仪器仪表学报

作者：何健欣，张钰民，任家庆，黄齐胜，祝连庆

单位：何健欣,北京信息科技大学光电测试技术及仪器教育部重点实验室北京100016,,张钰民,1.北京信息科技大学光电测试技术及仪器教育部重点实验室北京100016； 2.北京信息科技大学光纤传感与系统北京实验室北京100016,yinmin.zhang@gmail.com,任家庆,北京信息科技大学光电测试技术及仪器教育部重点实验室北京100016,,黄齐胜,北京信息科技大学光纤传感与系统北京实验室北京100016,,祝连庆,1.北京信息科技大学光电测试技术及仪器教育部重点实验室北京100016； 2.北京信息科技大学光纤传感与系统北京实验室北京100016,

关键词：光纤布拉格光栅;疲劳;卷积神经网络;双向长短期记忆网络;多头注意力机制;健康监测

光纤布拉格光栅（FBG）传感器因其高灵敏度、抗电磁干扰能力和复用特性，在结构健康监测中得到广泛应用。然而，在循环载荷作用下，FBG传感器易发生疲劳退化，传统诊断方法往往依赖人工特征提取或物理建模，难以有效捕捉早期微弱的损伤信号。为此，提出了一种端到端的光谱智能监测模型CABiL，旨在解决FBG传感器在疲劳退化过程中的早期诊断问题。其核心贡献在于深度融合了卷积神经网络（CNN）、多头注意力机制（MHA）与双向长短期记忆网络（BiLSTM），构建了一个自动特征提取与时序建模框架。该模型利用一维CNN自动提取光谱数据的局部形态特征，避免了人工特征选择的依赖；MHA则增强了模型对微弱损伤早期光谱变化的敏感性，能够自适应聚焦于光谱中因疲劳引发的细微畸变关键区域；BiLSTM有效捕捉了光谱数据随加载过程的时序演化规律，整合了全局依赖与动态信息，从而提升了对复杂损伤过程的建模能力。此端到端学习框架无需复杂物理建模，具有较高的推理效率。实验结果表明，CABiL在FBG状态分类中的准确率超过95%，各类别的F1分数均高于0.93。所提出的光谱智能监测方法为FBG传感器的健康管理提供了高可靠、实时的智能诊断方案，有助于推动结构健康监测向智能化、轻量化方向发展，具有广阔的工业应用潜力。

来源：2026年第1期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2026年第1期