高精度光纤光栅波长解调方法研究综述

姚国珍，尹伊萌，李永倩，范寒柏

(华北电力大学 a.电子与通信工程系; b.河北省电力物联网技术重点实验室;c.保定市光纤传感与光通信技术重点实验室，河北 保定 071003)

0 引 言

光纤布拉格光栅(Fiber Bragg Grating, FBG)传感器具有抗电磁干扰、尺寸小、便于复用和灵敏度高等优点，可以直接或间接对应变、温度、位移和振动等物理量进行检测[1]，在光纤传感、土木工程、航空航天、复合材料和医疗器械等领域有着广泛的应用[2-5]。光纤光栅传感器通过其波长变化反映被测量变化，因此，对光纤光栅的波长变化进行高精度解调非常重要。由于器件的非线性温漂[6]、噪声干扰[7]、谱形重叠[8]和畸变[9]等不理想因素的影响，传统的光纤光栅解调技术存在精度低、速度慢和稳定性差等缺点。因此，改善上述问题的高精度解调方法已成为近几年的研究热点。光纤光栅解调技术在光纤传感技术中的应用十分重要，到目前为止，相关学者提出了很多提高解调精度的方法，根据这些方法的特点，本文将从多方面总结对比提升波长解调精度的方法，主要分为硬件和软件两个技术路线来深入讨论。

1 光通信中光纤光栅波长解调技术的 应用

1.1 光通信技术在物联网中的应用

光通信是以光波为载波的通信方式，具有高度的创造性、渗透性和带动性[10]。光通信技术中主要包含光纤和无线通信技术两大类。光纤通信技术是以光波作为信息载体，以光纤作为传输媒介的一种通信方式。当今，光纤以其传输频带宽、抗干扰性好和信号衰减小，而远优于电缆和微波通信的传输，已成为世界通信中的主要传输方式。

物联网是指通过信息传感设备，按约定的协议，将任何物体与网络相连接，物体通过信息传播媒介进行信息交换和通信，以实现智能化识别、定位、跟踪和监管等功能。将光纤嵌入到各种网络设备与工程中，能够使光缆连接构成光纤传感网络。在此基础上应用光通信技术，能够实现物联网感知层与网络层的合二为一，在复杂环境中实现大容量数据的点对点传输，同时能够实现远距离网对网传输，为物联网数据应用奠定了扎实基础。在广域光纤网络得以建设的基础上，能够加强物联网与移动通信网和无线网的融合发展，实现工业、农业、军事和医疗等传统领域以及智能基础设施领域的巨大应用价值，例如光纤通信系统、光通信定位系统以及智能基础设施中使用的各种传感器，用于测量应变、温度、加速度、振动、速度和湿度等[11]。因此，光通信技术是发展物联网的前提和基础，也是物联网发展的大势所趋。

1.2 光纤传感技术在物联网感知层中的应用

物联网应用中有3个关键部分，分别是感知层、网络层和应用层。感知层的位置在物联网结构的最底层，同时也是物联网中最为重要的基础组成部分，对整个物联网系统的好坏起着决定性作用[12]。物联网中感知层主要应用的是光通信技术中的光纤传感技术，主要功能是感知和采集相关信息数据，被广泛应用于工业控制、家居生活、工程建筑和智能制造等领域[13]。光纤传感器能感知周围环境的实时变化，所以在与环境监测有关的物联网中，信号解调技术是实现光纤光栅传感网络的关键。

传感系统的网络化和阵列化是光纤传感技术的重要发展方向，通过对光纤传感器和常规通信光缆的熔接，形成传输和传感两种功能实时在线特征和优势，同时光纤具有宽带特性，可将各种传感器复用于一根光纤，同时进行多目标测量。可见，光纤传感技术在物联网感知层的应用具有独特的优势。

1.3 光纤光栅解调技术在光纤传感技术中的应用

光纤光栅传感网络的结构形式主要取决于适于传感器调制和定位的方法，因此光纤光栅传感网络的核心部分是光纤光栅的调制解调系统。光纤光栅传感系统解调的本质是对传感光栅反射谱进行实时监测,分析出编码波长。因此，信号解调技术是实现光纤光栅传感网络的关键。从现有FBG波长解调方法的应用情况来看,光纤光栅传感系统信号解调主要面临以下几个技术问题[14-16]：

