利用BP神经网络提高光纤光栅压力传感器的选择性* (2007年)

应用BP神经网络技术抑制温度对光纤光栅压力传感器的干扰，从而提高了压力传感器的选择性．以聚合物封装的光纤光栅传感器为例，当温度从19℃变化到75℃时，光纤光栅布拉格波长偏移量是11．315 nm，由此导致传感器输出的引用误差为1 915％．经神经网络融合处理后，其值降为2％，实现了对压力较为准确的识别．实验结果表明，该方法具有实际应用前景． ### 利用BP神经网络提高光纤光栅压力传感器的选择性 #### 技术背景与问题提出 光纤光栅传感器作为一种高精度、高灵敏度的传感技术，在诸多领域中展现出广泛的应用前景，尤其是在需要高可靠性和精确测量的环境中，如石油勘探、航空航天、土木工程监测等。然而，这类传感器在实际应用过程中往往受到多种因素的影响，其中温度效应尤为显著。温度的变化不仅会影响光纤本身的特性，还会影响到光纤光栅的折射率，进而导致测量结果出现偏差。这种由温度引起的非选择性响应限制了光纤光栅压力传感器的应用范围和精度。 #### BP神经网络简介及其应用 BP（Back Propagation）神经网络是一种基于反向传播算法的多层前馈神经网络模型，能够通过调整内部权值来逼近任何非线性函数，具有很强的学习能力。在本研究中，BP神经网络被用来解决温度对光纤光栅压力传感器产生的交叉敏感性问题，即消除或减小温度变化对压力测量精度的影响，以提高传感器的选择性。 #### 实验设计与实现 为了验证BP神经网络技术在改善光纤光栅压力传感器选择性方面的有效性，研究人员进行了一系列实验。选取了一种封装于聚合物材料中的光纤光栅传感器作为实验对象。这种传感器在实际应用中可能会遭受温度波动带来的影响。实验环境的温度从19℃变化到75℃，模拟了实际工作环境中可能遇到的温度范围。 #### 温度效应分析 在没有采取任何补偿措施的情况下，温度变化会导致光纤光栅布拉格波长发生偏移，进而引起传感器输出信号的变化。实验数据显示，当温度从19℃增加到75℃时，布拉格波长偏移量达到了11.315nm，这导致了传感器输出的引用误差高达1915%。这种大幅度的误差显然是不可接受的，尤其是在需要高精度测量的应用场景下。 #### 神经网络融合处理 为了解决这一问题，研究人员采用了BP神经网络技术对温度和压力数据进行融合处理。通过对大量实验数据的学习训练，神经网络能够建立一个数学模型，用于预测不同温度条件下传感器的压力输出值。经过神经网络处理后的结果表明，温度对压力测量的干扰得到了显著降低，传感器输出的引用误差降到了2%，极大地提高了传感器的选择性及测量精度。 #### 结果讨论与展望 实验结果证明了BP神经网络技术在改善光纤光栅压力传感器选择性方面具有显著效果。通过融合温度和压力数据，可以有效消除温度变化对测量结果的影响，实现对压力更为准确的识别。这种方法不仅能够提高传感器的工作性能，还能扩展其在更多复杂环境下的应用可能性。 利用BP神经网络技术可以显著提高光纤光栅压力传感器的选择性，对于推动光纤传感器技术的发展具有重要的理论意义和实际应用价值。未来的研究可以进一步探索神经网络优化算法、提高训练效率等方面，以期更好地服务于实际工程需求。