[发明专利]一种基于BP神经网络的FBG温度标定方法

摘要

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。该过程包括：将采集到的FBG原始光谱数据传输到上位PC机；利用拟合算法从原始光谱数据中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。本发明的优点主要在于该系统搭建方便，算法简单快速，显著提升了FBG在常规使用环境及低温环境下的温度测量精度。

主权项

1.一种基于BP神经网络的FBG温度标定方法，其特征在于包括以下过程：FBG中心波长及热电偶温度数据获取1)将FBG用导热胶粘贴在加热板上并置于液氮冷却的真空罐中；2)将光纤光栅解调仪连接到FBG，并通过通信协议将原始光谱数据传输到上位PC机；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：A.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可能少，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。B.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：其中，为l层节点i输入的加权总和；为l层节点j与l+1层节点i的连接权值；为l+1层节点i的偏置；为l层节点i的即输出值；f(·)为激活函数。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。C.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种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。