高精度光纖光柵波長解調方法研究綜述

姚國珍，尹伊萌，李永倩，范寒柏

(華北電力大學 a.電子與通信工程系; b.河北省電力物聯網技術重點實驗室;c.保定市光纖傳感與光通信技術重點實驗室，河北 保定 071003)

0 引 言

光纖布拉格光柵(Fiber Bragg Grating, FBG)傳感器具有抗電磁干擾、尺寸小、便于復用和靈敏度高等優點，可以直接或間接對應變、溫度、位移和振動等物理量進行檢測[1]，在光纖傳感、土木工程、航空航天、復合材料和醫療器械等領域有著廣泛的應用[2-5]。光纖光柵傳感器通過其波長變化反映被測量變化，因此，對光纖光柵的波長變化進行高精度解調非常重要。由于器件的非線性溫漂[6]、噪聲干擾[7]、譜形重疊[8]和畸變[9]等不理想因素的影響，傳統的光纖光柵解調技術存在精度低、速度慢和穩定性差等缺點。因此，改善上述問題的高精度解調方法已成為近幾年的研究熱點。光纖光柵解調技術在光纖傳感技術中的應用十分重要，到目前為止，相關學者提出了很多提高解調精度的方法，根據這些方法的特點，本文將從多方面總結對比提升波長解調精度的方法，主要分為硬件和軟件兩個技術路線來深入討論。

1 光通信中光纖光柵波長解調技術的 應用

1.1 光通信技術在物聯網中的應用

光通信是以光波為載波的通信方式，具有高度的創造性、滲透性和帶動性[10]。光通信技術中主要包含光纖和無線通信技術兩大類。光纖通信技術是以光波作為信息載體，以光纖作為傳輸媒介的一種通信方式。當今，光纖以其傳輸頻帶寬、抗干擾性好和信號衰減小，而遠優于電纜和微波通信的傳輸，已成為世界通信中的主要傳輸方式。

物聯網是指通過信息傳感設備，按約定的協議，將任何物體與網絡相連接，物體通過信息傳播媒介進行信息交換和通信，以實現智能化識別、定位、跟蹤和監管等功能。將光纖嵌入到各種網絡設備與工程中，能夠使光纜連接構成光纖傳感網絡。在此基礎上應用光通信技術，能夠實現物聯網感知層與網絡層的合二為一，在復雜環境中實現大容量數據的點對點傳輸，同時能夠實現遠距離網對網傳輸，為物聯網數據應用奠定了扎實基礎。在廣域光纖網絡得以建設的基礎上，能夠加強物聯網與移動通信網和無線網的融合發展，實現工業、農業、軍事和醫療等傳統領域以及智能基礎設施領域的巨大應用價值，例如光纖通信系統、光通信定位系統以及智能基礎設施中使用的各種傳感器，用于測量應變、溫度、加速度、振動、速度和濕度等[11]。因此，光通信技術是發展物聯網的前提和基礎，也是物聯網發展的大勢所趨。

1.2 光纖傳感技術在物聯網感知層中的應用

物聯網應用中有3個關鍵部分，分別是感知層、網絡層和應用層。感知層的位置在物聯網結構的最底層，同時也是物聯網中最為重要的基礎組成部分，對整個物聯網系統的好壞起著決定性作用[12]。物聯網中感知層主要應用的是光通信技術中的光纖傳感技術，主要功能是感知和采集相關信息數據，被廣泛應用于工業控制、家居生活、工程建筑和智能制造等領域[13]。光纖傳感器能感知周圍環境的實時變化，所以在與環境監測有關的物聯網中，信號解調技術是實現光纖光柵傳感網絡的關鍵。

傳感系統的網絡化和陣列化是光纖傳感技術的重要發展方向，通過對光纖傳感器和常規通信光纜的熔接，形成傳輸和傳感兩種功能實時在線特征和優勢，同時光纖具有寬帶特性，可將各種傳感器復用于一根光纖，同時進行多目標測量。可見，光纖傳感技術在物聯網感知層的應用具有獨特的優勢。

1.3 光纖光柵解調技術在光纖傳感技術中的應用

光纖光柵傳感網絡的結構形式主要取決于適于傳感器調制和定位的方法，因此光纖光柵傳感網絡的核心部分是光纖光柵的調制解調系統。光纖光柵傳感系統解調的本質是對傳感光柵反射譜進行實時監測,分析出編碼波長。因此，信號解調技術是實現光纖光柵傳感網絡的關鍵。從現有FBG波長解調方法的應用情況來看,光纖光柵傳感系統信號解調主要面臨以下幾個技術問題[14-16]：