(1) 要求解调装置有较好的信噪比和极高的波长分辨率；

(2) 进一步提高系统解调精度、速度和解调范围；

(3) 更大容量分布式传感网络解调；

(4) 静态与动态信号的检测,尤其是二者的结合检测；

(5) 有效降低解调系统成本，实现产品化。

在传感器投入使用前对传感器待测物理量和FBG中心波长的标定也是不可忽视的一环。2020年，于春荣等[17]在基于光纤传感的物联网节点定位技术中，采用边界盒定位方法优化人工蜂群算法，提高了未知节点的定位精度和收敛速度；文献[18]和[19]的作者分别提出了基于反向传播(Back Propagation，BP)网络和径向基神经网络的FBG传感器温度标定方法。研究表明，神经网络比多项式拟合算法具有更高的校准精度，验证了神经网络在复杂标定关系下的可行性。但在实际工程中，光纤光栅传感器的波长-温度响应曲线随时间变化，这种变化主要是由法布里-珀罗(Fabry-Perot， F-P)标准具的温度漂移特性、FBG的预拉伸幅度以及FBG与包装材料之间的密封性能引起的。如果采用静态校准方法，测量误差会大大增加。因此，华北电力大学光纤传感与光通信技术重点实验室在2020年提出了一种基于在线顺序极限学习机的动态标定方法[20]，该方法具有学习速度快、适应性强和泛化性好等优点。此外，在线顺序极限学习机在某些领域也被证明可以用于在线预测任务。据我们所知，这是近十年来首次提出FBG动态校准稳定性预测长期改善的研究，其为光纤光栅测温传感器提供了一种新的认识。

2 提高精度的硬件方法

近年来，光纤光栅硬件解调方法一直是中外学者研究的重点之一。目前，已提出了多种波长解调方法，如表1所示[14-16]，其中基于可调谐F-P滤波器解调法的可靠性和精度比较高，已在各个领域得到了广泛的应用[21]。

表1 常用硬件解调方法性能对照表

由于F-P滤波器中的压电陶瓷(Piezoelectric Ceramic Transducer， PZT)具有非线性和迟滞性[22]，导致其电压与透射波长的线性特性较差，并且PZT的温漂还会导致同一驱动电压对应不同的透射波长。针对上述问题，通常采用的解决方法是利用F-P标准具进行波长校准[23]，但F-P标准具的腔长易受温度影响，当温度变化时，其透射峰会发生漂移，从而影响解调的准确性和稳定性。针对上述问题，一些学者提出了基于F-P标准具的复合参考法，保证在较宽的温度范围内FBG解调系统的解调性能，对温度变化范围较大的高精度解调具有重要研究意义。本节将介绍目前已提出的基于F-P标准具的复合参考法。

2.1 F-P标准具与参考光栅相结合的解调方法

在F-P标准具与参考光栅相结合的解调方法中，通过温度补偿参考光栅对标准具进行校准，再通过标准具获得传感光栅的波长，以达到提高解调精度和温度稳定性的目的。2016年，汪金辉等[24]提出了多光栅标定F-P标准具的方法，其解调系统框图如图1所示。该系统使用了一个包含3个标准光栅的参考通道以提高F-P标准具干涉峰校准的准确性，减小了温度等因素导致的F-P标准具和F-P滤波器的波长漂移，得到准确度较高的标准具波长，从而提高了FBG波长解调的准确度。作者利用恒温箱产生不同的温度环境，测试了解调系统的温度稳定性，获得了最大1.8 pm的误差。

图1 光纤光栅解调系统框图

但该方法中的参考光栅未做封装处理，在外界环境的改变下其易受温度和应力等的影响，不利于高精度的解调。2018年，王阳阳等[25]提出了将F-P标准具与温补参考光栅相结合的波长解调方法，解调系统如图2所示。使用的温补参考光栅较普通参考光栅提高了系统的温度稳定性，并加入了中值滤波、滑动平均滤波和基于强度阈值的频谱相关算法，对光谱数据进行预处理，减小了光谱数据中的噪声，降低了寻峰算法的复杂度，最终解调出的传感光栅波长的稳定性达到0.4 pm。

图2 光纤光栅解调系统

上述解调方法的基本研究思路均认为标准具透射峰间的波长呈线性变化，但均未解决F-P滤波器的非理想特性导致的光谱横向畸变问题。用参考光栅校准标准具的参考点较少，只能保证参考点附近的寻峰精度，温补参考光栅的温度稳定性仍不高。

