一种基于神经网络的空芯反谐振光纤熔接方法

技术领域

本发明属于光学与激光光电子技术领域，尤其涉及一种基于神经网络的空芯反谐振光纤熔接方法。

背景技术

空芯光纤将光波的能量束缚在空气纤芯中进行传输，克服了传统石英光纤介质材料存在的本征缺陷，具有低延迟、低色散、低非线性、低材料吸收、高激光损伤阈值等一系列优良特性，在光纤通信、光纤传感、高功率激光传输等领域具有十分广泛的应用前景。其中，基于反谐振式平面波导理论的空芯反谐振光纤是近年来的研究热点。得益于由一圈两层互不接触的毛细石英管组成的包层微结构，空芯反谐振光纤纤芯具有较低的光场与石英介质重叠度，可实现低损耗、模式可控、跨倍频程的传输，为新一代光纤通信、量子光学、生物光子学、超快光学等领域的进一步发展提供了全新选择。通常空芯反谐振光纤的纤芯尺寸以及包层尺寸远远大于常规光学设备的尾纤尺寸，因此想要真正实现空芯反谐振光纤的实用化，就不得不思考如何高效解决其与传统光纤连接集成存在的高损耗、低强度的难题。

光纤连接具有两种重要方法，分别是热熔接和机械对接。简单点讲他们分别具有四个步骤，前三步均为剥离光纤涂覆层、光纤清洁、切割光纤端面，区别在于第四步：热熔接通常可以选择通过电弧、石墨丝或者二氧化碳激光器对光纤切割的端面进行加热处理，使其光纤端面软化，然后通过推进光纤将软化的两个端面焊接在一起，形成一个永久的熔接点；机械对接则不需要热源，只需要将两光纤端面末端对准固定即可，通常在这一步中会选用合适的折射率匹配凝胶辅助连接。不难理解光纤切割角度、光纤端面的清洁度、光纤间对齐程度都会影响光纤的连接损耗。另外值得关注的是实芯单模光纤与空芯反谐振光纤尺寸和导光理论不同，二者之间模场直径差异巨大，且空芯反谐振光纤的特殊包层结构极易在连接过程中遭受破坏，从而影响导光机制，因此想要实现他们的低损耗连接，其核心思想在于确保空芯反谐振光纤的包层尺寸不受破坏的情况下匹配其模场直径。

目前已有许多关于空芯反谐振光纤与单模光纤之间连接方法的研究被报道。例如，可以考虑将单模光纤进行正向拉锥，使其外径尺寸略小于空芯反谐振光纤的纤芯尺寸，然后将拉锥之后的单模光纤插入到空芯反谐振光纤中进行机械对接；也可以考虑选用合适长度的渐变折射率光纤做为两种不同光纤间的模场适配器，实现单模光纤与空芯反谐振光纤间的低损耗熔接；另外还可以通过对单模光纤进行拉锥和热扩芯处理，使其模场直径与空芯反谐振光纤的模场直径匹配，从而实现二者之间的低损耗熔接。可以发现无论是哪一种连接方法，都难以避免可变动参数过多的问题，往往需要进行大量重复实验才能得到一组较理想的结果，费时费力。

发明内容

本发明的技术解决问题：克服现有技术的不足，提出了一种基于神经网络的空芯反谐振光纤熔接方法，该方法利用神经网络，可实现空芯反谐振光纤熔接的动态建模，对不同参数下的空芯反谐振光纤与单模光纤的熔接损耗可得到较高的建模精度，有效确定熔接参数，极大的提高了光纤熔接的效率，且易于实现。

本发明为实现上述目的，采用如下技术方案：

本发明基于一种基于神经网络的空芯反谐振光纤熔接方法，包括

如下步骤：

(1)构建神经网络模型

选取空芯反谐振光纤参数、单模光纤参数、熔接机熔接程序相关熔接参数作为神经网络的输入，两光纤的熔接损耗作为神经网络的输出构建神经网络模型。

(2)获取学习样本

以空芯反谐振光纤参数、单模光纤的参数、熔接机熔接程序相关熔接参数得到的空芯反谐振光纤光纤与单模光纤的熔接损耗、熔接点强度作为学习样本，使学习样本覆盖所有可有效影响光纤熔接损耗值和熔接点强度的参数条件下的测量范围。

