光纖光柵應變傳感器交叉敏感現(xiàn)象研究

光纖光柵應變傳感器交叉敏感現(xiàn)象研究

樊曉宇

(安徽科技學院數(shù)理與信息工程學院，安徽鳳陽233100)

摘要：光纖布喇格光柵的交叉敏感現(xiàn)象影響了光纖光柵應變傳感器的檢測精度。為了使光纖光柵應變傳感器的檢測精度提高，提出了采用遺傳模擬退火算法改進BP神經(jīng)網(wǎng)絡的方法，來改善光纖光柵應變傳感器的交叉敏感現(xiàn)象。通過仿真實驗，驗證了遺傳模擬退火算法改進BP神經(jīng)網(wǎng)絡的方法能實現(xiàn)光纖光柵應變傳感器交叉敏感信號中應變信號與溫度信號的精確分離，使光纖光柵應變傳感器的檢測精度顯著提高，同時抑制了光纖光柵應變傳感器非線性特性的影響。

關鍵詞：光纖光柵應變傳感器；交叉敏感現(xiàn)象；BP神經(jīng)網(wǎng)絡；遺傳模擬退火算法

收稿日期:2014-12-11

基金項目:安徽科技學院青年

作者簡介:樊曉宇(1981-)，男，黑龍江齊齊哈爾人，講師，博士研究生，主要從事信號與信息處理方面研究。

中圖分類號：TP212.4+4文獻標志碼：A

光纖光柵應變傳感器(Fiber Grating Strain Sensor, FGSS)許多獨特的優(yōu)勢使其在眾多領域具有廣泛的應用。然而，構成FGSS的主要器件——布喇格光纖光柵存在著交叉敏感現(xiàn)象，從而使被測應變值與FGSS的輸出信號間呈現(xiàn)明顯的非線性關系，F(xiàn)GSS存在一定的測量誤差，這將導致FGSS的應變量檢測精度受到影響。所以，F(xiàn)GSS在精確測量被測環(huán)境的應變值時，交叉敏感現(xiàn)象的影響不能忽視，需要采用一定的技術來處理布喇格光纖光柵的交叉敏感現(xiàn)象。本文提出采用BP神經(jīng)網(wǎng)絡結合遺傳模擬退火算法的方法來改善布喇格光纖光柵的交叉敏感現(xiàn)象，通過仿真實驗證實該方法能夠使FGSS取得較好的測量效果。

1布喇格光纖光柵的交叉敏感

FGSS是利用外界應變作用使布喇格光纖光柵的折射率發(fā)生改變，進而引起布喇格反射波長改變的特性來測量外界環(huán)境的應變量。然而，布喇格光纖光柵用于傳感器的最根本物理量是應變與溫度，并且在布喇格光纖光柵中應變與溫度同時發(fā)生變化，這就導致了普通的傳感器系統(tǒng)難以檢測出應變與溫度各自的變化量，此現(xiàn)象稱為交叉敏感[1]。布喇格光纖光柵同時受到軸向應變量△ε與環(huán)境溫度變化量△T作用時，其布喇格反射波長的變化量可表示為[2]:

(1)

式(1)中，ρ11、ρ12分別代表光纖光柵應變張量的分量，υ是泊松比，α代表光纖光柵的熱膨脹系數(shù)，ξ代表光纖光柵的熱光系數(shù)。

由(1)式可見，當測量的應變與環(huán)境溫度同時改變時，被測的應變信號與FGSS的輸出信號間出現(xiàn)非線性的現(xiàn)象，這將導致FGSS具有較大的非線性誤差，測量的應變值不精確。所以，本文采用BP神經(jīng)網(wǎng)絡結合遺傳模擬退火算法的方法對FGSS交叉敏感現(xiàn)象進行改善，以便FGSS能進行應變與溫度的精確分離測量，從而達到精確測量應變量的效果。

