CN110864642A - 基于动态自适应粒子群算法的光纤光栅应变分布重构方法 - Google Patents

基于动态自适应粒子群算法的光纤光栅应变分布重构方法 Download PDF

Info

Publication number
CN110864642A
CN110864642A CN201911177905.5A CN201911177905A CN110864642A CN 110864642 A CN110864642 A CN 110864642A CN 201911177905 A CN201911177905 A CN 201911177905A CN 110864642 A CN110864642 A CN 110864642A
Authority
CN
China
Prior art keywords
particle
strain
fiber
grating
strain distribution
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.)
Granted
Application number
CN201911177905.5A
Other languages
English (en)
Other versions
CN110864642B (zh
Inventor
赵卫虎
车雅良
夏贵进
付璞
贺翥祯
任帅
张亚妮
饶学军
王�锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201911177905.5A priority Critical patent/CN110864642B/zh
Publication of CN110864642A publication Critical patent/CN110864642A/zh
Application granted granted Critical
Publication of CN110864642B publication Critical patent/CN110864642B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G01B11/165—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge by means of a grating deformed by the object
    • 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
    • G01D5/35338—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 other arrangements than interferometer arrangements
    • G01D5/35354—Sensor working in reflection
    • G01D5/35358—Sensor working in reflection using backscattering to detect the measured quantity

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Optical Transform (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供了一种能够更加准确的重构非均匀应变的基于动态自适应粒子群算法的光纤光栅应变分布重构方法，它包括如下步骤：第一步，构建测量应变分布的传感器装置，用于采集应变分布的原始信号；所述的传感器装置中包含有两条并排在一起的光纤光栅；其中一条光纤光栅为均匀光纤光栅；另一条光纤光栅为啁啾光纤光栅；第二步，将传感器装置安装于需要测量应变的被测物体上；第三步，将检测用光源分别射入到第一步中两条光纤光栅内，然后通过光谱仪实时获取两条光纤光栅所对应的反射光谱；第四步，利用动态自适应粒子群算法将第三步中的反射光谱进行应变分布重构，并通过计算机显示结果。

