一种基于深度学习的高精度高速光纤光栅解调方法

1.本发明属于光纤传感技术领域，具体涉及一种基于深度学习的高精度高速光纤解调方法。


背景技术：

2.光纤光栅传感器因其体积小、质量轻、防电磁干扰以及易于组建传感网络等优点而广泛应用于周界安防、土木工程、电力电缆、航空航天等多个领域。随着光纤传感技术应用范围逐步扩大，对传感系统测量精度、稳定性和实时性的要求日益提高。
3.光纤光栅传感网络的解调方法按原理可分为直接法、相关法、拟合法、转换法和智能算法。传统解调方法受噪声影响较大，存在解调速率和解调精度之间的矛盾，采用直接法能够实现较快的解调但解调精度过低，采用相关法、拟合法、转换法和智能算法则能够提高解调精度，但存在计算时间过长的问题。


技术实现要素：

4.本发明的目的在于，提供一种基于深度学习的高精度高速光纤光栅解调方法，基于深度学习技术，结合cnn和lstm网络搭建的fbg解调模型，完成模型的训练和优化，解决了光纤光栅传统算法存在的解调速率慢和解调精度低的问题。
5.为解决上述技术问题，本发明的技术方案为：一种基于深度学习的高精度高速光纤光栅解调方法，包括以下步骤：
6.基于光纤光栅反射光谱理论模型构建模拟数据集；
7.对模拟数据集数据进行数据预处理，数据预处理包括格式转化和归一化处理；
8.基于深度学习框架搭建神经网络；
9.将模拟数据集划分为训练集和测试集，通过调整深度学习模型的网络结构、优化算法和超参数的方式对深度学习模型进行优化；
10.光纤光栅阵列光谱数据，解调设备接收光纤光栅阵列反射的光谱信号并输出至上位机；
11.对光谱数据进行分区和数据预处理；
12.将处理好的光谱数据输入至深度学习模型得到反射光谱对应的光纤光栅传感器的中心波长，实现光谱数据高精度高速解调。
13.光纤光栅反射光谱理论模型为光纤光栅反射光谱的近似高斯分布函数，表示为：
[0014][0015]
式中，r(λ,λb)表示中心波长为λb的光纤光栅反射光谱，i
peak
表示反射光谱的幅值；δλb为光纤光栅的3db带宽。
[0016]
所生成模拟数据集中光谱数据中心波长λb设置在1540-1544nm区间、光谱幅值i
peak
为0.6-0.95mw、δλb为0.2-0.3 5nm、添加信噪比为15、17、19、 21、23和25的随机高斯白噪声。
[0017]
分别生成波长分辨率为1pm、10pm和20pm的模拟数据集。
[0018]
基于pytorch框架搭建cnn和lstm网络模型，通过dataloader导入数据，将模拟数据集按7:3划分训练集和测试集。
[0019]
优化算法具体为：应用adam优化算法和relu激活函数，设一个训练批次样本数为n，设置损失函数为n个标签值λ
bi
和预测值yi间的均方根误差，表示为：
[0020][0021]
对光谱数据进行数据预处理时，采用最大最小标准化的方法，将波长和光强进行归一化处理至[0,1]的区间内，所用公式为：
[0022][0023]
随后，采用gaf算法将cnn模型中的一维光谱数据转换为二维图像数据。
[0024]
对深度学习模型的优化具体包括对cnn模型，对gaf输出图像大小、卷积核尺寸、网络深度、优化函数、损失函数进行模型优化；对lstm网络，从隐藏神经元数量、堆叠层数、优化函数进行模型优化。
[0025]
将光纤光栅传感器按照2nm的范围设置工作波长的区间，基于可调激光器的光纤光栅调制解调设备接收光纤光栅传感阵列的光谱数据后传输至上位机进行处理；在接受到光谱数据后，将数据按照2nm的范围进行分区，不同光谱区间可共用一个神经网络模型进行解调。
[0026]
构建光纤光栅光谱数据到中心波长的非线性回归模型，接收光谱数据，使得神经网络输出该区间对应光谱的中心波长。
[0027]
与现有技术相比，本发明的有益效果为：
[0028]
(1)本发明基于格拉姆角场(gaf)技术实现一维光谱数据到二维图像数据的转换，实现了卷积神经网络在光纤光栅解调中的应用；
[0029]
(2)本发明基于扩充数据集，结合深度学习中的卷积神经网络和长短时记忆神经网络，实现并优化光纤光栅解调模型，解决了传统光纤光栅解调算法解调精度和解调速率之间的矛盾，解调测试集速率可达1ms，解调频率可达 100hz，实现了光纤光栅光谱的高速解调；
[0030]
(3)本发明所提出的基于卷积神经网络和长短时记忆神经网络的光纤光栅解调模型泛化能力良好，即使在较低波长分辨率和较大噪声的情况下依旧能保值良好的验证效果，所提出的深度学习模型在20pm波长分辨率的光谱数据下，解调误差rmse小于0.5pm，实现了光纤光栅光谱的高精度解调。
附图说明
[0031]
图1为本发明实施例的一种基于深度学习的光纤光栅解调模型的流程图；
[0032]
图2为本发明实施例中cnn结构图示意图；
[0033]
图3为本发明实施例中lstm网络结构图示意图。
具体实施方式
[0034]