2遺傳模擬退火算法改進BP神經(jīng)網(wǎng)絡

2.1遺傳模擬退火算法

遺傳模擬退火(Genetic Stimulated Annealing, GSA )算法是結合遺傳算法與模擬退火算法思想而構成的一種智能算法。GSA算法具有很強的局部搜索能力，又有很強的全局搜索能力。遺傳算法是基于自然界生物進化與生產(chǎn)過程，把生物進化中的復制、交叉與變異應用到算法，通過保持可行解、重新組合可行解和改進可行解的方式，使算法最終取得最優(yōu)解。遺傳算法是一種自適應與高度并行的優(yōu)化方法[3]。模擬退火算法是基于固體退火原理，模擬熱力學中固體的降溫過程，結合概率跳變特征在解空間中搜索代價函數(shù)的全局最優(yōu)解[4]。

遺傳算法具有操作簡單和全局搜索能力強的優(yōu)點，但卻存在著局部尋優(yōu)能力差和易早熟的缺點。模擬退火算法能夠避免陷入局部極小問題，但卻存在著全局收斂性能差的缺點。GSA算法是結合遺傳算法與模擬退火算法優(yōu)點的改進算法，它將模擬退火算法融進遺傳算法中，進而求解優(yōu)化問題的最優(yōu)解。GSA算法將遺傳算法與模擬退火法算法的尋優(yōu)能力相互補充，即通過模擬退火算法來改進遺傳算法易早熟的缺點，使算法局部尋優(yōu)能力加強，同時GSA算法可以避免尋優(yōu)過程中陷入局部最優(yōu)。所以，GSA算法既具有很強的局部尋優(yōu)能力，又具有很強的全局尋優(yōu)能力。

BP神經(jīng)網(wǎng)絡是根據(jù)對網(wǎng)絡加權值進行訓練、網(wǎng)絡輸出誤差后向傳播的多層前向型人工神經(jīng)網(wǎng)絡算法。BP神經(jīng)網(wǎng)絡的結構包括輸入層、隱含層和輸出層，各層之間通過能夠傳遞信息的連接權連接而成。

BP神經(jīng)網(wǎng)絡是根據(jù)輸入樣本集與輸出樣本集進行網(wǎng)絡加權的訓練，最終使網(wǎng)絡能夠達到要求的輸入、輸出映射關系。BP神經(jīng)網(wǎng)絡處理信息的過程分為兩個步驟：第一步是通過樣本集選取信息，再將信息從輸入層向前逐層計算各層的輸出值；第二步是修改網(wǎng)絡各層的連接權值。如果BP神經(jīng)網(wǎng)絡輸出層輸出的信號沒有達到所期望的輸出信號，則將網(wǎng)絡期望的輸出信號與實際輸出信號的誤差沿網(wǎng)絡原來的連接通路后向傳播，并修改網(wǎng)絡各層的連接權值，使網(wǎng)絡輸出誤差最小，從而達到期望目標[5]。所以，BP神經(jīng)網(wǎng)絡具有非線性映射能力強與泛化能力好的優(yōu)點。

由于BP神經(jīng)網(wǎng)絡是一種局部搜索的優(yōu)化方法，這將導致BP神經(jīng)網(wǎng)絡有可能陷入局部極值而使網(wǎng)絡訓練失敗[6]。同時，BP神經(jīng)網(wǎng)絡還存在“過擬合”現(xiàn)象的缺點。而FGSS檢測應變信號是求解函數(shù)的全局極值，所以將BP神經(jīng)網(wǎng)絡直接應用于FGSS解決交叉敏感現(xiàn)象時受到一定的限制，導致FGSS檢測應變信號的精度不高。針對這種情況，本文提出采用可以解決局部搜索問題的GSA算法來改進BP神經(jīng)網(wǎng)絡，從而達到改善FGSS交叉敏感現(xiàn)象的效果，使FGSS檢測應變信號的精度進一步提高。