2.2 F-P标准具和迈克尔逊光纤干涉仪参考解调 方法

迈克尔逊(Michelson)光纤干涉仪是基于传统的迈克尔逊干涉原理制成的,其干涉条纹比F-P标准具更为精细，可作为更加精确的标尺使用，还可校正由PZT引起的F-P滤波器波长扫描的非线性。解调FBG传感器的波长时，利用迈克尔逊光纤干涉仪的干涉条纹对F-P标准具的透射谱进行细化，从而使作为标尺的透射谱更加精细。

2020年，Zhang X Z等[26]首次提出了一种基于F-P标准具和长光程差迈克尔逊光纤干涉仪的解调方法，其系统框图如图3所示。

图3 基于长光程差迈克尔逊光纤干涉仪的FBG传感解调系统示意图

图中，迈克尔逊光纤干涉仪由1个隔离器、1个2×2耦合器和两个长度不同的FRM组成。该方法首先通过调整驱动电压校正PZT引起的F-P滤波器中波长扫描的非线性；其次，根据光程差和温度变化间的关系补偿干涉仪的温漂。实验表明，将标准具和气室的温度从20增加到60 °C，FBG温度保持在25 °C时，只采用F-P标准具时的波长解调误差为±20.39 pm，标准偏差为7.08 pm；采用F-P标准具和迈克尔逊光纤干涉仪后，解调误差为±6.89 pm，标准偏差为3.11 pm，标准偏差降低了43.92%。显然，与单独使用F-P标准具的解调方法相比，增加迈克尔逊光纤干涉仪后可有效抑制解调波长的波动，提高变温环境下的波长解调精度。

该方法的波长分辨率较高，但仅适用于相对量的测量，例如进行动态应变的测量。同时，该方法在测量中易受周围环境干扰因素的影响，从而影响测量精度，所以在实际应用时，需要在消除随机干扰方面采取措施，才可获得高精度的测量。

2.3 F-P标准具和乙炔(C2H2)气室复合波长参考 解调方法

气室参考法最明显的优势是吸收谱线具有良好的温度稳定性，且不受外界压强变化的影响。C2H2气室在1 510～1 540 nm波段内有50多条吸收谱线，在光纤光栅传感系统中常用于波长校准。由于气室的吸收谱线分布的波长范围比较窄，所以采用气室参考法直接进行FBG波长解调时参考的波段较为狭小。为增加波长参考范围，可同时采用F-P标准具和C2H2气室实现复合波长参考解调。

2015年，江俊峰等[27]利用F-P标准具和C2H2气室复合波长参考解调方法设计了一种温度稳定的光纤光栅传感解调系统，并给出了F-P标准具不同干涉级次的波长改变量补偿方法，同时从原理上对气室吸收谱的温度特性进行了说明，其系统框图如图4所示。实验结果表明，在0～55 ℃的温度变化范围内，基于F-P标准具单独参考的波长值变化范围为±32.7 pm，标准差为20.70 pm，基于复合波长参考的波长值变化范围为±1.2 pm，标准差为0.39 pm，波长的温度稳定性提高了27倍。

图4 基于复合波长参考的温度稳定FBG传感解调系统

2018年，江俊峰等[28]再次对F-P标准具和氰化氢(HCN)气室多峰复合参考相结合的FBG解调方法进行了研究，优化了FBG波长解调算法，实验结果表明，在20～60 ℃变温环境下，与F-P标准具和HCN气室单峰校正相比，复合多波长参考FBG解调误差从±56.8 pm降到了±11.7 pm，标准差从24.0 pm降到了4.6 pm，有效提高了变温环境下FBG的解调稳定性。

由于气室的透射谱温度稳定性高，所以该方法适用于环境温度变化较大的场合。但气室的透射谱波长范围较小，对超出其波长范围的光纤光栅进行波长解调时，解调精度难以保证；气室透射谱的幅度和带宽比光纤光栅小，所以对寻峰算法和信号采集电路的要求较高。

综上，硬件方法的核心思想都是使用了更加精细和更高温度稳定性的“标尺”来提高解调精度。由于不同“标尺”具有不同的特性，决定了不同方法有各自的优点和缺点，如表2所示。

