CN109743103B

CN109743103B - 基于elm的fbg传感网络节点故障修复方法

Info

Publication number: CN109743103B
Application number: CN201910102534.8A
Authority: CN
Inventors: 江灏; 周清旭; 陈静; 缪希仁
Original assignee: Fuzhou University
Current assignee: Fuzhou University
Priority date: 2019-02-01
Filing date: 2019-02-01
Publication date: 2021-07-27
Anticipated expiration: 2039-02-01
Also published as: CN109743103A

Abstract

本发明涉及一种基于ELM的FBG传感网络节点故障修复方法，通过分析FBG传感网络节点之间相关性，采集节点的历史数据作为采样向量，运用极限学习机进行训练，构建所有节点的冗余模型，利用节点的冗余模搭建节点故障实时在线监测系统。通过光谱仪将采集到的FBG传感网络所由节点数据输入到故障监测系统中，对FBG传感网络进行故障诊断，并实时在线修复，提高FBG传感网络的生存能力和使用寿命。

Description

基于ELM的FBG传感网络节点故障修复方法

技术领域

本发明涉及光纤光栅领域，尤其涉及一种基于ELM的FBG传感网络节点故障修复方法。

背景技术

布拉格光纤光栅(FBG)传感器最近几年光纤传感技术领域的研究热点，也是进行应力和温度测量的有力竞争者。它们有许多先进性优于传统的传感器，如：灵敏度高、防电磁干扰、耐腐蚀、避免接地回路、带宽大、和远程操控能力等，包括在高温下对微应力的有效测量。基于光栅的传感器的出现对各种的应用都十分有用，由于布拉格光栅体积小且耐腐蚀，可以方便地埋入材料的成分中，检测和测量诸如负载水平、应力、温度和振动等参数，从中可以评估结构的健康状况和追踪建筑物的实时偏差。在恶劣环境或超大型的结构中，对准分布式传感器可靠的运行能力的需要日益增加。虽然FBG具有较长的使用寿命，但是光纤光栅传感器长期工作在野外，受到外界恶劣环境影响，加上施工技术和结构设计的局限，FBG传感器不可避免出现不同程度的性能蜕化现象。当FBG传感器出现故障问题，将会直接对结构健康监测系统造成不利影响：一方面，局部FBG性能衰退光谱畸变，导致系统采集的数据异常，无法为安全评价环节提供客观、准确的原始信息，从而使监测系统对监测结果产生错误判断，甚至对结构健康状况发出误报警或漏报警，最终威胁人民群众的生命财产安全。另一方面，FBG传感器通常是以网络形式大规模埋嵌到结构中，若更换单个FBG传感器需要破坏整个结构，甚至需要更换整条光缆，势必会造成巨大的经济损失。因此，FBG传感网络中节点故障影响传感网络的可靠性问题开始引起人们的高度重视。

目前，有关FBG传感网络中节点故障自修复主要集中在通过改变传感网络的拓扑结构或者在拓扑结构中引入光开光等方法。Peng-Chun Peng等人首先提出了一种基于可调谐多端口光纤激光器的强度和波分复用的环形拓扑结构网络，该拓扑结构能够判断故障点位置并能实现简单的自修复功能。在环形拓扑结构基础上，Peng-Chun Peng等人又相继提出引入光开关的环形、星形-环形、星形-总线-环等网络拓扑结构。其他学者也相继提出了星形-总线-环形、耦合链阵列、星形环形被动式、多个环形结构、三角形-星形拓扑等网络拓扑结构。特殊拓扑结构设计不仅直接增加FBG传感网络的复杂度和系统成本，而且额外增加的光开关和链路结构也同样增加了长期工作中发生故障的新隐患；另外，上述大部分研究仅仅针对FBG节点损坏和光纤线路断裂故障，而没有考虑到在FBG性能退化过程中，即使尚未断裂也会存在因光谱畸变导致的网络失效问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于ELM的FBG传感网络节点故障修复方法。

为实现上述目的，本发明采用如下技术方案：

一种基于ELM的FBG传感网络节点故障修复方法，包括以下步骤：

步骤S1：采集FBG传感网络所有节点数据；

步骤S2:根据得到的节点数据，通过挖掘节点之间的相关性，划分出每个节点的邻域节点；

步骤S3:根据得到的每个节点的邻域节点，提取邻域节点数据；

步骤S4:根据得到的邻域节点数据，结合极限学习机，构建冗余模型，并对所有节点进行冗余模型训练，得到每个节点训练好的冗余模型；

步骤S5:利用FBG节点的测量值和冗余模型的计算值的差值对模型参数的进行调整，得到所有节点调整后的冗余模型；

步骤S6:根据所有节点调整后的冗余模型，对FBG传感网络节点故障实时在线监测和修复。

进一步的，所述节点数据包括对FBG传感网络施加应力来获取的所有节点的波长变化值。

进一步的所述步骤S2具体为:

