一种基于标定数据的光纤光栅应力传感器解调模型选取方法

本发明涉及神经网络技术、光纤传感器应用、以及神经网络在光纤光栅传感器中的应用。具体地说，是一种基于标定数据的光纤光栅应力传感器解调模型选取方法，旨在实现高精度的解调和传感器分类。

背景技术：

1、在经济不断发展和信息容量飞速增加的大环境下，光纤光栅传感技术得到了广泛的应用和重视，成为国内外研究热点方向之一。光纤布拉格光栅(fiber bragg grating,fbg)传感器是一种基于光学干涉原理和光纤特性的高级传感技术，通过其自身体积小、耐腐蚀、不易受电磁干扰等优点广泛应用于航空航天、石油化工、建筑损伤监测等领域。

2、在光纤光栅传感器的制造过程中，尽管通常采用相同的工艺和材料，同一批次的fbg传感器可能会因制造工艺变量、材料特性差异或人工操作影响而存在差异。这些差异可能源于光栅拉伸过程中的轻微工艺波动，例如拉力或温度的变化，以及材料供应商不同批次之间的折射率细微差异。此外，制造过程中的人工操作精度和位置的微小差异也可能对最终光栅的结构和性能产生影响。尽管这些差异通常在大多数应用中是可以接受的，但在某些对精度和一致性要求较高的应用场合，需要通过严格的质量控制和筛选措施来确保光纤光栅的性能稳定性和可靠性。

3、传统的光纤光栅传感器分类和解调方法通常基于物理模型和信号处理技术，如边缘滤波法和匹配滤波法。这些方法依赖于对光谱响应曲线的数学建模和复杂的信号处理算法，虽然在理论上具有一定的精确度，但面临着多方面的限制。例如，需要先验知识较多、对环境条件敏感、难以适应复杂和动态的应变场景，且在实时性和自动化方面存在挑战。传统方法的局限性限制了光纤光栅传感器在复杂工程环境中的应用和性能表现。

4、近年来，神经网络在光纤光栅传感领域的应用逐渐增多，其作用和优势得到广泛认可，主要体现在利用其强大的模式识别和特征提取能力，神经网络利用其强大的数据驱动学习能力，能够自动从大量实验数据中学习复杂的光谱响应模式和非线性特征，相较于传统方法更能准确解调光纤光栅传感器的信号。其适应不同环境条件和处理实时数据的能力使其在工业控制、结构健康监测等领域展现出了重要的应用潜力。此外，神经网络的自动化特性减少了人为误差和操作成本，提高了解调的稳定性和可靠性。总体而言，神经网络在光纤光栅传感技术中的应用不断扩展，并为提升传感器解调精度、实时性和应用范围开辟了新的可能性。

5、线性拟合模型和神经网络模型各有优缺点。线性拟合模型的优点在于其结构简单，运算量小，模型参数容易获得，因此在实现和计算方面都比较方便。然而，线性模型适应性差，对于复杂的非线性场景无法有效应用，限制了其使用范围。相比之下，神经网络模型相对复杂，运算量大，模型参数不容易获得，并且需要大量的数据进行训练。然而，神经网络模型具备较强的适应性，能够处理各种非线性场景，显著提升模型的准确性。本发明正是结合了这两种模型的优点，通过线性拟合模型的简便性和神经网络模型的强大适应性，来实现更加精确和高效的参数校准。

技术实现思路

1、本发明的目的在于提供一种基于标定数据的光纤光栅应力传感器解调模型选取方法，能够有效地将一批新生产的光纤光栅传感器进行性能分类，本发明的技术方案如下：

2、第一步，对所有新制作的k个光纤光栅传感器(103)进行统一的线性度测试，分别对每个fbg传感器在l个应力变量，应力范围在[w1，w2]内均匀变化，进行一次应力实验测试，记录下光谱仪(105)输出的1*n序列的光谱数据{p1(1，n)，p2(1，n)，...pl(1，n)...pl(1，n)}，pl(1，n)表示第l个应力条件下测量一次的光谱序列，n表示光谱仪所扫描的第n个点，光谱范围为[f1，f2]，采样间隔为δf，采样点数为