Description

基于动态自适应粒子群算法的光纤光栅应变分布重构方法
技术领域
本发明涉及一种运用于光纤光栅应变传感器上的应变分布重构方法，具体是指一种基于动态自适应粒子群算法的光纤光栅应变分布重构方法。
背景技术
光纤光栅是近几十年来迅速发展起来的微型光学元件，光纤传感技术则是光纤光栅一个新的应用研究领域，光纤光栅可以被制作成测量应力、应变和温度等参量的传感器。这种新型的传感器具有良好的稳定性、可靠性、对电磁波的不敏感性，及小尺寸、适于在高温、腐蚀性或危险性环境使用，集信息传输与传感于一体等一系列优点，在地球动力学、航天器及船舶航运、民用工程结构、电力工业、医学、和化学传感中有着非常广泛的应用。尤其是光纤布拉格光栅(英文译文为：Fiber Bragg Grating，以下简称为：FBG)成为近几年新兴的一种光纤无源器件。FBG兼有温敏和压敏特性，布拉格波长与其温度及施加在其上的应力可呈现出良好的线性关系，基于此可通过测量前后布拉格波长的偏移，有效识别出光栅区域被测物理量的大小。FBG对波长可实现绝对编码，且可在一根光纤中写入多个光栅，形成FBG串，从而实现对结构的多点、多参数监测。目前FBG传感器与神经网络、遗传算法等反问题解法相结合，已广泛应用于应变等特性的监测，可进行被测参量高精度的绝对测量，从而方便地实现参量的分布式传感。
FBG与外界应变参量良好的线性关系使其在对应变测量中表现出色。但是，实际测量中仍存在一些难题需要解决。例如，由于FBG传感器是波长绝对编码，并不受光强扰动的影响，即认为应变沿光栅轴向均匀分布，这种情况下使用FBG进行测量的效果较佳，而这主要是由于光纤光栅长度远远小于被测对象，因而忽略了光纤光栅上的应变分布不均匀的问题。主要被用于监测桥梁、水坝、高楼、油罐群等大型建筑的应变分布。然而，如果采用光纤光栅测量微型机械梁、杆、轴等的应变分布时，由于实际测量往往不是等强度的，均匀光纤光栅轴向受到的应变分布便不同，即应变沿光栅轴向非均匀分布，便会产生啁啾现象，此时采用均匀FBG作为传感元件进行测量就存在很大的局限性，甚至产生测量错误。
实验研究表明，对于FBG传感器，当其尺寸远小于被检测物时，在FBG长度范围内应变变化很小，光谱形状几乎不变，此时检测最大反射率的波长的偏移即可确定应变的大小；而当FBG的尺寸相对检测物尺寸不可忽略时，FBG所在区域受到高次应变和非线性周期应变分布作用时，光栅反射光谱可能会被扭曲甚至出现多峰，而对变形扭曲或者多峰的反射光谱利用上述布拉格波长和应变呈线性关系的性质则不能有效识别或测量光栅传感区域的应变分布情况。实验验证若再通过检测最大反射率的波长偏移来进行应变就会造成测量错误。若采用均匀FBG作为传感元件测量非均匀应变，仅限于被测物理量单调分布或以某种确定规律分布的情况，这种非均匀性改变了光栅反射谱的强度和相位，通过分析反射光谱确定变化后的布拉格波长，然后比较变化前后的波长量——即波长漂移，根据波长漂移与外界扰动的函数关系确定扰动的分布，这种应用非常有限。
针对上述问题，现有技术中也有提出一些解决方案，比如专利申请号为：申请号201510180413.7，名称为：一种利用群算法的FBG非均匀应变重构方法的发明专利，就提出了一种采用FBG来重构非均匀应变的方法，该方法使用传输矩阵法对非均匀应变分布下的反射光谱进行模拟，但只采用FBG进行测量，对非单调分布的应变重构难以适用，使用场合受限。
综上所述，目前缺少一种能够更加准确的重构非均匀应变的基于算法的光纤光栅应变分布重构方法。
发明内容
本发明要解决的技术问题是对非均匀应变精准的重构，具体是提供一种能够更加准确的重构非均匀应变的基于动态自适应粒子群算法的光纤光栅应变分布重构方法。
为解决上述技术问题，本发明提供的技术方案为：一种基于动态自适应粒子群算法的光纤光栅应变分布重构方法，它包括如下步骤：
第一步，构建测量应变分布的传感器装置，用于采集应变分布的原始信号；所述的传感器装置中包含有两条并排在一起的光纤光栅；其中一条光纤光栅为均匀光纤光栅；另一条光纤光栅为啁啾光纤光栅；
第二步，将传感器装置安装于需要测量应变的被测物体上；
第三步，将检测用光源分别射入到第一步中两条光纤光栅内，然后通过光谱仪实时获取两条光纤光栅所对应的反射光谱；
第四步，基于第三步中的获得的反射光谱，利用动态自适应粒子群算法进行应变分布重构，并通过计算机显示结果。
作为优选；第四步中所述的动态自适应粒子群算法包括如下子步骤：
第1步，根据均匀光纤光栅反射谱，采用耦合模理论，计算应变取值范围；
第2步，若已知应变分布趋势，则转到第4步；若应变分布趋势未知，对光纤光栅进行均匀分段，设共分为m1段；
第3步，根据双光纤光栅的反射谱，基于传输矩阵理论，采用动态自适应粒子群算法对光纤光栅应变分布进行“粗放”搜索过程，获得应变的分布趋势；
第4步，按照应变分布趋势对光纤光栅进行非均匀分段，设共分为m2段；
第5步，根据光纤光栅应变分布趋势，设置光纤光栅各段应变取值范围；
第6步，根据双光纤光栅的反射谱，基于传输矩阵理论，采用动态自适应粒子群算法对光纤光栅应变分布进行“细致”搜索过程，获得应变的精确分布。
作为进一步优选，上述第3步和第6步均包括如下子步骤：
Step 1，参数初始化；设置初始种群规模Np、最大迭代次数Ng、扩散阈值参数kth，选择频点数Nf的初始值和动态增加函数，选择惯性因子w的动态下降函数；设扩散参数k＝1；
Step 2，构建光纤光栅应变表示变量；若光纤光栅分段数为m，则设粒子群中第i个粒子位置为Xi＝(xi,1,xi,2,…,xi,j,…,xi,m)，其中，xi,j为对应第i个粒子的第j维分量，表示光纤光栅第j分段的应变大小；在粒子位置各维度变量取值范围内随机生成粒子位置，构成粒子群；
