基于卷积神经网络的混叠光谱解调方法

研究了一种基于深度学习的光纤光栅混叠FBG光谱解调方法。利用卷积神经网络(Convolutional Neural Networks, CNN)模型处理混叠光谱非线性序列模型问题,通过一维卷积神经网络预测识别混叠光谱中心波长,并搭建了并联结构的混叠光谱数据自动采集实验系统,验证了混叠光谱的中心波长高精度解调。实验分析了训练样本、迭代次数对训练时间、测试时间、解调精度的影响,并对训练完成后的模型进行了解调时间测试。分别与其他解调算法进行了解调精度和测试时间对比,同时对同一组光谱数据使用解调模型算法及最高点寻峰算法进行中心波长值的对比并进行误差分析。实验结果表明:解调模型均方根误差结果为0.082 58 pm,使用Intel(R) Core(TM) i7-8550U CPU （Central Processing Unit）的解调计算时间为0.338 s。研究结果表明:采用卷积神经网络模型对于混叠光谱中心波长解调结果的准确性具有合理性,与其他算法相比,文中的解调算法在解调精度和时间上具有优势,模型大小在400 kB以下,所需算力较小,可部署在小型嵌入式设备中,在大规模机载传感网络,结构健康监测中有良好的应用前景。     

超短FBG的高灵敏度温度传感器

为了研究一种适用于人造卫星环境温度监测的高灵敏度温度传感器,利用超短光纤光栅的小尺寸优点并结合双金属增敏结构研究设计小尺寸高灵敏度温度传感器。采用1mm超短光纤光栅作为测量敏感元件,以热膨胀系数大的铝材作为基底、热膨胀系数小的殷钢为热应变传递梁,将30mm的铝材基底热应变转化为1mm超短光纤光栅上的弹性应变,达到高效的温度增敏效果,实现了高灵敏度的温度测量。经测试,高灵敏度温度传感器的温度灵敏度系数为292.59 pm/℃,分辨率优于0.004℃,线性度为99.93。该传感器可用于温度的精确测量,具有尺寸小和分辨率高等优点。