CN101344439A - 一种光纤温度测量装置的构建方法 - Google Patents

Abstract

一种光纤温度测量装置的构建方法，用来构建适用于高压电力设备，并且具有较好的动态性能和测量精度以及较低的制造成本的温度测量装置。它由半导体吸收式光纤温度传感器(2)和神经网络逆动态补偿器(3)串联构成；半导体吸收式光纤温度传感器(2)用来完成被测点温度到光电转换电压的转换；神经网络逆动态补偿器(3)由微分器(31)和静态神经网络(32)构成，并由单片机及其外围设备实现，用来得到动态补偿结果，完成对光电转换电压的动态补偿，提高温度测量的精度和动态性能。

Description

一种光纤温度测量装置的构建方法

技术领域

本发明涉及一种光纤温度测量装置的构建方法，具体采用半导体吸收式光纤温度传感器加神经网络逆动态补偿器串联构成光纤温度测量装置，适用于高压电力设备的温度测量，属于温度测量的技术领域。

背景技术

实时温度测量对于保障电力设备安全运行起着至关重要的作用。但是对于高压电力设备特别是万伏以上的电力设备来说，由于高压和强电磁环境的存在，对所使用的温度传感器提出了极高的要求，它要求温度传感器具有良好的绝缘性和抗电磁干扰的能力，同时具有较高的测量精度和较好的动态性能，因此常规的热电阻等传感器无法使用。

考虑到光纤的良好的绝缘性以及光不受工频电磁场影响的特性，因此基于光传输的各种光纤温度传感器，就非常适合在这里使用。在各种光纤温度传感器中，半导体吸收式光纤温度传感器由于结构简单，制造成本低且容易加工，因此最为实用。它利用半导体的光吸收随温度变化而变化的原理，以砷化镓半导体作为敏感元件，以光纤作为传输介质，以红外激光管和光电二极管分别作为光源和光电转换元件构成。由于砷化镓对红外光的吸收程度随着温度升高而增加，透过砷化镓的光强减小，因而通过检测透过砷化镓的光强，即可得到被测点温度的信息。

但是，这种传感器存在测量精度较低，响应滞后时间较长等问题。因此人们对这种传感器作了各种改进，提出了诸如“双光路参考法”，“双光源参考法”等改进方案，取得了一定的成果。由于传感器所采用的玻璃光纤或石英光纤价格较高，而这些改进方案都是从硬件上着手，会使设备非常复杂，并且使制造成本大为增加，不适合在很多常规的电力设备上的应用。而采用本发明的方法构建的光纤温度测量装置(由半导体吸收式光纤温度传感器和它的神经网络逆动态补偿器构成)可以在不增加硬件成本的情况下，通过软件补偿的方法，改善原有的光纤温度传感器的动态性能，提高测量精度。

发明内容

技术问题：本发明的目的是提供适用于高压电力设备，并且具有较好的动态性能和测量精度以及较低的制造成本的一种光纤温度测量装置的构建方法。

技术方案：本发明的光纤温度测量装置，由半导体吸收式光纤温度传感器加神经网络逆动态补偿器串联的方法构建。

半导体吸收式光纤温度传感器由一个红外发射装置，一片半导体砷化镓片，两条多模玻璃光纤(一条入射光纤，一条出射光纤)和一个光电转换装置组成。红外发射装置发出恒定的红外光，进入入射光纤到砷化镓片，并被砷化镓片按照被测点温度u进行强度调制，剩余的光通过出射光纤传输到光电转换装置，转换成相应的光电转换电压y。

半导体吸收式光纤温度传感器的动态方程为 $f(y,\stackrel{\·}{y},u)=0.$ 根据逆系统理论，可得到逆系统动态补偿器的动态方程为 $\hat{u}=q(y,\stackrel{\·}{y}).$

其中，u表示被测温度，y表示光电转换电压，表示光电转换电压的导数，

表示逆系统动态补偿器的输出，即动态补偿结果，f表示半导体吸收式光纤温度传感器所满足的函数关系，q表示逆系统动态补偿器所满足的函数关系，f和q都是静态的非线性函数。