2.3GSA算法改進BP神經(jīng)網(wǎng)絡

圖1　GSA-BP算法流程圖

針對BP神經(jīng)網(wǎng)絡易陷入局部極值和易“過擬合”的缺點，本文采用GSA算法來優(yōu)化BP神經(jīng)網(wǎng)絡，從而克服了BP神經(jīng)網(wǎng)絡的缺點，使優(yōu)化后的算法能更好地適用FGSS檢測系統(tǒng)。GSA算法改進的BP神經(jīng)網(wǎng)絡(GSA-BP)算法是將GSA算法用于BP神經(jīng)網(wǎng)絡的網(wǎng)絡連接權值優(yōu)化環(huán)節(jié)，最終使網(wǎng)絡連接權值達到最優(yōu)化，使BP神經(jīng)網(wǎng)絡輸出層的輸出誤差信號滿足FGSS檢測系統(tǒng)要求，GSA-BP算法的流程圖如圖1所示。

GSA-BP算法的主要步驟為：①初始化GSA算法與BP神經(jīng)網(wǎng)絡。確定GSA算法優(yōu)化參數(shù)的個數(shù)、種群的規(guī)模、最大迭代次數(shù)、初始溫度T、BP神經(jīng)網(wǎng)絡的各層結構、初始網(wǎng)絡權值、訓練樣值、允許誤差ε和訓練速度η。②GSA算法優(yōu)化BP神經(jīng)網(wǎng)絡的連接權值。由于GSA算法的每一個個體代表一個網(wǎng)絡連接權值，因此，要對每個個體進行二進制染色體編碼，并且利用適應度函數(shù)計算所有個體的適應度。③GSA算法采用選擇、交叉、變異和模擬退火操作直到找到滿足適應度的最優(yōu)個體為止，并將這些最優(yōu)個體作為BP神經(jīng)網(wǎng)絡的網(wǎng)絡連接權值。④BP神經(jīng)網(wǎng)絡進行前向傳播。將輸入信號通過輸入層、隱含層向輸出層傳輸，進行前向計算各層的輸出，并且計算網(wǎng)絡的輸出誤差。⑤判斷網(wǎng)絡輸出誤差是否滿足要求。 若網(wǎng)絡輸出層輸出的誤差小于FGSS檢測系統(tǒng)的期望誤差，訓練結束；否則轉到步驟⑥。⑥BP神經(jīng)網(wǎng)絡進行誤差反向傳播，并且逐層修改各層網(wǎng)絡的連接權值，然后轉到步驟②。隨著GSA-BP算法優(yōu)化過程的反復迭代，可使網(wǎng)絡輸出層輸出的誤差最終達到FGSS檢測系統(tǒng)的要求。

FGSS檢測的應變信號往往含有噪聲，而GSA-BP算法的推廣能力能將FGSS的檢測信號從噪聲中恢復，這就決定了GSA-BP算法可用于FGSS的實時信號處理。同時，GSA-BP算法具有處理FGSS信號非線性特性的能力。所以，本文利用GSA-BP算法的以上特征與步驟對FGSS的交叉敏感現(xiàn)象進行了改善，實現(xiàn)FGSS檢測系統(tǒng)精度要求。

建構主義作為認知學派學習理論的一個新的分支,在20世紀80年代流行于西方,20世紀九十年代開始引起我國教育界的極大關注，2000年-2018年中國知網(wǎng)上以建構主義為主題的期刊論文就達21000多篇。建構主義的教學理念對我國的英語教學產(chǎn)生了重大的影響，現(xiàn)代教育技術也開始全面融入英語教學，但是建構主義教學理念在英語教學中的運用效果尚不理想。本文擬以英語專業(yè)《基礎英語》課程教學為例，闡述基于建構主義教學理念的英語教學實踐效果和意義。