Step 3，计算各粒子适应度值，判断对应粒子应变分布重构的效果；根据测量的双光纤光栅的反射谱，计算各频点真实反射率；再基于传输矩阵理论，计算双光纤光栅产生重构应变量后的各频点反射率；计算两者各频点反射率偏差的均值作为粒子适应度值Fi，以评价粒子优劣；因此，对此重构问题建模如下：
Figure BDA0002290469100000031
s.t.Fi,l＝|Rr(fl)-R(Xi,fl)|,l＝1,2,...,Nf
Xi∈[Xi,min,Xi,max]
式中，Rr(fl)表示双光纤光栅应变真实测量所得的第l个频点(即fl)反射率均值；R(Xi,fl)表示双光纤光栅应变重构后计算所得的第l个频点(即fl)反射率均值；Fi,l为R(Xi,fl)与Rr(fl)的偏差，表示第l个频点的计算反射率与真实测量反射率的偏差；Xi,min与Xi,max分别为Xi取值的下限和上限；
Step 4，更新参数；更新每个粒子的个体历史最优值Fb,i，且粒子历史最优值对应的位置为Xb,i；更新种群最优值Fg，对应粒子位置为Xg；更新动态惯性因子w，更新频点计算数Nf；
Step 5，结束条件判断；若算法迭代达到结束条件(达到最大迭代次数或最优值多次未更新)，则转到Step 9，否则，转到Step 6；
Step 6，扩散条件判断；首先判断种群最优值是否更新，若未更新，则扩散计数器k＝k+1，否则置k＝1；其次判断粒子群是否达到扩散条件(种群最优值连续kth次未更新，即k≥kth)，若满足条件，转到Step 7，否则，转到Step 8；
Step 7，进行扩散操作。首先计算种群所有粒子到最优粒子的平均距离作为自适应小生境半径，其后对最优粒子小生境范围内的其它粒子依概率Pk(作为优选，设Pk＝1/k)进行扩散(重新随机生成粒子位置，并去除粒子历史最优值)；最后转到Step 2，更新各粒子适应度值。
Step 8，依据下式更新粒子速度和位置；其后转到Step 2，更新各粒子适应度值；
Figure BDA0002290469100000041
式中，Vi(t)和Vi(t+1)分别表示粒子的当前速度和粒子迭代后的速度；Xi(t)和Xi(t+1)分别表示粒子的当前位置和粒子迭代后的位置；其中，w>0为惯性因子，c1和c2均为正常数，分别称为认知参数和社会参数；r1和r2是在[0,1]之间的随机数；
Step 9，输出最佳粒子位置Xbest作为重构应变分布，Xbest中各分量(xbest,1,xbest,2,…,xbest,j,…,xbest,m)即为光纤光栅m个分段重构的应变量。
采用上述方法后，本发明具有如下有益效果：
结构方面：创造性的采用双光纤光栅并排的传感器结构，其中一条光纤光栅为均匀光纤光栅；另一条光纤光栅为啁啾光纤光栅；对应的传感光路设计为两路，光源传送的光信号通过光开关实现两路信号之间的切换，一路光信号入射进FBG根据在应变作用下其反射光谱波长平移最大值和最小值，提供应变的最大值和最小值，以限定计算非均匀应变分布的范围；第二路光信号进入CFBG(Chirped Fiber Bragg Grating即啁啾光纤光栅，以下简称：CFBG)，利用其反射光谱的畸变和平移变化和第一路提供的应变最大值与最小值实时反映轴向非均匀应变的分布。
算法方面：1、本发明先“粗放”、后“细致”的动态搜索策略。在优化的起始阶段减少对啁啾光纤光栅的分段数和计算的频点数，即进行“粗放”的搜索方法，以确保最快的速度找到啁啾光纤光栅应变分布的趋势；随着优化深入，增加啁啾光纤光栅的分段数和计算的频点数，即实现“细致”的动态搜索策略，从而减小重构应变分布误差。2、动态自适应小生境粒子群的优化。通常PSO算法优势在于粒子能够迅速收敛至一处，然而当算法一旦收敛到局部最优值就很难跳出。为克服此不足，动态自适应小生境算法在粒子种群最优值连续多次未更新后，计算自适应的小生境种群半径，并对小生境半径内对粒子进化扩散操作，从而减小种群的集中度，增加种群多样性。
具体有益效果汇总如下：
1、利用双光纤光栅对应变重构；
利用双光纤光栅最主要的原因是：双光纤光栅可以去除一些重构的伪分布；另外巧妙的单独利用均匀光纤光栅(双光纤光栅之一)，可快速求出应变取值范围，加快应变分布重构算法的搜索速度和准确度。
2、分为先“粗放”、后“细致”的动态搜索过程，加快应变分布重构算法的速度和精度；
先“粗放”、后“细致”的动态搜索过程体现在两个方面：一方面，首先采用均匀分段和较少频点计算的“粗放”粒子群算法搜索过程，获得应变分布趋势后，再进行“细致”的动态搜索过程，即进行较多分段的非均匀分段和更多的频点计算；另一方面，在“细致”的搜索过程，频点计算量动态增加，粒子群算法中的惯性权重动态减小。
3、设计了一种动态自适应粒子群算法对应变分布进行重构。
在算法中，当粒子种群收敛后，算法进行自适应的粒子扩散，增强算法的全局搜索能力，即增加对结果搜索的准确率。
综上所述，本发明在结构与算法上进行了双重改进，提供了一种能够更加准确的重构非均匀应变的基于算法的光纤光栅应变分布重构方法。
附图说明
图1是本发明中基于动态自适应粒子群算法的光纤光栅应变分布重构方法的流程示意图。
图2是本发明中先“粗放”、后“细致”的两阶段动态重构过程。
图3是本发明中均匀分段和非均匀分段的对应示意图。
图4是本发明中动态自适应粒子群算法对光纤光栅应变分布重构算法具体流程。
图5本发明中涉及的重构方法对应的硬件结构的实施例一对应的示意图。
图6是本发明中涉及的重构方法对应的硬件结构的实施例二对应的示意图。
如图5和图6所示：1、第一光源，2、第一光谱分析装置，3、第一环形器，4、第一光纤光栅，5、第二光源，6、第二光谱分析装置，7、第二环形器，8、第二光纤光栅，9、光谱数据处理装置，10、光开关。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
结合附图1，一种基于动态自适应粒子群算法的光纤光栅应变分布重构方法，它包括如下步骤：
