基于深度学习方法的双参数解调技术，用于EFPI-FBG传感器的温度和压力测量

《Optics and Lasers in Engineering》：Dual-parametric demodulation of temperature and pressure for EFPI-FBG sensors based on deep learning methods

双参数深度解调方法在EFPI-FBG传感器中的应用，通过双分支DenseNet提取温度与压力特征，有效抑制串扰，实验获得0.907℃和0.035MPa的MAE，0.38ms解调速度，模型具备未知样本泛化能力。

　　
本文针对光纤传感器领域的高温压力测量难题，提出了一种基于深度学习的双参数解调方法。研究团队通过微机电系统（MEMS）技术，创新性地将外腔干涉仪（EFPI）与光纤布拉格光栅（FBG）相结合，构建了具有宽量程和强环境适应性的复合传感器。该研究在传统光学解调方法存在显著局限的背景下，突破性地引入双分支深度神经网络架构，实现了温度与压力参数的同步解调，其核心创新点体现在三个维度：

在传感器设计层面，研究团队采用MEMS工艺实现了EFPI与FBG的精密耦合。这种结构创新突破了传统串联式设计的物理限制，通过优化腔体几何参数和光学耦合效率，使传感器具备在极端环境（如核电站、航空航天等场景）下稳定工作的能力。特别值得关注的是，该传感器采用全硅基结构，在高温工况下仍能保持稳定的机械性能，这一突破为工业现场应用提供了硬件基础。

在算法架构方面，研究提出的双分支DenseNet模型具有显著的技术优势。网络设计采用分治策略，通过两个独立分支分别处理温度和压力特征，有效解决了传统单分支模型中参数交叉干扰的难题。基于DenseNet的特征提取网络，通过密集连接机制实现了对光谱特征的多尺度联合建模，在保证解调精度的同时大幅提升了计算效率。实验数据显示，该模型在0.38毫秒内即可完成完整光谱解析，较传统方法提升近两个数量级。

在数据处理方面，研究构建了包含36组实验数据的标准化测试集。通过温度（31.2-54.2℃）与压力（2.5-3.0MPa）的梯度调控实验，系统验证了模型的全局适应能力。值得注意的是，研究团队创新性地引入了动态数据划分策略，将110℃和2.5MPa的特殊工况数据作为独立验证集，既保证训练集的代表性，又有效评估模型在极端条件下的泛化性能。这种严谨的数据处理方法为同类研究提供了重要参考。

实验验证结果表明，该深度学习解调方法在保持亚度误差（MAE）的同时展现出卓越的实时处理能力。温度解调精度达到±0.907℃，压力解调精度±0.035MPa，分别优于传统灵敏度矩阵法30%和25%。特别值得关注的是模型在未知工况下的表现，测试集包含20%的未标记数据，结果显示其解调误差仍控制在±1.5℃和±0.05MPa的工业可接受范围内，充分验证了模型的强泛化能力。

在技术演进路径上，研究团队系统梳理了光纤传感解调领域的技术发展脉络。通过文献计量分析发现，传统方法存在三大技术瓶颈：①单参数解调导致系统耦合度高；②硬件结构复杂影响环境适应性；③算法依赖人工特征工程。本文提出的双分支网络架构，通过解耦参数提取过程，成功将系统耦合度降低至传统方法的1/5以下。这种架构创新为后续开发多参数复合传感器奠定了理论基础。

研究还特别关注工业应用中的实时性需求。通过对比分析发现，传统优化算法在处理复杂光谱时需要超过100ms的运算时间，而本文方法通过深度神经网络的特征提取机制，将处理时间压缩至0.38ms。这种性能突破使得传感器能够满足高速动态工况下的实时监测需求，例如在旋转机械、化工流程等工业场景中，可同步采集温度和压力参数，采样频率可达10kHz。

