基于EFPI振动传感器的齿轮故障实时检测与分类技术研究

针对光学干涉测量中相位导数提取受噪声和非均匀强度变化干扰的难题，研究人员提出了一种深度学习辅助的信号子空间方法。该方法通过结合深度学习与信号处理技术，实现了在极端噪声和异常干涉条纹条件下高精度相位导数提取，为数字全息干涉测量等精密计量领域提供了创新解决方案。

　　

在精密变形测量领域，光学干涉技术因其非接触、全场测量和高分辨率等优势，成为不可或缺的工具。然而，干涉条纹信号中的相位导数信息——包含位移导数、应变等关键物理量——常因严重噪声和非均匀强度波动而难以准确提取。这一瓶颈问题长期制约着数字散斑干涉、剪切散斑干涉、衍射相位显微术和数字全息干涉测量等技术在实际应用中的可靠性。

为突破这一限制，来自印度科学与工业研究委员会（CSIR）的Viren S Ram和Rajshekhar Gannavarpu团队创新性地将深度学习与传统信号子空间方法相结合，开发出具有强抗噪能力和异常干涉条纹容忍度的相位导数提取新方法。这项发表在《Optics》的研究，通过30,000组模拟干涉条纹数据的训练验证，以及数字全息干涉实验的实证，为光学计量领域提供了突破性的解决方案。

研究采用三项核心技术：首先构建基于Zernike多项式的干涉条纹仿真系统生成训练数据；其次设计深度神经网络实现噪声与有效信号的子空间分离；最后通过离散Fresnel变换处理实验全息图验证方法实用性。

【理论】部分阐明，该方法直接通过复振幅信号的相位差计算导数，避免了传统数值微分或专用滤波操作。数学推导证明，信号子空间投影能有效分离噪声分量与真实相位信息。

【模拟结果】显示，在信噪比低至-10dB的极端条件下，该方法仍保持0.12rad的相位导数均方根误差（RMSE），显著优于窗口傅里叶变换（WFT）和Wigner-Ville变换等传统方法。结构相似性指数（SSIM）达到0.91，证实其优异的条纹特征保持能力。

【实验结果】通过532nm激光数字全息系统验证，成功检测到微米级变形引起的相位变化。实验装置包含光束扩展器（BE1）、分束器（BS）等组件，重建的相位导数图清晰呈现被测物体应变分布。

【讨论】指出该方法的局限性在于需要预训练模型，且对剧烈相位跳变敏感。但相比Kalman滤波等方法，其计算效率提升约40%，特别适合实时监测场景。

结论部分强调，这项研究开创了深度学习在非破坏性变形计量中的新范式。所获Anusandhan国家研究基金会（CRG/2023/001097）和印度科技部（DST/FFT/NQM/QSM/2024/3）资助的成果，不仅适用于齿轮故障检测，还可拓展至生物组织力学特性测量等领域，为工业检测和生物医学研究提供通用性技术平台。