第一步，构建测量应变分布的传感器装置，用于采集应变分布的原始信号；所述的传感器装置中包含有两条并排在一起的光纤光栅；其中一条光纤光栅为均匀光纤光栅；另一条光纤光栅为啁啾光纤光栅；
第二步，将传感器装置安装于需要测量应变的被测物体上；
第三步，将检测用光源分别射入到第一步中两条光纤光栅内，然后通过光谱仪实时获取两条光纤光栅所对应的反射光谱；
第四步，基于第三步中的获得的反射光谱，利用动态自适应粒子群算法进行应变分布重构，并通过计算机显示结果。
结合附图2，作为优选，所述的基于动态自适应粒子群算法的光纤光栅应变分布重构方法包括如下步骤：
第1步，根据均匀光纤光栅反射谱，采用耦合模理论，计算应变取值范围；
根据耦合模理论和近似假设，应变可按下式计算：
Figure BDA0002290469100000061
式中，ε表示应变，Kε表示应变灵敏度，对于常见的石英光纤，应变灵敏度系数Kε可取0.78，λ和f分别为光纤光栅无应变时的参考波长和参考频率，λ′和f′分别为发生应变后参考波长和参考频率。
分别取反射谱通带的下边沿频率(可取反射谱下降3dB或6dB频点，用flow表示)和上边沿频率(可取反射谱下降3dB或6dB频点，用fup表示)为参考频率，则初步计算得到的应变最大值和最小值分别为：
Figure BDA0002290469100000062
Figure BDA0002290469100000063
式中，f′low光纤光栅发生应变后反射谱通带的下边沿频率和上边沿频率f′up。因此，由均匀光纤光栅推导出应变范围为[ε′min,ε′max]；考虑到测量误差和近似假设，应变取值区间应适当放大，作为优选，放大到1.5倍范围，则应变取值区间为
Figure BDA0002290469100000064
即
Figure BDA0002290469100000065
第2步，若已知应变分布趋势，则转到第4步；若应变分布趋势未知，对光纤光栅进行均匀分段，设共分为m1段；
若已知应变分布趋势(即已知光纤光栅不同段落应变的变化程度，也就是可区分应变的变化平缓和变化剧烈的段落)，则可直接转到第4步进行非均匀分段，否则对光纤光栅进行均匀分段，设共分为m1段，例如附图3所示m1＝12。
第3步，根据双光纤光栅的反射谱，基于传输矩阵理论，采用动态自适应粒子群算法对光纤光栅应变分布进行“粗放”搜索过程，获得应变的分布趋势；
Step 3.1，参数初始化。设置初始种群规模Np＝30、最大迭代次数Ng＝200、扩散阈值参数kth＝3，选择初始频点数Nf＝20，Nf迭代过程中不增加(即动态增加函数为常数)，选择惯性因子w的动态下降函数为线性递减函数，其取值范围为[0.95，0.3]；设扩散参数k初始值为1。
Step 3.2，构建光纤光栅应变表示变量。光纤光栅分段数为m1＝12，则设粒子群中第i个粒子位置为Xi＝(xi,1,xi,2,…,xi,j,…,xi,12)，其中，为对应第i个粒子的第j维分量，表示光纤光栅第j分段的应变大小，i＝1,2,…,30，j＝1,2,…,12。粒子位置各维度变量xi,j的取值范围为[εmin,εmax]，在此范围内随机生成粒子位置，构成初始粒子群。
Step 3.3，计算各粒子适应度值，判断对应粒子应变分布重构的效果。
(1)根据测量的双光纤光栅的反射谱，计算各频点真实反射率Rr(fl)，fl为将频段[f′low,f′up]均分Nf段后的第l个频点；
(2)基于传输矩阵理论，计算双光纤光栅产生重构应变量后的各频点反射率R(Xi,fl)；
假定经过第j段光栅前向和后向的光场振幅分别为rj-1、sj-1和rj、sj，其传输矩阵为Tj，则经过第j段光栅的传输模可以描述为：
Figure BDA0002290469100000071
其中：
Figure BDA0002290469100000072
式中，
Figure BDA0002290469100000073
k和
Figure BDA0002290469100000074
分别表示交流耦合系数和直流自耦合系数，两者的值可通过光纤光栅的相关物理参数和频点频率计算获得；△zj表示第j段光栅应变后的长度，其值为：
△zj＝zj(1+xi,j)，i＝1,2,...,30，j＝1,2,...,12
式中，zj表示第j段光栅应变前长度，此处为均匀分段，因此zj＝L/m1＝L/12，L表示光纤光栅长度。那么经过整个光栅后的光场为：
Figure BDA0002290469100000081
其边界条件为：r0＝1，s0＝0，则：
Figure BDA0002290469100000082
(3)计算两者各频点反射率偏差的均值作为粒子适应度值Fi，以评价粒子优劣；
计算单频点的偏差：
Fi,l＝|Rr(fl)-R(Xi,fl)|,i＝1,2,...,30，l＝1,2,...,20
将各频点偏差的均值作为粒子适应度值Fi：
Figure BDA0002290469100000083
Step 3.4，更新参数。更新每个粒子的个体历史最优值Fb,i，且粒子历史最优值对应的位置为Xb,i；更新种群最优值Fg，对应粒子位置为Xg；更新动态惯性因子w。
Step 3.5，结束条件判断。若算法迭代达到结束条件(达到最大迭代次数或最优值多次未更新)，则转到Step 3.9，否则，转到Step 3.6。
Step 3.6，扩散条件判断。首先判断种群最优值是否更新，若未更新，则更新扩散计数器k＝k+1，否则置k＝1；其次判断粒子群是否达到扩散条件(种群最优值连续kth次未更新，即k≥kth)，若满足条件，转到Step 3.7，否则，转到Step 3.8。
Step 3.7，进行扩散操作。首先计算种群所有粒子到最优粒子的平均距离作为自适应小生境半径，其后对最优粒子小生境范围内的其它粒子依概率Pk(作为优选，设Pk＝1/k)进行扩散(重新随机生成粒子位置，并去除粒子历史最优值)；最后转到Step 3.2，更新各粒子适应度值。
