Full Text

Исследовательский интерес к бриллюэновской рефлектометрии временной области с точки зрения распределенного волоконного зондирования значительно вырос со времени ее открытия [1]. Распределенное волоконное зондирование позволяет получать непрерывную информацию о состоянии волоконной линии длиной до нескольких километров c использованием одного блока обработки. Это является большим преимуществом перед локальными [2] и квазираспределенными [3, 4] системами мониторинга. В основе бриллюэновской рефлектометрии лежит вынужденное рассеяние Мандельштама - Бриллюэна (ВРМБ) в оптическом волокне, которое позволяет получить информацию о температуре и деформации с высокой точностью и разрешением [5-7]. Суть метода заключается во взаимодействии импульсной волны накачки со встречной непрерывной зондирующей волной. Когда разность частот между волной накачки и зондирующей совпадает со значением сдвига бриллюэновской частоты оптического волокна, который составляет порядка 10 ГГц для кварцевых волокон, зондирующая волна испытывает усиление за счет ВРМБ. Во время внешних возмущений, таких как температура или деформация, бриллюэновский сдвиг в этой точке волокна будет смещен. Величина этого смещения несет в себе информацию о величине изменения температуры или деформации, воздействующей на оптическое волокно [8, 9]. Спектр бриллюэновского усиления рассеянного в волокне излучения может быть восстановлен путем сканирования частоты между волной накачки и зондирующей волной. Затем распределение бриллюэновского сдвига вдоль волоконной линии можно вычислить путем определения центральной частоты в спектре усиления. Традиционно в системах мониторинга на основе бриллюэновского рассеяния центральную частотную компоненту в спектре усиления определяют путем аппроксимации функцией Лоренца, модель которой задается уравнением [10]: (1) где - значение бриллюэновского сдвига, - ширина спектра усиления, - амплитуда спектра усиления. Такой метод сопряжен с некоторыми трудностями. К ним относятся высокие вычислительные затраты, а также тот факт, что точность метода определяется заданным изначально параметром точности системы, по достижении которой цель аппроксимации будет достигнута [11, 12]. Предложены также методы, не требующие задания первоначальных параметров. К ним относятся методы кросс-корреляции [12, 13], использующие идеальную функцию Лоренца, заданную по формуле (1), для вычисления функции корреляции между измеренным спектром усиления и идеальной кривой Лоренца. Тем не менее для этого все равно требуется генерация дополнительного спектра. Кроме того, метод остается чувствительным к шумам системы и величине шага частотного сканирования. Недавно авторами был предложен новый метод [14], основанный на методе кросс-корреляции, но не требующий никаких дополнительных вводимых величин. Метод, названный методом обратной корреляции, использует тот же спектр, полученный в результате измерения, однако отраженный по оси абсцисс. Авторами было проведено исследование точности данного метода [15] в сравнении с традиционными аналогами. Показано, что метод имеет преимущества при наличии весомых несовершенств в измеренном спектре, таких как шумовая составляющая, а также различные искажения в спектре, которые могут быть вызваны дефектами оцифровки. На сегодняшний день известно множество исследований по внедрению машинного обучения в бриллюэновские распределенные датчики в качестве альтернативы традиционным методам получения информации о температуре и деформации. Машинное обучение было успешно применено в таких сферах, как обработка изображений, распознавание образов, классификации и оптики. Машинное обучение зарекомендовало себя благодаря способности точно предсказывать решение, имея лишь несколько входных данных, которые было бы слишком сложно организовать в простую логическую цепочку. Модель строится и обучается, используя известный набор данных, как входных, так и выходных. В области бриллюэновской рефлектометрии исследуются такие направления машинного обучения, как искусственные нейронные сети [16], глубинные нейронные сети [17], а также метод опорных векторов [18]. Однако, несмотря на достоинства таких подходов, классические методы обработки информации, полученной с помощью бриллюэновских датчиков, более распространены в типовых аттестованных системах, использующихся в производственных и лабораторных целях. Такие методы имеют как преимущества, так и недостатки в зависимости от условий проведения измерения. При этом каждый несет в себе часть полезной