基于光谱奇偶函数分解的光纤布拉格光栅峰值检测 下载: 781次
1 引言
基于波分复用的光纤布拉格光栅(FBG)传感器通过检测FBG光谱中心波长的变化,来探测温度、应变、位移、加速度等物理量[1-3]。目前,检测FBG中心波长的算法大致分为以下几类: 1)FBG光谱最大值法,如直接峰值法、半峰值法、自适应阈值法[4],但光谱的最大值容易受噪声影响。王巧妮等[5]提出了利用Steger图像修正最大值的方法,对直接提取的最大值进行进一步的修正,使得提取的FBG光谱中心波长的抗噪声能力得到增强。2)高斯函数法,如遗传算法[6]、蚁群算法[7]、神经网络算法[8]、粒子群算法[9],但该方法没有考虑FBG光谱的形状。陈勇等[10-11]提出利用非对称高斯模型以及修正高斯模型来解决FBG光谱非对称的问题,使得提取的FBG中心波长的抗波形不对称能力得到增强。3)蒙特卡罗法,利用该方法能快速简单地计算FBG光谱的重心,但是精度不高。
在光纤陀螺研究领域,通常选择宽带光功率谱密度的重心作为光谱的中心波长[12-14],并且认为沿着坐标轴横轴平移宽带光功率谱密度谱线使其重心位于纵轴上时,由功率谱密度分解的奇函数的最大值最小(与重心不在纵轴上时比较)[14]。可以看出,重心移动到纵轴的步数与系列平移的功率谱密度奇函数最大值中的最小值是一一对应的关系。宽带光功率谱密度的波形与FBG光谱波形类似,均可用非对称高斯函数建立其对应模型。由此,本文提出通过寻找系列平移的FBG光谱奇函数最大值中的最小值,来确定FBG光谱的“重心”,并将其作为FBG的中心波长。利用该方法仿真计算得到的“重心”,与蒙特卡罗法计算得到的重心并不相同,并且非对称高斯函数的不对称性越强,两者的差别就越大。
本文采用非对称高斯函数叠加高斯白噪声建立FBG光谱理论模型。仿真结果表明,该算法的抗波形不对称能力优于蒙特卡罗算法和高斯模型算法,劣于非对称高斯模型算法;抗噪声能力优于蒙特卡罗算法和非对称高斯模型算法,劣于高斯模型算法。最后,将所提出的算法应用于FBG传感器位移测量。实验结果表明,该算法的均方根误差(RMSE)最小。此外,从复杂度来看,本文算法优于高斯模型算法和非对称高斯模型算法,而精度优于蒙特卡罗算法。
2 光谱奇偶函数分解原理与算法实现
2.1 原理
采用非对称高斯函数建立FBG光谱理论模型[见
式中:λB为光谱最大值对应的波长;Δλ1和Δλ2分别为光谱最大值下降3 dB时左右两侧所对应的波长。P(λ)沿横轴向左移动Δλ,与P(λ)纵轴相交,移动后的光谱Pc(λ)如
图 1. 非对称高斯模型模拟的光谱。(a) P(λ); (b) Pc(λ)
Fig. 1. Spectra simulated by asymmetrical Gaussianmodel. (a) P(λ); (b) Pc(λ)
对Pc(λ)进行奇函数Pco(λ)和偶函数Pce(λ)分解(见
FBG光谱是连续信号情况下的讨论如下。当P(λ)沿横轴向左移动Δλ时,P(λ)变为Pc(λ)。Pco(λ1)、Pco(λ2)、Pco(λ3)和Pco(λ4)是Pco(λ)函数的极值[见
图 2. Pc(λ)函数曲线及其奇函数分解。(a) Pc(λ)和 Pc(-λ); (b) Pco(λ)
Fig. 2. Function curves of Pc(λ) and odd function of its decomposition. (a) Pc(λ) and Pc(-λ); (b) Pco(λ)
FBG光谱是离散信号情况时的讨论如下。P(λi)被认为是在纵轴上,其中i取值为1到N。对应每个P(λi),Pco(λi)由Pc(λi)-Pc(-λi)计算得到,Pco(λi)的最大值很容易得到,将其命名为Pco(λi)_max。选择并定位N个 Pco(λi)_max中的最小值,并命名为Pco(λi)_max_min。此时,对应于Pco(λi
2.2 算法
在长度为N的FBG光谱信号x(n)之前或之后补充不同数量的零,生成新的序列,使得x(n)中的每个元素依次处于新序列的正中位置,以使沿n轴逐点移动FBG光谱时光谱可与y轴相交。然后对新序列进行反转、减法和最大值查找操作,从而检测出FBG的中心波长。计算程序详细说明如下:
步骤1:平滑原始信号。本文使用五点平滑滤波方法。判断x(n)的长度N是偶数还是奇数。设置循环变量i=1。
步骤2:如果N是偶数,则在x(n)的前面补充N-2i+1个零。新序列用y(a)表示。反转y(a),新序列由yf(a)表示。求出y(a)-yf(a)中元素的最大值,用c(i)表示。循环变量i自动加1。
步骤3:执行步骤2,直到i>
步骤2和步骤3的原因如下:如
步骤4:将2i-1个零补充到x(n)的后面。新序列用z(c)表示,反转z(c),新序列用zf(c)表示。求出z(c)-zf(c)中元素的最大值,用d(i)表示。循环变量i自动加1。
步骤5:执行步骤4,直到i>
步骤4和5的原因与步骤2和3的原因相同[见
步骤6:构成c(b)和d(b)的新序列,如[c(b) d(b)]所示,并找到序列的最小元素R。对应于最小元素的波长Rindex就是所求的中心波长。
同理,N是奇数同样可以获得FBG光谱的中心波长,使用MATLAB语言的算法流程图如
3 仿真
3.1 FBG光谱不对称度对中心波长的影响
选择λB 为1531.5 nm,n变化范围为1530.0 nm至1533.0 nm,计算步长为0.00025 nm,Δλ2为0.25 nm,Δλ1依次选为0.250,0.265,0.275,0.300,0.325,0.350 nm(因此,高斯模型的不对称度为0,5%,10%,20%,30%,40%)。
另外,由
3.2 FBG光谱噪声污染对中心波长的影响
λB选择1531.5 nm,n变化范围为1530.0 nm至1533.0 nm,计算步长为0.00025 nm,Δλ1为0.2750 nm,Δλ2为0.2500 nm。P(λ)受加性高斯白噪声的影响,信噪比(SNR)依次选择为0.5 dB、1.0 dB、5.0 dB、10.0 dB。每个SNR下的中心波长计算5次,以研究计算结果的稳定程度,结果如
从
图 5. 采用不同算法计算的非对称高斯模型的 FBG光谱中心波长