(1)计算自适应小生境半径
Figure BDA0002290469100000084
Figure BDA0002290469100000091
式中，dg,i表示第i个粒子到最佳粒子的欧式距离。
(2)对最优粒子小生境范围内的其它粒子依概率Pk(作为优选，设Pk＝1/k)进行扩散。
即按下式更新粒子位置：
Figure BDA0002290469100000092
式中，Rand(Xi)表示在粒子各维度变量xi,j的取值范围[εmin,εmax]内随机生成粒子位置；rand()表示在[0,1]范围内生成的随机数；Vi(t+1)为粒子速度，其值由下式计算：
Vi(t+1)＝wVi(t)+c1r1[Xb,i-Xi(t)]+c2r2[Xg-Xi(t)]
式中，认知参数c1＝2，社会参数c2＝2。r1和r2是在[0,1]之间的随机数。
(3)转到Step 3.2，更新各粒子适应度值。
Step 3.8，依据下式更新粒子速度和位置；其后转到Step 3.2，更新各粒子适应度值。
Figure BDA0002290469100000093
式中，Vi(t)和Vi(t+1)分别表示粒子的当前速度和粒子迭代后的速度；Xi(t)和Xi(t+1)分别表示粒子的当前位置和粒子迭代后的位置；其中，认知参数c1＝2，社会参数c2＝2。r1和r2是在[0,1]之间的随机数。
Step 3.9，输出最佳粒子位置Xbest作为重构应变分布，Xbest中各分量(xbest,1,xbest,2,…,xbest,j,…,xbest,m1)即为光纤光栅m1个分段重构的应变量，从而获得应变分布趋势。
第4步，按照应变分布趋势对光纤光栅进行非均匀分段，设共分为m2段；
例如附图3所示，获得应变分布趋势后，对光纤光栅应变变化平缓的段落分段长度较长，应变变化剧烈的段落分段长度较短，从而进行非均匀分段，设共分为m2段，例如附图3所示m2＝15。
第5步，根据光纤光栅应变分布趋势，设置光纤光栅各段应变取值范围；
在第2步中，获得了粒子各维度变量xi,j的取值范围为[εmin,εmax]，根据应变分布趋势，可对光纤光栅各段应变xi,j的取值范围在此基础上作一定缩减，设缩减后新的取值范围为
Figure BDA0002290469100000101
第6步，根据双光纤光栅的反射谱，基于传输矩阵理论，采用动态自适应粒子群算法对光纤光栅应变分布进行“细致”搜索过程，获得应变的精确分布。
Step 6.1，参数初始化。设置初始种群规模Np＝50、最大迭代次数Ng＝500、扩散阈值参数kth＝4，选择初始频点数Nf＝20，Nf迭代过程中采用的动态增加函数为四次多项式函数，选择惯性因子w的动态下降函数为线性递减函数，其取值范围为[0.95，0.3]；设置扩散参数k初始值为1。
Step 6.2，构建光纤光栅应变表示变量。光纤光栅分段数为m2＝15，则设粒子群中第i个粒子位置为Xi＝(xi,1,xi,2,…,xi,j,…,xi,15)，其中，xi,j为对应第i个粒子的第j维分量，表示光纤光栅第j分段的应变大小，i＝1,2,…,50，j＝1,2,…,15。粒子位置各维度变量xi,j的取值范围为
Figure BDA0002290469100000102
在此范围内随机生成粒子位置，构成初始粒子群。
Step 6.3，计算各粒子适应度值，判断对应粒子应变分布重构的效果。
(1)根据测量的双光纤光栅的反射谱，计算各频点真实反射率Rr(fl)，fl为将频段[f′low,f′up]均分Nf段后的第l个频点；
(2)基于传输矩阵理论，计算双光纤光栅产生重构应变量后的各频点反射率R(Xi,fl)；
假定经过第j段光栅前向和后向的光场振幅分别为rj-1、sj-1和rj、sj，其传输矩阵为Tj，则经过第j段光栅的传输模可以描述为：
Figure BDA0002290469100000103
其中：
Figure BDA0002290469100000104
式中，
Figure BDA0002290469100000105
k和
Figure BDA0002290469100000106
分别表示交流耦合系数和直流自耦合系数，两者的值可通过光纤光栅的相关物理参数和频点频率计算获得；△zj表示第j段光栅应变后的长度，其值为：
△zj＝zj(1+xi,j)，i＝1,2,...,50，j＝1,2,...,15
式中，zj表示第j段光栅应变前长度。那么经过整个光栅后的光场为：
Figure BDA0002290469100000111
其边界条件为：r0＝1，s0＝0，则：
Figure BDA0002290469100000112
(3)计算两者各频点反射率偏差的均值作为粒子适应度值Fi，以评价粒子优劣；
计算单频点的偏差：
Fi,l＝|Rr(fl)-R(Xi,fl)|,i＝1,2,...,50，l＝1,2,...,Nf
将各频点偏差的均值作为粒子适应度值Fi：
Figure BDA0002290469100000113
Step 6.4，更新参数。更新每个粒子的个体历史最优值Fb,i，且粒子历史最优值对应的位置为Xb,i；更新种群最优值Fg，对应粒子位置为Xg；更新动态惯性因子w。
Step 6.5，结束条件判断。若算法迭代达到结束条件(达到最大迭代次数或最优值多次未更新)，则转到Step 6.9，否则，转到Step 6.6。
Step 6.6，扩散条件判断。首先判断种群最优值是否更新，若未更新，则扩散计数器k＝k+1，否则置k＝1；其次判断粒子群是否达到扩散条件(种群最优值连续kth次未更新，即k≥kth)，若满足条件，转到Step 6.7，否则，转到Step 6.8。
Step 6.7，进行扩散操作。首先计算种群所有粒子到最优粒子的平均距离作为自适应小生境半径，其后对最优粒子小生境范围内的其它粒子依概率Pk(作为优选，设Pk＝1/k)进行扩散(重新随机生成粒子位置，并去除粒子历史最优值)；最后转到Step 6.2，更新各粒子适应度值。
