光纤光栅应变传感器交叉敏感现象研究

光纤光栅应变传感器交叉敏感现象研究

樊晓宇

(安徽科技学院数理与信息工程学院，安徽凤阳233100)

摘要：光纤布喇格光栅的交叉敏感现象影响了光纤光栅应变传感器的检测精度。为了使光纤光栅应变传感器的检测精度提高，提出了采用遗传模拟退火算法改进BP神经网络的方法，来改善光纤光栅应变传感器的交叉敏感现象。通过仿真实验，验证了遗传模拟退火算法改进BP神经网络的方法能实现光纤光栅应变传感器交叉敏感信号中应变信号与温度信号的精确分离，使光纤光栅应变传感器的检测精度显著提高，同时抑制了光纤光栅应变传感器非线性特性的影响。

关键词：光纤光栅应变传感器；交叉敏感现象；BP神经网络；遗传模拟退火算法

收稿日期:2014-12-11

基金项目:安徽科技学院青年

作者简介:樊晓宇(1981-)，男，黑龙江齐齐哈尔人，讲师，博士研究生，主要从事信号与信息处理方面研究。

中图分类号：TP212.4+4文献标志码：A

光纤光栅应变传感器(Fiber Grating Strain Sensor, FGSS)许多独特的优势使其在众多领域具有广泛的应用。然而，构成FGSS的主要器件——布喇格光纤光栅存在着交叉敏感现象，从而使被测应变值与FGSS的输出信号间呈现明显的非线性关系，FGSS存在一定的测量误差，这将导致FGSS的应变量检测精度受到影响。所以，FGSS在精确测量被测环境的应变值时，交叉敏感现象的影响不能忽视，需要采用一定的技术来处理布喇格光纤光栅的交叉敏感现象。本文提出采用BP神经网络结合遗传模拟退火算法的方法来改善布喇格光纤光栅的交叉敏感现象，通过仿真实验证实该方法能够使FGSS取得较好的测量效果。

1布喇格光纤光栅的交叉敏感

FGSS是利用外界应变作用使布喇格光纤光栅的折射率发生改变，进而引起布喇格反射波长改变的特性来测量外界环境的应变量。然而，布喇格光纤光栅用于传感器的最根本物理量是应变与温度，并且在布喇格光纤光栅中应变与温度同时发生变化，这就导致了普通的传感器系统难以检测出应变与温度各自的变化量，此现象称为交叉敏感[1]。布喇格光纤光栅同时受到轴向应变量△ε与环境温度变化量△T作用时，其布喇格反射波长的变化量可表示为[2]:

(1)

式(1)中，ρ11、ρ12分别代表光纤光栅应变张量的分量，υ是泊松比，α代表光纤光栅的热膨胀系数，ξ代表光纤光栅的热光系数。

由(1)式可见，当测量的应变与环境温度同时改变时，被测的应变信号与FGSS的输出信号间出现非线性的现象，这将导致FGSS具有较大的非线性误差，测量的应变值不精确。所以，本文采用BP神经网络结合遗传模拟退火算法的方法对FGSS交叉敏感现象进行改善，以便FGSS能进行应变与温度的精确分离测量，从而达到精确测量应变量的效果。

2遗传模拟退火算法改进BP神经网络

2.1遗传模拟退火算法

遗传模拟退火(Genetic Stimulated Annealing, GSA )算法是结合遗传算法与模拟退火算法思想而构成的一种智能算法。GSA算法具有很强的局部搜索能力，又有很强的全局搜索能力。遗传算法是基于自然界生物进化与生产过程，把生物进化中的复制、交叉与变异应用到算法，通过保持可行解、重新组合可行解和改进可行解的方式，使算法最终取得最优解。遗传算法是一种自适应与高度并行的优化方法[3]。模拟退火算法是基于固体退火原理，模拟热力学中固体的降温过程，结合概率跳变特征在解空间中搜索代价函数的全局最优解[4]。

遗传算法具有操作简单和全局搜索能力强的优点，但却存在着局部寻优能力差和易早熟的缺点。模拟退火算法能够避免陷入局部极小问题，但却存在着全局收敛性能差的缺点。GSA算法是结合遗传算法与模拟退火算法优点的改进算法，它将模拟退火算法融进遗传算法中，进而求解优化问题的最优解。GSA算法将遗传算法与模拟退火法算法的寻优能力相互补充，即通过模拟退火算法来改进遗传算法易早熟的缺点，使算法局部寻优能力加强，同时GSA算法可以避免寻优过程中陷入局部最优。所以，GSA算法既具有很强的局部寻优能力，又具有很强的全局寻优能力。

BP神经网络是根据对网络加权值进行训练、网络输出误差后向传播的多层前向型人工神经网络算法。BP神经网络的结构包括输入层、隐含层和输出层，各层之间通过能够传递信息的连接权连接而成。

