其特征在于，步骤1中，数据预处理包括如下步骤：

5.根据权利要求1所述的一种基于bi-lstm强编码器的陀螺振型成像方法，其特征在于，步骤2中，bi-lstm单元包括一个前向传播层和一个反向传播层；

6.根据权利要求5所述的一种基于bi-lstm强编码器的陀螺振型成像方法，其特征在于，前向传播层和反向传播层均包含若干个lstm，每个lstm包含单元状态和门控机制；

7.根据权利要求6所述的一种基于bi-lstm强编码器的陀螺振型成像方法，其特征在于，门控机制包括遗忘门、输入门和输出门；

8.根据权利要求1所述的一种基于bi-lstm强编码器的陀螺振型成像方法，其特征在于，步骤2中，transformer编码器中进行建模的具体过程如下：

9.根据权利要求4所述的一种基于bi-lstm强编码器的陀螺振型成像方法，其特征在于，步骤3中，采用监督学习的方式在训练集上对陀螺振型成像模型进行训练，训练过程如下：

10.根据权利要求1所述的一种基于bi-lstm强编码器的陀螺振型成像方法，其特征在于，步骤3中，通过真实谐振子表征分布图像与预测谐振子表征分布图像之间的相对图像误差和关系系数，来评估陀螺振型成像模型；

技术总结
本发明公开了一种基于Bi‑LSTM强编码器的陀螺振型成像方法，属于MEMS陀螺仪技术领域。该方法首先获取包括驻波角、振幅、相位和能量等随时间变化的陀螺仪表征参数，并对数据进行预处理；搭建基于Bi‑LSTM强编码器的陀螺振型成像模型，该模型将预处理后的陀螺仪表征参数输入Bi‑LSTM单元，输出隐藏状态序列；将隐藏状态序列输入到Transformer编码器中提取序列的特征，将Transformer编码器的输出和Bi‑LSTM单元的输出进行残差连接；最后通过全连接层和重塑模块得到陀螺仪谐振子表征分布。该方法利用深度学习方法自动学习陀螺仪内部变量之间的复杂非线性关系，而非停留在陀螺设备表层及其对电学信号的影响上，提升了图像重建的精度和质量，增强了陀螺仪内部结构的透明度。

技术研发人员：李崇,韩莎莎,包思睿,周小聪,李学博,綦声波
受保护的技术使用者：中国海洋大学
技术研发日：
技术公布日：2025/3/24