(1) 要求解調裝置有較好的信噪比和極高的波長分辨率；

(2) 進一步提高系統解調精度、速度和解調范圍；

(3) 更大容量分布式傳感網絡解調；

(4) 靜態與動態信號的檢測,尤其是二者的結合檢測；

(5) 有效降低解調系統成本，實現產品化。

在傳感器投入使用前對傳感器待測物理量和FBG中心波長的標定也是不可忽視的一環。2020年，于春榮等[17]在基于光纖傳感的物聯網節點定位技術中，采用邊界盒定位方法優化人工蜂群算法，提高了未知節點的定位精度和收斂速度；文獻[18]和[19]的作者分別提出了基于反向傳播(Back Propagation，BP)網絡和徑向基神經網絡的FBG傳感器溫度標定方法。研究表明，神經網絡比多項式擬合算法具有更高的校準精度，驗證了神經網絡在復雜標定關系下的可行性。但在實際工程中，光纖光柵傳感器的波長-溫度響應曲線隨時間變化，這種變化主要是由法布里-珀羅(Fabry-Perot， F-P)標準具的溫度漂移特性、FBG的預拉伸幅度以及FBG與包裝材料之間的密封性能引起的。如果采用靜態校準方法，測量誤差會大大增加。因此，華北電力大學光纖傳感與光通信技術重點實驗室在2020年提出了一種基于在線順序極限學習機的動態標定方法[20]，該方法具有學習速度快、適應性強和泛化性好等優點。此外，在線順序極限學習機在某些領域也被證明可以用于在線預測任務。據我們所知，這是近十年來首次提出FBG動態校準穩定性預測長期改善的研究，其為光纖光柵測溫傳感器提供了一種新的認識。

2 提高精度的硬件方法

近年來，光纖光柵硬件解調方法一直是中外學者研究的重點之一。目前，已提出了多種波長解調方法，如表1所示[14-16]，其中基于可調諧F-P濾波器解調法的可靠性和精度比較高，已在各個領域得到了廣泛的應用[21]。

表1 常用硬件解調方法性能對照表

由于F-P濾波器中的壓電陶瓷(Piezoelectric Ceramic Transducer， PZT)具有非線性和遲滯性[22]，導致其電壓與透射波長的線性特性較差，并且PZT的溫漂還會導致同一驅動電壓對應不同的透射波長。針對上述問題，通常采用的解決方法是利用F-P標準具進行波長校準[23]，但F-P標準具的腔長易受溫度影響，當溫度變化時，其透射峰會發生漂移，從而影響解調的準確性和穩定性。針對上述問題，一些學者提出了基于F-P標準具的復合參考法，保證在較寬的溫度范圍內FBG解調系統的解調性能，對溫度變化范圍較大的高精度解調具有重要研究意義。本節將介紹目前已提出的基于F-P標準具的復合參考法。

2.1 F-P標準具與參考光柵相結合的解調方法

在F-P標準具與參考光柵相結合的解調方法中，通過溫度補償參考光柵對標準具進行校準，再通過標準具獲得傳感光柵的波長，以達到提高解調精度和溫度穩定性的目的。2016年，汪金輝等[24]提出了多光柵標定F-P標準具的方法，其解調系統框圖如圖1所示。該系統使用了一個包含3個標準光柵的參考通道以提高F-P標準具干涉峰校準的準確性，減小了溫度等因素導致的F-P標準具和F-P濾波器的波長漂移，得到準確度較高的標準具波長，從而提高了FBG波長解調的準確度。作者利用恒溫箱產生不同的溫度環境，測試了解調系統的溫度穩定性，獲得了最大1.8 pm的誤差。

圖1 光纖光柵解調系統框圖

但該方法中的參考光柵未做封裝處理，在外界環境的改變下其易受溫度和應力等的影響，不利于高精度的解調。2018年，王陽陽等[25]提出了將F-P標準具與溫補參考光柵相結合的波長解調方法，解調系統如圖2所示。使用的溫補參考光柵較普通參考光柵提高了系統的溫度穩定性，并加入了中值濾波、滑動平均濾波和基于強度閾值的頻譜相關算法，對光譜數據進行預處理，減小了光譜數據中的噪聲，降低了尋峰算法的復雜度，最終解調出的傳感光柵波長的穩定性達到0.4 pm。

