用于多FBG量分类和波长寻址的高精度神经网络模型，在基于AWG的解调系统中应用

《Optics & Laser Technology》：High-accuracy neural network model for multi-FBG quantity classification and wavelength addressing in AWG-based demodulation system

AWG基解调通过双阶段神经网络实现高精度波长提取，Res-SE网络分类1-6个FBG传感器达99.21%精度，LNN-BiLSTM回归将单传感器波长误差控制在3.85pm内，六传感器系统总误差42.76pm，突破传统AWG带宽限制，提升容量50%并降低硬件需求。

　　

郑陆|徐张|娄晓萍|庄伟|董明丽|朱连青

北京工业大学信息科学与技术学院，中国北京100124

摘要

我们提出了一种基于深度学习的解调方案，仅使用阵列波导光栅（AWG）的八个通道，即可实现对密集复用的光纤布拉格光栅（FBG）的高精度波长解调。该方案采用了两级级联结构：（i）Res-SE网络能够以99.21%的峰值准确率区分1-4号光栅（间距为2纳米），以及以81.69%的准确率区分1-6号光栅（间距为0纳米）；（ii）自适应维度的LNN-BiLSTM回归器随后能够提取出各个布拉格波长，单个传感器的解调均方根误差（RMSE）为3.85皮米，四传感器阵列的RMSE为13.78皮米。在五光栅和六光栅级联系统上的实验分别达到了25.80皮米和42.76皮米的准确率，超越了传统基于AWG的解调方法而无需额外硬件。该框架重新定义了稀疏采样AWG解调器的性能极限，并为紧凑型、低成本的分布式FBG传感网络的发展铺平了道路。

引言

光纤布拉格光栅（FBG）传感器因其体积小、传输损耗低、可靠性高以及抗电磁干扰（EMI）能力强，在生物医学、航空航天和结构健康监测等领域得到广泛应用[1]、[2]、[3]。在基于FBG的传感系统中，需要解调设备来实时确定FBG传感器的中心波长。通过建立波长变化与测量参数之间的映射关系，可以实现温度、应变和振动等物理量的定量检测[4]。已经开发出了多种解调系统，这些系统采用了不同的核心组件，包括基于光学滤波器、马赫-曾德尔（M-Z）干涉仪、可调扫描激光器和电荷耦合器件（CCD）的方案[5]、[6]、[7]、[8]。尽管这些系统在FBG解调方面展示了可行性，但它们存在设备体积庞大、成本高昂或解调速度无法满足高频检测需求等局限性[9]。这些缺点限制了它们在工程应用中的实际应用范围。

最近，基于光子集成电路（PIC）的解调技术成为最有前景的技术，其中阵列波导光栅（AWG）是核心组件。AWG具有体积小、功耗低、测量速度快和稳定性高等优点，从而促进了高度集成、微型化和高精度检测系统的发展[10]、[11]。

目前的基于AWG的解调系统主要采用边缘滤波、可调滤波和相对强度等方法来确定FBG的中心波长。然而，这些方法要求在解调计算过程中将FBG的初始波长置于两个相邻的AWG通道之间，解调带宽严格限制在这两个通道的波长范围内。这一限制显著限制了基于AWG的解调技术的应用范围[12]。

为了在保持测量精度的同时提升AWG解调系统的复用能力，我们提出了一种级联神经网络解调框架。该框架由两个集成神经网络组成：Network-1是一个增强注意力的深度残差网络（Light-Residual-SE），用于对多传感器数据进行处理以确定FBG传感器的数量；Network-2是一个混合液体神经网络和双向长短期记忆（LNN-BiLSTM）模型，用于精确地定位单个或多个FBG的中心波长。实验结果表明，使用8个AWG输出通道时，该框架能够同时检测多达6个FBG传感器，解调能力相比传统算法提高了50%。在最复杂的操作条件下，FBG数量的分类准确率仍保持在80%以上，最佳准确率为99.21%。对于中心波长的定位，准确率超过了42.76皮米，最佳波长分辨率达到了3.85皮米。这种方法部分缓解了基于AWG的系统在FBG传感器数量和解调精度方面的局限性，为高性能传感应用提供了有前景的解决方案。

本研究的主要贡献如下：

(1)

我们提出了一种由级联神经网络辅助的解调算法框架。通过两个子网络的协同作用，实现了对光谱信号中FBG数量的精确分类，并完成了对传感器中心波长的高精度定位，从而提升了基于AWG的解调系统的性能。

(2)

与现有研究相比，该算法框架能够在8个AWG输出通道的情况下实现多达6个FBG传感器信号的峰值分离和定位。在定位网络中，我们根据不同的FBG数量差异化了模型超参数设计，降低了过拟合的风险，同时提高了模型在不同操作条件下的准确率，并增强了解调的灵活性和鲁棒性。

(3)

我们构建了一个基于AWG的解调器原型，设置了不同的操作条件，并使用模拟和实测信号完成了所提出级联模型的训练和验证。还进行了消融实验。结果表明，与其他模型架构相比，我们的模型具有显著优势。

章节摘录

基于AWG的解调理论

基于AWG的解调系统主要利用AWG作为核心的光谱滤波组件。在操作过程中，AWG将FBG传感器反射的光谱信号离散化，并通过后续的光电转换和信号处理实现实时采样，最终确定各个FBG的中心波长[13]。详细的解调工作流程如图1所示。宽带光源产生的光束进入光学循环器的端口1，

整体框架

我们提出了一种基于深度学习的解调框架，适用于基于AWG的系统，其结构如图3所示，包括两个神经网络模型：FBG数量分类和中心波长定位。1x8维度的稀疏光谱采样数据由这两个模型进行处理，最终输出所有FBG传感器的中心波长。

为了确保数据集的多样性，我们在数据集准备过程中结合了模拟数据和实验测量数据。

光谱采集系统设置和数据集构建

为了验证模型的解调性能，我们实现了图6所示的光谱采集系统，使用具有不同温度灵敏度系数的FBG传感器阵列作为检测目标。该阵列在高温和低温测试室中进行热循环，以产生不同的中心波长变化。反射光谱通过50:50耦合器平均分配，同时路由到Yokogawa AQ6151B波长计和

结论

本研究解决了基于AWG的FBG传感系统中由于光谱采样不足和混叠导致的性能限制。我们提出并验证了一种级联神经网络解调框架来克服这些限制。该架构首先使用Res-SE网络对8个AWG通道内的1-6号FBG进行峰值数量分类，在最佳条件下实现了99.21%的峰值准确率，并在光谱完全重叠的情况下保持了81%以上的准确率。

CRediT作者贡献声明

郑陆：撰写——原始草案、可视化、软件开发、方法论、形式分析、数据管理。徐张：撰写——审阅与编辑、验证、方法论、形式分析。娄晓萍：项目管理、调查、概念化。庄伟：验证、软件开发、方法论、形式分析。董明丽：验证、监督、项目管理、调查。朱连青：监督、资源管理、项目管理、资金筹集。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了北京市自然科学基金研究项目（编号BJXZ2021-012-00046）的支持。