中北大学《光学学报》封面文章：稀疏光谱采样+FNN光纤振动AI解调技术，面向桥梁结构健康监测，最大可测82.33g、10Hz~40kHz宽频信号

桥梁检测

前馈神经网络加持光纤振动传感：稀疏光谱采样+AI解调，面向桥梁结构健康监测

前馈神经网络（FNN）是一种高效的神经网络模型，能够建立输入与输出之间的非线性映射，实现复杂信号的快速处理。针对传统解调方法采样密度高、处理时延大等瓶颈，中北大学薛晨阳、郑永秋团队提出一种基于稀疏光谱采样与FNN结合的光纤振动AI解调方法，通过学习稀疏光谱采样到的有限个离散波长点数据特征重构出完整的光谱信息，在保证高精度的同时，显著提升了信号解调速率。相关成果发表于《光学学报》2026年第14期并被选为当期的封面文章。

封面解析
封面展示了一种基于稀疏光谱的光纤振动AI解调方法。图中，以桥梁结构健康监测为应用背景，光纤法布里-珀罗振动传感器获取其振动信号，通过稀疏光谱采样提取特征波长数据点，再输入到神经网络模型进行算法解析，实现完整光谱的重构。该方法实现了从物理建模向数据驱动的转变，验证了光谱的稀疏采样、高效重构与智能解调协同优化的发展优势，彰显了光机电一体化智能感知系统在复杂工程结构监测中的前沿进展与应用潜力。


文章链接：文果, 曹盛洁, 柴皓严, 韩玉洁, 陈佳敏, 白建东, 郑永秋, 薛晨阳. 基于稀疏光谱的实时宽频光纤振动AI解调技术[J]. 光学学报, 2026, 46(14): 1412001.

01 研究背景
光纤法布里–珀罗（F-P）振动传感器因其高灵敏度、抗电磁干扰能力强及宽频动态响应等优势，在航空航天、结构健康监测和工业振动诊断等领域具有重要应用价值。然而，传统解调方法在实时性、抗噪性及高频响应方面仍存在局限。并且现有系统在硬件设计与算法适配方面缺乏协同优化，难以满足宽频测量需求。
近年来，人工智能技术逐步引入光纤传感领域，但相关研究多停留在算法层面的可行性验证，缺乏面向工程应用的硬件采样架构与系统级验证。针对上述问题，中北大学薛晨阳、郑永秋团队将稀疏光谱采样与深度学习进行深度融合，构建软硬件协同优化的AI解调系统，以提升系统实时性、抗噪性及宽频动态响应能力，从而突破传统解调方法的性能瓶颈。

02 稀疏光谱采样与时空特征融合的AI解调技术研究
系统以ASE宽带光源为基础，搭配光纤环形器、密集波分复用器（DWDM）、光电探测器及高速数据采集卡构成硬件核心，如图1所示。选用DWDM中16个通道实现稀疏采样，保证腔谱关键信息完整的同时，大幅降低采样维度。在软件层面，构建了基于前馈神经网络（FNN）的解调模型，建立稀疏光谱特征与腔长变化之间的端到端非线性映射关系，在保证模型表达能力的同时显著提升计算效率。通过引入Optuna超参数优化框架，根据F-P光谱数据特性自动识别最优参数组合。最终，系统输出验证集性能最优的超参数配置，保证高速测量场景下的稳定性能，如图2所示。


为了评估该系统对大动态信号的解调能力，研究人员通过对光纤F-P振动传感器施加可控的重复瞬态冲击激励以获得其加速度测量极限。如图3所示，根据传感器的最大位移响应范围和对应的振源频率，可计算出传感器的最大可测加速度为82.33g。在高瞬态冲击加速度作用下，传感器仍然能够保持良好的响应，验证了传感结构及解调系统在强冲击、高动态测量场景中的适用性与可靠性。此外，研究人员还探究了不同温度下AI解调系统的连续解调稳定性，将光纤F-P振动传感器置于25℃和3℃的环境中进行60min的连续解调，实验结果如图3所示，解调幅值波动较小，展现出良好的环境适应性、长期工作稳定性与静态高精度解调的优势。

为进一步评估该AI解调系统在高频动态场景下的性能，研究人员构建了基于压电陶瓷（PZT）的光纤F-P振动传感测试平台。如图4所示，在10Hz~40kHz频率范围内，AI解调系统能够准确重建由PZT驱动引起的相对腔长变化，对高频振动信号保持良好的动态跟踪能力，且未观察到明显的幅频响应衰减或波形畸变，验证了该系统在宽频大动态信号测量中的有效性与稳定性。


03 后续工作进展
随着人工智能与光电传感技术的深度融合，未来将继续提升神经网络模型的泛化能力与跨环境鲁棒性，扩展至多传感器阵列并行解调。开发嵌入式轻量化智能解调模块，推动宽频光纤F-P传感系统的工程化应用，为智能化解调系统提供更高效、更可靠的解决方案。

---

▶ 来源：中国光学学会“爱光学”（《光学学报》）
▶ 原文标题：AI赋能光纤振动传感信号的实时宽频解调 |《光学学报》封面文章
▶ 原文链接：http://www.ahos.com.cn/detail/12349
▶ 转载时间：2026-09-30