3系統(tǒng)硬件架構

利用GSA-BP算法改善FGSS交叉敏感現(xiàn)象的系統(tǒng)硬件架構，如圖2所示。該系統(tǒng)的工作過程為：確定GSA算法與BP神經(jīng)網(wǎng)絡的各參數(shù)，利用GSA-BP算法進行神經(jīng)網(wǎng)絡優(yōu)化設置。光纖光柵應變傳感器(FGSS1)與溫度參考傳感器(FGS2)分別檢測環(huán)境的溫度信號和應變與溫度的混合信號，并經(jīng)過光/電轉換器將光信號轉換為電壓信號V1與V2，由信號處理系統(tǒng)處理后，再將V1與V2通過數(shù)據(jù)采集卡送入計算機。然后，利用已經(jīng)訓練好的GSA-BP算法對V1與V2進行優(yōu)化處理，最后系統(tǒng)的輸出為環(huán)境的被測應變值，即實現(xiàn)了應變信號的精確測量。通過實驗證實，該檢測系統(tǒng)能對FGSS的應變信號進行精確檢測，得到很高精確的應變值，神經(jīng)網(wǎng)絡的輸出誤差能滿足檢測系統(tǒng)的要求，并且能將環(huán)境的溫度與應變精確分離，改善了FGSS交叉敏感現(xiàn)象，有效抑制了布喇格光纖光柵非線性的影響。

圖2　系統(tǒng)硬件的架構

采用GSA-BP算法可實現(xiàn)FGSS的應變與溫度精確分離測量，即實現(xiàn)了智能地去除溫度對應變測量的干擾，提高了檢測系統(tǒng)的智能化程度，并且改善了系統(tǒng)的適應性。

4系統(tǒng)軟件設計

4.1GSA-BP算法的MATLAB仿真設計

MATLAB為人工神經(jīng)網(wǎng)絡技術的設計和仿真提供了專門的工具箱，使用者可根據(jù)需要調用相關的工具箱[7]。本文仿真設計BP神經(jīng)網(wǎng)絡隱含層與輸出層的函數(shù)都為S型函數(shù)，而輸入層函數(shù)是線性函數(shù)，調用MATLAB工具箱中的相應函數(shù)，對BP神經(jīng)網(wǎng)絡進行學習，根據(jù)神經(jīng)網(wǎng)絡的誤差情況，結合GSA算法逐漸地改變網(wǎng)絡的連接權值與偏置量，最終使網(wǎng)絡的輸出誤差達到FGSS檢測系統(tǒng)的精度要求。GSA-BP算法經(jīng)過學習后，在有效區(qū)間內將任意值輸入到網(wǎng)絡，經(jīng)過運算后GSA-BP算法的輸出就是對應的應變值。

本文設計的BP神經(jīng)網(wǎng)絡分為三層，其中輸入層有2個節(jié)點，分別對應光纖光柵應變傳感器(FGSS1)測得的溫度和應變信號，經(jīng)光電轉換器轉換的電壓信號V1、溫度參考傳感器(FGS2)測得的溫度信號經(jīng)光電轉換器轉換的電壓信號V2；隱含層有6個節(jié)點；輸出層有1個節(jié)點對應光纖光柵應變傳感器(FGSS1)的最后應變信號的輸出。仿真設計中，BP神經(jīng)網(wǎng)絡的學習速度η=0.1、收斂精度ε=10-4、初始溫度T=1、種群規(guī)模取100、交叉算子為0.7、變異算子為0.002、退溫速率為0.99。

4.2GSA-BP算法性能測試

利用GSA算法改進的BP神經(jīng)網(wǎng)絡通過網(wǎng)絡訓練學習后，達到的誤差曲線如圖3所示。由圖3可知，GSA算法改進的BP神經(jīng)網(wǎng)絡訓練200次左右就可以滿足系統(tǒng)誤差要求，誤差大約為10-4με。所以，GSA-BP算法的收斂速度與BP神經(jīng)網(wǎng)絡(由文獻[5]知，網(wǎng)絡訓練大約要400次才能收斂)相比大約快一倍、收斂時間少一半、網(wǎng)絡誤差較小。經(jīng)過GSA-BP算法處理后的FGSS應變信號的檢測誤差大約為10-4με。

