Tidlig prototype af et chip-baseret fotonisk termometer. Sensoren er indbygget i chippen, mens lys kommer ind og ud af sensoren via optiske fibre. Kredit:Jennifer Lauren Lee/NIST
Fotoniske termometre - som måler temperatur ved hjælp af lys - har eksisteret i optisk fiberform i årtier. Disse enheder, kaldet fiber Bragg-riste, er indlejret i kommercielt tilgængelige fibre, der er tyndere end et menneskehår, svarende til dem, der er allestedsnærværende i netværkskommunikation.
Sensorerne er billige og kan indlejres i strukturer, der ellers kunne være svære at få adgang til, og de bruges rutinemæssigt i civil infrastruktur (som omfatter broer og tunneller) og i olie- og gasindustrien. Men de er ikke helt præcise nok til nogle andre applikationer, der ellers kunne gøre brug af dem, herunder overvågning af frysere, ovne, køleskabe af medicinsk kvalitet og visse industrielle processer.
Et væsentligt hit for sensorernes nøjagtighed kommer fra langvarig drift. Dette sker, når den samme temperatur over tid resulterer i en anden aflæsning. Genkalibrering af sensoren med få måneders mellemrum løser problemet, men det kan være dyrt og tidskrævende, især hvis sensoren er begravet i beton eller på anden måde indlejret permanent i en struktur.
I et nyt papir offentliggjort i denne uge i Sensorer og aktuatorer A:Fysisk , en videnskabsmand fra National Institute of Standards and Technology (NIST) beskriver, hvordan han har brugt maskinlæringsteknikker til at forudsige den langsigtede drift af eksisterende fiber Bragg-gitter-sensorteknologi. Bevis-of-concept-arbejdet viser, hvordan en type kunstig intelligens kaldet machine learning kan give forskere mulighed for at lave selvkalibrerende eller selvkorrigerende sensorer ved hjælp af eksisterende teknologi.
Det præsenterer også en anden mulighed for forskere, der ellers ville skulle bruge tid og penge på at udvikle en helt ny teknologi til deres anvendelse, men som ikke ville være nødt til det, hvis en billigere, hyldevaresensor kunne gøre jobbet, siger studieforfatter Zeeshan Ahmed.
"Det er en alternativ tilgang, hvor du kan få din kage (behold den eksisterende teknologi) og spise den også (reducere bidraget fra langsigtet drift)," sagde Ahmed. "Fiber Bragg-gittersensorer er billige. I stedet for at bruge fem år på at udvikle bedre materialer, hvorfor så ikke bare bruge denne algoritme eller en lignende i denne familie af algoritmer?"
Ahmeds model var i stand til at reducere måleusikkerheder på grund af drift med omkring 70 %, hvilket potentielt kan være tilstrækkeligt til at studere nogle processer, der er afhængige af temperaturkontrol, såsom industriel fermentering (brug af mikroorganismer til at skabe kemikalier og medicin).
Fiber Bragg-gitre er ikke de eneste slags fotoniske sensorer derude. NIST-forskere inklusive Ahmed har udviklet chip-baserede fotoniske termometre, der sammenlignet med traditionelle termometriteknikker lover at være mindre og mere holdbare, modstandsdygtige over for elektromagnetisk interferens og potentielt selvkalibrerende.
Men de chip-baserede sensorer er stadig i testfasen. De fiberbaserede termometre, som er emnet for dette arbejde, er en ældre teknologi. Disse Bragg-sensorer virker ved at manipulere lysets interaktion med strukturer, der er ætset ind i et fiberoptisk kabel. Risten fungerer som en slags filter for lys, der kun tillader bestemte bølgelængder at bevæge sig gennem kablet. Hvilke bølgelængder der tillades igennem afhænger af temperatur og tryk samt afstanden mellem ætsningerne i gitteret.
