CN110296725B - 基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法 - Google Patents
基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法 Download PDFInfo
- Publication number
- CN110296725B CN110296725B CN201910617556.8A CN201910617556A CN110296725B CN 110296725 B CN110296725 B CN 110296725B CN 201910617556 A CN201910617556 A CN 201910617556A CN 110296725 B CN110296725 B CN 110296725B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- model
- asymmetric
- demodulation
- fiber bragg
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 151
- 239000000835 fiber Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005070 sampling Methods 0.000 claims description 31
- 230000000877 morphologic effect Effects 0.000 claims description 29
- 230000003287 optical effect Effects 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000000985 reflectance spectrum Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
- G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
- G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
- G01D5/35306—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement
- G01D5/35309—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement using multiple waves interferometer
- G01D5/35316—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement using multiple waves interferometer using a Bragg gratings
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optical Transform (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明涉及一种基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法，利用分布式估计算法构建光纤布拉格光栅（FBG）非对称光谱模型，在FBG的反射光谱受环境影响而发生光谱不对称的情况下完成波长解调工作，本发明既能够满足正常光谱的高精度解调要求，又能够对非对称光谱进行最大限度的解调，增强FBG传感网络对非对称光谱的解调能力。
Description
技术领域
本发明涉及光纤光栅领域，特别是一种基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法。
背景技术
光纤布拉格光栅(Fiber Bragg Grating,FBG)作为新一代传感器，是近年来传感领域的研究热点，被广泛应用于电力工业、土木工程、航天航空、石油化工以及医疗等领域。光纤光栅传感技术具有非电检测、抗电磁干扰、耐高温、零漂移、精度高、体积小等优点，是传统传感器的一个很有前途的替代品。由于光纤布拉格光栅使用的是光而不是电，不受电磁场的影响，易于复用。它们的尺寸和重量可以忽略不计且防水性能强，因此便于埋入材料或结构内部进行无损检测。为了应对大型复杂结构对象的监测需求，光纤光栅传感技术逐渐从单一化向网络化演变，通过组建分布式光纤光栅传感网络可以实现多点多维物理参量的同时探测。
