Thesis:

Peak detection of spectrally-overlapped fiber bragg gratings using an unsupervised convolutional neural network autoencoder

Una rejilla de Bragg en fibra óptica (FBG, por sus siglas en inglés) es una estructura que se forma modulando el índice de refracción del núcleo de una fibra óptica y que refleja un rango estrecho de longitudes de onda. Midiendo el desplazamiento del perfil espectral, las FBG pueden utilizarse como sensores, ya que este está linealmente relacionado con cambios en factores externos, como la temperatura y la deformación. Un conjunto de FBGs inscritas en una o múltiples fibras puede ser utilizado para crear un sensor cuasi-distribuido. El multiplexado por división de longitud de onda (WDM, por sus siglas en inglés) es una técnica comúnmente utilizada para multiplexar sensores FBG. En este método, a cada sensor FBG se le asigna un canal sin superposición con un ancho de banda específico. Los desplazamientos espectrales de los sensores se miden típicamente utilizando una fuente de banda ancha y determinando el máximo de la reflexión en cada canal. El máximo número de sensores se determina por la relación entre el ancho de banda de la fuente y los anchos de banda de los canales. Técnicas que permiten la superposición espectral, utilizando esquemas de procesamiento de señal más avanzado, pueden superar parcialmente esta limitación asignando varios sensores en cada canal, esto se conoce como WDM con superposición espectral (SWDM, por sus siglas en inglés). La detección de las longitudes de onda de los sensores FBG en el contexto de SWDM es una tarea difícil debido a la superposición de los espectros, lo que hace que técnicas convencionales de detección del máximo no puedan obtener resultados cuando hay demasiada superposición. En la literatura se han propuesto soluciones de Machine Learning, pero estas requieren datos para entrenamiento de alta calidad y gran volumen, lo que puede ser difícil de obtener. Este trabajo propone un modelo que se puede entrenar en un conjunto de datos (pretraining) y luego adaptar de manera no supervisada utilizando solo el espectro de otro conjunto de datos (finetuning), sin necesidad de información sobre las posiciones espectrales. De esta manera, los requisitos para la confección de un conjunto de datos se pueden relajar al no requerir información sobre posiciones espectrales, mediante un proceso de pretraining en datos simulados seguido de un finetuning con datos reales. La propuesta de esta Tesis es un convolutional neural network autoencoder diseñado para minimizar el error de reconstrucción entre espectros observados y reconstruidos. Al hacerlo, se mejora la inferencia de las posiciones espectrales al representar los espectros en una variable latente, a partir de la cual se pueden obtener directamente las posibles posiciones a través de una relación lineal fija. La capacidad de adaptación del modelo se prueba en simulaciones para casos de dos y tres sensores FBG en serie, mostrando resultados prometedores en comparación con otras técnicas que no utilizan datos no supervisados. La adaptación no supervisada del modelo se prueba cambiando los parámetros de simulación y entrenando de manera no supervisada con los nuevos datos con una relación señal-ruido de 20 dB. El modelo demuestra una capacidad de adaptación prometedora tanto para arreglos en serie de dos y tres sensores, superando a otros métodos de la literatura por más de un orden de magnitud en términos de error absoluto medio. El desempeño se evalúa en datos experimentales de un arreglo serial de dos sensores, igualando el rendimiento de un método de la literatura con mejor desempeño.

A fiber Bragg grating (FBG) is a structure that is formed by modulating the refractive index of an optical fiber’s core, which reflects a narrow range of wavelengths. By measuring the shift in the spectral profile, FBGs can be used as sensors, as the shift is linearly related to changes in external factors, such as temperature and strain. An array of FBGs inscribed in one or multiple fibers can be used to create a quasi-distributed sensor. Wavelength division multiplexing (WDM) is a commonly utilized technique for multiplexing FBG sensor arrays. In this method, each FBG sensor is assigned to a non-overlapping channel with a specific bandwidth. The spectral shifts of the sensors are typically measured by utilizing a broadband source and determining the peak from each channel reflection separately. The number of sensors that can be supported by WDM is determined by the ratio of the source bandwidth to the channel bandwidths. Techniques that allow for spectral overlap using complex signal processing can partially overcome this limitation by allocating multiple sensors per channel, referred to as spectrally-overlapped WDM (SWDM). Detecting the wavelengths of FBG sensors in the context of SWDM is a challenging task due to the overlap of the spectra, making conventional peak detection unable to obtain the spectral positions in the case of high overlap. Machine learning solutions have been proposed in the literature, but they require a high-quality, high-volume dataset, which can be hard to obtain. This work proposes a model that can be trained on one dataset (pretraining) and then adapted in an unsupervised manner using only the spectrum from another dataset (finetuning), without requiring information on the spectral positions. In this manner, the requirements on the confection of a dataset can be relaxed by not requiring spectral position information by first pretraining on simulated data and then finetuning on real data. The proposal is a convolutional neural network autoencoder (CNN-AE) designed to minimize the reconstruction error between observed and reconstructed spectra. In doing so, improving the inference of spectral positions by representing the spectra in a latent variable from which the spectral positions can be readily obtained through a fixed linear relation. The model adaptation capability is tested in simulations for two and three FBG sensors in series, showing promising results compared to other techniques that do not use unsupervised data. The unsupervised adaptation of the model is tested by changing the simulation parameters and training in an unsupervised manner with the new data with a signal-to-noise ratio of 20 dB. The model demonstrates promising adaptation capability for both two and three sensor serial arrays, outperforming other methods from the literature by more than an order of magnitude in terms of mean absolute error. The model is also evaluated on experimental data of a two-sensor serial array, matching the performance of the best-performing baseline method.