美国国家标准技术研究所（NIST）的一位科学家在《SAA:Physical》上发表了一篇新论文，介绍了如何利用机器学习技术预测现有光纤布拉格光栅传感器技术的长期漂移。利用机器学习可以让研究人员利用现有技术制造自校准传感器。

利用光测量温度的光子温度计已经以光纤形式存在了几十年。这些设备被称为光纤布拉格光栅，嵌入到比头发还细的商用光纤中，就像网络通信中普遍的光纤。

图1：基于芯片的光子温度计的早期原型。

（传感器内置在芯片中，光线通过光纤进入和离开传感器。）

传感器价格低廉，能够嵌入难以接近的结构中，因此通常用于民用基础设施，包括桥梁和隧道以及石油和天然气行业。但是它们还不够精确，包括对冷冻机、烤箱、医用冰箱和某些工业过程的监控。

传感器精度的一个重大阻碍来自长期漂移，相同的温度导致不同的读数时，就会出现这种情况。每隔几个月校准一次传感器可以解决这个问题，但这既昂贵又耗时，特别是如果传感器埋在混凝土中或以其他方式永久嵌入的结构中。

NIST研究所的一位科学家介绍了他如何利用机器学习技术预测现有光纤布拉格光栅传感器技术的长期漂移，概念验证工作表明，利用机器学习可以让研究人员利用现有技术制造自校准传感器。

光纤布拉格光栅传感器很便宜，与其花五年时间开发更好的材料，不如直接使用这个算法。

Ahmed的模型能够将由于漂移导致的测量不确定性降低约70%，这可能足以用于研究一些依赖温度控制的过程，例如利用微生物制造化学品和药物的工业发酵。

光纤布拉格光栅并不是唯一一种光子传感器，包括Ahmed在内的NIST研究人员一直在开发基于芯片的光子温度计，与传统测温技术相比，该技术有望更小、更耐用、抗电磁干扰，并具有潜在的自校准能力。

布拉格传感器通过操纵光与蚀刻在光纤中的结构的相互作用来工作。光栅就像一种滤光器，只允许某些波长通过电缆。允许哪些波长通过取决于温度和压力，以及光栅中蚀刻的间距。

但随着时间的推移，随着布拉格传感器暴露在高温下，器件的化学性质发生了变化，从而永久改变了光纤材料的折射率，折射率是衡量光在介质中传播速度的指标，它的永久变化是漂移误差的主要原因。

这些传感器中的长期漂移导致温度不确定度在至毫开尔文之间。Ahmed为了与现有技术竞争想把这个值降到一半左右，甚至降到几十毫开尔文。

他发现最有效的方法是自回归积分移动平均法（ARIMA），ARIMA模型适用于预测问题，例如确定未来的粮食需求或哪些库存将飙升。

（文章来源：互联网，目的在于传递信息，提供专业服务。）