BP神经网络是根据输入样本集与输出样本集进行网络加权的训练，最终使网络能够达到要求的输入、输出映射关系。BP神经网络处理信息的过程分为两个步骤：第一步是通过样本集选取信息，再将信息从输入层向前逐层计算各层的输出值；第二步是修改网络各层的连接权值。如果BP神经网络输出层输出的信号没有达到所期望的输出信号，则将网络期望的输出信号与实际输出信号的误差沿网络原来的连接通路后向传播，并修改网络各层的连接权值，使网络输出误差最小，从而达到期望目标[5]。所以，BP神经网络具有非线性映射能力强与泛化能力好的优点。

由于BP神经网络是一种局部搜索的优化方法，这将导致BP神经网络有可能陷入局部极值而使网络训练失败[6]。同时，BP神经网络还存在“过拟合”现象的缺点。而FGSS检测应变信号是求解函数的全局极值，所以将BP神经网络直接应用于FGSS解决交叉敏感现象时受到一定的限制，导致FGSS检测应变信号的精度不高。针对这种情况，本文提出采用可以解决局部搜索问题的GSA算法来改进BP神经网络，从而达到改善FGSS交叉敏感现象的效果，使FGSS检测应变信号的精度进一步提高。

2.3GSA算法改进BP神经网络

图1　GSA-BP算法流程图

针对BP神经网络易陷入局部极值和易“过拟合”的缺点，本文采用GSA算法来优化BP神经网络，从而克服了BP神经网络的缺点，使优化后的算法能更好地适用FGSS检测系统。GSA算法改进的BP神经网络(GSA-BP)算法是将GSA算法用于BP神经网络的网络连接权值优化环节，最终使网络连接权值达到最优化，使BP神经网络输出层的输出误差信号满足FGSS检测系统要求，GSA-BP算法的流程图如图1所示。

GSA-BP算法的主要步骤为：①初始化GSA算法与BP神经网络。确定GSA算法优化参数的个数、种群的规模、最大迭代次数、初始温度T、BP神经网络的各层结构、初始网络权值、训练样值、允许误差ε和训练速度η。②GSA算法优化BP神经网络的连接权值。由于GSA算法的每一个个体代表一个网络连接权值，因此，要对每个个体进行二进制染色体编码，并且利用适应度函数计算所有个体的适应度。③GSA算法采用选择、交叉、变异和模拟退火操作直到找到满足适应度的最优个体为止，并将这些最优个体作为BP神经网络的网络连接权值。④BP神经网络进行前向传播。将输入信号通过输入层、隐含层向输出层传输，进行前向计算各层的输出，并且计算网络的输出误差。⑤判断网络输出误差是否满足要求。 若网络输出层输出的误差小于FGSS检测系统的期望误差，训练结束；否则转到步骤⑥。⑥BP神经网络进行误差反向传播，并且逐层修改各层网络的连接权值，然后转到步骤②。随着GSA-BP算法优化过程的反复迭代，可使网络输出层输出的误差最终达到FGSS检测系统的要求。

FGSS检测的应变信号往往含有噪声，而GSA-BP算法的推广能力能将FGSS的检测信号从噪声中恢复，这就决定了GSA-BP算法可用于FGSS的实时信号处理。同时，GSA-BP算法具有处理FGSS信号非线性特性的能力。所以，本文利用GSA-BP算法的以上特征与步骤对FGSS的交叉敏感现象进行了改善，实现FGSS检测系统精度要求。

建构主义作为认知学派学习理论的一个新的分支,在20世纪80年代流行于西方,20世纪九十年代开始引起我国教育界的极大关注，2000年-2018年中国知网上以建构主义为主题的期刊论文就达21000多篇。建构主义的教学理念对我国的英语教学产生了重大的影响，现代教育技术也开始全面融入英语教学，但是建构主义教学理念在英语教学中的运用效果尚不理想。本文拟以英语专业《基础英语》课程教学为例，阐述基于建构主义教学理念的英语教学实践效果和意义。

3系统硬件架构

利用GSA-BP算法改善FGSS交叉敏感现象的系统硬件架构，如图2所示。该系统的工作过程为：确定GSA算法与BP神经网络的各参数，利用GSA-BP算法进行神经网络优化设置。光纤光栅应变传感器(FGSS1)与温度参考传感器(FGS2)分别检测环境的温度信号和应变与温度的混合信号，并经过光/电转换器将光信号转换为电压信号V1与V2，由信号处理系统处理后，再将V1与V2通过数据采集卡送入计算机。然后，利用已经训练好的GSA-BP算法对V1与V2进行优化处理，最后系统的输出为环境的被测应变值，即实现了应变信号的精确测量。通过实验证实，该检测系统能对FGSS的应变信号进行精确检测，得到很高精确的应变值，神经网络的输出误差能满足检测系统的要求，并且能将环境的温度与应变精确分离，改善了FGSS交叉敏感现象，有效抑制了布喇格光纤光栅非线性的影响。