(1)计算自适应小生境半径
Figure BDA0002290469100000114
Figure BDA0002290469100000121
式中，dg,i表示第i个粒子到最佳粒子的欧式距离。
(2)对最优粒子小生境范围内的其它粒子依概率Pk(作为优选，设Pk＝1/k)进行扩散。
即按下式更新粒子位置：
Figure BDA0002290469100000122
式中，Rand(Xi)表示在粒子各维度变量xi,j的取值范围
Figure BDA0002290469100000123
内随机生成粒子位置；rand()表示在[0,1]范围内生成的随机数；Vi(t+1)为粒子速度，其值由下式计算：
Vi(t+1)＝wVi(t)+c1r1[Xb,i-Xi(t)]+c2r2[Xg-Xi(t)]
式中，认知参数c1＝2，社会参数c2＝2。r1和r2是在[0,1]之间的随机数。
(3)转到Step 6.2，更新各粒子适应度值。
Step 6.8，依据下式更新粒子速度和位置；其后转到Step 6.2，更新各粒子适应度值。
Figure BDA0002290469100000124
式中，Vi(t)和Vi(t+1)分别表示粒子的当前速度和粒子迭代后的速度；Xi(t)和Xi(t+1)分别表示粒子的当前位置和粒子迭代后的位置；其中，认知参数c1＝2，社会参数c2＝2。r1和r2是在[0,1]之间的随机数。
Step 6.9，输出最佳粒子位置Xbest作为重构应变分布，Xbest中各分量(xbest,1,xbest,2,…,xbest,j,…,xbest,m2)即为光纤光栅m2个分段重构的应变量，从而重构出应变的具体分布。
本专利申请发明人以应变为外界扰动测量对象，以CFBG为传感元件，寻找描述应变沿光栅轴向分布的函数，建立光纤光栅有效折射率、周期与应变之间的关系，从而确定布拉格波长随应变的变化情况，构建CFBG对轴向非均匀应变响应模型，使其更贴近外界应变任意分布的实际，为后续分析和研究奠定基础。
在完成建模和传感器方案的选定后，发明人通过仿真发现，即使当啁啾光纤布拉格光栅在轴向非均匀应变呈现一定的对称分布时，反射谱将出现很大差异。这是由于啁啾光纤布拉格光栅每个位置的栅格宽度不同，当应变分布与栅格宽度变化一致时，则等价于增加了啁啾量，因此反射谱变宽；反之，则反射谱变窄。因此，对于轴向非均匀应变的传感，线性啁啾光纤光栅具有良好的响应特性，当限定应变范围时，可以从反射谱结构中反推重构出确定的应变分布，与均匀光纤光栅相比，是较优的传感器件。
但是，由于轴向非均匀应变分布往往呈现不规则的分布，导致反射谱结构变化很大。结合现有技术中的耦合模理论可知，应变分布与反射强度呈现一种高度非线性的函数关系，无法从反射谱结构中用解析方法反推求解出应变分布，因此，需要结合现有的群智能优化算法(如粒子群算法、遗传算法等)对非均匀应变分布进行重构。发明人在进行算法选择时，发现现有的基本粒子群算法最为适用，但在处理多维问题时极易陷入局部极值，且若直接采用此算法重构项目中的啁啾光纤光栅应变分布，由于采用传输矩阵理论计算各个频点的反射强度需要较大的计算量，在优化过程中将严重影响重构算法的效率。通过实践，发现在动态自适应粒子群算法中进行小生境种群扩散更新以更进一步优化重构结果。
本发明涉及的检测硬性方面，有两种实施例可供参考，其中附图5对应为实施例一的结构示意图，即一种基于啁啾光纤光栅的轴向非均匀应变传感器，它包括第一光源1，第一光谱分析装置2，第一环形器3，第一光纤光栅4，第二光源5，第二光谱分析装置6，第二环形器7和第二光纤光栅8。所述的第一光源1和第一光谱分析装置2与第一环形器3相连，所述的第一环形器3与第一光纤光栅4相连；所述的第一光纤光栅4为均匀光纤光栅。所述的第二光源5和第二光谱分析装置6与第二环形器7相连，所述的第二环形器7与第二光纤光栅8相连；所述的第二光纤光栅8为啁啾光纤光栅；所述的第一光纤光栅4和第二光纤光栅8并排固定在一起。具体实施时，所述的第一光纤光栅4内的均匀光纤光栅的周期宽度可设为1.2nm，所述的第二光纤光栅8内的啁啾光纤光栅带宽可设为10nm。
作为进一步的改进，它还包括有光谱数据处理装置9；所述的第一光谱分析装置2和第二光谱分析装置6均与光谱数据处理装置9相连，所述的第一光谱分析装置2和第二光谱分析装置6的分析数据直接输入到光谱数据处理装置9中进行综合处理，以进一步减少人工数据处理工作。在该实施例中，作为更进一步的改进，所述的第一光源1和第二光源5可以采用一个光源加一个光源二分器的组件来代替，即可以实现减少一个光源的效果。
其中附图6对应为实施例二的结构示意图，一种基于啁啾光纤光栅的轴向非均匀应变传感器，它包括第一光源1，第一光谱分析装置2，第一环形器3，第一光纤光栅4，第二光纤光栅8和光开关10；所述的第一光源1和第一光谱分析装置2与第一环形器3相连，所述的第一环形器3与光开关10相连，所述的第一光纤光栅4和第二光纤光栅8并排与光开关10相连；所述的第一光纤光栅4和第二光纤光栅8并排固定在一起。作为优选，所述的第一光纤光栅4内的均匀光纤光栅的周期宽度为1.2nm，所述的第二光纤光栅8内的啁啾光纤光栅带宽10nm。
特别说明，本专利申请中为了区分每个权利要求中的步骤序号，对于不同的权利要求，分别采用了如“第一步”“第1步”“Step 1”等描述方式。在从属权利要求的引用过程中如果引用的是“第一步”的描述，则唯一对应被引用的权利要求中描述为：“第一步”的步骤，不能混淆为“第1步”。另外附图3是需要将3个子图综合在一起进行比对的，所以将3个小图合并在一起作为一张附图了。
以上对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (3)