表2 不同方法优缺点对比

F-P标准具和C2H2气室复合波长参考解调方法解调精度较高，具有非常好的温度稳定性。缺点是校准的波长范围较小，难以满足实际工作中大范围的测量；F-P标准具和迈克尔逊光纤干涉仪参考解调方法精度稍差，但校准的波长范围较大，峰值的提取较容易；F-P标准具和参考光栅相结合的FBG解调方法，参考点相对较少，对可调谐F-P标准具的标定还不够精确。

3 提高精度的软件方法

提高光纤光栅波长解调精度的方法中不仅包括硬件方法，还包括软件方法。软件方法主要是指对光纤光栅的光谱进行处理，获得其中心波长的寻峰算法，较常见的寻峰算法如表3所示[29-33]。其中，直接法计算速度快，但精确度低；曲线拟合法具有较高的峰值检测精度，但其性能受光谱类型影响；相关法的计算速度几乎与质心一样快且非常适合动态传感；变换法对FBG频谱畸变的适用性较低。以上方法只能彼此独立地解调工作区域的反射光谱，一旦光谱重叠，就会产生串扰，这将直接影响解调结果的准确性，使得在光源带宽受限的情况下可重复使用的FBG数量减少，严重限制了大型FBG传感器网络的应用。随着智能算法的引入和发展，可以对重叠光谱的波长进行解调并提高了畸变频谱信号的峰值检测精度且成本低。但智能算法最大的缺点在于，它的解调时间过长，实时性差。由于篇幅有限，本节仅介绍基于神经网络和粒子群的FBG波长解调优化算法。

表3 常用软件解调方法

3.1 基于人工神经网络的FBG波长解调算法

人工神经网络(Artificial Neural Network， ANN)是受生物神经元启发的智能计算技术[34]，是一种模仿动物神经网络行为特征进行分布式并行信息处理的算法，网络结构主要包括前馈型、反馈型和自组织型3类，常用于解决分类和回归等问题。ANN与常用的高斯拟合和一般多项式拟合相似，可以看作是高维空间中的拟合问题。基于神经网络的泛化能力和所需训练区域小的特点，可以方便地对神经网络进行训练。

ANN早已用于FBG的优化解调。1999年，Tsao等[35]使用两个FBG和模块化ANN实现了0.005 ℃的高分辨率温度传感；2008年，Zhang J等[36]研究了基于波分复用技术的BP神经网络在FBG传感系统非线性补偿中的应用，提高了系统的线性程度和测量精度。此后，围绕解调精度和速度的提升，许多学者进行了相关研究；2011年，Negri L等[37]采用级联神经网络的方法进行峰值检测，该方法具有较好的精度，减少了系统误差，提高了计算性能；在此基础上，2017年，Juca M A等[38]提出了一种使用光学滤波器和ANN获取FBG所测温度的方法，该方法无需直接测量波长偏移即可给出精确的温度值；2020年，Li D等[39]利用多层感知器(Multi-Layer Perceptron， MLP)神经网络实现了FBG反射谱的快速解调。

随着对神经网络的深入研究，研究方向不单单局限于提升FBG的解调性能，更注重从实际应用出发解决温度和应变等传感问题。2012年，Hamdalla T A等[40]利用ANN对FBG温度传感器进行建模，更好地拟合了FBG中心波长与温度之间的复杂关系；2019年，Ren N K等[34]采用级联神经网络优化匹配滤波法，提高了FBG传感器在结构健康监测中的性能。与此同时，神经网络算法在解决光谱重叠提高复用能力方面也有较大突破。2019年，Jiang H等[41]提出基于长短期记忆 (Long-Short Term Memory, LSTM) ANN的FBG波长检测方法，不仅在光谱重叠情况下实现了高精度和快速的波长检测,而且得到的LSTM模型可以重复使用，提高了复用能力，该方法为解决基于神经网络算法的FBG频谱重叠问题提供了指导。

神经网络算法学习能力强，对噪声有较强的鲁棒性和容错能力，能解决实际应用中的交叉敏感问题和FBG传感网络复用解调问题等，可以达到高分辨率和高精度的解调。利用并行计算芯片对分布式信号进行实时处理，可以直接实现具有ANN的FBG传感器。但需对模型参数进行迭代调整，预测速度较慢，运行时间过长，还需进一步研究改进。

