仪器仪表学报

作者：夏嘉斌，祝连庆，于明鑫，邓超凡

单位：夏嘉斌,合肥工业大学仪器科学与光电工程学院合肥230009,,祝连庆,1.合肥工业大学仪器科学与光电工程学院合肥230009； 2.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京100192,zhulianqing@sina.com,于明鑫,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京100192,,邓超凡,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京100192,

关键词：光纤光栅;信噪比;深度学习;降噪算法

基金：北京学者计划研究项目（BJXZ2021-012-00046）资助

近年来，光纤布拉格光栅（FBG）传感器凭借结构紧凑、抗电磁干扰、可准分布式集成等优势，在航空航天结构健康监测（SHM）中广泛应用，但长期处于恶劣环境中易受温度、振动等因素影响，出现光谱噪声、基线漂移等问题，导致信噪比（SNR）降低，严重影响解调精度。传统去噪算法如Savitzky-Golay滤波器、小波变换等，在低信噪比场景下依赖人工参数设定，适配性差，难以满足高精度监测需求。提出了一种新颖的DSC-U-Net深度神经网络模型，该模型融合U-Net架构的特征提取能力与深度可分卷积（Depthwiseeparableconvolution,DSC）的轻量化优势，能有效去除噪声和基线失真。基于耦合模理论与传输矩阵法，仿真生成涵盖-20~20dB信噪比的90000条光谱样本，用于模型训练与测试，后续对模型训练所需数据量和模型训练结果进行讨论。模型测试显示，全部数据集训练的模型可将0dB光谱信噪比提升至13.266dB，与纯净光谱相似度达0.892，均方根误差（RMSE）仅0.05，性能远超arPLS结合窗函数等传统算法。搭建-55℃~150℃恶劣环境实验系统进行实验数据采集，使用仿真数据训练的模型进行验证，DSC-U-Net与MLP组合的解调算法使解调误差从0.297pm降至0.023pm，精度提升92.26%，通过仿真数据进行模型训练可大幅降低训练成本。DSC-U-Net深度神经网络模型无需人工干预，兼具高精度与高效计算特性，解决了低信噪比下FBG信号解调难题，为航空航天恶劣环境下的长期稳定监测提供可靠方案。

来源：2025年第12期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第12期