为了更了解本发明的技术内容，，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
[0035]
(1)实施例1
[0036]
本发明提供的一种基于深度学习的光纤光栅解调方法，包括以下步骤：
[0037]
步骤1：模拟数据集构建，基于光纤光栅反射光谱理论模型构建模拟数据集；基于光纤光栅反射光谱理论模型构建模拟数据集，设置中心波长λb在 1540-1544nm区间，波长分辨率为10pm，在4nm的区间内有400个点，则1个样本输入数据为(1，400)。设置光谱幅值i
peak
为0.6-0.95mw、δλb为0.2
‑ꢀ
0.35nm、添加信噪比为15、17、19、21、23和25的随机高斯白噪声，将对应的中心波长λb作为标签值，生成数据集样本数为60000个。
[0038]
步骤2：数据预处理，完成数据集数据格式的转化和归一化处理，将数据归一化[0,1]区间的数值。
[0039]
步骤3：深度学习模型实现，基于pytorch框架实现卷积神经网络模型的搭建，通过dataloader导入数据，将模拟数据集按7:3划分训练集合验证集。应用adam优化算法和relu激活函数。一个训练批次样本数为n，设置损失函数为n个标签值λ
bi
和预测值yi间的均方根误差，可以表示为：
[0040][0041]
步骤4：深度学习模型优化，将数据集划分为训练集和测试集，调整深度学习模型的网络结构、优化算法和超参数等内容实现深度学习模型的优化。
[0042]
步骤5：光纤光栅阵列光谱数据，解调设备接收光纤光栅阵列反射的光谱信号并输出至上位机。
[0043]
步骤6：数据预处理，将数据按照2nm的范围进行分区，不同光谱区间可共用一个神经网络模型进行解调，完成数据的格式转化和归一化处理。
[0044]
步骤7：光纤光栅解调，将处理好的光谱数据输入至深度学习模型得到反射光谱对应的光纤光栅传感器的中心波长，实现光谱数据高速和高精度解调。
[0045]
(2)实施例2
[0046]
本实施例2属于基于卷积神经网络实施例，是上述实施例1方法实施例的具体方案，在本实施例中未详尽描述的内容，请参见方法实施例1。
[0047]
如图2所示，本发明所述的一种基于卷积神经网络的光纤光栅波长解调模型，包括以下步骤：
[0048]
步骤1：数据预处理，其通过gaf技术将一维光谱数据转换为二维图像数据，gaf技术将一维数据由笛卡尔坐标系转换至极坐标系，能够将时间维度编码到gram矩阵的几何结构中，保留数据的位置信息。通过gaf技术输出图像数据的尺寸为56。
[0049]
步骤2：c1和c2为卷积层，p1和p2为池化层，f1和f2为全连接层，将尺寸为56的图像
输入c1后，c1的卷积核为3
×
3，特征图为6，则输出的特征尺寸为6
×
54
×
54。经过池化层p1，采用最大池化，使得特征图的尺寸为原来的四分之一。随后再经过一轮卷积层c2和池化层p2后输入得到对应的特征向量，将特征向量输入全连接层f1和f2进行回归得到对应光谱的中心波长yi。
[0050]
步骤3：训练300个epoch得到对应的卷积神经网络模型。
[0051]
步骤4：从卷积核尺寸和网络深度、优化算法和损失函数方面对卷积神经网络模型进行优化。
[0052]
(3)实施例3
[0053]
本实施例3属于基于卷积神经网络实施例，是上述实施例1方法实施例的具体方案，在本实施例中未详尽描述的内容，请参见方法实施例1。
[0054]
如图3所示，本发明所述的一种基于长短时记忆神经网络的光纤光栅波长解调模型，包括以下步骤：
[0055]
步骤1：设置lstm模型学习的样本数为128个，初始学习率为0.001，隐藏层节点数为256，堆叠lstm的隐藏层能够增加模型的深度，设置模型堆叠的层数为1，隐藏层含有偏置值。
[0056]
步骤2：训练300个epoch得到对应的长短时记忆神经网络模型。
[0057]
步骤3：从隐藏单元数量、优化算法、隐藏层堆叠层数和损失函数方面对基于长短时记忆神经网络模型进行优化。
[0058]
虽然本发明已以较佳实施例揭露如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
[0059]
在说明书的描述中，参考术语“一个实施例”、“优选地”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点，包含于本发明的至少一个实施例或示例中，在本说明书中对于上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或者示例中以合适方式结合。
[0060]
通过上述的结构和原理的描述，所属技术领域的技术人员应当理解，本发明不局限于上述的具体实施方式，在本发明基础上采用本领域公知技术的改进和替代均落在本发明的保护范围，应由各权利要求限定之。