基于GA-BP神经网络的全硅双腔光纤压力传感器温度补偿压力解调

《Optics & Laser Technology》：Temperature-compensated pressure demodulation of an all-silicon dual-cavity fiber-optic pressure sensor using a GA-BP neural network

　　

摘要

在使用光纤法布里-珀罗（F-P）传感器测量压力时，压力与温度之间的交叉敏感性对准确感知构成了重大挑战。为解决这一问题，本文采用遗传算法-反向传播（GA-BP）神经网络，构建了一种针对全硅双腔光纤压力传感器的温度补偿压力回归模型，从而实现有效的温度补偿。为减轻计算负担并提高模型效率，首先对采集到的光谱数据进行特征提取，生成具有代表性的特征数据集。随后，将该数据集作为输入送入BP神经网络，利用BP模型的强非线性映射能力实现对压力值的准确回归预测。同时，为避免BP模型在训练过程中收敛于局部最优解，引入遗传算法（GA）对BP神经网络的参数进行优化。实验结果验证了所提方法的有效性。在20 kPa至280 kPa的压力范围内以及?20 °C至60 °C的温度范围内，最终GA-BP模型与压力控制器设定值之间的偏差范围为?0.0020 kPa至0.0016 kPa，测试集的平均绝对误差（MAE）为2.99 × 10?? kPa。此外，重复训练、鲁棒性和泛化性分析进一步表征了所提方法的稳定性和适用范围。

引言

近年来，光纤法布里-珀罗（F-P）传感器凭借其高灵敏度、优异的稳定性、强抗电磁干扰能力以及紧凑的尺寸 [7]、[8]、[9]、[10]，已广泛应用于精密测量领域 [1]、[2]、[3]、[4]、[5]、[6]。这些优势在压力感知领域尤为突出，该领域对性能要求和技术挑战均十分严苛。然而，在实际应用中，法布里-珀罗腔内的残余气体、材料热膨胀以及粘接过程中形成的界面处热应力不匹配等因素均可能导致温度漂移。这种压力-温度交叉敏感性会显著降低压力测量的准确性和稳定性。因此，开发有效的温度补偿压力回归策略对于提高测量精度并确保传感器在复杂环境条件下可靠运行至关重要。解决这一问题具有重要的科学和工程意义。

针对光纤传感器中压力-温度交叉敏感性问题，众多学者已开展了大量研究工作。2015年，Zhu等人提出了一种基于SU-8微结构和角度抛光光纤的双腔F-P传感器，实现了压力测量中的温度补偿 [11]。2023年，Yan等人利用光纤布拉格光栅（FBG）的高温度灵敏度和低压力敏感特性，实现了双参数解耦及基于模型的温度补偿 [12]。2025年，Tan等人通过双腔复合结构结合光谱分离和建模方法实现了温度补偿 [13]。与本文工作更为相关的是，Wang等人报道了一种全硅双腔光纤压力传感器，其压力-温度交叉敏感性为5.96 Pa/°C [14]。研究采用基于矩阵的解耦模型来表征两个F-P腔在压力和温度作用下的光程差变化，重点研究了传感器结构及其固有的压力-温度特性。

近年来，神经网络因其强大的非线性函数建模能力，已成功应用于传感器补偿领域。2021年，Ge等人采用遗传算法（GA）优化的神经网络，对光纤F-P石墨烯微压力传感器进行了温度补偿，有效降低了温度漂移误差 [15]。2024年，Li等人提出了一种基于反向传播（BP）神经网络和少量样本数据的温度补偿方法 [16]。通过集成黑寡妇优化算法来优化神经网络的权重和偏置，他们显著提高了补偿精度。

