《Optics & Laser Technology》:A hybrid CNN-DSCNN method for correcting circuit signal errors in FBG demodulators
编辑推荐:
针对光纤布拉格光栅(FBG)解调系统中信号处理电路多误差源耦合问题,提出CNN-DSCNN复合误差校正网络。该网络通过多层卷积和深度可分离卷积,有效抑制噪声并补偿非线性失真,实验表明其校正精度高于DSCNN,计算量减少至22.57 MFLOPs,参数量压缩至11.329 KParams,实现高效实时部署。
郭傲峰|朱云红|张旭|李月欣|耿旭|徐航|董明丽|娄晓萍|朱连清
教育部光电子测量技术与仪器重点实验室,北京信息科技大学,北京100192,中国
摘要
在光纤布拉格光栅(FBG)传感系统中,准确快速的解调对于确保系统性能至关重要。然而,FBG解调器的信号处理电路包含多个误差源,这些误差源表现出复杂的耦合效应。这些耦合效应容易导致光谱波形失真,从而降低解调的准确性和稳定性。为了解决这些问题,本文提出了一种基于CNN-DSCNN的误差校正网络,该网络通过对信号处理电路中主要误差源的建模和特性分析来实现。网络首先应用两个卷积神经网络(CNN)层对输入光谱序列的局部特征进行处理,以抑制随机噪声。随后引入了一个三层深度可分离卷积神经网络(DSCNN)。DSCNN利用其轻量级和多尺度建模能力来捕捉光谱失真的特征,从而实现对误差源复杂耦合效应的联合补偿。为了验证所提出方法的有效性,进行了误差仿真和校正实验,比较了LSTM、CNN、CNN-LSTM、DSCNN以及所提出的CNN-DSCNN模型的校正性能。实验结果表明,与DSCNN相比,CNN-DSCNN模型具有更高的校正精度,计算成本降低到22.571 MFLOPs,参数大小压缩到11.329 KParams。所提出的方法为当前的基于硬件的校准技术提供了一种成本效益高且易于部署的替代方案。
引言
作为一种高灵敏度、高分辨率的光学传感器,光纤布拉格光栅(FBG)在结构健康监测、航空航天、石油勘探和环境监测等领域得到了广泛应用[1]、[2]。为了准确捕捉FBG反射波长的微小变化,FBG解调器必须具备高精度的信号处理能力[3]、[4]。
大多数传统研究将误差源分为两个独立的模块,即模拟电路和模数转换器(ADC),并分别进行优化或校准。Arun T. Vemuri等人通过拟合前端放大器和输出阶段(如数模转换器(DAC)或缓冲器的传输特性,构建了查找表和多项式函数进行补偿[5]。Ding Yubo等人采用最小二乘法对整个 conditioning 通道进行静态建模,并对ADC增益误差进行了增益段校正[6]。此外,在光功率测量和电流检测等相关光电子系统中,当信号动态范围不足且出现非线性响应时,使用外部功率计或标准源来建立校准曲线以提高精度[7]、[8]。对于非线性误差和实时处理需求,现场可编程门阵列(FPGA)或指数分量-多项式分量(EC-PC)处理器被用来在采样后进行数据级非线性查找表补偿,从而提高系统输出的稳定性和精度[9]、[10]。总之,基于硬件的校准方法通常依赖于额外的电路资源,这导致成本高昂、系统复杂性增加以及对硬件架构的依赖性强。相比之下,基于软件的数据驱动方法具有良好的适应性和可扩展性,但它们通常依赖于涉及建模、拟合和查找表补偿的多步骤过程。这些过程较为繁琐,在处理非线性误差和动态响应时,仍然需要在精度和实时性能之间进行权衡。
近年来,深度学习方法已广泛应用于电路误差补偿和光纤传感领域。在ADC数字校准方法中,研究人员采用了神经网络(NN)[11]、[12]、卷积神经网络(CNN)[13]、循环神经网络(RNN)[14]及其改进架构(如LSTM)来校正ADC的非线性失真[15]。Hao Jiang等人提出了一个基于LSTM的波长检测模型,该模型能够在多传感器光谱重叠条件下从FBG反射光谱中提取关键特征并准确估计布拉格波长[16]。由于LSTM在建模长期时间依赖性方面的优势,它已被广泛用于光纤传感中的时间特征学习[17]、[18]、[19]。为了同时捕获时间和空间特征,一些研究进一步引入了混合CNN-LSTM架构,例如用于FBG振动解调[20]和用FBG传感器收集数据[1]。CNN擅长空间特征提取,而LSTM适用于时间建模;它们的结合能够更全面地表示复杂的传感信号。混合深度学习方法整合了两种架构的优势,实现了更有效的特征提取和复杂关系建模。然而,这样的模型通常涉及更大的结构复杂性和显著更大的参数规模。
