本发明涉及一种基于bp神经网络的fbg温度标定方法,属于光纤传感领域。
背景技术:
光纤光栅传感器与普通传感器相比,具有众多技术优势,如:体积小、精度高、抗干扰能力强、耐腐蚀、可实现多点分布式测量等,被广泛应用于结构安全监测、航天船舶、电力和医学等方面。光纤光栅传感器利用其温度敏感特性,当光栅所处环境温度发生变化时会导致其中心波长发生漂移。因此,通过测量光纤光栅中心波长便可实现温度的测量。但由于波长解调技术的限制,光纤光栅的测温精度还有待进一步提高。
目前,国内外对于提高光纤光栅的温度测量精度已有一定研究。通过将fbg的有效折射率、周期用二元函数泰勒展开,得出热光系数和弹光系数与有效折射率的关系,从而求解出温度及应变;另一种方法是通过将光纤光栅波长与温度进行多项式拟个,从而得出波长与温度的关系式。另外,通过改进光纤布拉格光栅温度检测系统来对测温过程中随机误差进行实时消除,进而提高测温稳定性。这些方法大多数温度测量精度不高,或者结构复杂。
由于bp神经网络具有良好的容错性、层次性、可塑性、自适应性、联想记忆和并行处理能力,可为fbg温度传感信号处理方面提供新的思路。因此,bp神经网络十分适用于fbg温度测量领域,可进一步降低对传感器敏感材料性能的要求,进一步提高传感器的测量精度。
通过将fbg导热胶粘贴在加热板上置于液氮冷却的真空罐中,并连接到光纤光栅解调仪从而将原始光谱数据传输到上位pc机;在加热板下方粘贴两个铂电阻并通过上位pc机程序实现闭环温度控制;在靠近fbg附近粘贴两个热电偶以测量温度。将获得的fbg中心波长及热电偶温度作为输入训练bp神经网络,并构建误差函数且通过反复迭代使误差指标达到预期目标。然后将采集到的fbg中心波长数据输入上一步的网络模型中,判断测量精度是否符合要求,若不满足精度要求,则重新训练和测试神经网络,直至达到系统设计精度。该bp神经网络模型训练完成后,将采集fbg中心波长数据输入模型中即可实现温度测量。
光纤光栅传感器的出现解决了工业运行时温度测量遇到的瓶颈,bp神经网络具有良好的非线性映射能力,因此十分适用于中心波长与温度复杂关系的拟合。一种基于bp神经网络的fbg温度标定方法为温度测量提供了新思路,同时也提高了温度测量精度。
技术实现要素:
本发明的目的是提供一种基于bp神经网络的fbg温度标定方法,该方法系统搭建方便、算法简单快速、温度测量精度高。
本发明的技术方案为:一种基于bp神经网络的fbg温度标定方法,包括如下步骤:
fbg中心波长及热电偶温度数据获取
1)将fbg(5)用导热胶粘贴在加热板(4)上并置于液氮(1)冷却的真空罐(2)中;
2)将光纤光栅解调仪(7)连接到fbg,并通过通信协议将原始光谱数据传输到上位pc机(8);
3)利用拟合算法从原始光谱数据中获得光纤光栅的中心波长;
4)将固定在fbg附近的两个热电偶(3)采集温度数据传输到上位pc机;
5)在加热板下部固定的两个铂电阻(6)通过上位pc机实现闭环温度控制;
以fbg中心波长及热电偶温度数据作为bp神经网络的输入,训练并测试bp神经网络
将所采集的fbg中心波长及热电偶温度数据作为样本,对bp神经网络进行训练和测试,具体过程包括:
1)bp神经网络的构建
本发明中bp神经网络采用3层结构,分别为:输入层、隐含层、输出层。输入层与输出层节点数与样本数一致,隐含层节点数应在保证系统测量精度的情况下尽量少,以提高网络收敛速度。设定bp神经网络的各项参数,包括:迭代次数、误差指标、学习率,并对bp神经网络的全局参数,权值、阈值预先初始化。
2)bp神经网络的训练
通过训练算法对bp神经网络进行训练,具体步骤如下:
第一步:计算隐含层输出。
第二步:计算输出层输出。
具体bp神经网络隐含层输出与输出层输出计算过程为:
具中,
若写成矩阵形式,则为:
z(l+1)=w(l)a(l)+b(l)(3)
a(l)=f(z(l))(4)
hw,b(x)=a(nl)(5)
其中,x=[x1,x2,...,xm]t为输入向量;nl为网络的层数;z(l),a(l),b(l)分别为与式(1)对应的向量;w(l)为权值矩阵;hw,b(x)为神经网络输出。
第三步:计算误差,若训练样本为{(x(1),y(1)),(x(2),y(2),...,(x(k),y(k))},则网络总体预测误差是实际输出与期望输出之间的差值。
其中,k为训练样本个数。
第四步:更新全局参数,利用损失函数的梯度来更新全局参数。
第五步:判断误差是否在允许范围之内,若在则结束,反之则返回第二步。
第六步:输出bp神经网络模型。
3)对训练好的bp神经网络进行测试
选取部分fbg波长-温度数据对训练好的bp神经网络进行测试,将采集到的fbg中心波长数据输入已经训练完毕的网络,然后通过计算热电偶实际测量温度与bp神经网络输出温度之间的误差来测试该bp神经网络模型。
bp神经网络训练、测试结果评定