图2　系统硬件的架构

采用GSA-BP算法可实现FGSS的应变与温度精确分离测量，即实现了智能地去除温度对应变测量的干扰，提高了检测系统的智能化程度，并且改善了系统的适应性。

4系统软件设计

4.1GSA-BP算法的MATLAB仿真设计

MATLAB为人工神经网络技术的设计和仿真提供了专门的工具箱，使用者可根据需要调用相关的工具箱[7]。本文仿真设计BP神经网络隐含层与输出层的函数都为S型函数，而输入层函数是线性函数，调用MATLAB工具箱中的相应函数，对BP神经网络进行学习，根据神经网络的误差情况，结合GSA算法逐渐地改变网络的连接权值与偏置量，最终使网络的输出误差达到FGSS检测系统的精度要求。GSA-BP算法经过学习后，在有效区间内将任意值输入到网络，经过运算后GSA-BP算法的输出就是对应的应变值。

本文设计的BP神经网络分为三层，其中输入层有2个节点，分别对应光纤光栅应变传感器(FGSS1)测得的温度和应变信号，经光电转换器转换的电压信号V1、温度参考传感器(FGS2)测得的温度信号经光电转换器转换的电压信号V2；隐含层有6个节点；输出层有1个节点对应光纤光栅应变传感器(FGSS1)的最后应变信号的输出。仿真设计中，BP神经网络的学习速度η=0.1、收敛精度ε=10-4、初始温度T=1、种群规模取100、交叉算子为0.7、变异算子为0.002、退温速率为0.99。

4.2GSA-BP算法性能测试

利用GSA算法改进的BP神经网络通过网络训练学习后，达到的误差曲线如图3所示。由图3可知，GSA算法改进的BP神经网络训练200次左右就可以满足系统误差要求，误差大约为10-4με。所以，GSA-BP算法的收敛速度与BP神经网络(由文献[5]知，网络训练大约要400次才能收敛)相比大约快一倍、收敛时间少一半、网络误差较小。经过GSA-BP算法处理后的FGSS应变信号的检测误差大约为10-4με。

图3　网络训练后的误差曲线图

5试验结果分析

仿真系统运行后，在FGSS应变信号检测系统中，输入表1中的应变标定值，系统输出的实际应变值如表1所示。由表1可见，经过GSA-BP算法对FGSS应变信号检测系统进行优化后，FGSS应变检测系统的输出结果与同温度下FGSS的标定值非常接近，测量精度大约为10-4με数量级，即FGSS的应变测量精度显著提高。

表1　FGSS系统输出结果与标定值比较

基于GSA-BP算法优化的FGSS应变检测系统测试结果的实际输出特性曲线如图4所示。在有效的温度区间范围内，GSA-BP算法优化的FGSS应变检测系统在不同应变标定值与不同环境温度情况下的测试结果输出特性曲线，与FGSS的理想特性曲线几乎重合。这个输出特性曲线表明：利用GSA-BP算法优化的FGSS应变检测系统能够将应变与温度信号精确分离，很好地减少了FGSS中温度对应变信号的交叉影响，使FGSS的交叉敏感现象得到很好地改善，并且较好地抑制了光纤光栅上的非线性影响，使FGSS应变检测效果明显提高，这有利于FGSS在高精度测量中的应用。

6结语

将GSA-BP算法用于改善FGSS的交叉敏感现象，即达到了提高FGSS检测系统性能的目的，又提高了FGSS应变与温度信号分离的精度，从而很好地抑制了交叉敏感引起的非线性误差，能使系统的测量精度显著提高。利用GSA-BP算法优化FGSS来改善测量环境温度对FGSS测量应变信号的交叉影响，不仅使FGSS测量应变的精度高，而且FGSS系统易于操作。

参考文献:

[1]周学军，马晓，路鹤. FBG 传感器应变监测温度效应分析[J].山东建筑大学学报, 2010,25(4): 386-390．

[2]赵勇．光纤光栅及其传感技术[M]．北京，国防工业出版社,2006，54-56．

[3]樊晓宇，王玉宝，卢国伟，等.基于遗传模拟退火算法的压力传感器温度补偿系统[J]. 传感技术学报, 2008,21(9): 1532-1535．

[4]吕琼帅，王世卿. 基于遗传模拟退火算法优化的BP神经网络[J]. 计算机与现代化, 2011(6): 91-94．

[5]樊晓宇.光纤光栅应变传感器温度补偿系统研究[J]. 光通信技术，2012(6): 7-9．

[6]张永怀，刘君华．采用BP神经网络及其改进算法改善传感器特性[J]．传感技术学报，2002(9)：185-188．

[7]高隽．人工神经网络原理及仿真实例[M]．北京，机械工业出版社，2005．

责任编辑：吴旭云

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