FBG传感技术的早期研究多集中在FBG传感器本身的设计、制作和封装实现方面，而当将传感器构成传感网络用于实际工程时，FBG传感网络不可避免会受到光噪声、测量环境的温度振动等不确定因素的影响，不均匀的应力分布或横向载荷也会给测量过程带来干扰，从而导致FBG反射光谱形变或跳动。严格来讲，FBG谱峰一般情况下都不是标准的对称谱，这些非对称光谱难以被解调，从而使FBG失去了传感能力。对于大规模分布式FBG传感网络，FBG的解调方法是衡量整个传感系统性能的核心技术之一。
对FBG中心波长的解调是FBG传感技术的研究重点。国内外相关研究机构在FBG解调技术方面开展了卓有成就的研究工作，并取得了一些重要进展，但大多关注在解调系统的机理实验和器件研发方面，现有的解调方法很少考虑到分布式传感网络反射谱的多峰、异构、非对称等独有特性，对于复杂大型分布式FBG传感网络并不完全适用。因此，探究FBG多峰、非对称谱的寻峰算法对完善解调方法的适用性、提高解调精度、以及优化串扰和噪声处理能力具有重要意义。
FBG非对称光谱典型特性包括光谱谱峰侧偏、光谱顶部展宽、光谱局部变形等，这些非对称光谱难以被解调，从而使FBG失去了传感能力。因此，增强FBG传感网络对复杂非对称光谱的解调能力对于提升FBG传感网络在实际工程中的传感精度具有非常重要的现实意义。
发明内容
有鉴于此，本发明的目的是提出一种基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法，既能够保证对正常光谱的高精度解调，又能够最大限度地对非对称光谱进行自适应解调。
本发明采用以下方案实现：一种基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法，提供一光纤布拉格光栅传感器非对称光谱解调系统，所述系统包括光纤布拉格光栅、宽带光源、3dB光耦合器、光谱分析仪和计算机；所述光谱分析仪分别与所述3dB光耦合器和所述计算机连接；所述宽带光源产生的入射光经过所述3dB光耦合器进入所述光纤布拉格光栅阵列中，而各所述光纤布拉格光栅的反射光谱经过所述3dB光耦合器进入所述光谱分析仪进行采样处理，经所述光谱分析仪处理后的数据即采样数据最后送入计算机进行解调处理；具体按照以下步骤实现：
步骤S1：对采集到的大量典型非对称光谱，利用聚类分析方法提取出典型非对称光谱特征，将标准的正常光谱对应的高斯模型转变成非对称高斯模型，得到非对称光谱模型；
步骤S2：利用最小化构造光谱和实际采样光谱之间的差异度的原理来进行光纤布拉格光栅解调，构建如下的解调模型：
其中λB,αL,αR为待求的决策变量，R0(λ)为实际需要解调的光纤布拉格光栅传感网络采样光谱数据；在求解该解调模型的同时，还需要辨识出αL,αR这两个形态参数；利用分布式估计算法实现该解调模型对非对称光谱的解调；
步骤S3：所述光纤布拉格光栅的反射光谱通过所述3dB光耦合器进入光谱分析仪进行采样；所述光谱分析仪将得到采样数据发送到所述计算机进行数据处理，得到采样光谱R0(λ)，并将所述采样光谱数据送到分布式估计算法模型中进行解调。
进一步地，步骤S1中所述非对称光谱模型公式如下：引入了左右侧光谱形态参数，用以描述不同特征的光谱变化趋势；
式中αL、αR分别对应于光谱模型中左形态参数和右形态参数；λB为FBG反射光谱的布拉格中心波长；阶数m是控制峰值跨度；I是反射功率；Noise(λ)是光谱的噪声波动量。
进一步地，步骤S3中所述在分布式估计算法模型中进行解调具体包括以下步骤：
步骤S31：根据光谱分析仪采样反射光谱R0(λ)时所获取到的波长λ的范围，在此范围内随机生成中心波长λB，在光谱左形态参数和右形态参数的范围内随机生成αL和αR，αL和αR是大于1的常数，其范围均为[1,+∞]，从而随机产生初始种群S0，其中含有NP个个体，利用所述非对称光谱模型得出每个个体的R(λ,λB,αL,αR)，其中设置m＝2，I＝1，对概率赋初值P0(X)＝0.5，初始化迭代次数t＝1，设置最大迭代次数Tmax；
步骤S32：计算每个个体的适应度函数值
即求出每个个体构造的拟合光谱R(λ,λB,αL,αR)与采样光谱R0(λ)之间的差值，按照适应度值进行从小到大排序，并从中选取M(M≤NP)个优势个体；
步骤S33：以步骤S32中M个优势个体为样本，利用群体增量学习(population-based incremental learning,PBIL)算法模型更新概率模型；更新后的概率模型公式为：Pt+1(X)＝(1-a)Pt(X)+Bt(X)，其中X为种群样本，a为学习率，取0.01～0.1，Pt(X)为当前迭代次数下的概率向量，Bt(X)为当前迭代次数下的种群最优解；
