0 引　言

在现代舰船工程与国防航海领域，高精度加速度测量是保障舰船核心系统性能的关键支撑技术之一。随着舰船向高速化、智能化、远洋化方向发展，舰船惯性导航、船体结构健康监测、推进系统状态诊断等核心领域对加速度计的测量精度与信号质量提出了严苛要求。在船体结构振动监测场景下，需捕捉高频微弱振动信号以实现船体结构疲劳损伤的早期预警与实时防护。

随着惯性导航、智能传感与高精度测量系统的发展，高精度加速度计的信号采集与噪声误差处理技术取得了显著进展。研究主要集中于微机电系统（MEMS）加速度计的数字化采集电路设计、温度漂移补偿、动态噪声抑制以及多传感器融合算法优化等方面，旨在提升系统的稳定性、分辨率和环境适应性。

在信号采集方面，数字集成技术成为主流趋势，王晓等^[1]提出一种面向三轴MEMS加速度计的集成数字调理电路，基于0.18 μm互补金属氧化物半导体（CMOS）工艺构建，采用级联积分梳状滤波器（CIC）与有限冲激响应（FIR）联合滤波结构，显著抑制了带外量化噪声，提升了信噪比与整体信号完整性。针对噪声与误差处理，多种先进算法被引入以应对复杂干扰环境。徐爱华等^[2]提出一种一维宽带微弱振动信号测量方法，通过将MEMS加速度计集成于复合摆结构中，实现了从100 Hz～1 MHz超宽频带振动信号的有效测量，增强了对环境噪声和地脉动噪声的识别能力。张一等^[3]提出了基于压缩感知技术的弱信号调制设计方案，在强信号全覆盖环境下成功重构出被淹没的微弱传感信号，为高密度电磁干扰场景下的信号保真提供了新路径。在随机误差建模与补偿方面，田易等^[4]采用经验模态分解（EMD）对MEMS加速度计输出中的随机误差进行分层提取，并结合自适应阈值去噪策略实现误差补偿，有效改善了低频段的稳定性。

本研究以提升舰船环境下高精度加速度计信号采集质量与噪声误差处理效果为目标，对舰船适配型高精度信号采集系统进行设计，同时对噪声误差处理算法构建与优化，提出融合传统滤波与智能算法的混合处理方法。

1 高精度加速度计信号采集系统设计

舰船适配型高精度加速度计信号采集系统核心包含加速度计模块、抗干扰前端调理模块、高精度ADC转换模块、隔离式数据传输模块及主控模块五大功能模块，如图1所示。工作原理为：加速度计模块感知舰船运动与振动加速度并转换为微弱电信号，经前端调理模块完成低噪声放大、抗混叠滤波与干扰隔离后，传输至ADC采集模块进行高精度A/D转换，转换后的数字信号通过隔离式数据传输模块传输至主控模块，由主控模块实现数据缓存、处理与指令交互，各模块协同配合以应对舰船强电磁干扰、颠簸振动、温湿度波动等恶劣工况。

1）加速度计。选用具备抗冲击振动特性的高精度电容式加速度计，兼具高分辨率与宽动态范围，能承受10 g冲击振动。

2）抗干扰前端调理模块。采用屏蔽式封装设计以抵御舰船机舱强电磁干扰，内部集成低噪声放大、抗混叠滤波等功能单元；选用舰船级低噪声运放构建差分放大拓扑，搭配π型电源滤波与温度补偿电阻，任务是对微弱原始信号进行预处理，实现低噪声放大、抗混叠滤波与干扰隔离，提升信号信噪比，为高精度采集奠定基础。

3）高精度ADC转换模块。选用抗电磁干扰能力优异的高分辨率ADC芯片（ADS1256），具备24bit分辨率，适配舰船复杂环境；通过优化高精度基准电压源稳定性、设计硬件时序同步机制保障多通道采集相位一致，并采用SPI隔离通信与FIFO缓存结合CRC校验的设计，核心功能是完成调理后模拟信号的高精度A/D转换，同时保障数据传输的实时性与完整性。