按照逆系统动态补偿器的动态方程 $\hat{u}=q(y,\stackrel{\·}{y}),$ 逆系统动态补偿器由一个微分器和一个静态非线性函数构成，其中静态非线性函数由静态神经网络实现，形成了由微分器和静态神经网络所构成的神经网络逆动态补偿器。

该光纤温度测量装置半导体吸收式光纤温度传感器和神经网络逆动态补偿器串联构成；半导体吸收式光纤温度传感器的输入端为光纤温度测量装置的输入端，用来测量被测点温度，半导体吸收式光纤温度传感器的输出端接神经网络逆动态补偿器中的微分器的输入端和静态神经网络的第一个输入端，微分器的输出端接静态神经网络的第二个输入端，静态神经网络的输出端为光纤温度测量装置的输出端，输出动态补偿结果

。

静态神经网络为一个输入层节点数为2、隐含层节点数为5、输出层节点数为1的三层前馈网络。各节点之间的连接权系数的确定方法为首先进行温度实验，采集实验数据，具体用一个调压器供电的大功率电阻作为热源，用一个高精度温度传感器来采集真实的被测点温度u，通过调节大功率电阻上的电压，获得一系列的被测点温度u，并从半导体吸收式光纤温度传感器的输出端获得相应的光电转换电压y，数据记录间隔取为2秒。然后对高精度温度传感器采集的被测点温度u，进行五点平均滤波，滤除测量噪声，对获得的光电转换电压y也进行五点平均滤波，再用五点求导法得到光电转换电压的导数

最终形成用来确定静态神经网络的各连接权系数的训练样本集

基于获得的数据所构成的训练样本集，对静态神经网络进行训练，确定静态神经网络的各连接权系数。

在本发明中，采用单片机及其外围设备来实现神经网络逆动态补偿器。其中，微分器通过单片机的五点求导运算模块实现，静态神经网络通过单片机的静态神经网络运算模块实现，光电转换电压y通过AD转换器转换成相应的数字量，并以中断方式读入单片机，单片机对读入的光电转换电压进行五点平均滤波后，再进行神经网络逆动态补偿(包括五点求导和静态神经网络运算)，得到半导体吸收式光纤温度传感器的动态补偿结果，并通过显示单元输出，同时根据动态补偿结果是否越限驱动报警单元输出相应的报警信息。

单片机程序包括主程序和两个中断服务程序。单片机主程序先进行初始化，然后进入输出与故障诊断的循环，如果接收到主程序结束命令，则结束主程序。输出包括动态补偿结果输出和报警信息输出，用来将显示单元存储器中存储的动态补偿结果和报警标志位中存储的报警标志信息分别输出到显示单元和报警单元。主程序在进行输出与故障诊断的循环时，按一定时间间隔运行定时神经网络逆动态补偿中断服务程序，如果定时时间到，则进入定时神经网络逆动态补偿中断服务程序，如果出现故障，则运行异常中断服务程序。定时神经网络逆动态补偿中断服务程序的处理流程为：首先对主程序进行现场保护，再通过AD转换器采集光电转换电压y，并对数据进行五点平均滤波处理，接下来对滤波后的数据进行五点求导和静态神经网络运算得到动态补偿结果，并把动态补偿结果存储到显示单元的存储器中，同时判断动态补偿结果是否越限，如果越限，则把报警标志信息存储到报警标志位中，否则把报警标志位清零，最后恢复现场并返回主程序。

有益效果：本发明的原理是通过构造半导体吸收式光纤温度传感器的神经网络逆动态补偿器，并将其串联在原传感器之后，构成一个复合式的光纤温度测量装置。它依据半导体吸收式光纤温度传感器的完整非线性模型，经过严格的逆系统理论的数学推导，得到了逆系统动态补偿器的模型，并用静态神经网络加微分器的方法来构造该逆系统动态补偿器——称之为神经网络逆动态补偿器。由于神经网络逆动态补偿器的补偿作用，所设计的光纤温度测量装置具有较好的动态性能和测量精度。

本发明的优点是：

①采用半导体砷化镓片对光的吸收和温度有关的原理，通过光纤传输光信号，绝缘性好，不受强电磁环境干扰，适合在高压电力设备中的应用。

②通过在半导体吸收式光纤温度传感器之后串联神经网络逆动态补偿器构成复合的温度测量装置，具有良好的动态性能和较高的测量精度。

③逆系统动态补偿器的设计经过严格的逆系统理论的数学推导，从原理上保证了动态补偿器的补偿效果。并且推导依据半导体吸收式光纤温度传感器的完整非线性模型，适用于系统的整个工作区间。