步骤S34：利用步骤S33得到的概率模型采样产生N(N＜NP-M)个新个体，则新一代种群由采样产生的新个体、选择的优势个体和随机产生的初始种群组成，记为St，采用最佳精英主义思想，保留了父代部分优势个体的同时，将劣势个体替换为概率模型产生的新个体；
步骤S35：判断是否达到终止条件，即迭代次数t是否小于Tmax，若是，则执行步骤S32，t＝t+1，若否，则迭代结束；
步骤S36：分布式估计算法输出最优解，得到采样光谱的中心波长值λB、左形态参数αL和右形态参数αR。
与现有技术相比，本发明有以下有益效果：
本发明既能够满足正常光谱的高精度解调要求，又能够对非对称光谱进行最大限度的解调，增强FBG传感网络对非对称光谱的解调能力。
附图说明
图1为本发明实施例的光纤布拉格光栅典型非对称光谱图。
图2为本发明实施例的光纤布拉格光栅传感器非对称光谱解调系统示意图。
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。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图2所示，本实施例提供了一种基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法，提供一光纤布拉格光栅传感器非对称光谱解调系统，所述系统包括光纤布拉格光栅、宽带光源、3dB光耦合器、光谱分析仪和计算机；所述光谱分析仪分别与所述3dB光耦合器和所述计算机连接；所述宽带光源产生的入射光经过所述3dB光耦合器进入所述光纤布拉格光栅阵列中，而各所述光纤布拉格光栅的反射光谱经过所述3dB光耦合器进入所述光谱分析仪进行采样处理，经所述光谱分析仪处理后的数据即采样数据最后送入计算机进行解调处理；
具体按照以下步骤实现：
步骤S1：对前期采集到的大量典型非对称光谱，利用聚类分析方法提取出典型非对称光谱特征，采将标准的高斯模型转变成非对称高斯模型，得到非对称光谱模型；
步骤S2：利用最小化构造光谱和实际采样光谱之间的差异度的原理来进行光纤布拉格光栅解调，构建如下的解调模型：
其中λB,αL,αR为待求的决策变量，R0(λ)为实际需要解调的光纤布拉格光栅传感网络采样光谱数据；在求解该解调模型的同时，还需要辨识出αL,αR这两个形态参数；利用分布式估计算法实现该解调模型对非对称光谱的解调求解；
步骤S3：所述光纤布拉格光栅的反射光谱通过所述3dB光耦合器进入光谱分析仪进行采样；所述光谱分析仪将得到采样数据发送到所述计算机进行数据处理，得到采样光谱R0(λ)，并将所述采样光谱数据送到分布式估计算法模型中进行解调。
在本实施例中，步骤S1中所述非对称光谱模型公式如下：引入了左右侧光谱形态参数，用以描述不同特征的光谱变化趋势；
式中αL、αR分别对应于光谱模型中左形态参数和右形态参数，它们是大于1的常数，αL和αR的值越大光谱波形左右差异越大，波形越不对称，根据实际情况的不同αL和αR的范围也不同；λB为FBG反射光谱的布拉格中心波长；阶数m是控制峰值跨度；I是反射功率；Noise(λ)是光谱的噪声波动量。
在本实施例中，分布式估计算法是一种基于概率推演的进化计算算法，在解决高维、非线性、变量耦合等优化问题上具有效性。因此采用该算法来实现非对称光谱解调模型，故称它为分布式估计算法模型，步骤S3中所述在分布式估计算法模型中进行解调具体包括以下步骤：
步骤S31：根据光谱分析仪采样反射光谱R0(λ)时所获取到的波长λ的范围，在此范围内随机生成中心波长λB，在光谱左形态参数和右形态参数的范围(αL和αR是大于1的常数，其范围均为[1,+∞])内随机生成αL和αR，从而随机产生初始种群S0，其中含有NP个个体，利用所述非对称光谱模型得出每个个体的R(λ,λB,αL,αR)，其中设置m＝2，I＝1，对概率赋初值P0(X)＝0.5，初始化迭代次数t＝1，设置最大迭代次数Tmax；
步骤S32：计算每个个体的适应度函数值
即求出每个个体构造的拟合光谱R(λ,λB,αL,αR)与采样光谱R0(λ)之间的差值，按照适应度值进行从小到大排序，并从中选取M(M≤NP)个优势个体；
步骤S33：以步骤S32中M个优势个体为样本，运用群体增量学习(population-based incremental learning,PBIL)算法模型更新概率模型，更新后的概率模型公式为：Pt+1(X)＝(1-a)Pt(X)+Bt(X)，其中X为种群样本，a为学习率，一般取0.01～0.1，Pt(X)为当前迭代次数下的概率向量，Bt(X)为当前迭代次数下的种群最优解；