步骤S21:基于数据相关图理论，筛选出每个节点的强相关邻域节点,采用如下公式，计算每个节点之间的相关性的大小:

其中m为节点总数，n为砝码加载点总数，b为节点数据，b_i和b_j分别为i节点和j节点的节点数据，1≤i≤m，1≤j≤m；

m个节点传感器经过计算得到一个m×m的矩阵ρ_ij；

步骤S22:对矩阵进行归一化处理，得到每个节点FBG之间的相关性大小。

进一步的，所述步骤S3具体为：

步骤S31:根据相关性的大小，得到每个节点的强相关邻域节点；

步骤S32:将节点和节点的强相关领域节点作为领域节点数据。

进一步的，所述步骤S4具体为：

步骤S41:基于极限学习机，构建冗余模型，极限学习机的神经网络结构中隐含层为一层，且输入层与隐含层间的连接权值及隐含层神经元的阈值随机产生；

步骤S42:根据得到的领域节点数据，分成训练集和数据集；

步骤S43:用训练集完成冗余模型的训练，采用如下式训练

其中L为ELM模型隐含层节点数；β_i为输出权重矩阵；

为网络权重矩阵；b_i(i＝1,2,3,...L)为偏置量；g(x)为激活函数，

为训练数据；并用测试集来验证训练后冗余模型的正确率；

步骤S44:得到所有节点训练好的冗余模型。

进一步的，所述步骤S6具体为：

步骤S61:采集需要监测的FBG传感网络所有节点光谱数据，然后将节点数据输入解调系统中得到节点的波长值λ_i(i＝1,2,3,…,n)，即可以得到节点的波长变化值Δλ_i(i＝1,2,3,...,n)；

步骤S62:将节点变化值Δλ_i(i＝1,2,3,...,n)分别输入到对应节点训练好的冗余模型中，得到节点波长计算值λ_Ei(i＝1,2,3,...,n)；

步骤S63:对比λ_i和λ_Ei(i＝1,2,3,...,n)是否相等，若相等，则说明节点正常，若不相等，则说明节点发生故障，解调出的波长值λ_i(i＝1,2,3,...,n)错误，采用节点训练好的冗余模型计算得到波长值λ_Ei(i＝1,2,3,…,n)代替故障节点继续工作。

本发明与现有技术相比具有以下有益效果：

本发明通过光谱仪将采集到的FBG传感网络所由节点数据输入到故障监测系统中，对FBG传感网络进行故障诊断，并实时在线修复，提高FBG传感网络的生存能力和使用寿命。

附图说明

图1是本发明节点冗余模型构建机制图；

图2是本发明实施例中布拉格光纤光栅传感网络节点实验结构图；

图3是本发明实施例中布拉格光纤光栅网络节点强相关邻域节点图；

图4是本发明实施例中极限学习机神经网络机构图；

图5是本发明实施例中布拉格光纤光栅传感网络节点故障监测系统图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

布拉格光纤光栅的反射光谱是一个窄带光谱，其尖峰的中心波长被称为布拉格波λ_B。布拉格波长λ_B取决于光纤光栅的有效折射率n_eff和光栅周期Λ，布拉格方程给出。当光纤光栅受到应力或温度影响时，有效折射率n_eff和光栅周期Λ会发生不同程度的改变，从而引发布拉格波长λ_B的漂移。只要测量出这个波长漂移就可以间接测量出传感参量的值。任何使有效折射率n_eff和光栅周期Λ发生改变的物理过程都将引起光栅布拉格波长的漂移，光纤光栅的一系列传感应用正是基于这个物理原理设计。在所有引起光纤光栅布拉格波长漂移的外界因素中，最直接的是应力和温度参量，这两个参量与布拉格波长漂移的关系是线性的，而且是同时作用的。其传感方程可以表示如下:

其中ε是应力的变化，ΔT是温度的变化，K_ε是应变敏感系数，K_T是温度敏感系数。在此基础上具体分析和推导各类传感应用原理。

请参照图1，本发明提供一种基于ELM的FBG传感网络节点故障修复方法，包括以下步骤：

步骤一：采集各节点的历史时序数据构成采样向量。FBG传感器可以用于检测应力和温度，所以构造如图2所示的FBG传感网络节点实验结构系统，对FBG传感网络施加应力来获取所有节点的波长变化值作为采样向量。

本发明采用的铝板大小、FBG传感器的数量和砝码的重量以及应用的场景不限。本实施例，铝板的面积大小为300mm×300mm，FBG传感网络节点的数量为m个，实验中所加载荷为200N的砝码，沿着x轴和y轴每间隔20mm加载一个点，并记录m个FBG传感器波长的变化值,共16×16＝196组数据。对于同一个FBG加载点的不同，波长变化量不同。对于不同的FBG，加载在同一点，波长的变化量也不同。每一个FBG节点在200N砝码加载196点之后有196个波长变化值，这196组数据构成一个向量b，m个节点就有m个向量b_i(1≤i≤m)。

步骤二：准确衡量节点间的相关性，得到每个节点的邻域关联节点。基于数据相关图理论，筛选出每个节点的强相关邻域节点。采用如下公式，计算每个节点之间的相关性的大小。

其中

m个节点传感器经过计算得到一个m×m的矩阵ρ_ij，对矩阵进行归一化处理，即得到每个节点FBG之间的相关性大小。根据相关性的大小，选出每个节点的强相关邻域节点。

步骤三：提取邻域节点数据，作为训练数据。

如图3所示：本实施例，经过相关性矩阵，选择出与节点相关性高的节点共4个。因此节点i和4个节点的波长变化值向量b₁,b₂,b₃,b₄,b_i构成训练数据，共196组数据，每组数据中节点i的波长变化值作为输出值，4个节点的波长变化值作为输入值。

步骤四：采用极限学习机(ELM)进行为每个节点进行冗余模型训练，得到每个节点训练好的冗余模型。

如图4所示：ELM神经网络结构中隐含层一层，且输入层与隐含层间的连接权值及隐含层神经元的阈值随机产生，且在训练过程中无需调整，只需设置隐含层神经元的个数。如图3中所示：节点i和其相关性高的4个节点，采用5个节点构造的训练数据训练节点i的冗余模型。输入层神经元的个数n＝4，输入值是邻域中4个节点的波长变化值，隐含层神经元的个数随机产生，输出层神经元的个数为1，输出值为待训练冗余模型节点i的波长变化值。采用如下式训练。

其中L为ELM模型隐含层节点数；β_i为输出权重矩阵；

为网络权重矩阵；b_i为偏置量；g(x)为激活函数，

为训练数据。将训练数据分成训练集和测试集，用训练集完成模型的训练，用测试集来验证模型的正确率。依次类推，得到所有节点训练好的冗余模型。通过计算冗余模型可以获得节点的波长变化值，即可得到节点波长值。

步骤五：在线调整模型参数。

ELM学习机的输入权重

和偏置量b_i和隐含层神经元的个数都是随机产生的。参数的设定影响训练模型的准确率，因此引入反馈系统，将FBG节点的实际波长测量和节点冗余模型的计算量的差值引入到模型参数调整中，不断提高冗余模型的泛化能力。

步骤六：FBG传感网络节点故障实时在线监测和修复。

假设FBG传感网络中的FBG节点个数为n，首先采集所有传感器均完好时候的实验数据，经过步骤一到五，采用实验数据训练得到所有节点的ELM冗余模型，利用训练好的节点冗余模型对FBG传感网络节点故障进行在线监测和修复。如图5所示：采集需要监测的FBG传感网络所有节点光谱数据，然后将节点数据输入解调系统中得到节点的波长值λ_i(i＝1,2,3,…,n)，即可以得到节点的波长变化值Δλ_i(i＝1,2,3,…,n)。将节点变化值Δλ_i(i＝1,2,3,…,n)分别输入到相应的节点冗余模型中，得到节点波长计算值λ_Ei(i＝1,2,3,…,n)。对比λ_i和λ_Ei(i＝1,2,3,…,n)是否相等，若相等，则说明节点正常，若不相等，则说明节点发生故障，解调出的波长值λ_i(i＝1,2,3,…,n)错误，采用节点冗余模型计算得到波长值λ_Ei(i＝1,2,3,...,n)代替故障节点继续工作。实现对FBG传感网络中所有节点的实时在线故障诊断和修复，提高FBG传感网络的生存能力和使用寿命。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。