论文部分内容阅读
近年来,光纤光栅传感技术在各个领域有广泛的应用,如环境、农业、地质探测、太空等,其传感解调方法一直是人们关注的焦点。普遍商用的方法是采用光纤F-P腔扫描等光干涉解调,这些方法技术复杂,成本较高。为降低系统成本,人们提出了外差式解调的方法。这一技术普遍采用分布反馈Bragg光纤激光器(DFB)结构,利用其双折射在探测器上形成的拍频实现传感解调。该方法中,实现稳定的拍频需要较复杂的技术。继而,人们提出采用分布反射激光器(DBR)结构,利用光纤激光器的腔长变化所形成的多纵模拍频实现传感解调。本文提出了一种实现光纤光栅温度传感解调的方法,通过测量激光拍频得出,同时对测量的温度传感数据进行优化用所构建的三层BP神经网络模型。该方法分别采用线性啁啾光栅(CFBG)和传感光纤光栅(FBG)作为光纤激光系统的反馈腔镜,测量激光器拍频随传感光栅温度的变化实现温度传感。在之前的传感解调系统中,我们往往以啁啾光纤光栅(CFBG)的时延特性做为参照标准,假设啁啾光纤光栅(CFBG)具有理想的线性时延,然而在实际应用中,由于制作工艺的限制,啁啾光纤光栅(CFBG)时延并非完全线性,且存在抖动。按照线性时延处理测试结果,存在明显的系统误差。因此在测量前应根据系统中所使用啁啾光纤光栅(CFBG)的具体时延特性曲线标定相应的拍频频率以降低该系统误差。温度测量误差是由啁啾光纤光栅(CFBG)非线性时延及时延抖动本身的特性引起的,为了使误差更小,我们需要选择一种算法来处理所得的温度数据。BP神经网络算法具有良好的容错和非线性映射能力,可逼近任意非线性函数,解决复杂参量之间的非线性对应关系[1]。利用BP神经网络算法搭建了三层BP神经网络模型,实验中,重复测量10次,得到10组拍频频率/温度数据。将所测频率数据中的9组确定为训练校正集,然后作为网络输入值送入所建模型的输入层,而输出值为相对应的实际温度值,对网络参数值进行训练,最终使参数值达到最佳网络结构。用剩下的一组作为测试样本集进行检验,此组数据的温度灵敏度和相关系数分别为37.89KHz/℃和99.767%,对该组数据训练温度校正及预测,其相关系数达到99.95%。通过实验,我们可以得出用三层BP神经网络算法对实验所得数据进行检验,能极大的改善实验系统的测量精度。本文基于激光拍频结合BP神经网络算法实现温度传感,使拍频解调这一技术更实用化。