采用神经网络辅助补偿提升石英膜片式光纤法布里-珀罗（Fabry–Perot, F-P）传感器高温压力测量精度的研究

《Photonics》：Neural-Network-Assisted Compensation for Enhanced High-Temperature Pressure Measurement Accuracy Using a Silica-Diaphragm Fiber-Optic Fabry–Perot Sensor

　　

摘要：高温条件下，基于石英膜片的光纤法布里-珀罗（Fabry–Perot, F-P）传感器难以实现精确压力测量，原因在于温度变化会引起光腔长度（Optical Cavity Length, OCL）基线漂移以及压力灵敏度的变化。本研究研制了一种结构简单、易于制作的石英膜片式光纤F-P压力传感器，并提出一种神经网络辅助补偿策略以抑制传统解析补偿的残差。研究人员建立了描述OCL漂移与灵敏度随温度变化的温度依赖响应模型；采用快速傅里叶变换（Fast Fourier Transform, FFT）辅助双峰及最小均方误差（Minimum Mean Square Error, MMSE）细化方法从反射光谱中解调OCL；在25–400 °C及0–2.4 MPa范围内进行静态压力标定。基于实验验证的响应特性，首先实现了同时考虑OCL漂移与灵敏度变化的拟合补偿方法；随后构建轻量级神经网络，以OCL变化量ΔOCL、环境温度T为具物理意义的输入特征。固定灵敏度补偿与漂移-灵敏度拟合补偿的最大满量程误差分别为7.10% F.S.和2.74% F.S.，而所提方法将最大误差降至0.90% F.S.，压力解算均方根误差（Root Mean Square Error, RMSE）为0.0045 MPa。在未经标定的中间温度150、250和350 °C处的附加验证进一步证实了所提神经网络补偿（Neural-Network-assisted Compensation, NNC）模型在标定温度梯度间的泛化能力，整体RMSE为0.0055 MPa，最大满量程误差低于0.77% F.S.。该方法为采用简易制作的石英膜片F-P传感器实现高精度高温压力监测提供了实用解决方案。

论文解读：采用神经网络辅助补偿提升石英膜片式光纤法布里-珀罗传感器高温压力测量精度

研究背景与意义

光纤传感器因体积小、抗电磁干扰、耐腐蚀及可远程传输等优势，广泛应用于航空航天、海洋环境及能源系统监测，其中高温压力测量对航空发动机、燃气轮机及高温流体输送系统的安全运行至关重要。光纤法布里-珀罗（Fabry–Perot, F-P）压力传感器按感应机制分为开腔式和膜片式，膜片式F-P压力传感器通过膜片受压偏转引起腔长变化来测量压力，感应腔与被测气体隔离，不受气体折射率变化影响。然而在高温环境下，石英膜片式F-P传感器除受零压光腔长度（Optical Cavity Length, OCL）热漂移影响外，熔石英Young's模量随温度变化还会导致压力灵敏度发生温度依赖性改变。若仅校正OCL基线漂移而沿用室温标定灵敏度，会引入系统性标度误差，尤其在高温高压下更为显著。现有研究多关注OCL漂移校正或采用光纤布拉格光栅（Fiber Bragg Grating, FBG）辅助测温补偿，但对石英膜片F-P传感器同时处理OCL漂移与温度相关压力灵敏度变化及解析拟合残差的研究尚不充分；数据驱动方法虽可用于非线性响应描述，但在膜片式F-P传感器高温OCL漂移、灵敏度变化及解析补偿残差修正方面的应用仍有待探索。因此，研究人员针对结构简单、易制作的石英膜片式F-P传感器，结合解析建模与神经网络辅助补偿以提高25–400 °C范围内的压力解算精度。该论文发表于《Photonics》。

主要关键技术方法

研究人员制作了单模光纤（Single-Mode Fiber, SMF）—空心光纤（Hollow-Core Fiber, HCF）—SMF复合结构并在末端抛光形成约4 μm厚熔石英压力敏感膜片；采用FFT辅助双峰估计结合MMSE细化方法从1500–1570 nm反射光谱中解调OCL；在25、100、200、300、400 °C及0–2.4 MPa（步长0.15 MPa）下进行静态标定，每温度-压力点重复采谱20次；建立二次拟合描述零压OCL温度漂移、线性拟合描述压力灵敏度随温度变化，实现漂移-灵敏度拟合补偿（Drift-and-Sensitivity Fitting Compensation, DSFC）；在此基础上构建以OCL变化量ΔOCL（相对同温零压OCL）和环境温度T为输入的双层感知机（Multilayer Perceptron, MLP）神经网络，利用Optuna进行超参数优化，数据集按6:2:2划分为训练集、验证集和测试集，并与固定室温灵敏度补偿（Fixed-Sensitivity Compensation, FSC）及DSFC进行性能对比，另在150、250、350 °C独立中间温度点验证泛化性。

