基于智能预测的法布里-珀罗滤波器稳定解调方法研究

Fiber optic sensor networks are one of the key technologies in today's intelligent transportation, smart pipe network, smart grid and the emerging infrastructure of the “Belt and Road” initiative. However, the fiber demodulation process is complicated, and it is greatly affected by the external environment temperature and noise in a long-term complex environment, resulting in a significant increase in the random fluctuation of the nonlinear curve of the tunable fiber Fabry-Perot filter. In order to improve the stability of measurement, a long-term and short-term memory strategy combining temperature pattern classification and dynamic forward difference information is proposed to compensate the filter temperature drift caused by long short-term temperature change. Secondly, the nonlinear fluctuation of the filter under different driving voltages is proposed. The online model modification and nonlinear compensation mechanism of hybrid feedforward-feedback control; finally, the least squares support vector machine algorithm with iterative adaptive weight is proposed to improve the accuracy and robustness of the offline model. Through the above research work, the stability of fiber Bragg demodulation in a long-term complex environment is enhanced.

光纤传感器网络是实现当今智能交通、智能管网、智能电网以及“一带一路”开启的新兴基础建设的关键技术之一。然而，光纤传感解调过程复杂，在长期复杂环境下受外界温度、系统噪声、解调参数的影响，造成可调谐光纤法布里-珀罗滤波器解调的非线性曲线随机波动显著增大。为改善测量稳定性，首先提出联合温度模式分类和动态前向差分信息的长短期记忆补偿机制，补偿长期变温导致的滤波器温漂；其次针对不同驱动电压下滤波器的非线性波动，提出基于混合前馈-反馈的非线性模型在线修正策略；最后，提出基于迭代自适应权重的高鲁棒性可调谐滤波器非线性建模方法，增强系统对多种噪声的适应能力。通过上述研究工作，提高长期复杂环境下可调谐滤波器波长解调的稳定性。

我国大型工程、石化和电力等众多行业中，传统监测手段不足以满足需求，亟需如光纤传感这类先进可靠的长期安全监测技术。但是，光纤传感信号的解调过程复杂，解调设备昂贵，且解调设备在长期复杂环境下易受外界环境温度、系统内部噪声、解调参数等因素的影响，造成解调误差的显著增大。为了提高光纤传感解调系统的工作稳定性，本课题首先提出了基于非对称噪声区间的自适应权重最小二乘支持向量机；进一步，本课题还改进了集成学习算法——自适应增强学习机，提出了基于误差率差值的弱学习器权重更新方法，两种改进均大幅提高了传统算法在面对解调误差数据时的建模准确度。其次，针对传统的机器学习算法只能解决短时间、小数据集预测的问题，本课题分别提出了基于集成窗口的最小二乘支持向量机、结合二次信号分解和混合建模的误差预测算法和基于卷积神经网络和长短期记忆网络的误差预测算法，解决了长时间、大数据集的高精度预测；进一步，针对大数据集中存在缺失值，严重影响预测准确度的问题，本课题提出了基于时空注意力机制的长短期记忆网络算法。最后，针对光纤传感解调系统的在线动态误差校正需求，本课题提出了基于多参考光栅和最小二乘支持向量机的误差校正方法；更进一步，为了减小参考光栅对带宽的占用，本课题提出了基于有限参考光栅和自补偿策略的动态误差校正。总的来说，本研究讨论了多种解调误差的补偿方案，深度地融合了光纤传感解调系统和人工智能算法，改进了现有机器学习和深度学习算法，使人工智能算法能够更贴合地解决光纤传感中的误差建模问题。本研究为高稳定性、高精度和低成本的长期光纤传感解调奠定了坚实的工作基础，为现有的硬件补偿提供了一种新思路。项目资助发表SCI一区论文2篇，二区论文1篇，EI中文论文3篇，中文核心期刊论文2篇，EI会议论文2篇。培养硕士生8名，其中2名已经取得硕士学位，6名在读。项目投入经费21万元，支出15.9321万元，各项支出基本与预算相符。剩余经费5.0679万元，剩余经费计划用于本项目研究后续支出。