步骤S34：利用步骤S33得到的概率模型采样产生N(N＜NP-M)个新个体，则新一代种群由采样产生的新个体、选择的优势个体和随机产生的初始种群组成，记为P1；采用最佳精英主义思想，保留了父代部分优势个体的同时，将劣势个体替换为概率模型产生的新个体；
步骤S35：判断是否达到终止条件，即迭代次数t是否小于Tmax，若是，则执行步骤S32，t＝t+1，若否，则迭代结束；
步骤S36：分布式估计算法输出最优解，得到采样光谱的中心波长值λB、左形态参数αL和右形态参数αR。
较佳的，本实施例为解决非对称光谱对FBG传感结果产生的测量偏差问题，本实施例通过分析在不同应变下的大量监测光谱信号，全面剖析FBG反射光谱数据，提取典型非对称光谱特性，构建非对称超高斯光谱函数分布模型。利用分布式估计算法实现该解调模型，对采集的非对称光谱进行寻优，检测FBG的中心波长，解决因FBG非对称光谱而难以解调的情况。
具体按照如下方案进行实施：
首先，需要分析FBG非对称光谱特性。FBG反射光谱数据中包含了丰富的传感信息和状态特征，围绕FBG反射光谱的非对称特性，通过对大量采样光谱进行谱型分析，利用聚类分析方法从不同角度剖析数据特征与光谱特征之间的关联，提取出典型非对称特征类型，如图1所示。非对称光谱形态可以划分为光谱谱峰侧偏、光谱顶部展宽、光谱局部变形。
然后，针对典型非对称光谱，提出基于非对称高斯模型的光谱重构技术。从单峰光谱模型入手，由标准的高斯模型向非对称高斯模型扩展，结合不对称高斯分布理论，设计适用于FBG光谱特征的非对称光谱模型。引入了左右侧光谱形态参数来描述不同特征的光谱变化趋势，非对称高斯模型公式如下：
式中αL、αR分别对应于光谱模型中左形态参数和右形态参数，它们是大于1的常数，αL和αR的值越大光谱波形左右差异越大，波形越不对称，根据实际情况的不同αL和αR的范围也不同；λB为FBG反射光谱的布拉格中心波长；阶数m是控制峰值跨度；I是反射功率，Noise(λ)是光谱的噪声波动量；通过左右形态参数α决定了谱峰函数的不对称程度，使重构光谱谱型能够准确的描述实际光谱，有助于有效峰值信息的提取。
在此基础上，利用最小化构造光谱和实际采样光谱之间的差异度的原理来进行FBG解调，构建如下的解调模型：
其中λB,αL,αR为待求的决策变量，R0(λ)为实际需要解调的FBG传感网络采样光谱数据。在求解该解调模型的同时，还需要辨识出αL,αR这两个形态参数。利用分布式估计算法实现该解调模型对非对称光谱的解调。
基于上述的数学模型，构建光纤布拉格光栅传感器非对称光谱解调系统，如图2所示。本发明实施的光纤布拉格光栅非对称光谱解调技术方法，步骤如下：
步骤一：宽带光源产生的入射光经过3dB光耦合器进入FBG阵列中，而各FBG的反射光谱通过3dB光耦合器进入光谱分析仪(OSA)等光谱采样设备，所得到采样数据交由计算机(PC)进行数据处理，得到采样光谱R0(λ)，将采样光谱数据送到分布式估计算法模型中进行解调；
步骤二：根据光谱分析仪采样反射光谱R0(λ)时所获取到的波长λ的范围，在此范围内随机生成中心波长λB，在光谱左形态参数和右形态参数的范围(αL和αR是大于1的常数，其范围均为[1,+∞])内随机生成αL和αR，从而随机产生初始种群S0，其中含有NP个个体，利用所设计的非对称光谱模型得出每个个体的R(λ,λB,αL,αR)，其中设置m＝2，I＝1，对概率赋初值P0(X)＝0.5，初始化迭代次数t＝1，设置最大迭代次数Tmax；
步骤三：计算每个个体的适应度函数值
即求出每个个体构造的拟合光谱R(λ,λB,αL,αR)与采样光谱R0之间的差值，按照适应度值进行从小到大排序，并从中选取M(M≤NP)个优势个体；
步骤四：以这M个优势个体为样本，运用利用群体增量学习(population-basedincremental learning,PBIL)算法模型更新概率模型，概率公式为：Pt+1(X)＝(1-a)Pt(X)+Bt(X)，其中X为种群样本，a为学习率，一般取0.01～0.1，Pt(X)为当前迭代次数下的概率向量，Bt(X)为当前迭代次数下的种群最优解；
步骤五：利用概率模型采样产生N(N＜NP-M)个新个体，则新一代种群由采样产生的新个体、选择的优势个体和随机产生的初始种群组成，记为St，为了保留迄今为止发现的最佳个体和赋予种群新的进化潜力，采用最佳精英主义思想，保留了父代部分优势个体的同时，将劣势个体替换为概率模型产生的新个体；
步骤六：判断是否达到终止条件，即迭代次数t是否小于Tmax，若是，则执行步骤三，t＝t+1，若否，则迭代结束；
步骤七：分布式估计算法输出最优解，得到采样光谱的中心波长值λB、左形态参数αL和右形态参数αR。
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。
Claims (2)