(3)训练神经网络

在步骤(1)得到的神经网络模型和步骤(2)得到的学习样本的基础上，对学习样本采用BP神经网络进行训练，得到最优模型参数；设置基于光纤熔接损耗的集成权矩阵，依据光纤熔接损耗的变化来调整设定的权值矩阵；

(4)对空芯反谐振光纤熔接进行建模

将空芯反谐振光纤参数、单模光纤参数、熔接机熔接程序相关熔接参数输入步骤(3)所述的神经网络中，即可实现对空芯反谐振光纤熔接损耗的建模。

优选地，步骤(1)空芯反谐振光纤参数包括括但不限于光纤纤芯直径、包层孔直径、包层孔壁厚、模场直径，光纤切割角度。

优选地，步骤(1)单模光纤在与空芯反谐振光纤熔接之前，首先经过处理，模场直径与空芯反谐振光纤的模场直径相互匹配。

优选地，步骤(1)单模光纤参数包括但不限于光纤纤芯直径、包层直径、模场直径，光纤切割角度。

优选地，步骤(1)熔接机可以是电弧放电类熔接机和石墨丝加热类熔接机。

优选地，步骤(1)熔接机为电弧放电类熔接机时，相关熔接程序参数包括但不限于电极间隔设定、光纤端面间隔、设定间隔位置、重叠量设置、主放电功率、主放电时间。

优选地，步骤(1)熔接机为石墨丝加热类熔接机时，相关熔接程序参数括但不限于熔接功率、加热时间、预留缝隙、预推进量、热推进量、推进速度、熔接偏移量、热推进延时。

优选地，步骤(2)两光纤的熔接损耗是在空芯反谐振与单模光纤基本对准，不存在错位的情况下，熔接之后通过功率计测量，然后经过计算得到。

优选地，步骤(2)两光纤的熔接强度通过拉力机测量得到。

优选地，步骤(3)中BP神经网络包括输入层、隐藏层和输出层三层结构，选用S型传递函数：

优选地，步骤(3)中BP神经网络隐藏层包含三层，隐藏层神经元个数根据经验公式

优选地，步骤(3)中BP神经网络隐藏层神经元的激励函数选择S型正切函数tansig，BP神经网络输出层神经元的激励函数选择S型对数函数tansig。

优选地，步骤(4)中对空芯反谐振光纤熔接的建模选用MATLAB中的神经网络工具箱进行。

本发明的有益效果为：

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，能够学习和存储大量的输入-输出模式之间的映射关系，是目前应用最广泛的神经网络模型之一。其具有非常强大的非线性拟合及自适应调整能力，特别适合数据的分析和处理，空芯反谐振光纤熔接具有参数波动性以及依赖性大等特点，通过BP神经网络对影响空芯反谐振光纤熔接的参数与损耗、强度之间的关系进行非线性拟合，动态辨识，获得预测空芯反谐振光纤熔接损耗较低、熔接点强度可接受的相关参数，克服熔接过程中存在的随机性导致的熔接过程可重复率低、普适性差的问题，大幅度提高了空芯反谐振光纤熔接的精度与效率。