Men over tid, da Bragg-sensoren udsættes for høje temperaturer, ændres der noget i enhedens kemi for permanent at ændre fibermaterialets brydningsindeks, som er et mål for, hvor hurtigt lyset bevæger sig gennem et medium. Den permanente ændring i brydningsindeks menes at være ansvarlig for driftfejlene.
Langvarig drift i disse sensorer forårsager usikkerheder i temperaturen i området fra 200 til 300 millikelvin, svarende til en tredjedel til en halv grad Fahrenheit (°F).
"For at være konkurrencedygtig med eksisterende teknologi, ønsker du at få det ned til omkring halvdelen af den værdi, og om muligt til et par tiere millikelvin," svarende til mindre end en tiendedel af en grad Fahrenheit, sagde Ahmed.
Algorithm wars:En ny model
Selvom hans arbejde resulterede i en model, der er praktisk på en proof-of-concept måde, var Ahmeds oprindelige intention at hjælpe videnskabsmænd med bedre at forstå driftproblemet.
"Jeg tænkte:'Hvis jeg kan forstå den direkte proces og matematisk kompensere for den, så kan jeg reducere disse usikkerheder til et acceptabelt niveau'," sagde Ahmed.
Ahmed vidste, at i problemer med maskinlæring har du brug for en masse data, så han kørte eksperimenter med næsten to dusin sensorer. Han indsamlede mange slags data:båndet af bølgelængder af laserlys, der ledes ind i fiberen; kraften af det laserlys; typen af anvendt fiberoptisk kabel; den temperatur fiberen blev udsat for målt med et separat, yderst pålideligt termometer; den spektrale signatur af lyset, der forlader gitteret, med funktioner såsom intensiteten af output ved forskellige bølgelængder. Han indsamlede også omstændighedsoplysninger såsom, hvor længe dette termometer har målt en bestemt temperatur, hvad temperaturen var umiddelbart før, og hvor hurtigt temperaturen ændrede sig.
Så begyndte han at udforske sammenhænge – standardpraksis i maskinlæring, hvor du plotter data på forskellige måder og tester dine hypoteser.
"Det er en iterativ proces," sagde Ahmed. "Jeg instruerer det og drager fordel af at inkorporere min fysikviden i opbygningen af modellerne.
Hans udforskninger med dataene viste, at den samlede mængde lys, der reflekteres af gitteret, såvel som lysintensiteten ved hver bølgelængde, var nyttige til at forudsige fremtidig drift. Sensorens tidligere historie (dvs. hvor hurtigt den blev opvarmet eller afkølet, eller hvor høj temperaturen var, i timerne op til ændringen) bidrog også.
Han fandt ud af, at det, der virker bedst, er et autoregressivt integreret glidende gennemsnit (ARIMA), en klasse af matematiske modeller skabt i 1970'erne. ARIMA-modeller er gode til problemer med prognoser, såsom at bestemme fremtidig efterspørgsel efter fødevarer, eller hvilke lagre der vil stige i vejret.
"Jeg bruger ikke den mest avancerede teknik," sagde Ahmed. "Det er faktisk en af pointerne i papiret:Selv de ældre metoder kan give dig en masse information."
Ulempen er, at denne model kun virker på kort sigt - for drift, der sker over et par uger i stedet for måneder eller år.
Ahmed siger, at et andet algoritmepapir, der stadig er under revision, beskriver hans forsøg på at lave en ægte fysikbaseret model, der beskriver det grundlæggende forhold mellem bølgelængde og temperatur i både fiber- og chipbaserede fotoniske termometre.
"Det ville være endnu bedre," sagde Ahmed. "Hvis vi har en fysik-baseret model, så kan vi beskrive, hvordan fysikken ændrer sig over tid, og det er årsag til ændringerne i kalibreringen af disse enheder. Og så kunne vi virkelig forstå og kvantificere, hvad der sker med din sensor." + Udforsk yderligere
Denne historie er genudgivet med tilladelse fra NIST. Læs den originale historie her.
Sidste artikelLHCf fortsætter med at undersøge kosmiske stråler
Næste artikelUdforsker en ny algoritme til rekonstruering af partikler