光纤光栅应变传感器温度补偿

作者:黄建明;张明达; 刊名:国外电子测量技术 上传者:张守信

【摘要】光纤光栅传感器在应变测量方面有着非常广泛的应用.但在测量过程中受温度和应变两种因素的影响,常会导致测量结果的准确度受到一定程度的影响,不能很好的满足实际需要.采用BP神经网络算法,通过实验样本训练建立神经网络结构,来降低温度对测量结果误差的影响.通过实验验证,在整个传感器温度测量范围内,使用BP神经网络可以有效的降低由温度引起的最大测量误差,使误差可以控制在一定范围内,对传感器的使用具有重要意义.

全文阅读

1引言光纤光栅在传感方面具有优越性能,使得它被广泛地应用于航空航天、船舶、石油化工、电力等多个领域[1]。光纤光栅(fiberbragggrating,FBG)传感器应变测量原理是通过波长变化反馈测量信号。FBG受应变和温度两种因素影响,应变和温度均能对光栅中心波长产生影响。所以,将FGB应用于应变测量时,环境温度的变化会对应变测量结果会产生明显影响[2]。在进行结构的应变监测时,消除温度对测量数据影响,获得由荷载引起的结构真实应变值,是非常必要的。目前,已经有采用各种方法进行消除温度影响[3-6]。本文提出了基于BP网络神经算法对测量结果进行温度补偿。2光纤光栅应变与温度测量原理光纤光栅中波长受折射率和调制周期的影响,温度或应变的改变会导致光栅的折射率以和调制周期的变化,从而导致光栅中波长发生变化。通过测量光纤光栅中波长变化情况,就可以通过计算获得相应的温度改变或应变的情况。如果降低或消除温度对光纤光栅中波长的影响,就可以通过光纤光栅中波长变化推算应变值,这就是通过光纤光栅测量应变值的基本原理。当改变应变值或温度值,将导致光纤光栅波长的发生变化[7-9],如式(1)所示。B=2neff(1)式中:为调制周期;neff为折射率。由式(1)可以看出,温度对B造成的影响主要是由热光效应引起的折射率neff的变化或温度的变化产生导致光纤热膨胀引起的周期的改变。当应变发生波动时,会导致B发生改变,是由光栅受应力变化会导致的neff的变化;光栅受应力变化,会导致质点发生位移,导致使发生变化。3基于BP神经网络温度补偿3.1BP神经网络在神经网络模型中BP网络是应用最多的一种,它采用3层结构,第1层是输入层,第2层是隐含层最后是输出层。前一层节点数据通过变化输入下一层每个节点中去,同一层节点与节点不连接,如图1所示。图1BP神经网络结构BP网络运行时,信息通过正向传递、误差采用逆向传递的方式。正向传递是信息通过输入层到隐含层再到输出层,将输出层输出结果与设定期望的结果进行比较,如果没有达到期望,将误差逆向传递,使网络结构进行调整,直到输出结果达到期望。3.2BP神经网络温度补偿原理采用BP神经网络降低或消除温度对应变传感器的影响的方法是将传感器的输出波长和温度作为BP神经网络的输入,通过BP神经网络模型降低或消除温度变化对的结果的影响。如设温度为t,应变输入值为x,光纤光栅传感器输出波长值为y,BP神经网络的输出值应变值x与应变传感器输入值x应该能无限逼近。BP神经网络温度补偿模型如图2所示。图2BP神经网络补偿模型图2中,光纤光栅应变传感器的测量模型,即传感器的输出输入关系表达式为:y=f(x,t)(2)式中:x为待测目标参量(应变);t为非目标温度参量;y为传感器输出量;x为传感器经过BP神经网络温度补偿后的应变值。将y和t输入到训练好了的BP神经网络中处理后,神经网络的输出值x即为消除了温度影响后的被测量应变值。3.3BP神经网络结构的确定构造一个BP神经网络,首先需要确定BP神经网络的网络结构。即确定输入层、输出层和隐含层中的神经元个数。根据图2的补偿原理,确定本文BP神经网络输入层的神经元个数为2,输出层的神经元个数为1,因此只需要确定隐含层中的神经元个数。BP神经网络的泛化能力是训练好的网络对非训练样本的预测拟合能力,是构建神经网络模型性能重要指标。神经网络中增加隐含层层数能提高网络的泛化能力,但增加隐含层的层数会需要更多的训练时间,同样隐含层的神经元过多容易造成网络泛化能力降低,而隐含层的神经元过少网络收敛速度降低。因此,隐含层神经元的数量对于

参考文献

引证文献

问答

我要提问