多模式光纤光谱传感器用于多位置负载识别,使用横向阻塞

科学领域:

• 光子学和光学传感器
• 机器学习用于传感器系统
• 分布式光纤光学传感器传感器

背景情况:

• 在多模光纤 (MMF) 分布传感器中同时测量多个扰动位置和强度是具有挑战性的,因为需要大量的光谱数据.
• 现有的方法难以有效地识别多重扰动,阻碍了高分辨率分布式传感应用的发展.

研究的目的:

• 提出和验证一种新的方法,用于识别使用MMF光谱传感器的多位置负载.
• 提高货币市场基金分布式传感器识别模型的样本多样性和稳定性.
• 为高分辨率分布式测量提供具有成本效益和效率的解决方案.

主要方法:

• 开发一种多变量,多类,一次性光谱数据集构建方法.
• 总局部强度及其对干扰的灵敏度的数学模型的理论推导.
• 使用浅卷积神经网络 (CNN) 实现斑点图穿越闭塞数据增强.

主要成果:

• 拟议的方法可以实现近100%的准确性,同时识别高达1545种不同的负载形式的负载位置和大小.
• 与现有的MMF传感模型相比,浅CNN模型显示出更高的训练效率和稳定性.
• 实验验证证证实了这种方法在分布式传感应用中的有效性.

结论:

• 该研究提出了一种分布式MMF光谱传感器的概念证明,该传感器能够在各种干扰下进行高分辨率测量.
• 开发的方法通过提供更高的准确性和效率,显著提升了基于货币货币基金的分布式传感.
• 这种方法为各种分布式传感应用提供了一个有希望的,具有成本效益的解决方案.