在使用CNN-LSTM网络的侧孔纤维布拉格格中测量温度和压力的解调算法

科学领域:

• 光子学和光学传感器
• 在工程领域的人工智能.
• 用于极端环境的材料科学

背景情况:

• 侧孔纤维布拉格格 (SHFBG) 在狭窄的空间提供同时温度和压力传感.
• 结合的温度和压力效应使SHFBG光谱分析复杂化,挑战了传统的解调算法.
• 精确的同时测量对于石油和航空等行业至关重要.

研究的目的:

• 从SHFBG开发一个高精度的深度学习模型,用于SHFBG的同时温度和压力调节.
• 解决由环境因素组合引起的光谱重叠和分离问题.
• 在具有挑战性的工业环境中提高SHFBG传感器的准确性和可靠性.

主要方法:

• 结合长期短期记忆 (LSTM) 循环神经网络架构的卷积神经网络 (CNN) 的实施.
• 培训和验证CNN-LSTM模型的SHFBG光谱数据,包括低波长分辨率和高信号噪声比的数据集.
• 对各种神经网络架构进行比较分析以评估性能.

主要成果:

• 在模拟数据上,CNN-LSTM模型实现了0.296 MPa的压力和0.276°C的温度的根平均平方误差 (RMSE).
• 实验测量显示温度的误差为2.425°C,压力为2.243 MPa.
• 与其他神经网络模型相比,拟议的模型表现出卓越的训练精度和概括能力.

结论:

• 该CNN-LSTM深度学习模型有效地克服了SHFBG解调传统算法的局限性.
• 这种方法可以在狭窄的环境中高精度同时测量温度和压力.
• 这项研究促进了SHFBG传感技术的更广泛应用和进一步发展.