畸变光谱下光纤布拉格光栅传感网络波长检测优化方法 下载: 1037次
1 引言
光纤光栅(FBG)传感作为近年来迅速发展的一项新型传感技术,由于其具有抗电磁干扰、线性传感、便于复用组网等优点,被应用于多种工程领域的传感监测中,尤其在结构健康监测领域具有巨大的应用价值[1-2]。FBG传感网络通过分布式多点测量,对结构对象进行安全评估和损伤定位,实现长期服役过程的预警和诊断,为大型工程如桥梁大坝、土木建筑、电力系统等不同环境健康监测提供技术解决途径[3-5]。
FBG传感网络在结构健康监测系统中需要进行长期的信息监测,不可避免地会受到诸如环境温度、湿度、化学腐蚀等外界因素的冲击影响[6-8]。虽然FBG具有较长的使用寿命,但是在长期的循环荷载和环境侵蚀的双重作用下,加上施工技术和结构设计的局限,FBG传感器会出现不同程度的性能退化现象[9]。Ang等[9]基于应力疲劳理论报道了长期处于应力载荷下,FBG栅体结构会被破坏,导致FBG性能衰减和反射光谱畸变这一现象。Pal[10]研究了不同类型FBG的长期热稳定性,证实高温环境下FBG将产生波长漂移、反射率不可逆变化等现象。吴俊等[11]揭示了FBG调制深度的衰变机理,交变温度及应力会使FBG热稳定特性加速退化,使反射光谱无法识别。FBG性能退化会出现不同程度的光谱畸变、光强衰减、光谱重叠等现象,这些退化光谱难以被解调,进而使FBG失去传感能力。因此,保证FBG传感网络在局部性能退化情况下能够正常工作的一种有效途径就是增强FBG传感网络对复杂畸变光谱的解调能力。张娅玲等[12]针对FBG反射光谱波长缺失的现象,利用径向基函数(RBF)网络模型恢复数据方法避免了链路损耗对解调异常的影响。然而与光谱退化引起的异常相比,波长缺失更难辨识。目前异常光谱解调技术的研究尚处于起步阶段。文献[ 13]提出一种微结构法布里-珀罗干涉仪的FBG波长解调方法。文献[ 14-16]从优化角度对FBG光谱的重叠串扰问题进行了初步研究,采用差分进化算法解调两个串联FBG的重叠光谱,验证了利用进化计算方法可以得到较高解调精度的结论。文献[ 17-18]又进一步引入最小二乘支持向量回归机(LS-SVR)和极端学习机(ELM)算法研究重叠光谱解调模型的构建。文献[ 19]针对FBG重叠光谱的特点,采用峰值匹配分布式估计算法对反射光谱峰值进行重新匹配,避免了FBG峰值错配问题,提高了重叠光谱的解调精度。然而上述研究尚未考虑光谱畸变的情况,正常光谱和畸变光谱之间同样会产生串扰,畸变光谱还存在谱型的不对称性以及FBG性能退化的不确定性等问题。如何从混淆光谱数据解调出正确的测量结果是在性能退化下提升容错机制的难点所在。综合考虑FBG性能退化特性,提取光谱畸变特征,研究有效的自适应解调方法对于FBG传感网络容错研究具有十分重要的意义。
本文通过提取不同应变下的FBG传感器光谱信号,重点分析主瓣变宽、波形不对称以及光强变弱三种畸变的谱型特征。在超高斯光谱的基础上构造畸变光谱的理论函数,设计表征三种畸变特征的参数,完成对整个FBG传感网络光谱的模型重构,使之能够同时适用正常光谱与异常光谱。为实现对FBG传感网络畸变光谱的解调,从优化角度提出了一种基于分布式估计(EDA)算法[20-21]的FBG传感网络波长解调技术,通过引入种群进化的概率模型评估候选解在空间的分布,再依据概率模型采样产生新的种群进行进化寻优。分布式估计算法在搜索策略上摒弃了遗传算法等较为盲目的种群进化过程,将更有助于解决FBG传感网络畸变光谱的解调问题。
2 FBG传感网络畸变光谱解调模型
2.1 FBG畸变反射光谱特征
典型的FBG传感网络如
如
光纤光栅传感系统中,单个FBG传感器的性能退化会导致复用FBG传感器时出现解调异常问题。在大型结构健康监测系统中,FBG传感器通常以组网复用形式大规模埋嵌到结构中,若更换单个FBG传感器,不仅会破坏整体网络结构,甚至需要更换整条光缆,势必会造成巨大的经济损失[22]。因此,畸变光谱的波长解调技术对于提升FBG传感网络的使用寿命具有显著意义。
2.2 畸变FBG传感网络解调优化模型
针对畸变FBG传感网络的波长解调问题,在超高斯光谱函数的基础上构造畸变光谱的理论函数
式中:
衰减因子
在构造FBG数学模型基础上,本研究将畸变FBG传感网络的波长解调问题转化为函数优化问题[15]。假设一个由
式中:
为解调出各FBG布拉格波长
式中:
于是,波长检测问题转化为寻求最优的畸变参数值与波长变量
式中:
3 分布式估计波长解调算法
分布式估计算法是一种基于概率推演的进化计算算法,通过引入概率模型来评估候选解在整个解空间中的分布,然后依据概率模型采样产生新的种群,如此反复进行,实现种群进化。分布式估计算法利用概率模型表示待求变量之间的相互关系,因此在解决高维、非线性、变量耦合等优化问题上更具有效性。畸变FBG传感网络的优化模型中种群个体由波长值和畸变参数值构成,在初始化种群中选择优势个体通过学习得到概率模型。将优势个体中的波长与畸变参数放在一起,通过学习得到个体分布的概率模型。依靠概率模型采样分别生成新的波长值和畸变参数值,波长值和畸变参数值组合生成新的种群。依次反复,直至满足终止条件退出迭代。分布式估计算法为应对畸变FBG传感网络解搜索空间过大的问题,将种群个体维数划分成多个部分,通过不同的概率模型进行种群进化,大大降低了解调难度,从而可以获得更高的解调精度。