④采用静态神经网络加微分器的结构来实现逆系统动态补偿器，用静态神经网络实现复杂非线性函数运算，避免传感器的某些参数的不精确导致补偿器建立的不准确，并且在实际应用中，可以不需要得到传感器的精确的数学模型(只需要大致的形式上的数学模型)，不用解出逆系统的解析表达式，克服了传统解析逆系统方法对模型的强依赖性，易于工程实现。

⑤通过单片机来数字实现神经网络逆动态补偿器，不需要对传感器本身进行结构性改造即可构成一个经济实用的光纤温度测量装置，硬件投资低。

附图说明

图1是光纤温度测量装置1的组成结构示意图，它由半导体吸收式光纤温度传感器2和神经网络逆动态补偿器3串联构成。

图2是半导体吸收式光纤温度传感器2的内部构成图。

图3是给出了神经网络逆动态补偿器内部结构的光纤温度测量装置1的结构图，其中，神经网络逆动态补偿器3由微分器31和静态神经网络32构成。

图4是静态神经网络的结构示意图。

图5是训练静态人工神经网络32的结构框架图，通过训练，可使静态神经网络32输出的

与训练样本集中的u的差e趋向于零。

图6是光纤温度测量装置的硬件结构图，其中神经网络逆动态补偿器3由单片机42及其外围设备实现。

图7是单片机42的程序框图。

具体实施方式

本发明的实施方案是：采用半导体吸收式光纤温度传感器2加神经网络逆动态补偿器3构成复合式的光纤温度测量装置1，半导体吸收式光纤温度传感器2的输入端为光纤温度测量装置1的输入端，用来测量被测点温度u，半导体吸收式光纤温度传感器2的输出端接神经网络逆动态补偿器3的输入端，神经网络逆动态补偿器3的输出端为光纤温度测量装置1的输出端，输出动态补偿结果

(如图1所示)；神经网络逆动态补偿器3由微分器31和静态神经网络32实现(如图3所示)；具体采用单片机42及其外围设备来实现神经网络逆动态补偿器3(如图6所示)。

具体实施分为以下5步：

1、构造半导体吸收式光纤温度传感器。如图2所示，半导体吸收式光纤温度传感器由红外发射装置21，传感头23，两条0.5mm芯径的多模玻璃光纤(一条入射光纤22，一条出射光纤24)和光电转换装置25组成。红外发射装置21由供电电流恒定的红外激光管和相关电路组成，能发射恒定的红外光，并通过入射光纤22进入传感头23到砷化镓片232；砷化镓片232的外部套有聚四氟乙烯套管231，以固定光纤的连接，同时实现砷化镓片232与高压强电磁环境的隔离；砷化镓片232在不同的被测点温度u，对红外光有不同的吸收量，透过砷化镓的剩余红外光也不同；透过砷化镓片232的剩余红外光通过出射光纤24传输到光电转换装置25；光电转换装置25由光电二极管及相关电路构成，能实现光电转换，得到光电转换电压y。

2、通过分析与推导，得到半导体吸收式光纤温度传感器的逆系统动态补偿器的结构形式，为神经网络逆动态补偿器的构造提供方法上的依据。

半导体吸收式光纤温度传感器2的数学模型可用下面的方程描述：

$\frac{A\left(y\right)+\sqrt{A^2\left(y\right)+4\mathrm{\γ\βA}\left(y\right)}}{2\mathrm{\γ}}+\frac{\mathrm{\τ}[1+\frac{(2A\left(y\right)+4\mathrm{\γ\β})}{2\sqrt{A^2\left(y\right)+4\mathrm{\γ\βA}\left(y\right)}}]\ln \frac{y}{k{I}_0{(1-R)}^2}}{\mathrm{\γ}{\mathrm{\α}}_0^2{l}^{2}y}\stackrel{\·}{y}-u---\left(1\right)$

