弹箭与制导学报

弹箭与制导学报 >

2025 , Vol. 45 >Issue 3: 386 - 391

DOI: https://doi.org/10.15892/j.cnki.djzdxb.2025.03.017

综述、总体、动力、毁伤、测试及其他

基于自注意与图神经网络的弹体侵彻靶板材质检测方法研究

  • 付世杰 , 1, 2 ,
  • 邵伟平 , 1, 2 ,
  • 郝永平 1, 2
展开
  • 1 沈阳理工大学机械工程学院,辽宁 沈阳 110159
  • 2 辽宁省先进制造技术与装备重点实验室,辽宁 沈阳 110159
邵伟平(1968—),女,教授,博士。E-mail:

付世杰(1999—),男,硕士研究生。E-mail:

收稿日期: 2024-08-28

  网络出版日期: 2025-07-09

基金资助

辽宁省教育厅面上重点项目(LJKZ0236)

收起

Research on Projectile Penetration Target Material Detection Using Self-attention and Graph Neural Networks

  • FU Shijie , 1, 2 ,
  • SHAO Weiping , 1, 2 ,
  • HAO Yongping 1, 2
Expand
  • 1 School of Mechanical Engineering,Shenyang Ligong University, Shenyang 110159, Liaoning, China
  • 2 Liaoning Key Laboratory of Advanced Manufacturing Technology and Equipment, Shenyang 110159, Liaoning, China

Received date: 2024-08-28

  Online published: 2025-07-09

Fold

摘要

针对当前智能化现代战争中,炮弹实现精准打击及对射击目标判断的复杂性,提出基于一种图神经网络和自注意力机制融合的多元时间序列数据检测模型,利用弹体内部多元传感器的实时数据对弹体击中目标的材质进行分类检测,从而配合其他检测方法实现对炮弹是否击中目标做出精准判断。通过引入图模型,自注意力机制在传感器维度进行消息传递,提高模型对不同传感器数据变化的感知能力,并更加注重其有效信息;针对不规则数据采样和多元时间序列的复杂性,利用时间信息关系特征,建立时间自注意力机制网络对复杂时间序列的建模方法。实验结果表明,相比目前主流模型,所提算法实现了更高的精度,对射击目标靶板的材质识别准确率高达90%;该研究工作为实现对目标打击识别智能化检测提供了依据参考。

关键词： 图神经网络; 时间序列; 自注意力机制; LS-DYNA; 分类

本文引用格式

付世杰 , 邵伟平 , 郝永平 . 基于自注意与图神经网络的弹体侵彻靶板材质检测方法研究[J]. 弹箭与制导学报, 2025 , 45(3) : 386 -391 . DOI: 10.15892/j.cnki.djzdxb.2025.03.017

Abstract

In the context of modern intelligent warfare, achieving precision strikes with artillery and accurately assessing shooting targets presents significant challenges. To address these challenges, a novel detection model that integrates graph neural networks (GNNs) with a self-attention mechanism is proposed for analyzing multivariate time series data. The model utilizes real-time data from multiple sensors embedded within the projectile to classify and detect the material of the target upon impact. This enables a precise determination of whether the projectile has struck the intended target, complementing other detection methods.By incorporating the graph model, the self-attention mechanism facilitates message passing across sensor dimensions, thereby improving the model's ability to detect variations in data from different sensors and prioritize relevant and effective information. To address the complexities of irregular data sampling and the intricate nature of multivariate time series, the model leverages temporal information relationships to construct a temporal self-attention mechanism network. This network is specifically designed to model complex time series data by capturing temporal dependencies.Experimental results indicate that the proposed algorithm outperforms mainstream models in terms of accuracy, with a material recognition rate for target plates as high as 90%, significantly improving precision in target impact assessment. This study provides a crucial reference for the development of intelligent detection systems for target strike identification, contributing to the advancement of more accurate and reliable targeting methods in modern warfare.