基于分布式估计算法的畸变FBG传感网络解调过程主要环节包括:初始化种群、选择优势个体、学习概率模型和采样生成新种群,具体步骤如
Step1: 据各FBG的工作带宽和光谱畸变程度分别确定波长和畸变参数的取值范围,各个FBG的波长和畸变参数的取值范围构成解的搜索空间。在搜索空间内随机生成初始种群,用
Step2: (4)式为目标评价函数,将种群中的每个个体代入目标评价函数中,计算种群中的每个个体适应值大小。按照适应值从大到小的顺序对种群进行排序,并从中选取前
Step3: 采用高斯混合模型的学习方法对
式中:
Step4: 由概率模型采样产生
Step5: 满足终止条件进入停止状态,否则返回Step2。终止条件一般为设定的最大迭代次数,可得最终的畸变FBG传感网络解调结果。
4 实验结果
依据
实验所用宽带光源的半峰全宽(FWHM)为50 nm,功率为30 μW。光谱分析仪的采样范围为1550~1552 nm,采样带宽为2 nm,采样数为200点,采样间隔为10 pm。各FBG的工作范围为1550~1552 nm,在FBG阵列中使用可调衰减器使得各FBG具有不同的峰值反射率。其中变应力实验通过改变施加在FBG上的应力,形成实验所需的实际光谱数据,由光谱分析仪采集并直接送入计算机(CPU:i7处理器,2.4 GHz;内存4G)处理。分布式估计算法的参数设置如下:种群数
式中:
4.1 典型畸变光谱的解调实验
本研究首先进行FBG典型畸变光谱解调的验证实验。实验选取6个FBG,其中:三个FBG光谱正常,波长值为1550.50 nm;另外三个FBG光谱发生畸变,三个畸变光谱分别以一种典型畸变为主,波长值为1551.50 nm。根据
分布式估计算法解调的光谱结果如
图 4. FBG不同类型畸变的解调结果。(a)光强衰减;(b)展宽变宽;(c)波形不对称
Fig. 4. Demodulation results of different types of distortion of FBG. (a) Light intensity attenuation; (b) spectral broadening; (c) spectral asymmetry
4.2 FBG传感网络变应力解调实验
本部分进行2-FBG传感网络在变应力条件下的测量实验。实验选取两个FBG的工作区域同为1550~1552 nm。其中FBG1的光谱波形正常,中心波长值为1550.23 nm。FBG2通过温度交变箱加速光谱波形退化,得到存在三种典型畸变的光谱波形,中心波长值仍为1551.77 nm。对正常的FBG1逐步施加增量为30 μ
图 5. 应力变化条件下两个FBG波长变化和RMS
Fig. 5. Wavelength changes of two FBGs and RMS under different strains
4.3 FBG传感网络随机畸变解调实验
为了进一步证明分布式估计算法在不同畸变情况下的有效性,本部分测试了多种随机畸变光谱的FBG传感网络解调实验。在上述同样的实验配置下,实验采用60个FBG进行实验,每个FBG的光谱的畸变情况各不相同。其中30个FBG的波长值为1550.50 nm。另外30个FBG的波长值为1551.50 nm。选取两个不同波长的FBG组成2-FBG的传感网络,一共30组,每组实验采用分布式估计算法重复计算20次,最终取20次计算的平均结果作为解调结果。
图 6. 随机畸变FBG传感网络的畸变参数计算值和波长误差值。(a)衰减因子值;(b)展宽系数值;(c)波形不对称参数值;(d) RMS
Fig. 6. Distortion parameters and RMS of FBG sensing network under random distortion. (a) Attenuation factor; (b) spectral broadening factor; (c) asymmetry factor; (d) RMS
图 7. 畸变FBG传感网络的实际光谱和理论光谱
Fig. 7. Actual and theoretical spectra of distorted FBG sensing network
4.4 不同数量FBG传感网络解调实验
为了验证分布式估计算法针对不同数量规模的FBG传感网络的解调性能,分别进行了2-FBG、4-FBG、8-FBG、10-FBG、20-FBG以及30-FBG传感网络的解调实验。考虑到随着FBG数量的增加,采样光谱的数据量与FBG带宽成正比。为了减小算法的搜索空间,提高解调速率,采用工作区域光谱分割方法,即将待测光谱依据FBG的工作区域对每两个FBG进行分割,两两进行解调运算。解调结果如
图 8. 不同数量FBG传感网络的解调误差和解调时间
Fig. 8. Demodulation error and demodulation time of FBG sensing networks with different numbers of FBG