研究结果

3.1 实验装置与静态OCL响应特性

研究人员搭建含光学解调模块（超连续光源、光环形器、光学频谱分析仪AQ6370D）、温控模块（高温炉、K型热电偶）及气压加载模块（氮气、ConST860压力控制器）的高温压力测试系统。结果表明：各温度下OCL随压力近似线性下降（R²≥0.99973）；零压OCL随温度升高至400 °C漂移约24.9 nm，可用二次函数拟合（R²=0.9943）；压力灵敏度幅值|S|由25 °C时约85.0 nm/MPa降至400 °C时约80.9 nm/MPa，呈线性下降趋势（R²=0.998957），证实需同时考虑OCL基线漂移与灵敏度温度依赖性。400 °C、2.4 MPa下连续2小时监测显示OCL峰峰值波动约2.9 nm，2小时趋势漂移约0.52 nm，对应压力漂移约0.0064 MPa（0.27% F.S.），传感器短期稳定性良好。

3.2 超参数优化与模型训练表现

采用Optuna对MLP隐藏层数、神经元数、激活函数、丢失率（Dropout）、批大小、学习率、优化器及损失函数进行600次搜索，最优结构为1个隐藏层含512神经元。验证集最低RMSE为0.004037 MPa（第258次试验）。训练与验证均方误差（Mean Square Error, MSE）损失曲线迅速下降后收敛且无明显发散，表明模型稳定收敛、无过拟合。

3.3 不同补偿方法的压力解算性能比较

三种策略在同批独立测试样本上对比：FSC（仅校正OCL漂移，用25 °C灵敏度）最大满量程误差7.10% F.S.；DSFC（二次拟合OCL漂移+线性拟合灵敏度变化）最大满量程误差2.74% F.S.，仍存在残余负误差源于拟合残差及膜片残余应力等非理想因素；神经网络辅助补偿（Neural-Network-assisted Compensation, NNC）以ΔOCL和T为输入，最大满量程误差降至0.90% F.S.，压力解算RMSE为0.0045 MPa，解算压力曲线与参考值近乎重合，误差无随温度或压力系统性增大趋势。在独立中间温度150、250、350 °C验证中，NNC整体RMSE为0.0055 MPa，最大满量程误差低于0.77% F.S.，证明模型在标定温度梯度间具备良好泛化能力。

讨论与结论翻译

讨论指出，仅补偿OCL漂移最大误差达7.10% F.S.，引入灵敏度温度拟合可将误差降至2.74% F.S.，而以ΔOCL和T为具物理意义输入的NNC进一步将最大误差压至0.90% F.S.，RMSE为0.0045 MPa，表明神经网络可有效补偿解析拟合未能充分表征的残余非线性响应偏差。与已有硅基F-P高温压力传感器相比，本文通过针对性同时考虑零压OCL基线漂移、温度依赖压力灵敏度变化及解析拟合残差的数据驱动补偿，在结构简单传感器上实现了较高精度。需注意补偿精度受传感器结构稳定性、OCL解调重复性、标定数据覆盖度及长期热循环后膜片力学响应变化影响，严苛高温长期暴露后需重新标定并更新模型。

结论翻译：本研究研制了结构简单、易制作的石英膜片式光纤F-P压力传感器用于高温压力测量，提出神经网络辅助补偿方法以提高压力解算精度。理论与25–400 °C、0–2.4 MPa静态实验表明传感器响应受温度引起的OCL基线漂移和温度依赖的压力灵敏度变化共同影响，仅校正OCL漂移不足以实现高温精确测量。采用FFT辅助双峰及MMSE细化方法准确解调OCL，对比三种补偿策略：固定25 °C灵敏度补偿、漂移-灵敏度拟合补偿及神经网络辅助补偿的最大满量程误差分别为7.10% F.S.、2.74% F.S.和0.90% F.S.。所提神经网络辅助补偿以OCL变化量ΔOCL与环境温度T为具物理意义输入特征，压力解算RMSE达0.0045 MPa。在独立中间温度150、250和350 °C的附加验证表明所提NNC模型在标定温度梯度间保有良好泛化能力，整体RMSE为0.0055 MPa，最大满量程误差低于0.77% F.S.。结果表明基于物理特征的神经网络补偿可在保留简易石英膜片传感结构的同时有效校正残余非线性响应偏差，所提传感器及补偿方法有望应用于高温工程环境中的压力监测。