圖2 光纖光柵解調系統

上述解調方法的基本研究思路均認為標準具透射峰間的波長呈線性變化，但均未解決F-P濾波器的非理想特性導致的光譜橫向畸變問題。用參考光柵校準標準具的參考點較少，只能保證參考點附近的尋峰精度，溫補參考光柵的溫度穩定性仍不高。

2.2 F-P標準具和邁克爾遜光纖干涉儀參考解調 方法

邁克爾遜(Michelson)光纖干涉儀是基于傳統的邁克爾遜干涉原理制成的,其干涉條紋比F-P標準具更為精細，可作為更加精確的標尺使用，還可校正由PZT引起的F-P濾波器波長掃描的非線性。解調FBG傳感器的波長時，利用邁克爾遜光纖干涉儀的干涉條紋對F-P標準具的透射譜進行細化，從而使作為標尺的透射譜更加精細。

2020年，Zhang X Z等[26]首次提出了一種基于F-P標準具和長光程差邁克爾遜光纖干涉儀的解調方法，其系統框圖如圖3所示。

圖3 基于長光程差邁克爾遜光纖干涉儀的FBG傳感解調系統示意圖

圖中，邁克爾遜光纖干涉儀由1個隔離器、1個2×2耦合器和兩個長度不同的FRM組成。該方法首先通過調整驅動電壓校正PZT引起的F-P濾波器中波長掃描的非線性；其次，根據光程差和溫度變化間的關系補償干涉儀的溫漂。實驗表明，將標準具和氣室的溫度從20增加到60 °C，FBG溫度保持在25 °C時，只采用F-P標準具時的波長解調誤差為±20.39 pm，標準偏差為7.08 pm；采用F-P標準具和邁克爾遜光纖干涉儀后，解調誤差為±6.89 pm，標準偏差為3.11 pm，標準偏差降低了43.92%。顯然，與單獨使用F-P標準具的解調方法相比，增加邁克爾遜光纖干涉儀后可有效抑制解調波長的波動，提高變溫環境下的波長解調精度。

該方法的波長分辨率較高，但僅適用于相對量的測量，例如進行動態應變的測量。同時，該方法在測量中易受周圍環境干擾因素的影響，從而影響測量精度，所以在實際應用時，需要在消除隨機干擾方面采取措施，才可獲得高精度的測量。

2.3 F-P標準具和乙炔(C2H2)氣室復合波長參考 解調方法

氣室參考法最明顯的優勢是吸收譜線具有良好的溫度穩定性，且不受外界壓強變化的影響。C2H2氣室在1 510～1 540 nm波段內有50多條吸收譜線，在光纖光柵傳感系統中常用于波長校準。由于氣室的吸收譜線分布的波長范圍比較窄，所以采用氣室參考法直接進行FBG波長解調時參考的波段較為狹小。為增加波長參考范圍，可同時采用F-P標準具和C2H2氣室實現復合波長參考解調。

2015年，江俊峰等[27]利用F-P標準具和C2H2氣室復合波長參考解調方法設計了一種溫度穩定的光纖光柵傳感解調系統，并給出了F-P標準具不同干涉級次的波長改變量補償方法，同時從原理上對氣室吸收譜的溫度特性進行了說明，其系統框圖如圖4所示。實驗結果表明，在0～55 ℃的溫度變化范圍內，基于F-P標準具單獨參考的波長值變化范圍為±32.7 pm，標準差為20.70 pm，基于復合波長參考的波長值變化范圍為±1.2 pm，標準差為0.39 pm，波長的溫度穩定性提高了27倍。

圖4 基于復合波長參考的溫度穩定FBG傳感解調系統

2018年，江俊峰等[28]再次對F-P標準具和氰化氫(HCN)氣室多峰復合參考相結合的FBG解調方法進行了研究，優化了FBG波長解調算法，實驗結果表明，在20～60 ℃變溫環境下，與F-P標準具和HCN氣室單峰校正相比，復合多波長參考FBG解調誤差從±56.8 pm降到了±11.7 pm，標準差從24.0 pm降到了4.6 pm，有效提高了變溫環境下FBG的解調穩定性。

由于氣室的透射譜溫度穩定性高，所以該方法適用于環境溫度變化較大的場合。但氣室的透射譜波長范圍較小，對超出其波長范圍的光纖光柵進行波長解調時，解調精度難以保證；氣室透射譜的幅度和帶寬比光纖光柵小，所以對尋峰算法和信號采集電路的要求較高。

綜上，硬件方法的核心思想都是使用了更加精細和更高溫度穩定性的“標尺”來提高解調精度。由于不同“標尺”具有不同的特性，決定了不同方法有各自的優點和缺點，如表2所示。