1.一种基于动态自适应粒子群算法的光纤光栅应变分布重构方法，其特征在于：它包括如下步骤：
第一步，构建测量应变分布的传感器装置，用于采集应变分布的原始信号；所述的传感器装置中包含有两条并排在一起的光纤光栅；其中一条光纤光栅为均匀光纤光栅；另一条光纤光栅为啁啾光纤光栅；
第二步，将传感气装置安装于需要测量应变的被测物体上；
第三步，将检测用光源分别射入到第一步中两条光纤光栅内，然后通过光谱仪实时获取两条光纤光栅所对应的反射光谱；
第四步，基于第三步中的获得的反射光谱，利用动态自适应粒子群算法进行应变分布重构，并通过计算机显示结果。
2.根据权利要求1所述的基于动态自适应粒子群算法的光纤光栅应变分布重构方法，其特征在于：所述的动态自适应粒子群算法包括如下步骤：
第1步，根据均匀光纤光栅反射谱，采用耦合模理论，计算应变取值范围；
第2步，若已知应变分布趋势，则转到第4步；若应变分布趋势未知，对光纤光栅进行均匀分段，设共分为m1段；
第3步，根据双光纤光栅的反射谱，基于传输矩阵理论，采用动态自适应粒子群算法对光纤光栅应变分布进行“粗放”搜索过程，获得应变的分布趋势；
第4步，按照应变分布趋势对光纤光栅进行非均匀分段，设共分为m2段；
第5步，根据光纤光栅应变分布趋势，设置光纤光栅各段应变取值范围；
第6步，根据双光纤光栅的反射谱，基于传输矩阵理论，采用动态自适应粒子群算法对光纤光栅应变分布进行“细致”搜索过程，获得应变的精确分布。
3.根据权利要求2中所述的基于动态自适应粒子群算法的光纤光栅应变分布重构方法，其特征在于：第3步和第6步均包括如下子步骤：
Step 1，参数初始化；设置初始种群规模Np、最大迭代次数Ng、扩散阈值参数kth，选择频点数Nf的初始值和动态增加函数，选择惯性因子w的动态下降函数；设扩散参数k＝1；
Step 2，构建光纤光栅应变表示变量；若光纤光栅分段数为m，则设粒子群中第i个粒子位置为Xi＝(xi,1,xi,2,…,xi,j,…,xi,m)，其中，xi,j为对应第i个粒子的第j维分量，表示光纤光栅第j分段的应变大小；在粒子位置各维度变量取值范围内随机生成粒子位置，构成粒子群；
Step 3，计算各粒子适应度值，判断对应粒子应变分布重构的效果；根据测量的双光纤光栅的反射谱，计算各频点真实反射率；再基于传输矩阵理论，计算双光纤光栅产生重构应变量后的各频点反射率；计算两者各频点反射率偏差的均值作为粒子适应度值Fi，以评价粒子优劣；因此，对此重构问题建模如下：
Figure FDA0002290469090000021
s.t.Fi,l＝|Rr(fl)-R(Xi,fl)|,l＝1,2,...,Nf
Xi∈[Xi,min,Xi,max]
式中，Rr(fl)表示双光纤光栅应变真实测量所得的第l个频点(即fl)反射率均值；R(Xi,fl)表示双光纤光栅应变重构后计算所得的第l个频点(即fl)反射率均值；Fi,l为R(Xi,fl)与Rr(fl)的偏差，表示第l个频点的计算反射率与真实测量反射率的偏差；Xi,min与Xi,max分别为Xi取值的下限和上限；
Step 4，更新参数；更新每个粒子的个体历史最优值Fb,i，且粒子历史最优值对应的位置为Xb,i；更新种群最优值Fg，对应粒子位置为Xg；更新动态惯性因子w，更新频点计算数Nf；
Step 5，结束条件判断；若算法迭代达到结束条件(达到最大迭代次数或最优值多次未更新)，则转到Step 9，否则，转到Step 6；
Step 6，扩散条件判断；首先判断种群最优值是否更新，若未更新，则扩散计数器k＝k+1，否则置k＝1；其次判断粒子群是否达到扩散条件(种群最优值连续kth次未更新，即k≥kth)，若满足条件，转到Step 7，否则，转到Step 8；
Step 7，进行扩散操作。首先计算种群所有粒子到最优粒子的平均距离作为自适应小生境半径，其后对最优粒子小生境范围内的其它粒子依概率Pk(作为优选，设Pk＝1/k)进行扩散(重新随机生成粒子位置，并去除粒子历史最优值)；最后转到Step 2，更新各粒子适应度值。
Step 8，依据下式更新粒子速度和位置；其后转到Step 2，更新各粒子适应度值；
Figure FDA0002290469090000022
式中，Vi(t)和Vi(t+1)分别表示粒子的当前速度和粒子迭代后的速度；Xi(t)和Xi(t+1)分别表示粒子的当前位置和粒子迭代后的位置；其中，w>0为惯性因子，c1和c2均为正常数，分别称为认知参数和社会参数；r1和r2是在[0,1]之间的随机数；
Step 9，输出最佳粒子位置Xbest作为重构应变分布，Xbest中各分量(xbest,1,xbest,2,…,xbest,j,…,xbest,m)即为光纤光栅m个分段重构的应变量。
CN201911177905.5A 2019-11-27 2019-11-27 基于动态自适应粒子群算法的光纤光栅应变分布重构方法 Active CN110864642B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911177905.5A CN110864642B (zh) 2019-11-27 2019-11-27 基于动态自适应粒子群算法的光纤光栅应变分布重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911177905.5A CN110864642B (zh) 2019-11-27 2019-11-27 基于动态自适应粒子群算法的光纤光栅应变分布重构方法

Publications (2)

Publication Number Publication Date
CN110864642A true CN110864642A (zh) 2020-03-06
CN110864642B CN110864642B (zh) 2021-07-06

Family

ID=69656628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911177905.5A Active CN110864642B (zh) 2019-11-27 2019-11-27 基于动态自适应粒子群算法的光纤光栅应变分布重构方法

Country Status (1)

Country Link
CN (1) CN110864642B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007114072A (ja) * 2005-10-21 2007-05-10 Miyazaki Tlo:Kk Ｆｂｇを用いた歪み計測システム
US20130113964A1 (en) * 2011-11-07 2013-05-09 Kabushiki Kaisha Toshiba Solid state imaging device and method of manufacturing the same
CN104764414A (zh) * 2015-04-16 2015-07-08 三峡大学 一种利用群算法的fbg非均匀应变重构方法
CN106327011A (zh) * 2016-08-23 2017-01-11 三峡大学 一种基于动态自适应粒子群算法的微电网规划设计方法
CN109141488A (zh) * 2018-07-26 2019-01-04 福州大学 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
CN109489699A (zh) * 2019-01-07 2019-03-19 福州大学 一种光纤光栅畸变光谱解调方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007114072A (ja) * 2005-10-21 2007-05-10 Miyazaki Tlo:Kk Ｆｂｇを用いた歪み計測システム
US20130113964A1 (en) * 2011-11-07 2013-05-09 Kabushiki Kaisha Toshiba Solid state imaging device and method of manufacturing the same
CN104764414A (zh) * 2015-04-16 2015-07-08 三峡大学 一种利用群算法的fbg非均匀应变重构方法
CN106327011A (zh) * 2016-08-23 2017-01-11 三峡大学 一种基于动态自适应粒子群算法的微电网规划设计方法
CN109141488A (zh) * 2018-07-26 2019-01-04 福州大学 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
CN109489699A (zh) * 2019-01-07 2019-03-19 福州大学 一种光纤光栅畸变光谱解调方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YUEFENG QI等: "Research on demodulation of FBGs sensor network based on PSO-SA algorithm", 《OPTIK》 *
丁晖等: "粒子群优化算法在光纤光栅传感器波长解调中的应用", 《光谱学与光谱分析》 *
韦芙芽等: "基于量子粒子群优化算法的光纤光栅参数重构", 《中国激光》 *

Also Published As

Publication number Publication date
CN110864642B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
Taib et al. Extending the response range of an optical fibre pH sensor using an artificial neural network
CN109489699B (zh) 一种光纤光栅畸变光谱解调方法
Zou et al. Quantum-behaved particle swarm optimization algorithm for the reconstruction of fiber Bragg grating sensor strain profiles
CN108956534B (zh) 一种基于开放腔法珀干涉仪的折射率测量方法
CN110044682B (zh) 基于fbg传感器的单边缺口铝合金试件疲劳裂纹扩展监测方法
CN110501092B (zh) 一种布里渊光纤传感系统温度提取方法
CN106092162B (zh) 一种功率反馈式的光纤光栅传感解调寻峰方法
CN102032954B (zh) 光纤布拉格光栅快速光谱反演解调温度场方法
CN113465676B (zh) 一种双阶段布里渊频移提取方法
CN117387884A (zh) 一种基于多传感器数据融合的桥梁挠度测量方法
CN110864642B (zh) 基于动态自适应粒子群算法的光纤光栅应变分布重构方法
Mandal et al. Sensitivity analysis of designed apodized fiber Bragg grating sensor using artificial neural network and tree-based models
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
Liang et al. Improving the performance of a FBG sensor network using a novel dynamic multi-swarm particle swarm optimizer
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
CN113011107B (zh) 基于深度卷积神经网络的一维光纤传感信号相位恢复方法
CN113569469B (zh) 一种用于设计高性能闪耀光栅结构的预测网络的构建方法
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
Vasseur et al. High-dimensional sensitivity analysis of complex optronic systems by experimental design: applications to the case of the design and the robustness of optical coatings
Detka et al. Distributed strain reconstruction based on a fiber Bragg grating reflection spectrum
CN113686810A (zh) 一种基于卷积神经网络的近红外光谱波长选择方法
Junru et al. Hybrid modelling for leak detection of long-distance gas transport pipeline
Raju et al. Design and Analysis of Prediction method for FBG based Humidity Sensor
Theodosiou et al. Improvements on the cross-correlation algorithm used for tracking fractional Bragg grating wavelength shifts in multimode fibres
CN113221692B (zh) 用于光纤传感的连续变分模态分解dwt去噪方法

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