bp神经网络模型达到设计精度后,将采集fbg中心波长数据输入到该模型即可实现温度标定。通过计算网络输出与热电偶实测温度间最大绝对误差及均方根误差,实现结果评定。
所述通信协议为tcp/ip协议。
所述从原始光谱数据中得到光纤光栅中心波长的拟合算法为gaussian算法。
所述原始数据采集为每6秒一存,共采集50个循环。
所述原始数据方法为在设定的采样时间内,当每个热电偶最高温度和最低温度相差不超过设定阈值时,且该设定阈值可调,对两个热电偶温度数据及fbg中心波长取平均值作为稳定时的波长-温度数据对。
所述bp神经网络模型隐含层数、隐含层节点数均可调。
所述bp神经网络隐含层激活函数为sigmoid函数,输出层激活函数为purelin函数。
所述bp神经网络训练算法为l-m优化算法。
所述bp神经网络的训练次数、误差指标、学习率无可调。
所述bp神经网络的全局参数包括初始权值、阈值,且均预先置为趋近于0的随机数值。
本发明的第一个优点在于该测量系统体积小、搭建方便;第二个优点是bp神经网络算法简单,容错性、可塑性强;本发明的第三个优点是利用bp神经网络对所采集到的fbg中心波长-温度数据对进行信号处理后,温度测量精度高。
附图说明
图1为本发明中数据获取、处理及分析流程图。
图2为本发明中系统硬件组成,包括:1为液氮、2为真空罐、3为热电偶、4为加热板、5为fbg、6为铂电阻、7为sm125fbg解调仪、8为上位pc机。
图3为本发明中bp神经网络训练流程图。
图4为本发明中bp神经网络结构。
图5为本发明中bp神经网络的训练结果。
图6为本发明中bp神经网络的测试结果。
图7为本发明中bp神经网络的预测结果。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明:
图1所示为本发明整体的数据获取、处理、分析流程图。将采集到的fbg原始光谱数据传输到上位pc机;利用拟合算法获得光纤光栅的中心波长;再将两个热电偶固定在fbg附近来采集温度并传输到上位pc机;在加热板下部固定两个铂电阻并通过上位pc机以实现闭环温度控制;将采集的fbg中心波长及热电偶温度数据作为样本,对bp神经网络进行训练和测试;该模型训练完成后,将fbg中心波长数据输入到精度符合要求的神经网络模型中实现温度标定。下面为具体实施过程:
fbg中心波长及热电偶温度数据获取
图2所示为一种基于bp神经网络的fbg温度标定方法的系统硬件组成图,该系统包括液氮1、真空罐2、热电偶3、加热板4、fbg5、铂电阻6、sm125fbg解调仪7以及上位pc机8。
将fbg5用导热胶粘贴在加热板上并置于液氮1冷却的真空罐2中;同时将光纤光栅解调仪7连接到fbg,并通过通信协议将原始光谱数据传输到上位pc机8;然后利用拟合算法从原始光谱数据中获得光纤光栅的中心波长;并将两个热电偶3固定在fbg附近来采集温度并传输到上位pc机;在加热板4下部固定两个铂电阻6并通过上位pc机从而实现闭环温度控制;将上述采集到的fbg中心波长及热电偶温度数据作为样本传输到上位pc机。
以fbg中心波长及热电偶温度数据作为bp神经网络的输入,训练并测试bp神经网络
图3所示为bp神经网络训练流程图。可选的,bp神经网络的训练流程包括:
a、bp神经网络结构构建,如图4所示,其结构为1×5×1,包括1个输入层、1个隐含层包括5个隐含层节点、1个输出层。
b、设置迭代次数、误差指标、学习率;
c、神经网络初始化,确定初始权值、阈值;
d、输入中心波长-温度数据;
e、训练bp神经网络;
f、计算网络误差;
g、判断误差是否满足精度要求,若否,则返回步骤c;
h、若是,则输出bp神经网络模型。
对符合设计精度要求的bp神经网络模型进行测试,选取部分采集的fbg中心波长输入训练完毕的bp神经网络模型中,网络输出则为温度数据。
bp神经网络训练、测试结果评定
图5所示为bp神经网络训练结果图。图中黑色十字点为训练样本,即从全部测量数据中间隔选取一半数据;黑色曲线为bp神经网络的拟合曲线。横轴为中心波长,纵轴为温度。bp神经网络训练结果几乎与热电偶所测真实温度数据一致,其最大绝对误差为0.9434℃,均方根误差为0.2102℃。
为验证bp神经网络的测量精度,对训练完毕的网络模型进行测试,测试结果如图6所示。图中黑色十字点为测量数据对,即除去训练样本外的另一半测量数据;黑色圆圈为bp神经网络的输出。横轴为中心波长,纵轴为温度。bp神经网络输出结果几乎与热电偶所测真实温度数据一致,其最大绝对误差为0.8943℃,均方根误差为0.2081℃。
图7所示为bp神经网络的预测结果图。将测量数据范围外的中心波长数据输入训练完毕的神经网络模型,其输出则为神经网络预测温度数据,结果如图7所示。图中黑色十字点为测量数据,黑色圆圈为bp神经网络预测数据。横轴为中心波长,纵轴为温度。该预测数据在低温段为非线性,常温段为线性,符合fbg的温度特性。因此,利用bp神经网络对温度数据进行预测为更大范围内的温度测量提供了可靠依据。