3.2 基于粒子群优化的FBG波长解调算法

粒子群优化(Particle Swarm Optimization，PSO)[42]算法是一种通过粒子群体中个体之间的协作与竞争来搜索多维复杂空间的算法。粒子在寻优过程中不断更新迭代速度和位置，直至达到终止条件，获得最优解。粒子群算法独立于目标函数，所需参数少，能有效地求解复杂优化问题。然而，粒子群算法在求解组合优化问题时容易陷入局部最优解。

粒子群算法常被用于解决FBG传感网络反射光谱的重叠问题。2006年，Ling J J等[43]提出了一种树搜索动态多群粒子群优化器(Tree Search Dynamic Multiswarm Particle Swarm Optimizer， TS-DMS-PSO)算法，当使用大量FBG传感器的系统中存在光谱部分或全部重叠时，该算法可精确获得FBG的波长，且具有计算速度快的特点；2018年，Qi Y F等[44]提出了一种基于PSO模拟退火算法的多路FBG传感器网络解调算法,实现了4个光栅光谱重叠的波长解调；2019年，张梅等[45]研究了粒子群算法参数设置对FBG谱形复用解调误差的影响规律，提出了合理设置参数的方法。

对于受到恒定轴向应变的FBG传感器，仅需测量FBG波长偏移即可获得应变数据。但实际上，施加到FBG传感器的轴向应变可能是非恒定的，例如线性、二次、甚至高阶或不连续。在这种情况下，FBG传感器的反射光谱会因多峰重叠或不均匀应变而导致频谱失真。因此，重建FBG的反射光谱是非常有意义的。2012年，Zou H等[46]将量子理论引入粒子群算法中，重构原始频谱，获得了施加在FBG上的应变曲线；2017年，Wang Z等[47]提出了一种利用相移光纤光栅和自适应PSO算法，同时测量轴向应变和横向力的方法，与传统粒子群算法相比具有更高的精度；同年，Wang Z F等[48]采用了一种基于改进的PSO光谱重构方法，在光谱失真的情况下也能同时测量温度和应变；2020年，鲍克勤等[49]利用多目标PSO(Multi-Objective PSO， MPSO)解调算法解调出了FBG波长的偏移量，解决了光纤传感器温度和应变的交叉敏感问题。

粒子群算法具有较高的精度、更强的光谱分辨率和鲁棒性，通过重建能够处理光纤光栅的畸变光谱，并且在FBG传感网络的解调问题中具有很大的潜力，提供了处理重叠光谱波长检测的新方法。但其模型的训练和测试阶段的参数选取还需进一步研究，以获得更高的解调精度。

4 结束语

本文首先介绍了光通信中光纤光栅波长解调技术的应用，然后综述了采用参考光纤光栅、迈克尔逊光纤干涉仪和气室分别与标准具相结合来提高解调精度的硬件方法，以及基于神经网络和基于粒子群算法提高波长解调精度的软件方法，分析了上述方法的工作原理和解调性能，并对其优缺点进行了对比分析。

硬件方法中的复合参考法还需进一步研究。例如，根据F-P滤波器的扫描驱动电压和波长的关系进行波长解调时存在不确定性，可利用气室建立采样点和波长的关系，从而避免驱动电压带来的问题；气室存在波长覆盖范围小的问题，限制了校准标准具的范围，可利用气室校正的前半段标准具的峰值来拟合外推标准具的后半段的峰值，从而扩大气室校准范围，进一步提升FBG波长解调的精度和稳定性，这也是我们课题组目前研究的方向之一。

智能算法比较复杂，计算量较大，受硬件处理能力的限制，很难在小型嵌入式系统中实现，尤其应用在实时性要求较高的场合时，处理速度难以满足要求。所以，需要对算法进行进一步地研究和优化。根据现有的硬件处理能力，对温度等变化较慢的物理量进行监测时，可使用现场可编程门阵列(Field Programmable Gate Array, FPGA)定制专用的硬件电路实现上述算法，大幅度提高计算速度，从而实现人工智能算法的工程应用。

未来的高精度波长解调方案可能更偏向于多种解调方法的组合，取长补短。例如，硬件的复合参考方法与智能算法结合，融合出新的高精度波长解调方法，在提高温度稳定性和补偿滤波器非线性问题的同时，解决噪声、非均匀干扰和频谱重叠引起的谱形畸变等问题，从而提高波长解调精度。