4.5 算法对比实验
最后将本文提出的分布式估计解调算法与现有传统的峰值检测方法对比,分别对比了最大法、质心法、高斯法、二阶多项式拟合法。在同样实验条件下,用不同方法分别进行30组实验,计算每组实验的解调误差。实验结果采用四分位图进行统计分析,如
图 9. 30组实验的EDA和四种传统峰值检测方法误差对比四分位图
Fig. 9. Quartile graph of RMS of EDA and four peak detection methods for 30 experiments
30组实验误差的平均误差如
表 1. 30组实验的EDA和四种传统峰值检测方法的平均误差
Table 1. Average error of EDA and four peak detection methods for 30 experiments
|
5 结论
针对畸变FBG传感网络的波长解调问题,提出了一种基于分布式估计算法的解调技术,通过构造并求解畸变FBG传感网络解调优化模型,进而得到各个FBG的布拉格波长。实验结果表明:分布式估计算法不仅能够完成正常光谱的解调,而且在受到不同应力环境时,依然能够高精度地解调出各种畸变FBG的波长值;对于光谱发生多种不同畸变的FBG传感网络,其解调误差也不超过1 pm。该方法解决了传统峰值检测技术对于畸变光谱无法有效解调的问题,并保持了较高的解调性能。因此,本文提出的分布式估计解调技术对提升FBG传感网络使用寿命、扩大FBG传感器的实际工程应用具有重要的参考价值。
[2] 徐国权, 熊代余. 光纤光栅传感技术在工程中的应用[J]. 中国光学, 2013, 6(3): 306-317.
[3] Reynders E. Wursten G, de Roeck G. Output-only structural health monitoring in changing environmental conditions by means of nonlinear system identification[J]. Structural Health Monitoring, 2014, 13(1): 82-93.
[4] 田石柱, 邱伟宸, 温科, 等. FBG传感器关于裂缝及损伤的监测应用研究[J]. 激光技术, 2017, 41(1): 129-132.
[5] 张旭苹, 武剑灵, 单媛媛, 等. 基于分布式光纤传感技术的智能电网输电线路在线监测[J]. 光电子技术, 2017, 37(4): 221-229.
[8] 张俊, 曾捷, 王博, 等. 基于光谱特征分析的光纤光栅腐蚀传感器研究[J]. 光谱学与光谱分析, 2016, 36(3): 853-856.
[11] 吴俊, 陈伟民, 张娅玲, 等. 交替温度对FBG性能蜕化的影响机理及试验研究[J]. 光电子·激光, 2010, 21(9): 1301-1305.
[12] 张娅玲, 陈伟民, 章鹏, 等. FBG传感器复用解调异常的研究[J]. 光学与光电技术, 2009, 7(3): 25-28.
[13] 王丽清, 苗长云, 张诚. 基于微结构法布里-珀罗干涉仪的光纤光栅脉搏波解调方法[J]. 中国激光, 2017, 44(10): 1004002.
[19] 陈静, 林雅婷, 周清旭, 等. 基于峰值匹配分布式估计算法的光纤布拉格光栅传感网络重叠光谱的波长解调[J]. 光子学报, 2019, 48(4): 0406002.
[21] 王圣尧, 王凌, 方晨, 等. 分布估计算法研究进展[J]. 控制与决策, 2012, 27(7): 961-966, 974.
[22] Kirikera G R, Balogun O, Krishnaswamy S. Adaptive fiber Bragg grating sensor network for structural health monitoring: applications to impact monitoring[J]. Structural Health Monitoring, 2011, 10(1): 5-16.
[23] 于建均, 郑逸加, 阮晓钢, 等. 基于高斯混合模型的轨迹模仿学习表征参数优化[J]. 北京工业大学学报, 2017, 43(5): 719-728.
Article Outline
江灏, 周清旭, 陈静, 缪希仁. 畸变光谱下光纤布拉格光栅传感网络波长检测优化方法[J]. 光学学报, 2019, 39(10): 1006002. Hao Jiang, Qingxu Zhou, Jing Chen, Xiren Miao. Wavelength Detection Optimization of Fiber Bragg Grating Sensing Networks Based on Distortion Spectrum[J]. Acta Optica Sinica, 2019, 39(10): 1006002.