4）隔离式数据传输模块。采用“电源隔离+信号隔离”的双重隔离方案，通过DC-DC隔离模块实现与舰船主电源的电气隔离，借助线性光耦完成信号隔离传输，配合星形单点接地设计降低干扰耦合，该模块实现了采集系统与舰船其他电气系统的电气隔离，避免地环路与电磁干扰通过传输链路侵入，保障数据传输的稳定性与安全性。

5）主控模块。选用具备抗振动的工业级ARM芯片，负责统筹协调各模块工作，包括配置采集参数、缓存采集数据、处理数据以及与上位机进行指令交互，确保在舰船颠簸、温湿度波动等恶劣工况下系统稳定运行。

2 高精度加速度计噪声误差处理算法研究

面对舰船多源噪声耦合、动态工况信号突变等复杂场景时，传统噪声处理算法仍存在明显局限性。具体而言，传统卡尔曼滤波及其改进算法依赖精准的系统状态建模^[5]，在舰船电磁干扰与机械振动噪声强耦合的情况下，噪声估计精度易受影响，滤波效果大幅下降，优化后的小波阈值去噪算法虽缓解了阈值选取的主观性问题^[6]，但在舰船加速转向、风浪颠簸等信号突变工况下，仍难以兼顾噪声抑制效果与信号细节保留，易出现信号失真现象。此外，传统滤波算法多针对单一类型噪声或误差设计，缺乏对舰船温湿度漂移、颠簸非线性等多源误差的联合处理能力，动态适应性与泛化能力有限。本文提出一种基于智能算法的噪声误差联合处理模型，核心分为CNN-LSTM混合去噪模型与注意力机制误差补偿模型两部分。

2.1 CNN-LSTM混合去噪模型设计

模型采用卷积神经网络（CNN）特征提取长短期记忆网络（LSTM）时序建模的串联结构，先对采集的舰船加速度原始信号进行归一化预处理，将一维时序信号转换为二维特征矩阵作为模型输入；再通过CNN的卷积层与池化层完成舰船多源噪声空间特征的提取与强化，剔除冗余干扰信息；最后利用LSTM的门控单元捕捉信号时序依赖关系，适配舰船加速度信号的动态变化特性，实现噪声与有效信号的精准分离。各核心模块的协同工作方式及功能如下：

1）CNN卷积层

设计CNN卷积层进行噪声特征提取，该层通过滑动卷积运算强化噪声特征的区分度，为后续噪声分离奠定基础，卷积层设计为：

$ y_{i,j}^{c}=\sigma \left(\sum\limits_{m=0}^{M-1}\sum\limits_{n=0}^{N-1}w_{m,n}^{c}\cdot {x}_{i+m,j+n}+{b}^{c}\right) 。$

(1)

式中：$ y_{i,j}^{c} $为卷积层输出特征图的第(i,j)个元素；$ \sigma (\cdot ) $为ReLU激活函数，提升模型非线性拟合能力；M×N为卷积核尺寸，结合舰船加速度信号频率特性取3×3；$ w_{m,n}^{c} $为第c个卷积核的第(m,n)个权重参数；$ {x}_{i+m,j+n} $为输入加速度信号矩阵的局部元素；$ {b}^{c} $为第c个卷积核的偏置项。

2）CNN池化层公式（最大池化）

为实现CNN与LSTM模块的高效衔接，同时剔除冗余干扰信息、降低后续计算量，设计最大池化层对卷积层输出特征进行降维与核心特征保留，适配舰船颠簸导致的信号微小偏移场景。

$ y_{i,j}^{p}=\max _{m=0}^{P-1}\max _{n=0}^{P-1}y_{i\cdot P+m,j\cdot P+n}^{c} 。$

(2)

式中：$ y_{i,j}^{p} $为池化层输出特征图的第(i,j)个元素，P为池化核尺寸，取2×2以保留核心特征并降低数据维度；$ y_{i\cdot P+m,j\cdot P+n}^{c} $为卷积层输出特征图对应池化窗口内的元素。

池化层作为CNN与LSTM的衔接层，一方面通过最大池化运算保留卷积层提取的噪声核心特征，剔除冗余的干扰信息，降低后续LSTM模块的计算量；另一方面可增强模型对舰船颠簸导致的信号微小偏移的鲁棒性，避免局部特征偏移影响去噪效果。

