Fotoniska termometrar - som mäter temperatur med hjälp av ljus - har funnits i optisk fiberform i årtionden. Dessa enheter, som kallas fiber Bragg-galler, är inbäddade i kommersiellt tillgängliga fibrer som är tunnare än ett människohår, liknande de som finns överallt i nätverkskommunikation.

Prisvärda och med möjligheten att bäddas in i strukturer som annars kan vara svåra att komma åt, sensorerna används rutinmässigt i civil infrastruktur (som inkluderar broar och tunnlar) och i olje- och gasindustrin. Men de är inte tillräckligt exakta för vissa andra applikationer som annars skulle kunna använda dem, inklusive övervakning av frysar, ugnar, kylskåp av medicinsk kvalitet och vissa industriella processer.

En betydande träff för sensorernas noggrannhet kommer från långvarig drift. Detta inträffar när samma temperatur med tiden resulterar i en annan avläsning. Omkalibrering av sensorn med några månaders mellanrum löser problemet, men detta kan vara dyrt och tidskrävande, särskilt om sensorn är nedgrävd i betong eller på annat sätt permanent inbäddad i en struktur.

I en ny artikel publicerad denna vecka i Sensorer och manöverdon A:Fysiska , en forskare från National Institute of Standards and Technology (NIST) beskriver hur han har använt maskininlärningstekniker för att förutsäga den långsiktiga driften av befintlig fiber Bragg-gittersensorteknologi. Proof-of-concept-arbetet visar hur en typ av artificiell intelligens som kallas maskininlärning kan tillåta forskare att göra självkalibrerande eller självkorrigerande sensorer med hjälp av befintlig teknik.

Det presenterar också ett annat alternativ för forskare som annars skulle behöva spendera tid och pengar för att utveckla en helt ny teknik för sin applikation, men som inte skulle behöva göra det om en billigare, tillgänglig sensor kunde göra jobbet, säger studieförfattaren Zeeshan Ahmed.

"Det är ett alternativt tillvägagångssätt där du kan ha din kaka (behåll den befintliga tekniken) och äta den också (minska bidraget från långvarig drift)," sa Ahmed. "Fiber Bragg-gittersensorer är billiga. Istället för att spendera fem år på att utveckla bättre material, varför inte bara använda den här algoritmen eller en liknande i denna familj av algoritmer?"

Ahmeds modell kunde minska mätosäkerheter på grund av drift med cirka 70 %, vilket potentiellt kan vara tillräckligt för att studera vissa processer som är beroende av temperaturkontroll, såsom industriell fermentering (användning av mikroorganismer för att skapa kemikalier och mediciner).

Fiber Bragg-galler är inte de enda typerna av fotoniska sensorer som finns. NIST-forskare inklusive Ahmed har utvecklat chipbaserade fotoniska termometrar som, jämfört med traditionella termometritekniker, lovar att vara mindre och mer hållbara, resistenta mot elektromagnetiska störningar och potentiellt självkalibrerande.

Men de chipbaserade sensorerna är fortfarande i testfasen. De fiberbaserade termometrarna som är föremål för detta arbete är en äldre teknik. Dessa Bragg-sensorer fungerar genom att manipulera ljusets interaktion med strukturer etsade in i en fiberoptisk kabel. Gallret fungerar som ett slags filter för ljus och tillåter endast vissa våglängder att färdas genom kabeln. Vilka våglängder som släpps igenom beror på temperatur och tryck, samt avståndet mellan etsningarna i gittret.

Men med tiden, när Bragg-sensorn utsätts för höga temperaturer, förändras något i enhetens kemi för att permanent ändra fibermaterialets brytningsindex, vilket är ett mått på hur snabbt ljuset färdas genom ett medium. Den permanenta förändringen i brytningsindex anses vara ansvarig för driftfelen.

Långvarig drift i dessa sensorer orsakar osäkerheter i temperaturen som sträcker sig från 200 till 300 millikelvin, motsvarande en tredjedel till en halv grad Fahrenheit (°F).

"För att vara konkurrenskraftig med befintlig teknik vill du få ner det till ungefär hälften av det värdet, och om möjligt till några tiotals millikelvin," vilket motsvarar mindre än en tiondels grad Fahrenheit, sa Ahmed.

Algorithm wars:En ny modell

Även om hans arbete resulterade i en modell som är praktisk på ett proof-of-concept sätt, var Ahmeds ursprungliga avsikt att hjälpa forskare att bättre förstå driftproblemet.

"Jag tänkte," om jag kan förstå den direkta processen och kompensera för den matematiskt, då kan jag minska dessa osäkerheter till en acceptabel nivå, " sa Ahmed.

Ahmed visste att i problem med maskininlärning behöver du mycket data, så han körde experiment med nästan två dussin sensorer. Han samlade in många typer av data:bandet av våglängder för laserljus som leds in i fibern; kraften i det laserljuset; vilken typ av fiberoptisk kabel som används; temperaturen som fibern exponerades för mätt med en separat, mycket pålitlig termometer; den spektrala signaturen för ljuset som lämnar gittret, med egenskaper som intensiteten av utsignalen vid olika våglängder. Han samlade också in omständighet som hur länge denna termometer har mätt en viss temperatur, vad temperaturen var omedelbart innan och hur snabbt temperaturen ändrades.

Sedan började han utforska samband – standardpraxis inom maskininlärning, där du plottar data på olika sätt och testar dina hypoteser.

"Det är en iterativ process," sa Ahmed. "Jag styr det och drar fördel av att integrera min fysikkunskap i att bygga upp modellerna.

Hans undersökningar med data visade att den totala mängden ljus som reflekterades av gittret, såväl som ljusintensiteten vid varje våglängd, var till hjälp för att förutsäga framtida drift. Sensorns tidigare historia (d.v.s. hur snabbt den värmdes eller kyldes, eller hur hög temperaturen var, under timmarna fram till bytet) bidrog också.

Han fann att det som fungerar bäst är ett autoregressivt integrerat glidande medelvärde (ARIMA), en klass av matematiska modeller skapade på 1970-talet. ARIMA-modeller är bra för problem med prognoser, som att bestämma framtida efterfrågan på mat eller vilka aktier som kommer att skjuta i höjden.

"Jag använder inte den mest avancerade tekniken," sa Ahmed. "Det är faktiskt en av punkterna i tidningen:Även de äldre metoderna kan ge dig mycket information."

Nackdelen är att den här modellen bara fungerar på kort sikt – för drift som sker under några veckor snarare än månader eller år.

Ahmed säger att ett andra algoritmpapper, som fortfarande är under granskning, beskriver hans försök att göra en sann fysikbaserad modell som beskriver det grundläggande förhållandet mellan våglängd och temperatur i både fiber- och chipbaserade fotoniska termometrar.

"Det skulle vara ännu bättre," sa Ahmed. "Om vi ​​har en fysikbaserad modell, då kan vi beskriva hur fysiken förändras över tiden och det orsakar förändringarna i kalibreringen av dessa enheter. Och då kan vi verkligen förstå och kvantifiera vad som händer med din sensor." + Utforska vidare

Safirfiber kan möjliggöra renare energi och flygresor

Denna berättelse är återpublicerad med tillstånd av NIST. Läs originalberättelsen här.