3、进一步地，使用传统的线性模型质心法进行拟合度测试，质心法是通过计算反射强度分布的加权平均位置来确定中心波长的位置，将中心波长确定为fbg反射光谱的质心，其公式为：pl(λn)是第l个应力时，波长λn处的反射强度；其中，一幅光谱可以表示为pl(1， n)＝[pl(λ1)pl(λ2)...pl(λn)...pl(λn)]，将不同应力时的光谱构成光谱序列{p1(1，n)，p2(1，n)，...pl(1，n)...pl(1，n)}，将此光谱序列输入线性模型，解调得到如下波长序列表示第l个应力条件下中心波长的估计值，linear表示使用的线性模型方法；

4、进一步地，计算线性拟合度，其公式为将线性拟合度r2达到0.99及以上的a个fbg传感器归为可以直接使用的一类。

5、进一步地，对于剩余未达标的传感器，需要加大测试量，用l个应力范围分别对剩余的k-a个fbg传感器在同样的应力条件下进行m次重复性实验，以获取足够多的数据进行1d cnn(一维卷积)神经网络优化训练；其总数据量为(k-a)*l*m*n。

6、进一步地，针对k-a个fbg传感器中的每一个进行训练，在l个应力范围内重复m次的光谱序列pl(m，n)，1≤l≤l，第l个应力wl＝w1+(w2-w1)/(l-1)，w1和w2分别为起始和终止的应力数值；k-a个fbg传感器的总数据量为l*m*n，其中，在第l个应力条件下的光谱数据为pl(m，n)，表示为：

7、

8、其中，pl(m，n)中l表示第l个应力条件，m表示重复采集数据的次数，n表示光谱采集的最大采样点，m，n表示序号，1≤m≤m，1≤n≤n；pm(λn)表示第m次采集在波长λn处的反射强度。

9、进一步地，使用质心法计算矩阵内pl(m，n)中每一个光谱的谐振波长，得到第l个应力条件下m个光谱的谐振波长序列表示在第l个应力条件下第m次测试的光谱数据的谐振波长，对这些谐振波长求平均得到将l个应力条件下的谐振波长序列进行线性拟合，拟合后的波长序列用来对神经网络模型进行监督学习；通过神经网络训练，将最优结果达到rmse＜0.01的b个fbg传感器归为可以用神经网络训练好的一类。

10、进一步地，应力条件变化下的光谱数据训练好神经网络得到最优解调结果后，将满足条件的b个fbg传感器的优化后的1d cnn神经网络模型参数，包括卷积层(302)中的卷积核的数量x和大小y、步幅z；池化层(303)的类型o(如最大池化或平均池化)和窗口大小v；全连接层(304)的神经元数量r；激活函数的类型p(如relu、sigmoid)；以及优化器的学习率j；记录进数据库，以便后续工程应用中直接调用。

11、进一步地，对于剩余的k-a-b个神经网络训练结果不好的fbg传感器，归为不能使用的废弃一类。

12、进一步地，该方法的实验系统包括如下组成部分：

13、a)掺铒光纤放大器(101)，作为宽谱光源，用于放大光信号，以便在长距离光纤传输中补偿光信号的衰减(erbium-doped fiber amplifier,edfa)。

14、b)环形器(102)，用于控制光信号的传输方向，从而实现光信号的分离和引导；该环形器(102)包含三个端口，端口1连接宽谱光源edfa，端口2连接fbg传感器，端口3连接光谱仪(105)。

15、c)光纤光栅传感器(103)，主要用于测量物理量的变化，如应变、温度、压力等；其工作原理基于光纤中的布拉格光栅对特定波长光的反射特性；

16、d)两端夹持结构实验平台设计用于精确地施加轴向应力，能够提供最小为0.01mm的变量单位，以测试fbg传感器的性能。

17、e)光谱仪(105)，用于检测和输出由光纤光栅反射或传输的光信号的光谱。

18、f)神经网络分析模块，主要结构是1d cnn结构模型，用于对光谱仪(105)输出的大量光谱数据进行分析，从复杂的光谱数据中解调出应力和中心波长的关系。

19、进一步地，所述的两端夹持结构实验平台包括如下结构：

20、该平台包括微动台1(201)、微动台2(202)、支撑台(203)、夹具(204)，fbg传感器的两端分别使用夹具(204)固定在微动台1(201)和微动台2(202)两处，支撑台(203)将fbg传感器固定到同一高度；通过移动微动台2(202)从而使fbg传感器产生应变，从而可以根据微动台2(202)的位移量去和光纤光栅反射光谱中心波长的漂移量产生对应关系。