基于文献[14]中先前报道的双腔F-P压力传感器，本研究开发了一种基于GA-BP神经网络的温度补偿压力回归方法，以实现精确的压力解调。通过从复合干涉信号中提取特征参数，所提方法在保留压力解调所需关键信息的同时，降低了模型的计算复杂度。此外，利用GA优化BP神经网络的初始参数，有助于缓解局部最优问题，提高补偿模型的稳定性和精度。结果表明，所提特征驱动的GA-BP框架为双腔光纤压力传感器的温度补偿提供了有效的解决方案。

章节摘要

传感器工作原理

本研究使用的压力传感器结构如图1所示。该传感器由单模光纤、玻璃毛细管和全硅芯片组成。全硅芯片通过两层硅的键合制成：一层是带有内表面刻蚀有圆柱形腔体的薄单面抛光单晶硅膜，另一层是厚的双面抛光单晶硅基底。

从单模光纤发出的光进入传感芯片后，被……

实验装置

本研究使用的实验装置示意图如图5所示。传感器放置在密封压力腔内，其中使用精度为±0.02 kPa的高精度压力控制器来精确调节腔内气压。为控制环境温度，压力腔置于温控环境箱内，该环境箱提供±0.5 °C的热稳定性。因此，当设定一个压力值时……

神经网络温度补偿结果

特征数据集由700个数据样本组成，这些样本被划分为训练集、验证集和测试集，并作为模型的输入。训练结果汇总于表4。结果表明，模型在训练集和测试集上的性能较为一致，误差指标优异。这些结果表明，所提模型实现了稳定的预测性能，在所测试的压力和……

(2) 对随机测量噪声的鲁棒性

为评估光谱采集过程中引入的随机噪声的影响，向每个原始波长域光谱添加零均值高斯噪声，如下所示：$$I_2({\lambda }_i)=I({\lambda }_i)+\sigma R_I{n}_i,(n_i～N(0,1))$$其中 R_I 表示单个光谱的动态范围，$\sigma$ 表示归一化噪声强度。在本研究中，$\sigma$ 分别设置为0.001、0.003和0.005。对于每个噪声水平，生成五个独立的噪声实现。

如表9所示，模型保持了较高的预测精度……

(3) 对波长相关光谱畸变的鲁棒性

与整体光功率均匀变化不同，光纤弯曲、连接条件变化以及波长相关器件响应可能引入非均匀衰减，从而扭曲局部光谱形状。为模拟此类干扰，对每个原始光谱施加一个缓慢变化的波长相关乘性包络，如下所示：$$I_3(\lambda )=I(\lambda )\{1+\beta \sin [2\pi (\lambda -{\lambda }_{\min })/L_b+\phi ]\}$$其中 $\beta$ 表示扰动幅度，L_b 为包络变化的周期，$\phi$ 为……

(4) 对未见温度条件的泛化能力

为评估模型对训练期间未明确表示的温度条件的泛化能力，采用留一温度法。对于每个目标温度 T_k，从训练集和验证集中排除所有在 T_k 下采集的样本。随后，仅使用剩余温度条件下的样本进行模型训练和验证，而被排除的样本仅作为独立的测试集。该过程对每个温度……

结论

本研究提出了一种基于GA-BP神经网络的全硅双腔光纤压力传感器物理引导、特征驱动的低温补偿压力解调框架。利用从双腔干涉光谱中提取的物理意义特征构建紧凑的输入表示，并通过GA优化提高BP网络的压力回归性能。

在20–280 kPa的压力范围内以及……

作者贡献声明

Xue Wang：撰写—审阅与编辑，方法论，资金获取，数据整理。Xiaonuo Gao：撰写—初稿。Zhengrong Tong：指导。Weihua Zhang：指导。Lei Jing：指导。Zhenyu Wang：资源，项目管理。

利益冲突声明

作者声明，不存在可能影响本文所述工作的已知竞争财务利益或个人关系。

致谢

本工作部分得到了国家自然科学基金（62205245）的资助。

Xue Wang|Xiaonuo Gao|Zhengrong Tong|Weihua Zhang|Lei Jing|Zhenyu Wang