表2 不同方法優缺點對比

F-P標準具和C2H2氣室復合波長參考解調方法解調精度較高，具有非常好的溫度穩定性。缺點是校準的波長范圍較小，難以滿足實際工作中大范圍的測量；F-P標準具和邁克爾遜光纖干涉儀參考解調方法精度稍差，但校準的波長范圍較大，峰值的提取較容易；F-P標準具和參考光柵相結合的FBG解調方法，參考點相對較少，對可調諧F-P標準具的標定還不夠精確。

3 提高精度的軟件方法

提高光纖光柵波長解調精度的方法中不僅包括硬件方法，還包括軟件方法。軟件方法主要是指對光纖光柵的光譜進行處理，獲得其中心波長的尋峰算法，較常見的尋峰算法如表3所示[29-33]。其中，直接法計算速度快，但精確度低；曲線擬合法具有較高的峰值檢測精度，但其性能受光譜類型影響；相關法的計算速度幾乎與質心一樣快且非常適合動態傳感；變換法對FBG頻譜畸變的適用性較低。以上方法只能彼此獨立地解調工作區域的反射光譜，一旦光譜重疊，就會產生串擾，這將直接影響解調結果的準確性，使得在光源帶寬受限的情況下可重復使用的FBG數量減少，嚴重限制了大型FBG傳感器網絡的應用。隨著智能算法的引入和發展，可以對重疊光譜的波長進行解調并提高了畸變頻譜信號的峰值檢測精度且成本低。但智能算法最大的缺點在于，它的解調時間過長，實時性差。由于篇幅有限，本節僅介紹基于神經網絡和粒子群的FBG波長解調優化算法。

表3 常用軟件解調方法

3.1 基于人工神經網絡的FBG波長解調算法

人工神經網絡(Artificial Neural Network， ANN)是受生物神經元啟發的智能計算技術[34]，是一種模仿動物神經網絡行為特征進行分布式并行信息處理的算法，網絡結構主要包括前饋型、反饋型和自組織型3類，常用于解決分類和回歸等問題。ANN與常用的高斯擬合和一般多項式擬合相似，可以看作是高維空間中的擬合問題。基于神經網絡的泛化能力和所需訓練區域小的特點，可以方便地對神經網絡進行訓練。

ANN早已用于FBG的優化解調。1999年，Tsao等[35]使用兩個FBG和模塊化ANN實現了0.005 ℃的高分辨率溫度傳感；2008年，Zhang J等[36]研究了基于波分復用技術的BP神經網絡在FBG傳感系統非線性補償中的應用，提高了系統的線性程度和測量精度。此后，圍繞解調精度和速度的提升，許多學者進行了相關研究；2011年，Negri L等[37]采用級聯神經網絡的方法進行峰值檢測，該方法具有較好的精度，減少了系統誤差，提高了計算性能；在此基礎上，2017年，Juca M A等[38]提出了一種使用光學濾波器和ANN獲取FBG所測溫度的方法，該方法無需直接測量波長偏移即可給出精確的溫度值；2020年，Li D等[39]利用多層感知器(Multi-Layer Perceptron， MLP)神經網絡實現了FBG反射譜的快速解調。

隨著對神經網絡的深入研究，研究方向不單單局限于提升FBG的解調性能，更注重從實際應用出發解決溫度和應變等傳感問題。2012年，Hamdalla T A等[40]利用ANN對FBG溫度傳感器進行建模，更好地擬合了FBG中心波長與溫度之間的復雜關系；2019年，Ren N K等[34]采用級聯神經網絡優化匹配濾波法，提高了FBG傳感器在結構健康監測中的性能。與此同時，神經網絡算法在解決光譜重疊提高復用能力方面也有較大突破。2019年，Jiang H等[41]提出基于長短期記憶 (Long-Short Term Memory, LSTM) ANN的FBG波長檢測方法，不僅在光譜重疊情況下實現了高精度和快速的波長檢測,而且得到的LSTM模型可以重復使用，提高了復用能力，該方法為解決基于神經網絡算法的FBG頻譜重疊問題提供了指導。

神經網絡算法學習能力強，對噪聲有較強的魯棒性和容錯能力，能解決實際應用中的交叉敏感問題和FBG傳感網絡復用解調問題等，可以達到高分辨率和高精度的解調。利用并行計算芯片對分布式信號進行實時處理，可以直接實現具有ANN的FBG傳感器。但需對模型參數進行迭代調整，預測速度較慢，運行時間過長，還需進一步研究改進。