21、进一步地，所述的神经网络分析模块的算法包括如下部分：

22、不断调试神经网络内部参数以达到最优效果，包括以下参数：卷积核的数量x和大小y、步幅z；池化层(303)的类型o(如最大池化或平均池化)和窗口大小v；全连接层(304)的神经元数量r；激活函数的类型p(如relu、sigmoid)；以及优化器的学习率j；通过不断优化参数，解调后，得到如下序列，

23、

24、进一步地，，表示第l个应力条件下中心波长的估计值，cnn表示使用的卷积神经网络模型。

25、进一步地，神经网络的输出是不同参数训练后的均方根误差(rmse，root meansquare error)，rmse用于衡量模型预测值与实际值之间的差异，其公式为通过计算(k-a)个光纤光栅传感器(103)在不同参数下的解调结果wcnn(l)，和输入的学习序列wl(m)的rmse，将k-a个传感器训练所得的最小rmse值记为{rmse1，rmse2,...，rmsekk-a}，将最优结果达到rmse＜0.01的b个fbg传感器归为可以用神经网络训练好的一类。

26、进一步地，神经网络中的输入层(301)基于每个应力条件下的光谱数据(每个光谱有个采样点)，首先读取并标准化光纤光栅传感器(103)数据，然后将其分割为输入(x)和输出(y)。数据集被分为90％的训练集和10％的测试集，利用自定义的数据集类和数据加载器进行管理。选择合适的计算设备(cpu或gpu)进行训练，通过神经网络优化传感器的参数标定，最终提高光纤光栅应力传感器的精度和工程应用的可靠性。

27、进一步地，神经网络中使用的是一维卷积，其运算如公式所示，其中x(t)是输入信号，w(s)为卷积核，假设卷积核大小为n

28、

29、进一步地，通过卷积操作从输入数据中提取特征，需要应用激活函数，如relu、sigmoid、tanh等，对卷积输出进行非线性变换，relu函数其优点在于增大了网络的稀疏性，泛化性能好且运算量小，不足在于稀疏处理会导致无法学习到有效特征，所以我们选用relu函数

30、relu(x)＝max(0，x)

31、进一步地，在经过激活函数后，可能会进行池化操作(如最大池化或平均池化)，以减少特征图的空间尺寸，降低模型复杂度。假定池化核大小为2，则一维最大池化和一维平均池化的表达式分别如下，我们在网络中选择最大池化，因为最大池化更多地关注保留特征的显著部分，而忽略其他信息。

32、p(t)＝max[y′(2t)，y′(2t+1)]

33、

34、进一步地，全连接层(304)是cnn的最后层，负责整理池化后的特征信息，提取并保存有用的信息。其中，p是前一层的输出，w是全连接层(304)的权重，b是偏置。全连接层实现(304)的过程体现了线性特性，原因在于它通过对输入和权重进行线性组合来进行计算

35、y＝w.p+b

36、进一步地，在此结构的实验平台下，用户能够方便地更换和测试不同的fbg传感器；无论是同一批次生产的fbg传感器还是不同封装的fbg传感器；这些fbg传感器在生产过程中难免会存在细微的差异，如封装方式、材料特性或制造工艺等；这一特点使系统能够有效应对传感器之间的微小差异，并确保对各种封装规格的传感器进行精确和一致的标定；通过这种灵活性，用户能够在不同应力测量和监测场景中选择和应用最适合的传感器，从而提高系统的适用性和实用性。

37、进一步地，所述的数据库，关键的物理参数如应力值、波长移动情况、拟合度和均方根误差被记录并存储在数据库中；此外，还保存了优化后的神经网络模型参数，以便在后续工程应用中直接调用和应用；用户可以通过数据库的查询功能，根据传感器标识或特定测试条件，即时获取所需的参数数据，从而在工程应用和科研实验中利用这些信息优化传感器性能，提高其应用效果和精度。