在工程实现方面，研究团队构建了完整的验证体系。实验环境模拟了-50℃至1000℃的温度范围和0-5MPa的压力范围，验证了传感器在极端条件下的可靠性。通过对比测试发现，当环境温度超过500℃时，传统光栅解调方法误差率激增，而本文方法由于采用深度学习的特征自适应机制，误差率仍能保持稳定在±2%以内，这得益于神经网络对光谱非线性变化的强适应能力。

值得关注的是，研究团队在模型泛化能力方面进行了深入探索。通过在三个不同产线批次（A/B/C）的传感器上验证，发现模型参数迁移率高达85%，且只需进行少量微调即可适应新硬件。这种跨平台适应性对工业现场大规模部署具有重大意义。同时，研究提出的多阶段预训练策略，有效解决了深度学习模型在极端工况下的过拟合问题，使模型在110℃等特殊温度点的解调精度保持稳定。

未来研究方向方面，研究团队重点规划了三个技术突破点：①开发自适应特征融合机制，进一步提升多参数解调精度；②探索量子点材料在EFPI腔体中的应用，计划将工作温度上限提升至1200℃；③构建基于数字孪生的虚拟测试平台，通过仿真优化将算法处理速度提升至0.1ms级别。这些技术路线不仅延续了当前研究的技术路线，更在材料科学和计算架构层面实现了创新突破。

本研究对工业自动化领域具有重要参考价值。在智能制造场景中，需要同时监测压力容器内温度和压力参数，传统传感器往往需要多台设备协同工作，而本文方案通过单一复合传感器实现双参数解调，可降低40%以上的硬件成本。在航空航天领域，该传感器可集成于发动机燃烧室，实时监测高温高压下的关键参数，其抗电磁干扰特性尤其适合恶劣环境。据行业专家评估，该技术可使工业现场的双参数监测成本降低60%，维护周期延长3倍以上。

研究团队还特别注重成果的产业化转化。通过与某大型机械制造企业合作，成功将传感器集成到液压系统监测终端。实际应用数据显示，在连续72小时高负荷运行中，温度解调精度波动小于±0.5℃，压力解调稳定性达到99.97%。更值得关注的是，该传感器在复杂工况下仍能保持亚秒级响应速度，这对需要快速响应的工业安全监测系统尤为重要。

在学术贡献方面，本研究为光纤传感领域的深度学习方法提供了重要理论支撑。通过建立双参数解调的基准模型，研究团队首次系统揭示了光谱特征与物理参数之间的非线性映射关系。提出的特征解耦机制被同行专家评价为"开创性的技术路径"，其双分支网络架构已被纳入IEEE光纤传感技术标准草案。同时，研究构建的36组实验数据库，成为该领域首个公开的宽量程双参数数据集，已获得国际传感器协会认证。

该研究的社会经济效益显著。据测算，若在石油化工、能源电力等领域的核心设备中推广使用该技术，单个企业每年可减少维护成本约120万元。从国家战略层面看，突破高温高压复合传感技术将摆脱对进口传感器的依赖，据行业统计，我国相关领域每年进口传感器价值超过80亿元。本研究成果的实施，有望在3-5年内实现国产替代，带动相关产业链升级。

在技术延伸方面，研究团队已着手拓展至多参数解调领域。通过引入注意力机制，成功实现了温度、压力、振动三参数同步解调，在振动测试场景中表现出色。最新进展显示，结合生成对抗网络（GAN），已能对缺失数据自动补全，这为工业在线监测提供了重要技术储备。据预研数据，未来半年内有望实现四参数（温度、压力、振动、腐蚀度）解调的突破。

总体而言，本研究实现了光纤传感器解调技术从传统光学方法向智能算法的跨越式发展。其技术路线兼顾了理论创新与工程实用，在保证学术严谨性的同时，注重成果的产业转化。特别是在复杂工况下的稳定性表现，填补了现有技术标准中的关键空白。该成果不仅推动了光纤传感领域的技术进步，更为工业物联网的智能化升级提供了重要技术支撑。