技术领域
本发明专利属于光纤传感领域,可用于分布式温度或应力的测量。
技术背景:
光纤光栅(FBG)传感器对环境温度、外界应力等物理量有很高的灵敏度,且具备电磁隔离、耐腐蚀、体积小和可复用等优点,因此在能源、海洋、军事、民用建筑和航空航天等领域有着广泛的应用。
近年来为解决分布式传感的需求,很多学者提出了准分布式弱反射光纤光栅串传感原理。几百个具有相同或近似反射光谱的弱反射光纤光栅,前后连接成串被集成到一根光纤上,通过光时域反射技术(OTDR)便可以同时解调这几百个 FBG,从而对光纤布设区域的温度、应力或振动等物理量进行分布式测量。众所周知,FBG解调的关键在于得到其反射光谱峰的中心波长,但要获得反射光谱需要付出不小的成本与代价。其中比较成熟的解调方案,一是使用光谱仪,二是使用扫描激光器(TLS)。但由于光谱仪响应速度慢,无法快速得到FBG反射谱,所以很难与OTDR技术融合应用于解调系统,因此基于TLS的解调方案就占据了弱反射光纤光栅传感系统的核心地位。目前,较成功的解调方案有“扫描激光器+ 光时域反射技术(TLS+OTDR)”和“扫描激光器+光频域反射技术(TLS+OFDR)”。 TLS+OTDR系统主要利用OTDR技术实现对光栅位置的定位,通过扫描特定波长范围的光得到FBG的光谱,实现对温度、应力等物理量变化的测量。但该系统要求 TLS的连续输出光调制成脉冲光,则需要用到电光调制器(EOM)或声光调制器 (AOM)。而且由于TLS的光功率较低,还需要掺铒光纤放大器(EDFA)来对光脉冲进行放大以便其能够传输到较远距离,这使得整个系统结构复杂,而且成本高昂。另外,由于光脉冲在光纤中需要一定传播时间,因此在解调过程中TLS只能逐点扫描FBG的光谱,导致解调速度慢,只适用于静态温度或应力的测量。而在 TLS+OFDR系统中,TLS可以进行快速扫描,利用本振光与参考光的干涉来对FBG 的位置进行定位。虽然该系统的解调速度有了较大提高,但对TLS的性能要求较高,要求其波长扫描速度极快并且中间无跳模,因此价格昂贵,动辄十几万人民币。另外,波长扫描中的无法规避的非线性调谐对解调精度影响较大,还需另外的波长实时监测与校准系统,也导致系统结构非常复杂。
针对以上问题,我们提出了一项新型的弱反射FBG解调方案,不使用昂贵扫描激光器TLS,也不使用EOM和AOM来进行脉冲调制,结构简单,成本低,测量速度快。
发明内容:
本发明提出了一种基于深度学习的弱反射光纤光栅串解调仪,可解决现存解调仪的部分技术问题,实现对分布式温度或者应力的精确解调,并且结构简单、成本低、测量速度快。
为实现上述发明的目的,本发明第一方面提供了一种弱反射光纤光栅串解调仪,包括:脉冲驱动电路、激光器、光纤环形器、传感光纤、光散射介质、多片组合式光电探测器和信号采集与解调系统。
脉冲驱动电路驱动激光器产生周期光脉冲,经由光纤环形器进入传感光纤,该传感光纤中有多个前后接续并相隔固定距离的若反射光纤光栅;光脉冲遇到弱反射光纤光栅后的部分反射光再经光纤环形器回到光栅解调装置;反射光先进入光散射介质形成散斑图像,然后该散斑图像被多片组合式光电探测器分割接收,并由信号采集与解调系统依次解调出传感光纤中每个弱反射光纤光栅的反射谱中心波长。将各个弱反射光纤光栅的反射谱中心波长标定各个光纤光栅处的温度或应力。
进一步的:所述光散射介质为使入射光发生多重散射与折射的光波导,包括但不仅限于:多模光纤、毛玻璃和散射微粒。
进一步的:所述多片组合式光电探测器由光学图像分割棱镜与与多个可独立运行的光电探测器组成。
进一步的:所述光学图像分割棱镜由至少一个多角棱镜组成。
进一步的:所述激光器的线宽大于传感光纤中弱反射光纤光栅反射谱宽度;
进一步的:所述信号采集与解调系统包括一个、两个或多个存储单元和处理器。
本发明第二方面提供了一种在弱反射光纤光栅串解调仪中基于深度学习的解调方法,所述方法包括:
对于含有X个弱反射光纤光栅的传感光纤,在发射一次光脉冲后,采集一组按照时间顺序生成的反射光信号序列;
将所述按照时间顺序生成的反射光信号序列输入到训练好的深度学习网络模型,以输出X个待测物理量的值。
进一步的:所述深度学习网络模型的训练方法包括以下步骤:
步骤一:对于含有X个弱反射光纤光栅的传感光纤,设置N组待测物理量、每组采样M次,共获得N×M组反射光信号序列和N×M组待测量的目标序列;
步骤二:建立数据集。随机选取步骤一中0.8×N×M组反射光信号序列及其对应的0.8×N×M组待测量的目标序列作为训练数据集,其中反射光信号序列为输入数据,待测量的目标序列为目标数据。并将剩下的0.2×N×M组反射光信号序列及其对应的待测量的目标序列作为验证数据集;
步骤三:将步骤二所述的训练数据集输入到深度学习网络模型中,每迭代完一次,将验证集输入到深度学习网络模型中进行验证,得到98%以上的准确率停止训练;
步骤四:保存深度学习网络模型参数。
进一步的:所述深度学习网络模型包括:预处理层、卷积层、激活层、归一化层、池化层和全连接层。所述卷积层用于提取信号序列特征;所述激活层使网络具备解决非线性问题能力,采用ReLU激活函数;池化层可减小数据运算量,采用最大池化下采样。
本发明的有益效果:
在本发明中,FBG反射光谱首先通过散射介质形成散斑图像,然后利用多片组合式光电探测器实现对散斑图像的降维采集与解析。基于反射光谱散斑的解调实现对温度、应力等物理量的测量,摆脱了传统方案中的扫描激光器、EOM和AOM。因此系统结构更简单,成本大大降低,而且测量速度快。实验数据表明,本专利的弱光纤串解调仪可实现5km长的光纤尾端串联20个反射率为0.01%左右弱反射光栅,可实现0.1℃的精确测量。
附图说明:
构成本申请的说明书附图用作进一步理解本发明,提供示意性实例,并不构成对本发明的不当限定。
在附图中:
图1是本发明的总体结构示意图;
图2是光栅解调装置和信号采集与解调系统示意图;
图3是散斑图像裂像示意图;
图4是不同温度下单个光纤光栅的采集数据图;
图5是信号采集与解析系统的处理流程图。
具体实施方式
下面将结合附图以及具体实例来详细地阐述本发明,其中的示意性实例以及相应说明仅用于解释本发明,并不构成对本发明的不当限定。
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。
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。
一种弱反射光纤光栅串解调仪,包括有脉冲驱动电路(1)、激光器(2)、光纤环形器(3)、传感光纤(4)、光散射介质(5)、多片组合式光电探测器(6)和信号采集与解调系统(7)。
脉冲驱动电路驱动激光器,产生光脉冲,经光纤环形器进入传感光纤,该传感光纤中有多个前后接续并相隔固定距离的弱反射光纤光栅串;光脉冲遇到弱反射光纤光栅后的部分反射光再经光纤环形器的一端口(303)回到光栅解调装置,最后到信号采集与解调系统解调,所述光栅解调装置包括光散射介质和多片组合式光电探测器。
所述光散射介质为随机散射光波导。光散射介质使入射光发生多重散射与折射,最后在出射端面形成散斑。优选的是,本发明的光散射介质为多模光纤。
所述多片组合式光电探测器可使入射光分光后投射到不同空间区域,并且进行光电转换、收集信号。优选的是,所述多片式组合式光电探测器包括光学图像分割棱镜与多个可独立运行的光电探测器。
本发明中光散射介质使入射光发生多重散射与折射,最后在出射端面形成散斑。散斑是由大量的具有独立相位的复分量相叠加而成,散斑包含大量的原始光信号信息,尤其是它与波长相关;然后经过本发明中的多片组合式光电探测器,把光信号转化为电信号;最后经过信号采集与解调系统,将收集到的信号序列输入到训练好的神经网络中,解调出各个弱反射式光栅处的温度或应力值。当某个光栅处的温度或应力改变时,其反射光的中心波长会发生改变,经过环形器的一端口(303)到光散射介质,在其出射端的散斑会呈现出不一样的形状与强度分布,最终经过光电转换后获得的电信号也会产生变化。
如图2所示为光栅解调装置和信号采集与解调系统示意图。在本实例中使用的光散射介质为多模光纤(MMF),在多模光纤出射端产生的散斑图案投射到光学图像分割棱镜。在本实例中光学图像分割棱镜为一个多角棱镜。经光学图像分割棱镜分光,并由4个独立的光电探测器(PD)接收,生成4路目标电信号,经信号采集与解析电路板采集、滤波和解调,最后在计算机上显示相应温度或应力。
如图3所示为散斑图像裂像示意图。经过光散射介质后的散斑图案如图3(a) 所示;再经过光学图像分割棱镜后所投射出的裂像图如图3(b)所示,投射出的裂像图(A、B、C、D)由光电探测器接收并生成电信号。
如图4是25℃到30℃下单个光纤光栅的采集数据图。改变光纤光栅所处环境的温度,经过多模光纤后的散斑图案也随之发生改变。散斑图案裂像后由4 个光电探测器接收,生成的电信号经过滤波处理并输出,输出的4路信号(A、B、 C、D)分别对应于投射出的裂像图(A、B、C、D)。由图可知,改变光纤光栅所处环境的温度,采集到的4路数据也有不同的变化。
如图5是信号采集与解析系统的处理流程图。具体包括如下步骤:
(1)系统标定。包括如下步骤:
步骤一:对于含有X个弱反射光纤光栅的传感光纤,将传感光纤放置于可设置温度的恒温箱中,设置N组待测温度、每组采样M次,共获得N×M组反射光信号序列和N×M组待测量的目标序列;
步骤二:建立数据集,随机选取步骤一中0.8×N×M组反射光信号序列及其对应的0.8×N×M组待测量的目标序列作为训练数据集,其中反射光信号序列为输入数据,待测量的目标序列为目标数据,并将剩下的0.2×N×M组反射光信号序列及其对应的待测量的目标序列作为验证数据集;
步骤三:将步骤二所述的训练数据集输入到深度学习网络模型中,学习率设为0.0001、BatchSize为32、采用Adam优化器进行优化,并进行训练。
步骤四:在每迭代完一次训练数据集后,将验证数据集集输入到深度学习网络模型中进行验证,得到98%以上的准确率即可停止训练,之后保存网络参数,并且作为测量时的深度学习网络模型。
(2)信号解调。包括如下步骤:
步骤一:将上述弱反射光纤光栅放置于待测环境中,弱反射光纤光栅的反射光通过环形器、光散射介质、多片组合式光电探测器和信号采集与解调系统采集到反射光信号序列。
步骤二:信号预处理。由于电路等原因,所采集到的信号带有一定的噪声。因此采用滑动滤波方案。
步骤三:将经过滤波的信号序列输入到训练好的深度学习网络模型中。
步骤四:在电脑上显示当前温度的解调结果。
综上所述,本发明通过弱反射光纤串获得对温度敏感度高的散斑图案,通过多片组合式光电探测器获取到电信号,对电信号进行滤波并按照时间顺序生成的反射光信号序列,然后输入到训练好的神经网络模型中,即可得到解调结果。
以上所述仅为本发明的优选实施例,并不用于限制本发明,对本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 基于深度学习的弱监督显着对象检测方法及系统
机译: 基于光纤光栅传感器阵列的频率调制解调器
机译: 飞行时间质谱仪的空间角聚焦反射器的最后一个环形孔和终端孔之间的场弱于前面的反射器孔之间的场