深度学习辅助稀疏采样技术在机械腕光纤扭转传感器三参数解耦中的应用研究

本文推荐一种基于锥形长周期光纤光栅(TLPFG)和原位集成包层耦合光纤布拉格光栅(CCFBG)的创新传感器，结合三参数解耦神经网络(TPDNN)，实现了机械腕扭转、温度和折射率(RI)的高精度测量（灵敏度达-464.58 nm/(rad/mm)）。该技术通过200 nm带宽的1 nm间隔稀疏采样光谱，在5.78 ms内完成多参数解耦（R2 > 0.997），为机器人腕部在空气/液体环境中的抗串扰监测提供了高效解决方案。

　　

工作原理解析

本研究提出了一种嵌入机械腕的集成光纤传感系统，其核心由TLPFG与CCFBG构成。TLPFG通过损耗峰监测扭转，CCFBG则利用共振峰补偿折射率(RI)和温度串扰。RI检测通过CCFBG包络分析实现，而温度测量则依赖其波长漂移特性，形成协同解耦机制。

高灵敏度方向性扭转检测

机械腕扭矩传感器的扭转灵敏度校准光谱显示（图5a），TLPFG共振峰在-360°至+360°范围内呈现显著波长漂移：逆传感器制作方向旋转引发蓝移，同向旋转导致红移。这种方向敏感性结合CCFBG的补偿能力，实现了^±0.5°的角度分辨率和-464.58 nm/(rad/mm)的线性灵敏度，远超传统电磁传感器。

结论

该神经网络辅助三参数解耦传感器成功整合TLPFG（温度灵敏度59.63 pm/℃、RI灵敏度-101.8 nm/RIU）与CCFBG（温度灵敏度9.62 pm/℃、RI灵敏度529.71 nm/RIU），通过TPDNN实现毫秒级高精度解耦（R² > 0.997）。该技术为机器人手术、深海操作等场景提供了抗环境干扰的实时监测方案。