[发明专利]基于深度学习的光纤光栅传感系统降噪方法及其相关设备

权利要求书

1.一种基于深度学习的光纤光栅传感系统降噪方法，其特征在于，包括：

采集多条光纤布拉格光栅FBG反射信号样本，及对所述多条FBG反射信号样本进行预处理，得到多条第一FBG反射信号；

向所述多条第一FBG反射信号中添加预设噪声，得到多组第二FBG反射信号，其中所述预设噪声包括随机强度的器件干涉噪声、高斯白噪声、α稳定分布噪声及非平稳线缆风舞噪声中的至少一者，所述多组第二FBG反射信号中的每组第二FBG反射信号包括一条不包含所述预设噪声的FBG反射信号及一条包含所述预设噪声的FBG反射信号；

将所述多组第二FBG反射信号划分为训练集与验证集；

基于所述训练集与所述验证集对深度学习降噪模型进行训练，直至确定所述深度学习降噪模型的模型参数；

基于训练完成的深度学习降噪模型对光纤光栅传感系统采集到的FBG反射信号进行降噪处理。

2.如权利要求1所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述对所述多条FBG反射信号样本进行预处理，得到多条第一FBG反射信号，包括：

将所述多条FBG反射信号样本的二进制数据文件转换为十进制数据文件，及以光谱的有效采样点数作为列数，将所述十进制数据文件中的数据转换为二维数组；

将所述二维数组按行进行可视化展示，以选取光谱信噪比大于预设阈值的FBG反射信号作为所述第一FBG反射信号。

3.如权利要求2所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述光谱的有效采样点数为512个，所述预设阈值为4dB。

4.如权利要求1至3中任意一项所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述深度学习降噪模型包括输入层、信号编码单元、残差收缩单元、信号解码单元及输出层，所述基于所述训练集与所述验证集对深度学习降噪模型进行训练，包括：

将所述训练集中的一组训练数据作为所述输入层的输入；

在所述信号编码单元对该组训练数据中的包含所述预设噪声的FBG反射信号进行编码，通过所述残差收缩单元对编码结果进行软阈值化处理噪声特征，通过所述信号解码单元对所述残差收缩单元的处理结果进行解码，及通过所述输出层输出重构样本；

反向传播所述重构样本和该组训练数据中的不包含所述预设噪声的FBG反射信号的重构误差，判断损失是否大于预设误差；

若所述损失大于所述预设误差，采用所述训练集中的下一组训练数据作为所述输入层的输入，以继续对所述深度学习降噪模型进行训练；

若所述损失小于或等于所述预设误差，保留所述深度学习降噪模型的参数，及使用所述验证集对所述深度学习降噪模型进行测试。

5.如权利要求4所述的基于深度学习的光纤光栅传感系统降噪方法，其特征在于，所述器件干涉噪声的表达式I_n(λ)为：

其中，在表达式I_n(λ)中，I₀为到达光纤光栅时的光强，λ为满足布拉格条件的波长，n为介质折射率，I(λ)为经光纤光栅反射的光强，nL为光波光程差，a²为噪声强度，为外部环境引起的反射点的相位变化；

α稳定分布噪声的特征函数满足：

其中，在特征函数中，i为复数虚部单位，t为信号时间单位，α为特征指数，β为对称参数，γ为分散系数，δ为位置参数，0α≤2,-1≤β≤1，γ0，-∞δ∞；

非平稳线缆风舞噪声的表达式n_wind为：

n_wind＝[1+acos(2πft)]n_g(t)+n₀(t)；

其中，在表达式n_wind中，n_g(t)为高斯白噪声，n₀(t)表示环境噪声，a为信号非平稳性调制幅度。