附图说明

图1为本发明采用的基于神经网络的空芯反谐振光纤熔接流程图

图2为本发明采用的嵌套管空芯反谐振光纤端面图

图3为嵌套管空芯反谐振光纤适用的BP神经网络结构图

图4为本发明采用的单环空芯反谐振光纤端面图

图5为单环空芯反谐振光纤适用的BP神经网络结构图

具体实施方式

为了使本发明所要解决的问题更加清楚明白，结合附图，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

图1示出了基于神经网络的空芯反谐振光纤熔接流程图，所述方法步骤包括S1至步骤S4：

步骤S1：采样，获取原始样本集

步骤S2：训练神经网络模型

步骤S3：实时采集待熔接空芯反谐振光纤与单模光纤的参数，初步设定熔接机熔接程序参数，得到预测熔接损耗值与熔接强度

步骤S4：确定参数，进行空芯反谐振光纤与单模光纤之间的熔接

S1中获取的原始样本数据关于空芯反谐振光纤的参数包括但不限于待熔接空芯反谐振光纤的纤芯直径、包层孔直径、包层孔壁厚、模场直径、切割角度。

S1中获取的原始样本数据关于单模光纤的参数包括但不限于待熔接单模光纤的纤芯直径、包层直径、模场直径、切割角度。

S1中获取的原始样本数据关于电弧放电类熔接机熔接程序的参数包括但不限于电极间隔设定、光纤端面间隔、设定间隔位置、重叠量设置、主放电功率、主放电时间。

S1中获取的原始样本数据关于石墨丝加热类熔接机熔接程序参数括但不限于熔接功率、加热时间、预留缝隙、预推进量、热推进量、推进速度、熔接偏移量、热推进延时。

S1中获取的原始样本数据关于熔接损耗的确切数值是在空芯反谐振光纤与单模光纤模场直径几乎匹配，完美对准的情况下进行熔接，通过功率计测量熔接之前、后的输出功率数值经过公式

P

值得注意的是熔接使用的空芯反谐振光纤长短较短，其传输损耗可忽略不计，若使用长度较长，则损耗值应减掉其对应的传输损耗得到熔接损耗。

为确保得到平滑切割端面，应使用大芯径切割刀对空芯反谐振光纤进行切割，确保切割端面干净，切割角度小于1°。

在上述实施例的基础上，步骤S1之前还包括：

搭置光路，使用光束质量分析仪，测量空芯反谐振光纤的模场直径。

通过软件仿真的方式对空芯反谐振光纤的模场直径匹配范围以及对应的耦合损耗进行估算，得到理想熔接损耗值和对应的模场直径匹配范围。

使用熔接机，对单模光纤进行处理，使其外径与模场直径与空芯反谐振光纤的外径匹配。

S2中选用的神经网络模型是BP神经网络，以电弧放电类熔接机为例：

参见图2、图3，选取嵌套管空芯反谐振光纤的纤芯直径、内包层孔直径、外包层孔直径、内包层孔壁厚、外包层孔壁厚、模场直径、切割角度，单模光纤的纤芯直径、包层直径、模场直径、切割角度，熔接机熔接程序的参数包括电极间隔设定、光纤端面间隔、设定间隔位置、重叠量设置、主放电功率、主放电时间，构建17输入、2输出的三层BP神经网络。选择输入层节点为17，隐藏层节点为8，输出层节点为2。

参见图4、图5，选取单环空芯反谐振光纤的纤芯直径、包层孔直径、包层孔壁厚、模场直径、切割角度，单模光纤的纤芯直径、包层直径、模场直径、切割角度，熔接机熔接程序的参数包括电极间隔设定、光纤端面间隔、设定间隔位置、重叠量设置、主放电功率、主放电时间，构建15输入、2输出的三层BP神经网络。选择输入层节点为15，隐藏层节点为8，输出层节点为2。

训练过程中选用S型传递函数：

这里BP神经网络隐藏层神经元的激励函数选择S型正切函数tansig，BP神经网络输出层神经元的激励函数选择S型对数函数tansig。

通过MATLAB中的神经网络工具箱对采样获取的原始样本集进行训练，实现空芯反谐振光纤熔接的建模。

S3中实时采集的待熔接空芯反谐振光纤与单模光纤的参数，满足模场直径匹配，光纤端面干净、光纤切割角度平滑且小的要求。

S3中初步设定的熔接机熔接程序参数至少确保空芯反谐振光纤与单模光纤可以正常熔接，熔点看起来无明显不妥之处，同时空芯反谐振光纤的空气孔没有明显变形。

S4中使用的熔接机可以是电弧放电类熔接机和石墨丝加热类熔接机。

S4之后还应该包括空芯反谐振光纤与单模光纤熔接点的损耗和强度测试。损耗通过功率计测量，强度测试通过拉力机测量。

总之，本发明克服了熔接过程中存在的随机性导致的熔接过程工作量大的问题，大幅度提高了空芯反谐振光纤熔接的精度与效率，同时当空芯反谐振光纤与单模光纤的参数发生变化的时候，此方法按道理依旧适用。最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。