圖3　網(wǎng)絡訓練后的誤差曲線圖

5試驗結果分析

仿真系統(tǒng)運行后，在FGSS應變信號檢測系統(tǒng)中，輸入表1中的應變標定值，系統(tǒng)輸出的實際應變值如表1所示。由表1可見，經(jīng)過GSA-BP算法對FGSS應變信號檢測系統(tǒng)進行優(yōu)化后，F(xiàn)GSS應變檢測系統(tǒng)的輸出結果與同溫度下FGSS的標定值非常接近，測量精度大約為10-4με數(shù)量級，即FGSS的應變測量精度顯著提高。

表1　FGSS系統(tǒng)輸出結果與標定值比較

基于GSA-BP算法優(yōu)化的FGSS應變檢測系統(tǒng)測試結果的實際輸出特性曲線如圖4所示。在有效的溫度區(qū)間范圍內，GSA-BP算法優(yōu)化的FGSS應變檢測系統(tǒng)在不同應變標定值與不同環(huán)境溫度情況下的測試結果輸出特性曲線，與FGSS的理想特性曲線幾乎重合。這個輸出特性曲線表明：利用GSA-BP算法優(yōu)化的FGSS應變檢測系統(tǒng)能夠將應變與溫度信號精確分離，很好地減少了FGSS中溫度對應變信號的交叉影響，使FGSS的交叉敏感現(xiàn)象得到很好地改善，并且較好地抑制了光纖光柵上的非線性影響，使FGSS應變檢測效果明顯提高，這有利于FGSS在高精度測量中的應用。

6結語

將GSA-BP算法用于改善FGSS的交叉敏感現(xiàn)象，即達到了提高FGSS檢測系統(tǒng)性能的目的，又提高了FGSS應變與溫度信號分離的精度，從而很好地抑制了交叉敏感引起的非線性誤差，能使系統(tǒng)的測量精度顯著提高。利用GSA-BP算法優(yōu)化FGSS來改善測量環(huán)境溫度對FGSS測量應變信號的交叉影響，不僅使FGSS測量應變的精度高，而且FGSS系統(tǒng)易于操作。

參考文獻:

[1]周學軍，馬曉，路鶴. FBG 傳感器應變監(jiān)測溫度效應分析[J].山東建筑大學學報, 2010,25(4): 386-390．

[2]趙勇．光纖光柵及其傳感技術[M]．北京，國防工業(yè)出版社,2006，54-56．

[3]樊曉宇，王玉寶，盧國偉，等.基于遺傳模擬退火算法的壓力傳感器溫度補償系統(tǒng)[J]. 傳感技術學報, 2008,21(9): 1532-1535．

[4]呂瓊帥，王世卿. 基于遺傳模擬退火算法優(yōu)化的BP神經(jīng)網(wǎng)絡[J]. 計算機與現(xiàn)代化, 2011(6): 91-94．

[5]樊曉宇.光纖光柵應變傳感器溫度補償系統(tǒng)研究[J]. 光通信技術，2012(6): 7-9．

[6]張永懷，劉君華．采用BP神經(jīng)網(wǎng)絡及其改進算法改善傳感器特性[J]．傳感技術學報，2002(9)：185-188．

[7]高雋．人工神經(jīng)網(wǎng)絡原理及仿真實例[M]．北京，機械工業(yè)出版社，2005．

責任編輯：吳旭云

Study on Cross Sensitivity Phenomenon of Fiber Grating Strain Sensor

FAN Xiaoyu

(College of Mathematics, Physics and Information Engineering, Anhui Science and Technology University, Fengyang 233100, China)

Abstract：The detection accuracy of the fiber grating strain sensor(FGSS) is influenced by the cross-sensitivity phenomenon of the fiber Bragg grating. In order to improve the detection accuracy of FGSS, this paper gives a BP neural network technique that is optimized via the genetic stimulated annealing algorithm to improve the cross-sensitivity phenomenon of FGSS. The simulation experiments illustrate that the method can separate the strain sign from the temperature sign exactly in cross-sensitivity signs of FGSS, which makes the detection accuracy of FGSS increase remarkably, at the same time, restrains the influences of the nonlinear features in FGSS effectively.

Keywords：fiber grating strain sensor(FGSS)； cross-sensitivity phenomenon； BP neural network； genetic stimulated annealing algorithm