基于芯片的光子温度计的早期原型。传感器内置于芯片中，光线通过光纤进出传感器。学分：詹妮弗劳伦李/NIST

使用光测量温度的光子温度计已经以光纤形式出现了几十年。这些设备称为光纤布拉格光栅，嵌入比人类头发还细的商用光纤中，类似于网络通信中无处不在的光纤。

这些传感器价格低廉，并且能够嵌入到原本难以接近的结构中，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。但它们对于一些其他可能会使用它们的应用来说不够准确，包括监控冷冻机、烤箱、医疗级冰箱和某些工业过程。

对传感器精度的一个重大影响来自长期漂移。当随着时间的推移，相同的温度导致不同的读数时，就会发生这种情况。每隔几个月重新校准传感器可以解决问题，但这可能既昂贵又耗时，尤其是当传感器埋在混凝土中或以其他方式嵌入结构中时。

在本周发表于Sensors and Actuators A: Physical的一篇新论文中，美国国家标准与技术研究院 (NIST) 的一位科学家描述了他如何使用机器学习技术来预测现有光纤布拉格光栅传感器的长期漂移技术。概念验证工作展示了一种称为机器学习的人工智能如何允许研究人员使用现有技术制造自校准或自校正传感器。

研究作者 Zeeshan 表示，它还为科学家们提供了另一种选择，否则他们可能不得不花费时间为他们的应用开发一种全新的技术，但如果更便宜的现成传感器可以完成这项工作，他们就不必这样做艾哈迈德。

“这是一种替代方法，你可以吃蛋糕（保留现有技术）并吃掉它（减少长期漂移的贡献），”艾哈迈德说。“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，为什么不直接使用这种算法，或者这个算法家族中的类似算法呢？”

Ahmed 的模型能够将漂移导致的测量不确定性降低约 70%，这可能足以研究一些依赖温度控制的过程，例如工业发酵（使用微生物制造化学品和药物）。

光纤布拉格光栅并不是唯一的光子传感器。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，与传统的温度测量技术相比，这种温度计有望更小、更耐用、抗电磁干扰，并且可能具有自校准功能。

但那些基于芯片的传感器仍处于测试阶段。作为这项工作的主题的基于光纤的温度计是一项较旧的技术。这些布拉格传感器通过操纵光与蚀刻在光纤电缆中的结构的相互作用来工作。光栅作为一种光过滤器，只允许某些波长通过电缆。允许通过哪些波长取决于温度和压力，以及光栅中蚀刻之间的间距。

但是随着时间的推移，随着布拉格传感器暴露在高温下，设备的化学成分会发生变化，从而永久性地改变光纤材料的折射率，这是衡量光在介质中传播速度的指标。折射率的永久变化被认为是造成漂移误差的原因。

这些传感器的长期漂移会导致 200 到 300 毫开尔文的温度不确定性，相当于华氏三分之一到半华氏度 (°F)。

艾哈迈德说：“要与现有技术竞争，你希望将其降低到该值的一半左右，如果可能的话，降低到几十毫开尔文，”相当于不到华氏十分之一度。

算法大战：一种新模式

尽管他的工作产生了一个以概念验证方式实用的模型，但艾哈迈德的初衷是帮助科学家更好地理解漂移问题。

“我想，'如果我能理解直接过程并在数学上对其进行补偿，那么我可以将这些不确定性降低到可接受的水平，'”艾哈迈德说。

Ahmed 知道在机器学习问题中需要大量数据，因此他用将近两打传感器进行了实验。他收集了多种数据：通过管道传输到光纤中的激光波长波段；该激光的功率；使用的光缆类型；由单独的高度可靠的温度计测量的光纤暴露的温度；离开光栅的光的光谱特征，具有不同波长的输出强度等特征。他还收集了一些环境信息，例如，这个温度计测量某个温度的时间，之前的温度是多少，温度变化的速度有多快。

然后他开始探索连接——机器学习的标准实践，你可以用不同的方式绘制数据并测试你的假设。

“这是一个迭代过程，”艾哈迈德说。“我正在指导它，并利用我的物理知识来建立模型。

他对数据的探索表明，光栅反射的总光量以及每个波长的光强度有助于预测未来的漂移。传感器的过去历史（即，在发生变化之前的几个小时内，它被加热或冷却的速度，或者温度有多高）也有影响。

他发现有效的是自回归积分移动平均线 (ARIMA)，这是 1970 年代创建的一类数学模型。ARIMA 模型适用于预测问题，例如确定未来的食品需求或哪些库存将飙升。

“我没有使用先进的技术，”艾哈迈德说。“这实际上是论文的重点之一：即使是较旧的方法也可以为您提供大量信息。”

缺点是这个模型只在短期内有效——漂移发生在几周而不是几个月或几年。

艾哈迈德说，另一篇仍在审查中的算法论文详细介绍了他尝试建立一个基于物理的模型，该模型阐明了基于光纤和芯片的光子温度计中波长和温度之间的基本关系。

“那会更好，”艾哈迈德说。“如果我们有一个基于物理的模型，那么我们可以描述物理如何随时间变化，这会导致这些设备的校准发生变化。然后我们就可以理解和量化你的传感器发生的事情。”