$=f(y,\stackrel{\·}{y},u)=0$

其中u表示被测点温度，y表示光电转换电压，

表示光电转换电压y的导数；A(y)表示 ${\left(\frac{\ln \frac{y}{k{I}_0{(1-R)}^2}}{{\mathrm{\α}}_{0}l}\right)}^2+E_g\left(0\right)-\mathrm{hv};$

是半导体吸收式光纤温度传感器2所满足的方程的简化表示；其他的符号均表示常数，I₀为入射光强，R为砷化镓片的反射率，h为普朗克常数，v为入射红外光的频率，E_g(0)为砷化镓在绝对零度的能带，α₀，β，γ为与砷化镓半导体特性有关的经验常数，l为砷化镓片的厚度，k为光电转换系数，τ为传感头的时间滞后常数。

易验证 $\frac{\∂f}{\∂u}=-1\≠0,$ 根据反函数存在性定理，式(1)所描述的系统可逆，其逆系统可表示为：

$\hat{u}=q(y,\stackrel{\·}{y})---\left(2\right)$

式(2)所示的逆系统即为式(1)所示的半导体吸收式光纤温度传感器的逆系统动态补偿器的数学模型，式中q为一个非线性函数，是原函数f的逆函数，表示逆系统的输出，即逆系统的动态补偿结果。

需要说明的是，这一步仅为以下的神经网络逆构造与训练提供方法上的依据，在本发明的具体实施中，这一步(包括分析传感器模型的可逆性以及得到动态补偿器数学模型)可以跳过。

3、构造神经网络逆动态补偿器。

根据式(2)所示的逆系统动态补偿器的数学模型，逆系统动态补偿器由一个微分器和一个静态非线性函数构成，其中微分器用来得到y的导数

静态非线性函数用来实现非线性函数映射q。

静态非线性函数由静态神经网络32实现，静态神经网络32与微分器31即构成了神经网络逆动态补偿器3(如图3所示)。静态神经网络32具体采用3层的前馈网络(如图4所示)，输入层节点数为2，隐含层节点数为5，输出层节点数为1，隐含层神经元的激活函数选为tangent sigmoid函数 $a\left(x\right)=\frac{e^x-e^{-x}}{e^x+e^{-x}},$ 输出层的激活函数选为纯线性函数a(x)＝x，静态神经网络32的各节点之间的连接权系数将在具体实施方案第4步中确定。

神经网络逆动态补偿器3的连接如图3所示，其中，神经网络逆动态补偿器3的输入端接半导体吸收式光纤温度传感器2的输出端，微分器31的输入端为神经网络逆动态补偿器3的输入端，静态神经网络32的第一个输入端“I1”也为神经网络逆动态补偿器3的输入端，静态神经网络32的第二个输入端“I2”接微分器31的输出端，神经网络逆动态补偿器3的输出端为静态神经网络32的输出端。

4、确定静态神经网络的各结点之间的连接权系数。此步分为以下三步：

①进行温度实验，采集实验数据。用一个调压器供电的大功率电阻作为热源，用一个高精度温度传感器来采集真实的被测点温度u。通过调节大功率电阻上的电压，获得一系列的不同变化规律的被测点温度u，同时从半导体吸收式光纤温度传感器2的输出端获得相应的光电转换电压值y，以2秒为间隔记录这些数据。

②处理数据，形成用来确定静态神经网络32的各连接权系数的训练样本集。对采到的光电转换电压y进行五点平均滤波，然后用五点求导法求出光电转换电压的导数

。对高精度温度传感器采集的被测点温度u，也经过五点平均滤波。这样，就滤除了测量噪声，构成了可用来确定静态神经网络32的各连接权系数所需要的训练样本集

③训练静态神经网络32确定其连接权系数。训练静态神经网络的结构框架如图5所示，训练采用LM(Levenberg-Marquart)算法，训练800次后，训练样本集中的u与静态神经网络32的输出的

