关键词:
光纤Bragg光栅
重叠光谱
畸变光谱
粒子群优化算法
一维卷积神经网络
摘要:
随着光纤传感技术的不断发展,由多种复用方式构成的光纤Bragg光栅(Fiber Bragg Grating,FBG)传感网络被广泛应用于大型工程结构健康检测、周界安防等需要多点监测的领域。然而,随着FBG传感网络传感器复用数目的增多、监测范围的扩大,光谱信号易出现重叠与畸变,这降低了FBG传感网的解调精度。为此,对FBG光谱解调技术的精准度提出了更高的要求。谱形复用技术的引入增加了FBG反射光谱重叠的概率,而当前常用解调方法在重叠光谱上的解调精度有限,故FBG重叠光谱难以实现精准解调的难题制约了FBG传感网的复用能力;此外,受器件性能与噪声等影响,FBG反射光谱会出现畸变,致使FBG传感网的检测精度下降。本文在此背景下,设计了相应的光谱解调方法,以提高FBG传感网的复用能力。本文的研究主要内容包括:第一,针对光谱重叠造成的码间串扰问题,本文首先通过综合考虑故障修复、光谱解调和带宽分配等功能模块,构建了一种具有带宽灵活分配功能的光谱智能解调系统。在此基础上,采用连续小波变换-粒子群优化(Continuous Wavelet Transformation-Particle Swarm Optimization,CWT-PSO)算法解调FBG重叠光谱,并根据光谱重叠程度对光谱信号进行分类及解调。CWT-PSO算法通过缩小粒子的搜索空间以提高解调速率和解调精度。结果分析表明,在解调具有部分重叠与完全重叠的8峰光谱信号时,粒子群算法、动态的粒子群优化算法与CWT-PSO算法的解调时间分别为5.4 s、3.9 s、1.5 s,CWT-PSO算法的解调速率更快。粒子群优化算法、动态的粒子群优化算法与CWT-PSO法在完全重叠光谱处的均方根误差分别为21 pm、3.4 pm、1 pm,CWT-PSO算法解调精度更高,且不易陷入局部最优。第二,针对传统高斯拟合算法受光谱类型影响严重的缺陷,本文首先基于一维卷积神经网络,设计了一种FBG畸变光谱分类算法以识别光谱的畸变类型。在此基础上,设计了自适应噪声完备集合经验模态分解-小波阈值去噪(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN-WTD)基线校正算法,消除信号中的高斯白噪声,并达到基线漂移校正的目的。仿真结果分析表明,基于一维卷积神经网络的畸变光谱分类算法的准确率基本达到了100%,损失值基本接近于0。CEEMDAN-WTD校正算法在基线斜率为1.3,分峰阈值为0.5时,信号存活率可提升66.7%。当基线斜率为0.25时,经验模态分解校正算法与CEEMDAN-WTD校正算法的平均解调精度分别为1.47 pm、0.37 pm,CEEMDAN-WTD校正算法的校正效果更好更稳定。