Key words： graph neural network; time series; self-attention mechanism; LS-DYNA; classification

0 引言

近年来,在现代化战争精准、快速和智能化的需求下,对目标的精准打击和评估具有重要意义[1]。在研究炮弹射击状态时,不同的射击初速、射击角度和炮弹落区环境复杂性等因素都会对射击精度产生影响。目前打击精度检测以炮弹炸点坐标检测为主,结合炮弹击中目标材质检测来进行推断和评判。
自20世纪90年代开始,基于大数据机器学习与深度学习在图像分类[2]、目标检测[3]和识别跟踪[4]等领域广泛应用。起初机器学系通过决策树算法,聚类分析算法,支持向量机[5-7]等学习方法对数据进行分类和回归。接着,基于深度学习的卷积神经网络(convolutional neural network,CNN)开始成为主流并用于处理图像数据。Cun等[8]首次采用了卷积层、池化层神经网络组件在手写字符识别任务上取得了瞩目的准确率。近年来,基于深度学习的时间序列分类任务[9](Time Series Classification, TSC)开始应用于各大领域。Lee等[10]对三轴加速度计数据进行了预处理,转换为幅度向量后并行使用不同核大小的CNN来提取不同尺度的特征。Singh等[11]采用LSTM从经过特征提取和降维处理后的数据中提取情绪变化特征,用于在线情绪识别。以上方法虽然取得了良好的检测结果,但大多数采用复杂的模型和高质量的数据集来处理多元时间序列,仍存在检测速度慢等问题。
图神经网络(graph neural network,GNN)也已引起了人们的广泛研究,基于GNN的方法在时间序列分析中激增。由于GNN可明确建模时间序列中的时间依赖性和变量间依赖性,该方法在预测场景[12]、分类[13]、异常检测[14]等任务中应用越来越多[15-17]。
合理利用多元时间序列数据以及对不同工况下的炮弹侵彻射击目标精准检测分类是亟待解决的问题,并且目前尚未有研究使用图神经网络方法于用该研究。鉴于炮弹传感器数据不易收集以及多元时间序列数据不易处理的问题,文中提出一种基于图神经网络融合自注意力机制的检测网络SA-GNN。该网络通过GNN融入注意力机制方法来学习时间序列传感器间的依赖关系,并加入时刻点特征来提高网络对时间关系的感知能力和推理速度。通过可更新的权重特征对其时间序列样本进行特征升维处理,提高网络对不同时间序列样本的推算能力。在时间自主注意力特征提取网络中,融合时间序列特征,时刻点特征和静态特征对不同工况下弹体侵彻目标提供更多学习信息,为后续预测分类靶板材质奠定基础。

1 构建传感器数据集

1.1 弹体侵彻靶板结构仿真

虽然现场试验是评估炮弹侵彻射击目标精准检测分类的重要依据,但由于炮弹射击试验费用高,试验数量受限、数据收集困难等问题,因此文中采用LS-DYNA软件对弹体侵彻靶板试验进行结构仿真分析。针对典型炮弹不同射击速度、不同侵彻入射角进行模拟建模试验,使用混凝土靶、45号钢靶、松木靶进行结构仿真。图1是利用Solidworks软件简化建模并使用HyperMesh软件划分网格,弹体与传感器单独建模划分网格。传感器位置放置弹体头部,其半径为6 cm,弹体半径为12.5 cm,3种靶板采用方形靶,厚度均为10 cm,弹体与靶板的初始距离设置为10 cm。为兼顾计算的时长与精度,靶板整体面区域被分为3×3个部分,靶板中心侵彻部分网格加密,密集区网格尺寸控制在1 mm左右。
图1 结构实体网格

Fig.1 Structured solid mesh

如图2所示,数值模拟选用LS-DYNA软件,单位设置为cm-g-μs,算法选用Lagrange算法,对不同工况下的弹体侵彻3种靶板的弹体传感器三轴加速度和压力值变化进行结构仿真。选取弹体初速为650 m/s,700 m/s,750 m/s三种工况,弹体入射角范围选取垂直靶板到向一侧偏转60°,对于不同角度下的模型进行逐个建模并且完成网格划分。混凝土靶采用Holmquist-Johns-on-Cook (HJC)模型[18],45号钢靶采用MAT_JOHNSON_COOK(JC)模型[19],松木靶采用MAT_ELASTIC材料模型[20]并添加单元控制失效算法*add_erosion予以描述。
图2 不同夹角结构模型

Fig.2 Structural models with different angles

1.2 自制数据集

基于Python语言进行自制数据集的制作。输出各个工况下的仿真结果,并保存其传感器的三轴加速度和压力值变化曲线为.csv文件,数据保存完成后,对每个工况下的.csv传感器文件进行预处理操作,最后将所有预处理后的.txt文件进行保存。