最近,深度可分离卷积神经网络(DSCNN)被引入以平衡特征提取能力和计算效率。与传统的卷积神经网络相比,DSCNN将卷积操作分解为深度卷积和点卷积,大大降低了计算复杂性和参数数量。这使它们特别适合资源受限或实时应用。例如,Fan Peng等人提出了一种基于DSCNN的气动识别模型,该模型能够在多用户条件下捕获惯性传感器数据的时间特征和跨维度相关性,同时保持高精度和实时性能[21]。然而,与CNN相比,DSCNN在提高效率的同时牺牲了一定程度的精度。为了在降低计算成本的同时确保识别精度,混合深度学习模型变得必要。为了应对可穿戴设备中深度模型的计算复杂性和高延迟挑战,Md. Al Mehedi Hasan等人设计了一种轻量级的DSCNN,该模型将浅层卷积层与改进的残差块结合[22]。对于电子鼻系统,Zhuofeng Mo等人提出在气味识别中应用DSCNN[23]。对于无线体域网络中的医疗监测数据,D. Karunkuzhali等人将残差组注意力机制(RGA)引入DSCNN框架,并结合优化算法进行关键参数调整,形成了RGA-DSCNN模型[24]。结合DSCNN的混合模型有效地减少了参数大小和计算复杂性,同时提高了硬件实现效率,使其非常适合资源有限的嵌入式实时应用。
然而,在FBG解调系统中,高计算负担仍可能延长响应时间并影响动态实时测量性能。因此,设计轻量级的混合深度学习模型以平衡精度和实时性能是实现高效嵌入式应用的关键。
为了解决上述问题,本文通过物理建模分析了主要的误差来源,并根据其特性提出了一种基于CNN-DSCNN网络的全面误差校准方法。针对主要的误差来源,使用双层CNN结构高效捕获输入数据中的关键多维空间特征并抑制噪声。利用DSCNN模块的高效特性进一步细化特征提取,并专注于抑制光谱关键峰值区域的非线性误差。这种结构不仅确保了复合误差的建模精度,还表现出良好的跨样本泛化能力和噪声鲁棒性。此外,所提出的方法计算延迟低,能够实现快速响应,同时保证校正精度,满足FBG解调系统对实时和动态补偿的实际需求。
部分摘录
FBG解调器信号处理电路的误差分析和建模
在这项工作中,采用了一种基于可调激光扫描的FBG波长解调系统。系统原理如图1所示。它由光纤布拉格光栅解调器组成,包括一个可调激光二极管、五个高精度恒流源、一个DAC、一个FPGA、一个激光驱动电路、一个ADC、一个模拟放大电路、一个光电二极管(PD)和一个光纤耦合器,以及由光纤布拉格光栅传感器组成的光路系统[25]、[26]。
在FBG
误差校正框架
本研究提出了一种误差校正模型CNN-DSCNN(图7),该模型结合了CNN和DSCNN架构的优点,以抑制噪声并有效减轻非线性光谱误差。该模型以原始FBG光谱数据作为输入。由于CNN具有更好的噪声抑制能力,首先使用双层CNN结构来抑制噪声,同时有效提取输入的多维空间关键特征。然后将输出输入到
仿真数据收集
为了研究模拟电路中的典型误差特性,本研究基于理想的模拟电路模型,并依次叠加主要误差因素,包括放大器非线性增益、偏置电压、电阻器容差误差和各种噪声源。结合封装的ADC模型,这种方法用于生成多峰FBG光谱仿真信号。
在Simulink仿真环境中,选择AD9249芯片作为ADC建模参考
结论
为了解决FBG解调器信号处理电路中的误差耦合问题,本研究提出了一种结合CNN和DSCNN的误差校正框架,该框架基于主要误差源的机制建模和特性分析。前端使用双层CNN对光谱序列的局部结构进行建模,抑制随机噪声,同时增强有效特征的表示。后端引入三层DSCNN,利用其参数
CRediT作者贡献声明
郭傲峰:撰写——原始草案,软件开发,形式分析,数据管理。朱云红:方法论,研究,资金获取,概念化。张旭:资源获取。李月欣:资源获取。耿旭:资源获取。徐航:资源获取。董明丽:监督。娄晓萍:项目管理。朱连清:资源获取,资金获取。
利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了北京市自然科学基金研究项目(编号:BJXZ2021-012-00046)和北京市属高校基本科研业务费(编号:bistu71E2510904)的支持。