基于深度学习方法的EFPI-FBG传感器温度与压力双参数解调技术

《Optics and Lasers in Engineering》:Dual-parametric demodulation of temperature and pressure for EFPI-FBG sensors based on deep learning methods

【字体: 大 中 小 】 时间:2025年12月05日 来源:Optics and Lasers in Engineering 4.2

编辑推荐:

  李亚春|刘斌|肖双|王一群|尼古拉·乌沙科夫|刘雷|王岩|余磊中国黑龙江省哈尔滨市150001,哈尔滨工程大学信息与通信工程学院摘要本文提出了一种基于深度学习的用于外置法布里-珀罗干涉仪和光纤布拉格光栅传感器的温度与压力双参数光谱解调方法,有效降低了参数间串扰的影响。研究设计了一

  
李亚春|刘斌|肖双|王一群|尼古拉·乌沙科夫|刘雷|王岩|余磊
中国黑龙江省哈尔滨市150001,哈尔滨工程大学信息与通信工程学院

摘要

本文提出了一种基于深度学习的用于外置法布里-珀罗干涉仪和光纤布拉格光栅传感器的温度与压力双参数光谱解调方法,有效降低了参数间串扰的影响。研究设计了一项实验,通过压力控制器和温度箱调节参数值,收集了36组光谱数据。随后对这些数据集进行分类处理,并用于训练基于密集卷积网络的双分支特征提取神经网络。最终结果显示,温度和压力的平均绝对误差分别为0.907℃和0.035MPa,解调一个光谱仅需0.38毫秒。此外,该神经网络模型具备泛化能力,能够为未知光谱提供可靠的解调结果。本研究实现了实时且精确的双参数解调。由于深度学习算法能够从原始光谱中提取信息并自动学习光谱的复杂特征,预计未来即使面对更复杂的光谱,该方法也能保持良好的解调性能,从而实现更精确的参数测量。

引言

在许多应用领域中,准确测量高温条件下的压力至关重要,这些应用包括航空航天、矿业开采、油井勘探、汽车制造等工业场景,以及核电站和发电厂的运行[1]、[2]、[3]。传统的压力传感器通常采用压电式、压阻式或电容式机制,但其耐高温性能受到电气结构限制[4]。与电气传感器不同,光纤传感器由于其被动前端特性,具有更强的抗电磁干扰能力。其中,利用微机电系统技术制成的外置法布里-珀罗干涉仪传感器具有较高的耐高温性,其性能完全取决于构成材料的特性。这类传感器还具有体积小、重量轻等优点,非常适合在狭小空间或极端环境中使用[5]。例如,蓝宝石法布里-珀罗压力传感器以及基于游标效应的MEMS-FP结构能够在高达1000℃的环境中正常工作[6]、[7]。
对于光纤高温压力传感器而言,由于弹性模量、尺寸、折射率等材料属性会在高温下发生变化,因此其灵敏度也会随之改变。所以,有必要同时测量温度以补偿由温度变化引起的误差。一种常见的方法是将在FP压力传感器串联一个温度敏感传感器结构。目前常用的两种结构为FP腔体和光纤布拉格光栅结构。近年来还出现了一些新的结构设计。2021年,王X提出了一种全硅双腔体传感器,旨在消除键合界面处的热应力[8];而2024年,王S则利用vernier效应和螺旋结构来提升灵敏度并减少串扰[9]。
与串联式FP腔体结构相比,基于EFPI-FBG的传感器具有制造工艺更简单、光谱响应更直观等优点。1996年,费雷拉首次提出了基于低精度腔体和布拉格光栅的测量方法[10]。2002年,康H-K利用FP-FBG实现了温度和应变的同步测量[11]。同年,饶YJ将这种结构的应用扩展到三维材料应变和温度的测量上[12]。近年来,人们通过引入圆锥形FBG和球形EFPI、3D打印技术、新的校准方法、基于PI管的传感器以及全蓝宝石EFPI-FBG结构等方式,对EFPI-FBG传感器的结构进行了改进,以此扩大测量范围并提升灵敏度[13]、[14]、[15]、[16]、[17]。
近年来,EFPI-FBG传感器的解调算法也在不断更新。例如,有人开发了扩展型单波长探测系统,用以弥补零漂移带来的检测误差[18]。2012年,布雷默提出了基于反馈的稳定解调技术,但该方法仍存在SWI信号漂移以及无法并行处理参数的缺陷[19];2019年,张W通过分析波长偏移和参数响应特性,提出了用于解调的双参数灵敏度矩阵方法[13]。2022年,宾L提出了两种确定FP腔体长度和FBG中心波长的方法:一种是基于全相位法的频率估算方法,另一种则是利用二次多项式拟合的峰值检索技术[20]。虽然这些方法能在一定程度上降低串扰,但其效果仍有限。
近年来,机器学习和深度学习方法也被应用于信号解调领域。2021年,皮尔指出光学现象与机器学习和深度学习中的隐藏层运算之间存在相似性[21]。同年,阿里夫将机器学习算法引入分布式光纤传感领域,用于数据建模和流量估算[22]。萨尔卡尔则采用多目标集成回归算法来解决FBG结构中的应变与温度串扰问题,但这种方法要求准确记录FBG光谱左右两支的功率和波长,且需要强大的计算能力支持[23]。
深度学习也被应用于光纤传感技术中[5]、[24]、[25]。2023年,刘Z将深度学习技术应用于倾斜布拉格光栅法布里-珀罗传感器,实现了对海水盐度和温度的同时解调,测量范围分别为0‰~176.1‰和31.2℃~54.2℃[26]。陈Y则利用随机森林回归算法实现了对海水温度和压力的同时解调[27]。与传统灵敏度矩阵算法相比,人工智能技术能够大幅降低解调误差。2024年,阿里J将两阶段深度学习技术应用于基于环形的萨格纳克光纤传感系统中,以实现精准定位[28]。
本文提出了一种基于深度学习的EFPI-FBG传感器双参数解调方法。首先设计并制作了EFPI-FBG复合传感器,然后构建了一个双分支深度学习网络,分别从干涉光谱中提取FP结构的压力特征和FBG结构的温度特征,从而实现压力和温度的精确解调。此外,所提出的算法还具备泛化能力,能够在未知样本上保持在可接受的误差范围内实现精确解调。