2 基于图神经网络和自注意力机制的侵彻靶板材质检测网络

基于图神经网络融合自注意力机制的GNN网络(SAT-GNN),其本质为基于多元时间序列数据的弹体侵彻靶板材质分类检测框架。通过弹体在侵彻任务中获取的三轴加速度和压力值传感器信息,利用图神经网络捕捉图中节点之间的相互依赖性,最后结合时间自注意力机制,静态特征,时刻点特征和时序特征提升对靶板材质分类精度。如图3所示,整体网络构架分为多元时间序列特征输入,改进图神经网络(SA-GNN),时间自注意力特征提取,数据融合与输出5个部分。
图3 整体网络架构

Fig.3 Overall network architecture

通过提取侵彻过程中传感器的三轴加速度与压力值信息,包括静态特征,时间序列特征和时刻点特征,将多元时序特征和时刻点特征在图模型进行基于自注意力机制的传感器边缘关系特征学习。针对单个时刻特征缺乏问题,SAT-GNN对单个时序特征升维引入了可更新的网络参数模块,从而达到学习特征的多元化发展,使得特征学习对模型提供更多的参考和提升空间。模型还利用时间关系特征,并考虑静态特征和时刻点特征与其相互融合,对整体融合特征在时间维度进行学习,从而提高模型对靶板的材质分类检测的准确率。最后通过MLP和Softmax结合整体输入流数据得到分类结果。

2.1 改进图神经网络

由于使用了多元时间序列传感器数据集,为充分利用每个传感器的信息,提出一种如图4所示的消息传递方法,用于处理不对齐的时间序列数据,并沿着传感器图的边缘进行交换神经消息,并引入自注意力机制处理图的边缘消息传递网络,以获得不同传感器之间的关系特征,提高材质检测准确性。
设A为一个传感器,其数值被检测到为xti;a,为获取足够的表达能力,利用非线性变换将xti,a映射到高维空间mti,a。由于在不同传感器上记录的值可遵循不同的分布,因此使用可训练的权重向量来实现,并代替xti;a表示在t时刻的观测值用于后续网络训练,其公式为:
mti,a=σ(xti,aRa)
式中Ra为可训练的权重向量。
在训练过程中,使用A和其他传感器之间的关系来获取边缘特征,设传感器B为图模型中A的临边,以注意力机制计算传感器之间的注意力权重nti,ab表示A对B的重要程度,其公式为:
nti,ab=σ(mti,aD(zb p t i)T)
式中:zb是一个可训练的权重向量,用于学习统一传感器B中不同边缘的不同注意权重;pti是一个多维时间向量,用于表示时间特征,计算对时间敏感的注意力权重;D是一个可训练的权重矩阵,用于将mti;a映射到与[rb][pti]同一维度。
评估A对B的依赖关系特征mti,b,其公式为:

mti.b=σ(mti,awawbnti,ab)

式中:wa和wb是所有样本共享的可训练权重向量,wb特定于主源传感器,wa特定于边缘传感器。
图4 图神经网络计算临边传感器关系特征学习

Fig.4 Graph neural network calculation for learning edge

sensor relationship features

2.2 时间自注意力

文中提出的时间自注意力如图5所示。
图5 时间序列Self-attention关系特征学习

Fig.5 Self-attention mechanism for learning temporal relationship features in time series

使用时间自注意力来计算yi,b,首先将mti,b与时间特征和连接以包含时间信息,然后进行自注意力计算,其表达式为:
yi,b=softmax Q i , b K T i , b d k p t iVi,b
式中:Qi,b和Ki,b为由叠加的观测输入导出的中间矩阵,两者均为mti;a的线性映射; d k为线性映射后的维数。基于学习到的时间注意力权重yi,b和融合静态特征进行整体学习,并用Softmax函数进行归一化输出,ui,b可表示为:
ui,b=softmax(yti,b(mti,b l)w)
式中:w为所有传感器和样本共享的线性投影;l为传感器静态特征。

3 实验结果与分析

3.1 实验参数与配置

文中实验系统为Window11,系统环境配置为Python3.7和PyTorch1.13.1+cu116,GPU为NVI-DIA GeForce RTX 3060,在PyCharm平台进行开发,通过PyTorch深度学习训练框架评估模型。训练集,验证集和测试集均为本文构建的多传感器数据集。为增强模型的适应性,其中随机抽取80%为训练集,10%为验证集,10%为测试集。
为实现不同工况下弹体侵彻靶板材质检测,整个训练过程共使用epoch数为80,初始学习率[21]为0.000 1,时间序列长度为91,详细的权重参数如表1所示。
为了对改进算法进行综合评价,采用准确率(RA)、查准率(RP)、召回率(RR)、平均F1值(F1-measure)4种性能评估指标。
表1 模型参数配置