1.一种基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法，其特征在于：提供一光纤布拉格光栅传感器非对称光谱解调系统，所述系统包括
光纤布拉格光栅、宽带光源、3dB光耦合器、光谱分析仪和计算机；所述光谱分析仪分别与所述3dB光耦合器和所述计算机连接；所述宽带光源产生的入射光经过所述3dB光耦合器进入所述光纤布拉格光栅阵列中，而各所述光纤布拉格光栅的反射光谱经过所述3dB光耦合器进入所述光谱分析仪进行采样处理，经所述光谱分析仪处理后的数据即采样数据，最后送入计算机进行解调处理；具体按照以下步骤实现：
步骤S1：对采集到的大量典型非对称光谱，利用聚类分析方法提取出典型非对称光谱特征，将标准的正常光谱对应的高斯模型转变成非对称高斯模型，得到非对称光谱模型；
步骤S2：利用最小化构造光谱和实际采样光谱之间的差异度的原理来进行光纤布拉格光栅解调，构建如下的解调模型：
其中λB,αL,αR为待求的决策变量，R0(λ)为实际需要解调的光纤布拉格光栅传感网络采样光谱数据；在求解该解调模型的同时，还需要辨识出αL,αR这两个形态参数；利用分布式估计算法实现该解调模型对非对称光谱的解调；
步骤S3：所述光纤布拉格光栅的反射光谱通过所述3dB光耦合器进入光谱分析仪进行采样；所述光谱分析仪将得到采样数据发送到所述计算机进行数据处理，得到采样光谱R0(λ)，并将所述采样光谱数据送到分布式估计算法模型中进行解调；
其中，步骤S1中所述非对称光谱模型公式如下：引入了左右侧光谱形态参数，用以描述不同特征的光谱变化趋势；
式中αL、αR分别对应于光谱模型中左形态参数和右形态参数；λB为FBG反射光谱的布拉格中心波长；阶数m是控制峰值跨度；I是反射功率；Noise(λ)是光谱的噪声波动量。
2.根据权利要求1所述的一种基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法，其特征在于：步骤S3中所述在分布式估计算法模型中进行解调具体包括以下步骤：
步骤S31：根据光谱分析仪采样反射光谱R0(λ)时所获取到的波长λ的范围，在此范围内随机生成中心波长λB，在光谱左形态参数αL和右形态参数αR的范围内随机生成αL和αR，αL和αR是大于1的常数，其范围均为[1,+∞]，从而随机产生初始种群S0，其中含有NP个个体，利用所述非对称光谱模型得出每个个体的R(λ,λB,αL,αR)，其中设置m＝2，I＝1，对概率赋初值P0(X)＝0.5，初始化迭代次数t＝1，设置最大迭代次数Tmax；
步骤S32：计算每个个体的适应度函数值
即求出每个个体构造的拟合光谱R(λ,λB,αL,αR)与采样光谱R0(λ)之间的差值，按照适应度值进行从小到大排序，并从中选取M，M≤NP个优势个体；
步骤S33：以步骤S32中M个优势个体为样本，利用群体增量学习算法模型更新概率模型；更新后的概率模型公式为：Pt+1(X)＝(1-a)Pt(X)+Bt(X)，其中X为种群样本，a为学习率，取0.01～0.1，Pt(X)为当前迭代次数下的概率向量，Bt(X)为当前迭代次数下的种群最优解；
步骤S34：利用步骤S33得到的概率模型采样产生N，N＜NP-M个新个体，则新一代种群由采样产生的新个体、选择的优势个体和随机产生的初始种群组成，记为St，采用最佳精英主义思想，保留了父代部分优势个体的同时，将劣势个体替换为概率模型产生的新个体；
步骤S35：判断是否达到终止条件，即迭代次数t是否小于Tmax，若是，则执行步骤S32，t＝t+1，若否，则迭代结束；
步骤S36：分布式估计算法输出最优解，得到采样光谱的中心波长值λB、左形态参数αL和右形态参数αR。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910617556.8A CN110296725B (zh) | 2019-07-09 | 2019-07-09 | 基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910617556.8A CN110296725B (zh) | 2019-07-09 | 2019-07-09 | 基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110296725A CN110296725A (zh) | 2019-10-01 |
| CN110296725B true CN110296725B (zh) | 2020-11-03 |
Family