Fig. 5. Central wavelengths of the FBG spectra of asymmetrical Gaussian models with different algorithms
图 6. 采用不同算法计算的不同SNR下的非对称高斯模型光谱中心波长。 (a) SNR:0.5 dB;(b) SNR:1.0 dB;(c) SNR:5.0 dB;(d) SNR:10.0 dB
Fig. 6. Central wavelengths of spectra of asymmetrical Gaussian model under different SNR with different algorithms. (a) SNR: 0.5 dB; (b) SNR: 1.0 dB; (c) SNR: 5.0 dB; (d) SNR: 10.0 dB
法,但比高斯算法差。
4 实验
将FBG传感器的两端固定在调整架上。左边为固定点,右边为可调节点(见
L的改变量ΔL依次取值0,0.25,0.50,0.75,1.00 mm。采用不同算法计算每个L下的FBG光谱中心波长,并进行线性拟合(见
表 1. 各算法中心波长的残留值和RMSE值
Table 1. Residual value of central wavelength and RMSE value of each algorithm
|
图 8. 各算法的中心波长线性拟合结果
Fig. 8. Linear fitting results of centralwavelengths by each algorithm
5 结论
借鉴宽带光相干特性的研究方法,本文提出了一种检测FBG光谱中心波长的奇偶分解算法,并详细介绍了该算法的原理及实现方法。采用该算法与传统算法(蒙特卡罗算法、高斯模型算法和非对称高斯模型算法)计算非对称高斯模型的FBG光谱,并进行FBG传感器线性位移实验。理论和实验结果表明,所提算法能快速有效地检测FBG光谱的中心波长。
[1] Pei H F, Zhang S Q, Borana L, et al. Slope stability analysis based on real-time displacement measurements[J]. Measurement, 2019, 131: 686-693.
[2] Bieler G, Werneck M M. A magnetostrictive-fiber Bragg grating sensor for induction motor health monitoring[J]. Measurement, 2018, 122: 117-127.
[3] 廖延彪, 苑立波, 田芊. 中国光纤传感40年[J]. 光学学报, 2018, 38(3): 0328001.
[4] Zhang W F, Li Y W, Jin B, et al. A fiber Bragg grating interrogation system with self-adaption threshold peak detection algorithm[J]. Sensors, 2018, 18(4): 1140.
[5] 王巧妮, 杨远洪. 基于Steger图像算法的光纤布拉格光栅寻峰技术[J]. 光学学报, 2014, 34(8): 0810004.
[6] Teng F C, Yin W W, Wu F, et al. Analysis of a FBG sensing system with transverse uniform press by using genetic algorithm[J]. Optoelectronics Letters, 2008, 4(2): 121-125.
[7] 吴飞, 邝敏敏, 赵静, 等. 蚁群算法在光纤布拉格光栅横向均匀受压反射谱分析中的应用[J]. 中国激光, 2010, 37(2): 477-483.
[9] 张梅, 张伟, 章鹏, 等. 光纤光栅谱形复用解调中粒子群算法的参数优化[J]. 中国激光, 2019, 46(7): 0706001.
[10] 陈勇, 杨凯, 刘焕淋. 多峰光纤布拉格光栅传感信号的自适应寻峰处理[J]. 中国激光, 2015, 42(8): 0805008.
[11] Chen Y, Yang K, Liu H L. Self-adaptive multi-peak detection algorithm for FBG sensing signal[J]. IEEE Sensors Journal, 2016, 16(8): 2658-2665.
[12] Schuma R F, Killian K M. Superluminescent diode (SLD) wavelength control in high performance fiber optic gyroscopes[J]. Proceedings of SPIE, 1987, 719: 192-196.
[13] Burns WK. Optical fiber rotation sensing[M]. Cambridge: Academic Press, 1994: 303- 336.
[14] Lefèvre HC. The fiber-optic gyroscope[M]. Fitzburg, MA: Artech House, 2014: 327- 331.
Article Outline
陆祈祯, 丁朋, 黄俊斌. 基于光谱奇偶函数分解的光纤布拉格光栅峰值检测[J]. 中国激光, 2020, 47(3): 0304009. Lu Qizhen, Ding Peng, Huang Junbin. Peak Detection of Fiber Bragg Grating Spectra Using Even-Odd Function for Spectral Decomposition[J]. Chinese Journal of Lasers, 2020, 47(3): 0304009.