3）LSTM门控设计

为适配舰船加速度信号的动态时序变化特性，应对加速转向、风浪颠簸等工况下的信号突变问题，设计LSTM门控单元实现有效信号与噪声的精准分离，通过遗忘门、输入门、输出门的协同调控保留有效时序特征。

①遗忘门设计。主要用于自适应丢弃与当前信号无关的历史噪声特征，如瞬时电磁干扰特征：

$ {f}_{t}=\sigma \left({\boldsymbol{W}}_{f}\cdot [{h}_{t-1},x_{t}^{p}]+{b}_{f}\right) 。$

(3)

②输入门设计。用于分离当前CNN提取的噪声特征与有效信号特征，仅将有效特征存入细胞状态，公式为：

$ {i}_{t}=\sigma \left({\boldsymbol{W}}_{i}\cdot [{h}_{t-1},x_{t}^{p}]+{b}_{i}\right) 。$

(4)

③细胞状态更新。基于遗忘门与输入门的调控结果，更新细胞状态以存储当前有效信号特征，公式为：

$ {\tilde{C}}_{t}=\tanh \left({\boldsymbol{W}}_{C}\cdot [{h}_{t-1},x_{t}^{p}]+{b}_{C}\right) 。$

(5)

$ {C}_{t}={f}_{t}\odot {C}_{t-1}+{i}_{t}\odot {\tilde{C}}_{t} 。$

(6)

④输出门设计。结合当前细胞状态与隐藏层信息，输出去噪后的加速度信号特征，设计公式为：

$ {o}_{t}=\sigma \left({\boldsymbol{W}}_{o}\cdot [{h}_{t-1},x_{t}^{p}]+{b}_{o}\right) \text{，} $

(7)

$ {h}_{t}={o}_{t}\odot \tanh ({C}_{t})。$

(8)

式中：f_t、i_t、o_t分别为遗忘门、输入门、输出门的输出系数；W_f、W_i、W_C、W_o分别为各LSTM门的权重矩阵；b_f、b_i、b_C、b_o分别为各LSTM门的偏置项；h_t−1为LSTM上一时刻隐藏层输出；$ x_{t}^{p} $为CNN池化层输出的时序特征；$ {\tilde{C}}_{t} $为候选细胞状态；$ {C}_{t} $为当前细胞状态；h_t为当前隐藏层输出，即去噪后的加速度信号特征。

LSTM模块通过多个门控单元的协同作用，最终满足舰船加速度信号的动态时序特性，其中，遗忘门可自适应丢弃与当前信号无关的历史噪声特征（如前一时刻的瞬时电磁干扰特征）；输入门将当前CNN提取的噪声特征与有效信号特征分离，仅将有效信号特征存入细胞状态；输出门结合当前细胞状态与隐藏层信息，输出去噪后的加速度信号。

2.2 注意力机制误差补偿模型

针对舰船温湿度漂移、船体颠簸等关键误差源，通过注意力机制动态分配误差权重，提升补偿精度。

注意力权重计算方法为：

$ \alpha _{t}^{k}=\dfrac{\exp \left(s_{t}^{k}\right)}{\displaystyle\sum\limits_{k=1}^{K}\exp \left(s_{t}^{k}\right)} 。$

(9)

其中，相似度为：

$ s_{t}^{k}=\dfrac{{q}_{t}\cdot k_{t}^{e}}{\| {q}_{t}\| \cdot \| k_{t}^{e}\| } 。$

(10)

补偿输出为：

$ {\hat{a}}_{t}=a_{t}^{d}+\displaystyle\sum\limits_{k=1}^{K}\alpha _{t}^{k}\cdot e_{t}^{k} 。$

(11)

式中：$ \alpha _{t}^{k} $为第t时刻第k类误差源的注意力权重；$ s_{t}^{k} $为查询向量与误差特征向量的余弦相似度；$ a_{t}^{d} $为CNN-LSTM模型输出的去噪信号，$ {q}_{t} $为查询向量，即当前去噪后信号$ a_{t}^{d} $的特征$ k_{t}^{e} $向量，为第k类误差源的特征向量；K为舰船主要误差源类别数，包括温度、湿度、颠簸幅值、颠簸频率；$ {\hat{a}}_{t} $为补偿后的加速度信号；$ e_{t}^{k} $为第t时刻第k类误差源的估计误差值。