Table 1 Model parameter configuration

Parameter Value
Data length 91
Epoch 80
Loss function Cross-entropy loss
Learning rate 0.000 1
Optimizer Adam

3.2 消融实验

为检验基于图神经网络GNN框架融入时间注意力机制中SA-GNN,时间自注意力机制模块Self-attention的有效性,文中进行了如表2所示的一系列试验,其中GCN为图卷积网络,可用于基础模型对靶板材质进行检测,SA-GNN用于在训练中更加注重对传感器间相互依赖关系感知力,提高模型对传感器的感知精度;时间自注意力模块融合静态特征与时间特征,提高模型对时序特征的感知力,提高模型对时间的感知精度。在训练过程中所有多传感器时间序列数据长度均为91,epoch为80,学习率为0.000 1。训练完成所有模型损失均处于收敛状态。
表2 模型消融试验

Table 2 Model ablation experiments

Model No. GCN SA-GNN Self-attention RP/%
1 Y N N 82.34
2 N Y N 85.97
3 Y N Y 87.68
4 N Y Y 91.36
Note:Y is used; N is not used.
可见在GNN中将CNN替换为注意力机制并使用了时间自注意力机制后,模型对侵彻靶板材质检测的准确率从82.34%提升到了91.36%。自注意力机制的加入有效增加了模型对多传感器和时序特征的感知力,提高模型的检测精度。总的来说,改进后的模型可以精准检测和分类弹体侵彻靶板的材质类别,为后续实现对目标打击识别智能化检测提供了参考。

3.3 不同模型效果对比

表3为文中模型与目前其他时间序列模型在自建的多传感器数据集上的结果实验对比,输入序列长度均为91。由此可见,在相同条件下文中方法在RA和F1性能方面均略高于DCNN,并远高于TCN和LSTM,相比GCN,文中方法的RA和F1值分别提高了8.86%和6.98%。综合来看,文中方法对靶板材质检测识别精度均有所提升,取得了最佳的检测效果,这得益于模型对底层特征和原始数据集的有效利用,弥补了传统GNN对深层特征学习多时间序列间依赖关系能力低下的问题。
表3 模型对比试验

Table 3 Model comparison experiments %

Model RA RP RR F1
LSTM 72.45 72.92 78.97 73.13
GCA-LSTM 75.96 76.24 86.38 75.56
TCN 79.54 80.61 86.59 82.45
GCN 81.27 82.34 87.42 85.36
DGNN 85.35 86.12 88.61 87.28
SAT-GNN 90.13 91.36 89.42 92.34

4 结论

针对智能化目标检测实现精准打击检测类型较少,检测方法稀缺等问题,提出基于图神经网络和自注意力机制的弹体侵彻靶板材质检测分类方法。首先采用基于多传感器中的时间序列与其静态特征和时刻特征作为网络输入,其次利用融入自注意力机制的GNN捕捉多时间序列在传感器间的相互依赖关系,提升模型的感知力;最后将时序特征,静态特征,时刻特征整体传入时间自注意力机制模块对总体特征进行深度学习与检测。在自建数据集上的实验表明,文中方法可有效提高侵彻靶板材质检测的精度。但由于文中采用的数据集来源是通过三维建模仿真开发获取的,数据与实际应用场景中的目标存在一定差异,因此在后续研究中,仍然需要根据更多技术专家的研究和反馈,收集更多的意见和建议,为后续的智能化目标打击检测提供可靠依据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
连细南, 陈栋, 石胜斌. 炮弹炸点坐标检测技术研究综述[J]. 兵器装备工程学报, 2022, 43(1): 35-41.

LIAN X, CHEN D, SHI S B. Survey on coordinate detection technology for burst point of artillery shells[J]. Journal of Ordnance Equipment Engineering, 2022, 43(1): 35-41.

[2]
HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]// IEEE.IEEE Conference on Computer Vision and Pattern Recognition, June 27-30, 2016, Piscataway, State of New Jersey, New York: IEEE, 2016: 770-778.

[3]
HE K, GKIOXARI G, DOLLAR P, et al. Mask R-CNN[C]// International Conference on Computer Vision. October 22-27, 2017, Piscataway, NJ, New York: IEEE, 2017: 2980-2988.

[4]
NAM H, BAEK M, HAN B. Modeling and propagating cnns in a tree structure for visual tracking[EB/OL]. [2024-08-28].

[5]
BRODLEY C E, UTGOFF P E. Multivariate decision trees[J]. Machine Learning, 1995, 19(1): 45-77.

[6]
SHAWE-TAYLOR J, SUN S. A review of optimization methodologies in support vector machines[J]. Neurocomputing, 2011, 74(17): 3609-3618.

[7]
DE AMORIM R C. A survey on feature weighting based K Means algorithms[J]. Jounal of Classification, 2016, 33: 210-242.

[8]
CUN Y L, BOSER B, DENKER J S, et al. Handwritten digit recognition with a back-propagation network[J]. Advances in Neural Information Processing Systems, 1997, 2(2): 396-404.

[9]
任利强, 贾舒宜, 王海鹏, 等. 基于深度学习的时间序列分类研究综述[J]. 电子与信息学报, 2024, 46(8): 3094-3116.

REN L Q, JIA S Y, WANG H P, et al. A review of research on time series classification based on deep learning[J]. Journal of Electronics & Information Technology, 2024, 46(8): 3094-3116.

[10]
LEE S M, YOON S M, CHO H. Human activity recognition from accelerometer data using convolutional neural network[C]//2017 IEEE International Conference on Big Data and Smart Computing (BigComp), February 13-16, 2017, Jeju Island, South Korea, New York: IEEE, 2017: 131-134.

[11]
SINGH S P, SHARMA M K, LAY-EKUAKILLE A, et al. Deep ConvLSTM with self-attention for human activity decoding using wearable sensors[J]. IEEE Sensors Journal, 2021, 21(6): 8575-8582.

[12]
JIANG W, LUO J. Graph neural network for traffic forecastting: A survey[J]. Expert Systems with Applications, 2022, 207: 117921.

[13]
ZHANG X, ZEMAN M, TSILIGKARIDIS T, et al. Graph-guided network for irregularly sampled multivariate time series[EB/OL]. [2024-08-28].

[14]
DENG A, HOOI B. Graph neural network-based anomaly detection in multivariate time series[C]// Proceedings of the AAAI Conference on Artificial Intelligence, February 2-9, 2021, New York, California: AAAI, 2021, 35(5): 4027-4035.

[15]
CHENG Z, YANG Y, WANG W, et al, Time2graph: Revisiting time series modeling with dynamic shapelets[C]// Proceedings of the AAAI Conference on Artificial Intelligence, February 7-12, 2020, New York, California: AAAI, 2020, 34(4): 3617-3624.

[16]
CHENG Z, YANG Y, JIANG S, et al. Time2graph+: Bridging time series and graph repressentation learning via multiple attentions[J]. IEEE Transactions on Knowledge and Data Engineering, 2021, 35(2): 2078-2090.

[17]
ZHA D, LAI K H, ZHOU K, et al. Towards similarity-awaretime-series classification[C]// Proceedings of the 2022 SIAM International Conference on Data Mining. Society of Industrial and Applied Mathematics, April 28-30, 2022, Alexandria, Virginia, USA, Philadelphia: SIAM, 2022: 199-207.

[18]
魏欣, 陈博, 张德志, 等. 刚性动能弹侵彻混凝土过载特性的数值模拟[J]. 现代应用物理, 2021, 12(4): 137-143.

WEI X, CHEN B, ZHANG D Z, et al. Numerical simulation of overload characteristics of rigid kinetic energy projectile penetrating concret[J]. Modern Applied Physics. 2021, 12(4): 137-143.

[19]
张建海. 攻坚弹药子弹弹道环境的初步试验研究与数值分析[D]. 南京: 南京理工大学, 2006.

ZHANG J H. Preliminary study experiment and numerical computation on submunition ballistic trajectory condition of hard structure munition[D]. Nanjing: Nanjing University of Science and Technology, 2006.

[20]
唐昌州, 智小琦, 高峰, 等. 钨球侵彻防弹衣加红松木复合靶的研究[J]. 爆炸与冲击, 2021, 41(6): 84-97.

TANG C Z, ZHI X Q, GAO F, et al. Investigation on tungsten spheres penetrating into pine target covered with body armor[J]. Explosion and Shock Waves, 2021, 41(6): 84-97.

[21]
SMITH L N. Cyclical learning rates for training neural networks[C]//2017 IEEE winter conference on applications of computer vision (WACV), March 24-31, 2017, Santa Rosa, CA, New York: IEEE, 2017: 464-472.

Options
文章导航

/

〈 〉

[an error occurred while processing this directive]