ID=68030766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910617556.8A Active CN110296725B (zh) | 2019-07-09 | 2019-07-09 | 基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110296725B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112902994A (zh) * | 2021-01-22 | 2021-06-04 | 福州大学 | 一种基于差分进化改进极限学习机的光纤光栅传感网络畸变光谱解调方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5869835A (en) * | 1995-12-22 | 1999-02-09 | Udd; Eric | Asymmetric fiber optic grating sensor |
| CN1760641A (zh) * | 2005-11-02 | 2006-04-19 | 浙江大学 | 基于长周期光纤光栅对传感器的复用和解调方法及其设备 |
| CN102401666A (zh) * | 2010-09-10 | 2012-04-04 | 北京邮电大学 | 一种光纤光栅反射波长的解调方法和装置 |
| CN106482863A (zh) * | 2016-10-12 | 2017-03-08 | 山东省科学院激光研究所 | 基于有源相移光栅的温度传感器及温度传感系统 |
| CN108957152A (zh) * | 2018-07-02 | 2018-12-07 | 昆明理工大学 | 一种基于波长解调的集成光波导电场传感器系统及其测量方法 |
-
2019
- 2019-07-09 CN CN201910617556.8A patent/CN110296725B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5869835A (en) * | 1995-12-22 | 1999-02-09 | Udd; Eric | Asymmetric fiber optic grating sensor |
| CN1760641A (zh) * | 2005-11-02 | 2006-04-19 | 浙江大学 | 基于长周期光纤光栅对传感器的复用和解调方法及其设备 |
| CN102401666A (zh) * | 2010-09-10 | 2012-04-04 | 北京邮电大学 | 一种光纤光栅反射波长的解调方法和装置 |
| CN106482863A (zh) * | 2016-10-12 | 2017-03-08 | 山东省科学院激光研究所 | 基于有源相移光栅的温度传感器及温度传感系统 |
| CN108957152A (zh) * | 2018-07-02 | 2018-12-07 | 昆明理工大学 | 一种基于波长解调的集成光波导电场传感器系统及其测量方法 |
Non-Patent Citations (7)
| Title |
|---|
| Model-Based Position and Reflectivity Estimation of Fiber Bragg Grating Sensor Arrays;Stefan Werzinger等;《sensors》;20180713(第18期);第2268页 * |
| Multimodal Estimation of Distribution Algorithms;Qing Yang 等;《IEEE TRANSACTIONS ON CYBERNETICS》;20160504;第1-15页 * |
| 一种基于改进分布估计算法的统计模型选择;周本达;《皖西学院学报》;20161031;第32卷(第5期);第33-37页 * |
| 光纤Bragg光栅传感信号波长解调关键技术的研究;杨雪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160215(第2期);第I140-254页 * |
| 分布估计算法的模型分析与研究;毕丽红等;《石家庄铁路职业技术学院学报》;20080331;第7卷(第1期);第30-34页 * |
| 基于峰值匹配分布式估计算法的光纤布拉格光栅传感网络重叠光谱的波长解调;陈静等;《光子学报》;20190430;第48卷(第4期);第0406002-1-0406002-8页 * |