информации об истинном положении центральной компоненты бриллюэновского спектра. Данная работа посвящена использованию нейронной сети для объединения информации, полученной с бриллюэновского анализатора классическими способами, с целью увеличения точности определения максимума спектра бриллюэновского сдвига. В качестве входных параметров сети были использованы результаты трех методов поиска максимума спектра, а также значение отношения сигнал/шум спектра. Другой тип цифрового дефекта, помимо шума, хоть и нечасто встречающийся в современных датчиках, - локальное пропадание полезного сигнала спектра. Этот тип дефекта может иметь различную протяженность, поэтому ширина такого дефекта, в случае его наличия в спектре, также включена в набор входных параметров нейронной сети. Для обучения сети было сгенерировано 2000 спектров с различными соотношениями сигнал/шум, центральной частотой, а также положением и протяженностью цифрового дефекта. Соотношение объема данных при обучении и тестировании сети составило 1500:500 соответственно. Проектирование и верификация работоспособности сети проводились на задаче распознавания рукописного набора цифр базы данных MNIST. Точность распознавания при этом составила более 97 %, что соответствует результатам, представленным в литературе [19]. Путем последовательного перебора различных параметров нейронной сети было обнаружено, что наилучший результат определения максимума бриллюэновского спектра получается при использовании четырехслойного персептрона с двумя скрытыми слоями по 50 и 25 нейронов соответственно. В качестве функции активации нейронов использовалась сигмоидальная функция [20]. Конечная структура сети представлена на рис. 1. Сеть состоит из пяти входных нейронов, двух скрытых слоев и одного выходного нейрона. Рис. 1. Структура нейронной сети: BWC - результат метода обратной корреляции; CCM - классического метода кросс-корреляции; LCF - аппроксимация лоренцевой функцией; SNR - отношение сигнал/шум; Δart - ширина области дефекта Обучение сети производилось на сгенерированных спектрах по принципу обратного распространения ошибки. При этом способе обучения выходное значение сети сравнивается с правильным значением, а ошибка, представляющая собой разницу этих значений, возвращается через сеть. При этом корректируются значения весов связей между нейронами для последующего уменьшения ошибки. В связи с тем, что входные параметры сети имеют различные порядки и единицы измерения, каждый параметр был индивидуально нормализован в пределах от 0 до 1. На рис. 2 представлен график динамики ошибки сети в процессе обучения. Рис. 2. Динамика изменения ошибки определения максимума бриллюэновского спектра при помощи нейронной сети Оценка точности методов производилась путем расчета стандартного отклонения ошибки определения максимума спектра для каждого метода. Сравнительные характеристики методов расчета максимума для смоделированных спектров приведены в таблице. В результате применения такого подхода удалось добиться снижения ошибки определения максимума бриллюэновского спектра на величину порядка 10 %. Этот результат можно считать существенным, принимая во внимание то, что к спектру уже были применены современные методы поиска максимума, для которых дальнейшее увеличение точности повлекло значительное увеличение необходимой вычислительной мощности системы. Сравнение результатов расчета № п/п Метод Стандартное отклонение ошибки 1 BWC 0,0072 2 CCM 0,0071 3 LCF 0,0086 4 Комбинированный (нейросеть) 0,0064 Представленная работа демонстрирует потенциальную возможность увеличения точности классических распределенных систем бриллюэновского мониторинга без использования сложных алгоритмов обработки, а также без усложнения аппаратной части сенсора. Это открывает возможности для использования типового аттестованного оборудования для получения более точных сведений о состоянии волоконной линии. Помимо этого, такой принцип обработки позволит удешевить создание лабораторных систем, поскольку становится возможным использование менее дорогих фотоприемных устройств и вычислительной техники.

About the authors

A. I Krivosheev

Perm Federal Research Center of the Ural Branch of the RAS

Yu. A Konstantinov

Perm Federal Research Center of the Ural Branch of the RAS

V. P Pervadchuk

Perm National Research Polytechnic University

F. L Barkov

Perm Federal Research Center of the Ural Branch of the RAS

References

Statistics

Views

Abstract - 69

PDF (Russian) - 34

Refbacks

• There are currently no refbacks.