章节节选

传感器原理

本文中,如图1所示,采用微机电系统技术制作了一种EFPI-FBG混合腔体传感器。该传感器由EFPI和FBG串联组成。在光谱采集过程中,光线从光纤进入,经过FBG滤波器后,在光纤端面以及反射率为4%的反射面上发生反射。这两束反射光f1和f2共同构成了干涉光谱。
参考光为f1,而f2则随着腔体长度的变化而发生调制

深度学习模型

图5展示了本文采用的基础于DenseNet的双分支特征提取模型。当原始光谱数据输入网络后,训练过程会根据需要解调的目标参数激活相应的分支。深度学习在光谱解调中的应用是基于通过迭代学习提取光谱特征的原则:温度特征是从中心波长的变化中提取的,而压力特征则是

单参数预训练

温度和压力数据集分别被输入到对应的神经网络中进行单参数预训练。温度为110℃、压力为2.5MPa的样本未被用于训练和验证,仅作为测试集中的特殊外推样本。两个分支的总体训练和测试结果如图8所示。
在温度解调过程中,模型在第10个训练周期左右即可稳定下来,且没有出现过过拟合现象,显示出良好的数据适应性

结论

本文提出了一种基于深度学习的EFPI-FBG复合传感器双参数解调方法。借助深度学习的特征提取能力,本文提出了一种新方法来解决不同参数之间的串扰问题。该网络采用了双分支特征提取结构与DenseNet架构相结合的方式。在实验验证过程中,还设计了三种适用于不同场景的神经网络结构

CRediT作者贡献说明

李亚春:撰写——审稿与编辑,撰写——初稿,软件开发,项目管理,方法设计,正式分析,数据整理,概念构思。刘斌:撰写——审稿与编辑,资金获取,数据整理,概念构思。肖双:撰写——审稿与编辑,方法设计。王一群:资源提供,概念构思。尼古拉·乌沙科夫:资源提供,项目管理,概念构思。刘雷:可视化处理,结果验证。王岩:撰写——审稿与编辑

利益冲突声明

作者声明,他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究部分得到了中国国家自然科学基金的资助,项目编号为62201170、52001096;部分得到了中国黑龙江省科学基金的支持,项目编号为LH2023F028;还有部分资金来自中央高校基本科研业务费,项目编号为3072024LJ0806。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号