的均方误差小于0.0001，满足要求，从而确定了静态神经网络32的各连接权系数。

5、实现神经网络逆动态补偿器，构成光纤温度测量装置。

神经网络逆动态补偿器3可根据不同的测量要求采用不同的硬件和软件来实现它，这里，神经网络逆动态补偿器3具体采用单片机42及其外围设备实现(如图6所示)，微分器31通过单片机42的五点求导运算模块实现，静态神经网络32通过单片机42的静态神经网络运算模块实现。光电转换电压y通过AD转换器41转换成相应的数字量，并以中断方式读入单片机42，单片机42对读入的光电转换电压y进行五点平均滤波后，再进行神经网络逆动态补偿(包括五点求导运算和静态神经网络运算)，得到动态补偿结果并通过显示单元43输出，同时根据动态补偿结果是否越限驱动报警单元44输出相应的报警信息。

单片机程序包括主程序和两个中断服务程序。单片机主程序先进行初始化，然后进入输出与故障诊断的循环，如果接收到主程序结束命令，则结束主程序。输出包括动态补偿结果输出和报警信息输出，用来将显示单元存储器中存储的动态补偿结果和报警标志位中存储的报警标志信息分别输出到显示单元43和报警单元44。主程序在进行输出与故障诊断的循环时，按一定时间间隔运行定时神经网络逆动态补偿中断服务程序，如果定时时间到，则进入定时神经网络逆动态补偿中断服务程序，如果出现故障，则进入异常中断服务程序。定时神经网络逆动态补偿中断服务程序的处理流程为：首先对主程序进行现场保护，再通过AD转换器41采集光电转换电压y，并对数据进行五点平均滤波处理，接下来对滤波后的数据进行神经网络逆动态补偿(包括五点求导运算和静态神经网络运算)，得到动态补偿结果，并把动态补偿结果存储到显示单元43的存储器中，同时判断动态补偿结果是否越限，如果越限，则把报警标志信息存储到报警标志位中，否则把报警标志位清零，最后恢复现场并返回主程序。(如图7所示)

如图6所示，将单片机42及其外围设备实现的神经网络逆动态补偿器串联在具体实施步骤第1步中构造的半导体吸收式光纤温度传感器2之后，即可构成一个具体可用的光纤温度测量装置。

根据以上所述，即可实现本发明。

Claims (3)

1.一种光纤温度测量装置的构建方法，其特征在于：该光纤温度测量装置(1)由半导体吸收式光纤温度传感器(2)和神经网络逆动态补偿器(3)串联构成；半导体吸收式光纤温度传感器(2)的输入端为光纤温度测量装置(1)的输入端，用来测量被测点温度(u)，半导体吸收式光纤温度传感器(2)的输出端接神经网络逆动态补偿器(3)中的微分器(31)的输入端和静态神经网络(32)的第一个输入端(I1)，微分器(31)的输出端接静态神经网络(32)的第二个输入端(I2)，静态神经网络(32)的输出端为光纤温度测量装置(1)的输出端，输出动态补偿结果(

)。

2.根据权利要求1所述的一种光纤温度测量装置的构建方法，其特征在于：所述静态神经网络(32)为输入层节点数为2，隐含层节点数为5，输出层节点数为1的三层前馈网络，各节点之间的连接权系数的确定方法为：首先用一个调压器供电的大功率电阻作为热源，用一个高精度温度传感器来采集真实的被测点温度(u)，通过调节大功率电阻上的电压，获得一系列的被测点温度(u)，并从半导体吸收式光纤温度传感器(2)的输出端获得相应的光电转换电压(y)，数据记录间隔取为2秒；然后对高精度温度传感器采集的被测点温度(u)，进行五点平均滤波，对获得的光电转换电压(y)也进行五点平均滤波，再用五点求导法得到光电转换电压的导数，最终形成用来确定静态神经网络(32)的各连接权系数的训练样本集{{y，}，u}；基于获得的数据所构成的训练样本集{{y，

}，u}，对静态神经网络(32)进行训练，确定静态神经网络(32)的各连接权系数。

3.根据权利要求1所述的一种光纤温度测量装置的构建方法，其特征在于：神经网络逆动态补偿器(3)采用单片机(42)及其外围设备实现；光电转换电压(y)通过AD转换器(41)转换成相应的数字量，并以中断方式读入单片机(42)，单片机(42)对读入的光电转换电压(y)进行五点平均滤波后，进行神经网络逆动态补偿，得到动态补偿结果并通过显示单元(43)输出，同时根据动态补偿结果是否越限驱动报警单元(44)输出相应的报警信息。

Images