| 多峰光纤布拉格光栅传感信号的自适应寻峰处理;陈勇等;《中国激光》;20150831;第42卷(第8期);第0805008-1-0805008-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110296725A (zh) | 2019-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107490397B (zh) | 高精度自适应滤波fbg光谱快速寻峰方法 | |
| CN109489699B (zh) | 一种光纤光栅畸变光谱解调方法 | |
| CN109141488B (zh) | 一种基于交换粒子群的布拉格光纤光栅传感器重叠光谱解调方法 | |
| Fan et al. | Signal‐to‐noise ratio enhancement for Raman spectra based on optimized Raman spectrometer and convolutional denoising autoencoder | |
| CN108225385A (zh) | 一种重叠fbg传感信号峰值定位方法 | |
| CN111767791A (zh) | 一种基于对抗正则化深度神经网络的到达角估计方法 | |
| CN113358239A (zh) | 一种基于fbg的波长特征识别方法 | |
| CN109282837A (zh) | 基于lstm网络的布拉格光纤光栅交错光谱的解调方法 | |
| CN110296725B (zh) | 基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法 | |
| CN110324081A (zh) | 分布式多节点协同的光纤布拉格光栅传感器故障定位方法 | |
| Ding et al. | Gear fault diagnosis based on VMD sample entropy and discrete hopfield neural network | |
| CN112902994A (zh) | 一种基于差分进化改进极限学习机的光纤光栅传感网络畸变光谱解调方法及系统 | |
| Liu et al. | White light interference demodulation of optical fiber Fabry-Perot micro-pressure sensors based on the Karhunen-Loeve transform and singular value decomposition | |
| CN113465676B (zh) | 一种双阶段布里渊频移提取方法 | |
| CN110501092A (zh) | 一种布里渊光纤传感系统温度提取方法 | |
| CN117555130A (zh) | 一种多芯光纤的串扰抑制方法 | |
| Jiang et al. | Recognition and Localization of FBG Temperature Sensing Based on Combined CDAE and 1-DCNN | |
| CN116089865A (zh) | 一种基于改进型网格搜索随机森林算法进行opgw异常振动分类识别的方法 | |
| CN115310304A (zh) | 一种基于改进svd的干式空心电抗器光纤传感降噪方法 | |
| Zhou et al. | Application of Distributed Estimation Algorithm in Wavelength Demodulation of Overlapping Spectra of Fiber Bragg Grating Sensor Networks | |
| CN112629427B (zh) | 一种用于航天器应变测量的光纤传感系统 | |
| CN113891189A (zh) | 一种新型fbg传感网络的设计 | |
| CN118603156B (zh) | 一种基于多种算法结合的光纤光栅磨损测量方法 | |
| Hu et al. | Curvature prediction of long‐period fibre grating based on random forest regression | |
| Cheng et al. | Simultaneous strain and temperature distribution sensing using two fiber Bragg grating pairs and a genetic algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |