CN114777656B - 基于神经网络的光纤陀螺的筛环系统、方法及存储介质 - Google Patents

基于神经网络的光纤陀螺的筛环系统、方法及存储介质 Download PDF

Info

Publication number
CN114777656B
CN114777656B CN202210714952.4A CN202210714952A CN114777656B CN 114777656 B CN114777656 B CN 114777656B CN 202210714952 A CN202210714952 A CN 202210714952A CN 114777656 B CN114777656 B CN 114777656B
Authority
CN
China
Prior art keywords
artificial intelligence
optical fiber
waveguide
neural network
ring
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
Application number
CN202210714952.4A
Other languages
English (en)
Other versions
CN114777656A (zh
Inventor
吴军伟
何雪生
王健伟
温佳明
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.)
Beijing Polytechnic Navigation Control Technology Co ltd
Original Assignee
Beijing Polytechnic Navigation Control Technology Co ltd
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 Beijing Polytechnic Navigation Control Technology Co ltd filed Critical Beijing Polytechnic Navigation Control Technology Co ltd
Priority to CN202210714952.4A priority Critical patent/CN114777656B/zh
Publication of CN114777656A publication Critical patent/CN114777656A/zh
Application granted granted Critical
Publication of CN114777656B publication Critical patent/CN114777656B/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
    • G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Gyroscopes (AREA)

Abstract

本发明提出了一种基于神经网络的光纤陀螺的筛环系统、方法及存储介质，所述系统包括：光源、耦合器、Y波导、第一光电探测器、第二光电探测器、第一模数放大电路、第二模数放大电路、人工智能处理器、存储器和波导相位调制电路；所述人工智能处理器中从存储器读取训练后的神经网络，所述波导相位调制电路基于所述人工智能处理器的输出生成调制控制信号发送至所述Y波导对所述Y波导进行控制以完成所述光纤环的筛选。本发明提出的筛环系统，使用了两个光电探测器、及神经网络，可以实现自动、准确实现筛环的过程，提高了筛环的效率。

Description

基于神经网络的光纤陀螺的筛环系统、方法及存储介质
技术领域
本发明涉及人工智能及光纤陀螺技术领域，具体涉及一种基于神经网络的光纤陀螺的筛环系统、方法及存储介质。
背景技术
光纤陀螺是一种基于Sagnac效应为原理的全固态角速率传感器，具有体积小、重量轻、启动快、动态范围大、耐过载和耐冲击等优点，被广泛应用于军民用各个领域，近年来逐渐成为国内外惯性器件的一个研究热点。
但由于光纤环长度因其精度需求而不同，现有技术中针对每一只光纤环人工进行信号检测，得到其软件调试参数后用于筛环系统，这大大降低了光纤环检测的效率，现有技术中的筛环系统如图1所示。
此外，现有技术中在筛环过程中，Y波导的控制信号时随机生成的或者递加/减方式生成的，从而导致筛环效率低。
发明内容
本发明针对上述现有技术中一个或多个技术缺陷，提出了如下技术方案。
一种基于神经网络的光纤陀螺的筛环系统，所述系统包括：光源、耦合器、Y波导、第一光电探测器、第二光电探测器、第一模数放大电路、第二模数放大电路、人工智能处理器、存储器和波导相位调制电路；
所述光源通过所述耦合器与所述Y波导相连接，所述光纤陀螺中的光纤环的两端与所述Y波导的两端相连接；
所述第一光电探测器的一端及第二光电探测器的一端分别连接至所述耦合器的两端；
所述第一光电探测器的另一端及第二光电探测器另一端分别与所述第一模数放大电路的一端及第二模数放大电路的一端相连接；
所述第一模数放大电路的另一端及第二模数放大电路的另一端连接至所述人工智能处理器，所述波导相位调制电路与所述人工智能处理器相连接，所述人工智能处理器中从存储器读取训练后的神经网络，所述波导相位调制电路基于所述人工智能处理器的输出生成调制控制信号发送至所述Y波导对所述Y波导进行控制以完成所述光纤环的筛选。
更进一步地，所述耦合器为2×2耦合器。
更进一步地，所述神经网络为CNN。
更进一步地，当所述光纤环通过所述Y波导接入所述光源后，所述第一光电探测器将检测的到光信号转换为电信号发送至所述第一模数放大电路，所述电信号经过所述第一模数放大电路进行放大后转换为数字信号发送至所述人工智能处理器进行，当所述人工智能处理器确定所述第一光电探测器的输出电压稳定在第一值时，表征所述光纤环接入筛环系统后的光路工作正常，如果所述光路工作异常，则接产生报警信号。
更进一步地，在所述光路工作正常后，所述人工智能处理器输出控制电压至所述波导相位调制电路，所述波导相位调制电路基于所述人工智能处理器输出的控制电压生成调制控制信号发送至所述Y波导以触发光纤陀螺仪的第一闭环尝试，所述人工智能处理器通过所述第二模数放大电路采集所述第二光电探测器实时输出电压，所述神经网络基于所述实时输出电压和当前环境温度预测输出电压，将所述预测输出电压作为输出控制电压通过所述人工智能处理器输出至所述波导相位调制电路以生成调制控制信号发送至所述Y波导，循环该过程，直到所述人工智能处理器检测到所述第二光电探测器输出的梳状波形在每个本征周期的电压值之间的差的绝对值小于第一阈值，且相邻的两个本征周期的电压值之差的绝对值小于第二阈值，此时表面所述光纤环闭环成功，记录所述光纤环的本征频率，基于所述本征频率基于光纤环本征频率与环长之间的固有关系计算出所述光纤环的环长。
更进一步地，所述第一阈值为0.0001v，所述第二阈值为0.000015v。
更进一步地，所述神经网络在使用前需要进行训练，所述训练样本数据包括样本输入电压、梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值、样本温度和样本输出电压；在神经网络训练时，使用样本输入电压、梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值和样本温度作为神经网络的输入，使用样本输出电压作为神经网络的输出，对所述神经网络进行反复迭代后，当所述神经网络的损失函数值小于第三阈值时，所述神经网络训练完毕。
更进一步地，所述神经网络的预处理层对所述训练样本数据中的梳状波形在每个本征周期的电压值之间的差值Vdiff1和相邻的两个本征周期的电压值之间的差值Vdiff2进行加权放大运算得到综合电压差值参数：Vtotal= K1*Vdiff1+ K2*Vdiff2；其中，K1、K2为放大系数。
更进一步地，所述神经网络基于所述实时输出电压和当前环境温度预测输出电压的操作为：所述人工智能处理器基于所述实时输出电压计算出梳状波形在每个本征周期的电压值之间的差值和相邻的两个本征周期的电压值之间的差值，将所述实时输出电压、梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值和当前环境温度输入至所述神经网络，所述神经网络的预处理层基于梳状波形在每个本征周期的电压值之间的差值和相邻的两个本征周期的电压值之间的差值计算综合电压差值参数，所述预处理层将所述综合电压差值参数、所述实时输出电压和当前环境温度传送至人所述人工神经网的其他层，所述神经网络生成预测输出电压。
本发明还提出了一种根据上述任一所述的基于神经网络的光纤陀螺的筛环系统的光纤陀螺的筛环方法，该方法包括：
判断步骤S1，将所述光纤环通过所述Y波导接入所述光源，所述第一光电探测器将检测的到光信号转换为电信号发送至所述第一模数放大电路，所述电信号经过所述第一模数放大电路进行放大后转换为数字信号发送至所述人工智能处理器进行，判断所述人工智能处理器接收到的所述第一光电探测器的输出电压是否稳定在第一值，如果是，则表示光路工作正常，则进入第一闭环参数匹配步骤，如果否，则表示光路工作异常，则产生报警信号后退出；
第一闭环参数匹配步骤S2，所述人工智能处理器输出控制电压至所述波导相位调制电路，所述波导相位调制电路基于所述人工智能处理器输出的控制电压生成调制控制信号发送至所述Y波导以触发光纤陀螺仪的第一闭环尝试，所述人工智能处理器通过所述第二模数放大电路采集所述第二光电探测器实时输出电压，所述神经网络基于所述实时输出电压和当前环境温度预测输出电压，将所述预测输出电压作为输出控制电压通过所述人工智能处理器输出至所述波导相位调制电路以生成调制控制信号发送至所述Y波导，循环该过程，直到所述人工智能处理器检测到所述第二光电探测器输出的梳状波形在每个本征周期的电压值之间的差的绝对值小于第一阈值，且相邻的两个本征周期的电压值之差的绝对值小于第二阈值，此时表面所述光纤环闭环成功，记录所述光纤环的本征频率，基于所述本征频率基于光纤环本征频率与环长之间的固有关系计算出所述光纤环的环长；
校验步骤S3，校验所述光纤环的环长是否在一个预设的长度区间，如果是，则记录该光纤环的环长，并将所述环长及本征频率写入一个参数文件中，如果否，则产生报警信号后退出；
复检步骤S4，从所述参数文件读取所述环长及本征频率至所述筛环系统，通过所述人工智能处理器计算所述第二光电探测器输出的梳状波形在每个本征周期的电压值之间的差的绝对值是否小于第一阈值，且相邻的两个本征周期的电压值之差的绝对值是否小于第二阈值，如果都是，则所述参数文件中的所述环长及本征频率为正确参数，否则，重新进入判断步骤S1开始筛环。
更进一步地，所述神经网络为CNN。
本发明还提出了一种计算机可读存储介质，所述存储介质上存储有计算机程序代码，当所述计算机程序代码被计算机执行时执行上述之任一的方法。
本发明的技术效果在于：本发明的一种基于神经网络的光纤陀螺的筛环系统、方法及存储介质，所述系统包括：光源、耦合器、Y波导、第一光电探测器、第二光电探测器、第一模数放大电路、第二模数放大电路、人工智能处理器、存储器和波导相位调制电路；所述光源通过所述耦合器与所述Y波导相连接，所述光纤陀螺中的光纤环的两端与所述Y波导的两端相连接；所述第一光电探测器的一端及第二光电探测器的一端分别连接至所述耦合器的两端；所述第一光电探测器的另一端及第二光电探测器另一端分别与所述第一模数放大电路的一端及第二模数放大电路的一端相连接；所述第一模数放大电路的另一端及第二模数放大电路的另一端连接至所述人工智能处理器，所述波导相位调制电路与所述人工智能处理器相连接，所述人工智能处理器中从存储器读取训练后的神经网络，所述波导相位调制电路基于所述人工智能处理器的输出生成调制控制信号发送至所述Y波导对所述Y波导进行控制以完成所述光纤环的筛选。本发明中的所述耦合器为2×2耦合器。本发明提出的筛环系统，使用了两个光电探测器，第一光电探测器提供光纤环接入筛环系统后的光路工作正常的信号，第二光电探测器用于采集筛环过程中的光信号，使得筛环系统可以自动完成光纤环长的匹配且在筛环过程中，使用了神经网络用于控制信号的生成，解决了现有技术中随机生成控制信号或者递加/减式生成控制信号效率低的技术缺陷，提高了筛环的效率；本发明通过连接耦合器一端的第一光电探测器实时采集光纤环接入光路系统中的电信号，通过人工智能处理器对该电信号的处理，判断光路是否正常工作，即是否具备了筛环的条件，从而实现了自动提供筛环条件的激励，解决了现有技术中人工提供激励信号的缺陷，提高了筛环效率；本发明中，在神经网络训练时，基于光纤陀螺的物理特性，选择了样本输入电压、梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值和样本温度作为输入样本，即这些特征构成一个向量后作为个输入样本，并且，由于梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值可能比较小，导致神经网络卷积运算时难以采集到该特征，因此，本发明创造性的在预处理层将这两个特征进行综合计算，即设置了综合电压差值参数的具体方式，通过该方式，对上述两个差值进行了适当放大，避免了在卷积运算时难以提取到该特征；本发明中，根据筛环系统设计相应的筛环方法流程，在该方法中，设置了校验步骤及复检步骤，通过该步骤，可以将计算错误的环长剔除掉，并且验证前两个步骤计算出的相关参数是否正确，确保了筛环准确。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显。
图1 是现有技术中的光纤陀螺的筛环系统的结构图。
图2是根据本发明的实施例的一种基于神经网络的光纤陀螺的筛环系统的结构图。
图3是根据本发明的实施例的一种基于神经网络的光纤陀螺的筛环方法的流程图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图2示出了本发明的一种基于神经网络的光纤陀螺的筛环系统，所述系统包括：光源、耦合器、Y波导、第一光电探测器、第二光电探测器、第一模数放大电路、第二模数放大电路、人工智能处理器、存储器和波导相位调制电路；
所述光源通过所述耦合器与所述Y波导相连接，所述光纤陀螺中的光纤环的两端与所述Y波导的两端相连接；
所述第一光电探测器的一端及第二光电探测器的一端分别连接至所述耦合器的两端；
所述第一光电探测器的另一端及第二光电探测器另一端分别与所述第一模数放大电路的一端及第二模数放大电路的一端相连接；
所述第一模数放大电路的另一端及第二模数放大电路的另一端连接至所述人工智能处理器，所述波导相位调制电路与所述人工智能处理器相连接，所述人工智能处理器中从存储器读取训练后的神经网络，所述波导相位调制电路基于所述人工智能处理器的输出生成调制控制信号发送至所述Y波导对所述Y波导进行控制以完成所述光纤环的筛选。本发明中的所述耦合器为2×2耦合器。
本发明提出的筛环系统，使用了两个光电探测器，第一光电探测器提供光纤环接入筛环系统后的光路工作正常的信号，第二光电探测器用于采集筛环过程中的光信号，使得筛环系统可以自动完成光纤环长的匹配且在筛环过程中，使用了神经网络用于控制信号的生成，解决了现有技术中随机生成控制信号或者递加/减式生成控制信号效率低的技术缺陷，提高了筛环的效率，这是本申请的重要发明构思。
本发明中使用的神经网络可以为CNN（卷积神经网络），也可以采用LSTM(LongShort-Term Memory)，一种长短期记忆网络。
优选地，当所述光纤环通过所述Y波导接入所述光源后，所述第一光电探测器将检测的到光信号转换为电信号发送至所述第一模数放大电路，所述电信号经过所述第一模数放大电路进行放大后转换为数字信号发送至所述人工智能处理器进行，当所述人工智能处理器确定所述第一光电探测器的输出电压稳定在第一值时，表征所述光纤环接入筛环系统后的光路工作正常，如果所述光路工作异常，则接产生报警信号，所述第一值一般与光纤陀螺相关，一般为3-5v，对于不同的光纤陀螺，该值一般不同，该值通过对待筛环的光纤陀螺测量后存储在系统中，以进行与实际测量值的对比。
本发明通过连接耦合器一端的第一光电探测器实时采集光纤环接入光路系统中的电信号，通过人工智能处理器对该电信号的处理，判断光路是否正常工作，即是否具备了筛环的条件，从而实现了自动提供筛环条件的激励，解决了现有技术中人工提供激励信号的缺陷，提高了筛环效率，体现了本申请的发明点。
优选地，在所述光路工作正常后，所述人工智能处理器输出控制电压至所述波导相位调制电路，所述波导相位调制电路基于所述人工智能处理器输出的控制电压生成调制控制信号发送至所述Y波导以触发光纤陀螺仪的第一闭环尝试，所述人工智能处理器通过所述第二模数放大电路采集所述第二光电探测器实时输出电压，所述神经网络基于所述实时输出电压和当前环境温度预测输出电压，将所述预测输出电压作为输出控制电压通过所述人工智能处理器输出至所述波导相位调制电路以生成调制控制信号发送至所述Y波导，循环该过程，直到所述人工智能处理器检测到所述第二光电探测器输出的梳状波形在每个本征周期的电压值之间的差的绝对值小于第一阈值，且相邻的两个本征周期的电压值之差的绝对值小于第二阈值，此时表面所述光纤环闭环成功，记录所述光纤环的本征频率，基于所述本征频率基于光纤环本征频率与环长之间的固有关系计算出所述光纤环的环长。具体地，所述第一阈值可以为0.0001v，所述第二阈值可以为0.000015v。
本发明为进一步地提高筛环效率，采用了神经网络预测输出电压进行Y波导的控制，由于光纤陀螺一般具有温偏现象，在使用神经网络预测时，将温度也作为一个输入参数进行预测，本发明中，通过第一、二光电探测器及神经网络的相互配合，通过神经网络可以快速准确的生成Y波导的控制信号，实现了环长的自动匹配，解决了现有技术中随机生成控制信号或者递加/减式生成控制信号效率低的技术缺陷，提高了筛环的效率，体现了本申请的重要发明构思。
优选地，所述神经网络在使用前需要进行训练，所述训练样本数据包括样本输入电压、梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值、样本温度和样本输出电压；在神经网络训练时，使用样本输入电压、梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值和样本温度作为神经网络的输入，使用样本输出电压作为神经网络的输出，对所述神经网络进行反复迭代后，当所述神经网络的损失函数值小于第三阈值时，所述神经网络训练完毕。
优选地，所述神经网络的预处理层对所述训练样本数据中的梳状波形在每个本征周期的电压值之间的差值Vdiff1和相邻的两个本征周期的电压值之间的差值Vdiff2进行加权放大运算得到综合电压差值参数：Vtotal= K1*Vdiff1+ K2*Vdiff2；其中，K1、K2为放大系数，比如，K1=10、K2=30。
本发明中，在神经网络训练时，基于光纤陀螺的物理特性，选择了样本输入电压、梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值和样本温度作为输入样本，即这些特征构成一个向量后作为个输入样本，并且，由于梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值可能比较小，导致神经网络卷积运算时难以采集到该特征，因此，本发明创造性的在预处理层将这两个特征进行综合计算，即设置了综合电压差值参数的具体方式，通过该方式，对上述两个差值进行了适当放大，避免了在卷积运算时难以提取到该特征，这是本发明的另一个发明构思。
优选地，所述神经网络基于所述实时输出电压和当前环境温度预测输出电压的操作为：所述人工智能处理器基于所述实时输出电压计算出梳状波形在每个本征周期的电压值之间的差值和相邻的两个本征周期的电压值之间的差值，将所述实时输出电压、梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值和当前环境温度输入至所述神经网络，所述神经网络的预处理层基于梳状波形在每个本征周期的电压值之间的差值和相邻的两个本征周期的电压值之间的差值计算综合电压差值参数，所述预处理层将所述综合电压差值参数、所述实时输出电压和当前环境温度传送至人所述人工神经网的其他层，所述神经网络生成预测输出电压。
在神经网络训练完成后，即其在实际工作中，也是基于和训练样本同样的方式输入相应的数据后，以生成预测输出电压，从而提高了预测输出电压的准确度，进而可以使得筛环尽快完成，提高了筛环效率，这是本申请的重要发明构思体现。
图3示出了一种根据上述任一所述的基于神经网络的光纤陀螺的筛环系统的光纤陀螺的筛环方法，该方法包括：
判断步骤S1，将所述光纤环通过所述Y波导接入所述光源，所述第一光电探测器将检测的到光信号转换为电信号发送至所述第一模数放大电路，所述电信号经过所述第一模数放大电路进行放大后转换为数字信号发送至所述人工智能处理器进行，判断所述人工智能处理器接收到的所述第一光电探测器的输出电压是否稳定在第一值，如果是，则表示光路工作正常，则进入第一闭环参数匹配步骤，如果否，则表示光路工作异常，则产生报警信号后退出；
第一闭环参数匹配步骤S2，所述人工智能处理器输出控制电压至所述波导相位调制电路，所述波导相位调制电路基于所述人工智能处理器输出的控制电压生成调制控制信号发送至所述Y波导以触发光纤陀螺仪的第一闭环尝试，所述人工智能处理器通过所述第二模数放大电路采集所述第二光电探测器实时输出电压，所述神经网络基于所述实时输出电压和当前环境温度预测输出电压，将所述预测输出电压作为输出控制电压通过所述人工智能处理器输出至所述波导相位调制电路以生成调制控制信号发送至所述Y波导，循环该过程，直到所述人工智能处理器检测到所述第二光电探测器输出的梳状波形在每个本征周期的电压值之间的差的绝对值小于第一阈值，且相邻的两个本征周期的电压值之差的绝对值小于第二阈值，此时表面所述光纤环闭环成功，记录所述光纤环的本征频率，基于所述本征频率基于光纤环本征频率与环长之间的固有关系计算出所述光纤环的环长；
校验步骤S3，校验所述光纤环的环长是否在一个预设的长度区间，如果是，则记录该光纤环的环长，并将所述环长及本征频率写入一个参数文件中，如果否，则产生报警信号后退出；
复检步骤S4，从所述参数文件读取所述环长及本征频率至所述筛环系统，通过所述人工智能处理器计算所述第二光电探测器输出的梳状波形在每个本征周期的电压值之间的差的绝对值是否小于第一阈值，且相邻的两个本征周期的电压值之差的绝对值是否小于第二阈值，如果都是，则所述参数文件中的所述环长及本征频率为正确参数，否则，重新进入判断步骤S1开始筛环。
本发明中，根据筛环系统设计相应的筛环方法流程，在该方法中，设置了校验步骤及复检步骤，通过该步骤，可以将计算错误的环长剔除掉，并且验证前两个步骤计算出的相关参数是否正确，确保了筛环准确，这是本发明的另一个发明构思的体现。
本发明中使用的神经网络可以为CNN（卷积神经网络），也可以采用LSTM(LongShort-Term Memory)，一种长短期记忆网络。
本发明一个实施例中提出了一种计算机存储介质，所述计算机存储介质上存储有计算机程序，当所述计算机存储介质上的计算机程序被处理器执行时实现上述的方法，该计算机存储介质可以是硬盘、DVD、CD、闪存等等存储器。
本发明的为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请的方法可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例或者实施例的某些部分所述的装置。
最后所应说明的是：以上实施例仅以说明而非限制本发明的技术方案，尽管参照上述实施例对本发明进行了详细说明，本领域的普通技术人员应当理解：依然可以对本发明进行修改或者等同替换，而不脱离本发明的精神和范围的任何修改或局部替换，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于神经网络的光纤陀螺的筛环系统的光纤陀螺的筛环方法，其特征在于，所述神经网络的光纤陀螺的筛环系统包括：光源、耦合器、Y波导、第一光电探测器、第二光电探测器、第一模数放大电路、第二模数放大电路、人工智能处理器、存储器和波导相位调制电路；
所述光源通过所述耦合器与所述Y波导相连接，所述光纤陀螺中的光纤环的两端与所述Y波导的两端相连接；
所述第一光电探测器的一端及第二光电探测器的一端分别连接至所述耦合器的两端；
所述第一光电探测器的另一端及第二光电探测器另一端分别与所述第一模数放大电路的一端及第二模数放大电路的一端相连接；
所述第一模数放大电路的另一端及第二模数放大电路的另一端连接至所述人工智能处理器，所述波导相位调制电路与所述人工智能处理器相连接，所述人工智能处理器中从存储器读取训练后的神经网络，所述波导相位调制电路基于所述人工智能处理器的输出生成调制控制信号发送至所述Y波导对所述Y波导进行控制以完成所述光纤环的筛选；当所述光纤环通过所述Y波导接入所述光源后，所述第一光电探测器将检测的到光信号转换为电信号发送至所述第一模数放大电路，所述电信号经过所述第一模数放大电路进行放大后转换为数字信号发送至所述人工智能处理器进行，当所述人工智能处理器确定所述第一光电探测器的输出电压稳定在第一值时，表征所述光纤环接入筛环系统后的光路工作正常，如果所述光路工作异常，则接产生报警信号；在所述光路工作正常后，所述人工智能处理器输出控制电压至所述波导相位调制电路，所述波导相位调制电路基于所述人工智能处理器输出的控制电压生成调制控制信号发送至所述Y波导以触发光纤陀螺仪的第一闭环尝试，所述人工智能处理器通过所述第二模数放大电路采集所述第二光电探测器实时输出电压，所述神经网络基于所述实时输出电压和当前环境温度预测输出电压，将所述预测输出电压作为输出控制电压通过所述人工智能处理器输出至所述波导相位调制电路以生成调制控制信号发送至所述Y波导，循环该过程，直到所述人工智能处理器检测到所述第二光电探测器输出的梳状波形在每个本征周期的电压值之间的差的绝对值小于第一阈值，且相邻的两个本征周期的电压值之差的绝对值小于第二阈值，此时表面所述光纤环闭环成功，记录所述光纤环的本征频率，基于光纤环的本征频率与环长之间的固有关系计算出所述光纤环的环长；所述神经网络在使用前需要进行训练，训练样本数据包括样本输入电压、梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值、样本温度和样本输出电压；在神经网络训练时，使用样本输入电压、梳状波形在每个本征周期的电压值之间的差值、相邻的两个本征周期的电压值之间的差值和样本温度作为神经网络的输入，使用样本输出电压作为神经网络的输出，对所述神经网络进行反复迭代后，当所述神经网络的损失函数值小于第三阈值时，所述神经网络训练完毕；
该方法包括：
判断步骤S1，将所述光纤环通过所述Y波导接入所述光源，所述第一光电探测器将检测的到光信号转换为电信号发送至所述第一模数放大电路，所述电信号经过所述第一模数放大电路进行放大后转换为数字信号发送至所述人工智能处理器进行，判断所述人工智能处理器接收到的所述第一光电探测器的输出电压是否稳定在第一值，如果是，则表示光路工作正常，则进入第一闭环参数匹配步骤，如果否，则表示光路工作异常，则产生报警信号后退出；
第一闭环参数匹配步骤S2，所述人工智能处理器输出控制电压至所述波导相位调制电路，所述波导相位调制电路基于所述人工智能处理器输出的控制电压生成调制控制信号发送至所述Y波导以触发光纤陀螺仪的第一闭环尝试，所述人工智能处理器通过所述第二模数放大电路采集所述第二光电探测器实时输出电压，所述神经网络基于所述实时输出电压和当前环境温度预测输出电压，将所述预测输出电压作为输出控制电压通过所述人工智能处理器输出至所述波导相位调制电路以生成调制控制信号发送至所述Y波导，循环该过程，直到所述人工智能处理器检测到所述第二光电探测器输出的梳状波形在每个本征周期的电压值之间的差的绝对值小于第一阈值，且相邻的两个本征周期的电压值之差的绝对值小于第二阈值，此时表面所述光纤环闭环成功，记录所述光纤环的本征频率，基于光纤环的本征频率与环长之间的固有关系计算出所述光纤环的环长；
校验步骤S3，校验所述光纤环的环长是否在一个预设的长度区间，如果是，则记录该光纤环的环长，并将所述环长及本征频率写入一个参数文件中，如果否，则产生报警信号后退出；
复检步骤S4，从所述参数文件读取所述环长及本征频率至所述筛环系统，通过所述人工智能处理器计算所述第二光电探测器输出的梳状波形在每个本征周期的电压值之间的差的绝对值是否小于第一阈值，且相邻的两个本征周期的电压值之差的绝对值是否小于第二阈值，如果都是，则所述参数文件中的所述环长及本征频率为正确参数，否则，重新进入判断步骤S1开始筛环。
2.根据权利要求1所述的方法，其特征在于，所述神经网络为CNN。
3.根据权利要求2所述的方法，其特征在于，所述第一阈值为0.0001v，所述第二阈值为0.000015v。
4.根据权利要求3所述的方法，其特征在于，所述耦合器为2×2耦合器。
5.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序，当所述计算机存储介质上的计算机程序被处理器执行时实现权利要求1-4任一项所述的方法。
CN202210714952.4A 2022-06-23 2022-06-23 基于神经网络的光纤陀螺的筛环系统、方法及存储介质 Active CN114777656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210714952.4A CN114777656B (zh) 2022-06-23 2022-06-23 基于神经网络的光纤陀螺的筛环系统、方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210714952.4A CN114777656B (zh) 2022-06-23 2022-06-23 基于神经网络的光纤陀螺的筛环系统、方法及存储介质

Publications (2)

Publication Number Publication Date
CN114777656A CN114777656A (zh) 2022-07-22
CN114777656B true CN114777656B (zh) 2022-09-02

Family

ID=82422475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210714952.4A Active CN114777656B (zh) 2022-06-23 2022-06-23 基于神经网络的光纤陀螺的筛环系统、方法及存储介质

Country Status (1)

Country Link
CN (1) CN114777656B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113361548B (zh) * 2021-07-05 2023-11-14 北京理工导航控制科技股份有限公司 一种用于高光图像的局部特征描述及匹配方法
CN116045952B (zh) * 2023-03-31 2023-06-16 中国船舶集团有限公司第七〇七研究所 一种保偏光纤陀螺及其尖峰去除方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4742274B2 (ja) * 2007-03-22 2011-08-10 独立行政法人国立高等専門学校機構 計測システム
CN107764284A (zh) * 2016-08-22 2018-03-06 北京计算机技术及应用研究所 光纤陀螺用光纤环温度性能的筛选系统

Also Published As

Publication number Publication date
CN114777656A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN114777656B (zh) 基于神经网络的光纤陀螺的筛环系统、方法及存储介质
CN103632569A (zh) 一种双轴地磁车位检测方法和装置
CN114754801B (zh) 一种基于神经网络对光纤陀螺零偏温度补偿方法、装置及存储介质
CN108571997B (zh) 一种检测探头稳定接触被测点的方法和装置
CN110888065B (zh) 电池包荷电状态修正方法和装置
KR102325629B1 (ko) 이상 탐지 방법 및 이상 탐지 장치
US20240310191A1 (en) Method and Apparatus for Global Phase In-phase/Quadrature Demodulation of Optical fiber DAS data
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
CN118169580B (zh) 一种智能手机配件生产测试方法及系统
CN105865611B (zh) 一种调整光纤振动检测门限值的方法及装置
CN113566852B (zh) 基线更新、相对状态检测方法和系统、电子设备
CN110472315A (zh) 基于ersa算法的结构参数识别方法
CN110702344B (zh) 基于分布式应变测量技术的闭环桥梁结构损伤诊断方法
CN113124995B (zh) 正交基模磁通门传感器噪声检测装置的噪声检测方法
CN110244812A (zh) 雪崩光电二极管的偏压控方法和装置、存储介质
CN113074713A (zh) 一种光纤陀螺高动态控制方法
CN117148170B (zh) 一种电池储能系统及其储能测试方法
CN116086497B (zh) 基于神经网络的光纤陀螺仪低角速率下的输出校正方法、装置、介质
CN117784678B (zh) 抗干扰检测仪的控制方法、设备及产品
CN118424350B (zh) 基于相位敏感型光时域反射仪的相位解卷绕误差恢复方法
US11967982B2 (en) Method for real-time processing of a detection signal and a detector
KR102596414B1 (ko) 다중 대역 영상 기반 불량 화소 검출 장치 및 방법
KR101491887B1 (ko) 물리량을 측정하는 시스템의 디더 제거 장치 및 방법
KR102077461B1 (ko) 반능동 레이저 신호를 탐지하는 장치, 방법 및 시스템
CN112686629A (zh) 样品检验数据的处理方法及装置、电子设备、存储介质

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