3.2 基于粒子群優化的FBG波長解調算法

粒子群優化(Particle Swarm Optimization，PSO)[42]算法是一種通過粒子群體中個體之間的協作與競爭來搜索多維復雜空間的算法。粒子在尋優過程中不斷更新迭代速度和位置，直至達到終止條件，獲得最優解。粒子群算法獨立于目標函數，所需參數少，能有效地求解復雜優化問題。然而，粒子群算法在求解組合優化問題時容易陷入局部最優解。

粒子群算法常被用于解決FBG傳感網絡反射光譜的重疊問題。2006年，Ling J J等[43]提出了一種樹搜索動態多群粒子群優化器(Tree Search Dynamic Multiswarm Particle Swarm Optimizer， TS-DMS-PSO)算法，當使用大量FBG傳感器的系統中存在光譜部分或全部重疊時，該算法可精確獲得FBG的波長，且具有計算速度快的特點；2018年，Qi Y F等[44]提出了一種基于PSO模擬退火算法的多路FBG傳感器網絡解調算法,實現了4個光柵光譜重疊的波長解調；2019年，張梅等[45]研究了粒子群算法參數設置對FBG譜形復用解調誤差的影響規律，提出了合理設置參數的方法。

對于受到恒定軸向應變的FBG傳感器，僅需測量FBG波長偏移即可獲得應變數據。但實際上，施加到FBG傳感器的軸向應變可能是非恒定的，例如線性、二次、甚至高階或不連續。在這種情況下，FBG傳感器的反射光譜會因多峰重疊或不均勻應變而導致頻譜失真。因此，重建FBG的反射光譜是非常有意義的。2012年，Zou H等[46]將量子理論引入粒子群算法中，重構原始頻譜，獲得了施加在FBG上的應變曲線；2017年，Wang Z等[47]提出了一種利用相移光纖光柵和自適應PSO算法，同時測量軸向應變和橫向力的方法，與傳統粒子群算法相比具有更高的精度；同年，Wang Z F等[48]采用了一種基于改進的PSO光譜重構方法，在光譜失真的情況下也能同時測量溫度和應變；2020年，鮑克勤等[49]利用多目標PSO(Multi-Objective PSO， MPSO)解調算法解調出了FBG波長的偏移量，解決了光纖傳感器溫度和應變的交叉敏感問題。

粒子群算法具有較高的精度、更強的光譜分辨率和魯棒性，通過重建能夠處理光纖光柵的畸變光譜，并且在FBG傳感網絡的解調問題中具有很大的潛力，提供了處理重疊光譜波長檢測的新方法。但其模型的訓練和測試階段的參數選取還需進一步研究，以獲得更高的解調精度。

4 結束語

本文首先介紹了光通信中光纖光柵波長解調技術的應用，然后綜述了采用參考光纖光柵、邁克爾遜光纖干涉儀和氣室分別與標準具相結合來提高解調精度的硬件方法，以及基于神經網絡和基于粒子群算法提高波長解調精度的軟件方法，分析了上述方法的工作原理和解調性能，并對其優缺點進行了對比分析。

硬件方法中的復合參考法還需進一步研究。例如，根據F-P濾波器的掃描驅動電壓和波長的關系進行波長解調時存在不確定性，可利用氣室建立采樣點和波長的關系，從而避免驅動電壓帶來的問題；氣室存在波長覆蓋范圍小的問題，限制了校準標準具的范圍，可利用氣室校正的前半段標準具的峰值來擬合外推標準具的后半段的峰值，從而擴大氣室校準范圍，進一步提升FBG波長解調的精度和穩定性，這也是我們課題組目前研究的方向之一。

智能算法比較復雜，計算量較大，受硬件處理能力的限制，很難在小型嵌入式系統中實現，尤其應用在實時性要求較高的場合時，處理速度難以滿足要求。所以，需要對算法進行進一步地研究和優化。根據現有的硬件處理能力，對溫度等變化較慢的物理量進行監測時，可使用現場可編程門陣列(Field Programmable Gate Array, FPGA)定制專用的硬件電路實現上述算法，大幅度提高計算速度，從而實現人工智能算法的工程應用。

未來的高精度波長解調方案可能更偏向于多種解調方法的組合，取長補短。例如，硬件的復合參考方法與智能算法結合，融合出新的高精度波長解調方法，在提高溫度穩定性和補償濾波器非線性問題的同時，解決噪聲、非均勻干擾和頻譜重疊引起的譜形畸變等問題，從而提高波長解調精度。