模型训练与优化过程中，构建包含舰船匀速航行、加速转向、风浪颠簸、远洋极端温湿度等6种典型工况的加速度信号数据集，样本数量为50万组，输入信号经添加实际舰船噪声与误差后作为模型输入，以去噪补偿后的信号与标准加速度信号的均方误差为损失函数，通过Adam优化器进行超参数调优，相关参数设置如下：学习率0.001，迭代次数500，批大小为64，提升模型的泛化能力，确保在复杂舰船工况下稳定发挥作用。

2.3 实验验证

为验证CNN-LSTM混合去噪模型与注意力机制误差补偿模型的有效性，搭建模拟舰船复杂工况的实验平台，开展针对性实验验证。

1）实验条件

采用自主设计的舰船适配型采集系统，配备高精度电容式加速度计、标准振动台、电磁干扰模拟器、恒温恒湿箱、示波器及上位机。模型训练与推理基于Python 3.9实现，依赖TensorFlow 2.10深度学习框架；数据采集与分析采用LabVIEW 2022与Matlab R2023a；实验数据存储与管理采用SQLite数据库。

选取舰船2种典型航行工况开展实验，分别为：①匀速航行工况：振动频率1～10 Hz，幅值0.5～1 g，温度25℃，湿度60%，电磁干扰强度10 V/m；②加速转向工况：振动频率10~50 Hz，幅值1～3 g，温度35℃，湿度70%，电磁干扰强度20 V/m；

以本文提出的CNN-LSTM混合去噪模型为实验组，选取改进的卡尔曼滤波算法、改进小波阈值去噪算法作为对照组，对比分析各算法在舰船不同工况下的性能。选取2个核心指标量化性能：①信噪比提升量（ΔSNR）：处理后信号信噪比与原始信号信噪比的差值，值越大说明噪声抑制效果越好；②信号失真度（THD）：处理后信号与标准信号的谐波失真程度，值越小说明信号还原度越高。

1）匀速航行工况测试结果

测试结果如图2所示，匀速航行工况下各算法性能差异明显，本文提出的CNN-LSTM混合去噪模型ΔSNR稳定在15.2～15.6dB，THD控制在0.7%～0.8%；明显优于改进卡尔曼算法和改进小波阈值算法，这一结果表明，在舰船平稳巡航的低干扰、低动态工况下，CNN-LSTM模型通过卷积层提取耦合噪声空间特征，结合LSTM建模，可以实现噪声与有效信号高效分离，信号还原度更高，可为惯性导航系统提供高精度原始数据支撑。

2）加速转向工况测试结果如图3所示，本文提出的CNN-LSTM混合去噪模型ΔSNR提升至18.6～19.0 dB，THD维持在1.1%～1.2%；明显优于改进卡尔曼算法和改进小波阈值算法。这表明在舰船高动态、强干扰的加速转向工况下，CNN-LSTM模型通过LSTM门控单元捕捉信号瞬时突变特征，结合注意力机制聚焦关键误差源，可实现复杂噪声的精准抑制与有效信号的高效还原，适应性更强。

3 结　语

舰船航行过程中高精度加速度信号的稳定采集与噪声误差精准处理，是保障惯性导航、推进系统诊断等核心设备可靠运行的关键，开展本研究对提升舰船航行监测与控制精度具有重要现实意义。研究成果可广泛应用于舰船惯性导航系统数据校准、推进系统状态诊断及船体结构振动监测等核心场景。

1）设计的舰船适配型高精度加速度计信号采集系统，通过五大功能模块的协同设计及抗电磁干扰、宽温适配等针对性优化，可有效应对舰船强电磁干扰、颠簸振动等恶劣工况，为高精度加速度信号采集提供了可靠硬件支撑。

2）提出的CNN-LSTM混合去噪与注意力机制误差补偿联合模型，实现了噪声抑制与有效信号还原的高效平衡，实验验证表明，本文模型在舰船匀速航行、加速转向2种典型工况下，信噪比提升量与信号失真度2个指标均显著优于改进卡尔曼滤波、改进小波阈值去噪等传统算法，验证了模型的有效性与工程实用性，为舰船领域高精度加速度信号处理提供了新方案。