您的位置：山东大学 -> 科技期刊社 -> 《山东大学学报（工学版）》

山东大学学报 (工学版) ›› 2023, Vol. 53 ›› Issue (4): 149-156.doi: 10.6040/j.issn.1672-3961.0.2022.264

• 其他 • 上一篇    下一篇

基于智能算法的光纤预制棒芯层制备工艺参数优化

李浩源1(),于景明2,张桂林3,张斌1,*()   

  1. 1. 山东大学机电与信息工程学院，山东 威海 264200
    2. 威海长和光导科技有限公司，山东 威海 264200
    3. 宏安集团有限公司，山东 威海 264200
  • 收稿日期:2022-07-27 出版日期:2023-08-20 发布日期:2023-08-18
  • 通讯作者: 张斌 E-mail:sdulihaoyuan@mail.sdu.edu.cn;bin.zhang@mail.sdu.edu.cn
  • 作者简介:李浩源(1995—)，男，河北唐山人，硕士研究生，主要研究方向为光纤预制棒制备与振动能量俘获。E-mail: sdulihaoyuan@mail.sdu.edu.cn
  • 基金资助:
    国家自然科学基金资助项目(51805298);山东省自然科学基金资助项目(ZR2019PEE015);山东省博士后创新资助项目(202102053);山东大学(威海)青年学者未来计划(20820201004)

Optimization of manufacturing parameters for optical fiber preform core based on intelligent algorithm

Haoyuan LI1(),Jingming YU2,Guilin ZHANG3,Bin ZHANG1,*()   

  1. 1. School of Mechanical, Electrical & Information Engineering, Shandong University, Weihai 264200, Shandong, China
    2. Weihai Changhe Guangdao Technology Co., Ltd., Weihai 264200, Shandong, China
    3. Hongan Group Co., Ltd., Weihai 264200, Shandong, China
  • Received:2022-07-27 Online:2023-08-20 Published:2023-08-18
  • Contact: Bin ZHANG E-mail:sdulihaoyuan@mail.sdu.edu.cn;bin.zhang@mail.sdu.edu.cn

RichHTML

2

PDF (PC)

85

摘要：

结合BP(back propagation)神经网络和遗传算法，提出一种高质量低成本工艺参数优化方法。选取轴向气相沉积法(vapor axial deposition，VAD)制备光纤预制棒芯层时喷灯气体(H2-1、H2-2、H2-3、Ar-1、Ar-2、Ar-3、O2-1、O2-2、SiCl4)流量作为输入变量，制备出的光纤预制棒芯层的质量作为输出变量，建立神经网络模型；将训练好的神经网络模型与具有全局寻优能力的遗传算法相结合，以高质量等级光纤预制棒芯层为寻优目标，优化得到高质量等级气体参数；对得到的参数以低成本为目标进行寻优，得到高质量低成本工艺参数。试验结果表明，与优化前的人工优化结果相比，制备出的光纤预制棒芯层达到较高质量的同时成本降低22.19%。

关键词: 光纤预制棒, 芯层, 轴向气相沉积法, BP神经网络, 智能算法, 工艺参数优化

Abstract:

Combined with back propagation (BP) neural network and genetic algorithm, a high-quality and low-cost process parameter optimization method was proposed. The flow rate of two blowtorch gases (H2-1, H2-2, H2-3, Ar-1, Ar-2, Ar-3, O2-1, O2-2, SiCl4) during the preparation of optical fiber preform core layer by vapor axial deposition (VAD) was selected as the input variable. The quality of the prepared optical fiber preform core layer was taken as the output variable in the established neural network model. The trained neural network model was combined with the genetic algorithm with global optimization ability, and the high quality core layer of optical fiber preform was taken as the optimization objective to obtain high quality gas parameters. The obtained parameters were selected at low cost, and the high quality and low cost process parameters were obtained. The experimental results showed that compared with the manual optimization results before optimization, the prepared optical fiber preform core layer met the high quality requirements and the cost was reduced by 22.19%.

Key words: optical fiber preform, core layer, vapor axial deposition, BP neural network, intelligent algorithm, manufacturing parameters optimization

中图分类号: 

  • O469

表1

部分生产数据"

样本 气体流量变化/%质量等级 成本系数
H2-1 H2-2 Ar-1 O2-1 Ar-2 H2-3 Ar-3 O2-2 SiCl4
2 -4.11 -0.33 0.91 -1.77 1.06 0.95 1.06 0.99 -15.25 3 9.25
3 18.49 -2.95 6.15 17.96 -8.97 -7.92 -8.97 -9.03 -3.39 5 10.17
4 4.11 0.33 -0.91 1.85 -0.76 -0.82 -0.76 -0.79 -11.86 5 9.42
5 -5.48 -5.41 -10.25 6.80 -10.18 6.88 -10.18 -4.72 -15.25 3 10.26
6 -6.16 -3.77 3.64 -7.43 3.80 3.76 3.80 3.81 -20.34 1 9.00
7 -6.85 -4.92 -34.85 0.52 -2.13 5.28 -2.13 3.81 -11.86 4 9.42
8 -6.85 -4.10 3.19 -6.17 3.34 3.29 3.34 3.32 -20.34 1 9.01

图1

光纤预制棒质量优化BP神经网络结构"

图2

BP神经网络模型训练及测试过程中的均方误差"

图3

BP神经网络模拟结果与试验结果对比"

图4

BP神经网络模拟误差"

表2

试验与模拟得到的测试样本质量等级对比"

样本序号 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116
试验等级 1 4 5 4 4 4 1 1 1 1 1 1 2 1 2 1 3
模拟等级 1 5 4 4 4 4 1 1 1 2 1 1 1 1 2 1 3
误差 0 1 -1 0 0 0 0 0 0 1 0 0 -1 0 0 0 0

图5

遗传算法流程图"

图6

遗传算法每代种群平均适应度及最小适应度"

表3

仿真结果与试验结果对比"

样本气体流量变化/%成本系数质量等级
H2-1 H2-2 Ar-1 O2-1 Ar-2 H2-3 Ar-3 O2-2 SiCl4 仿真 试验
1 -6.07 -20.65 10.59 -28.61 -30.47 2.63 -58.73 58.47 -37.84 7.83 4.93 5
2 14.60 3.55 -30.37 -29.83 -69.62 28.85 -15.96 33.31 -16.86 8.51 5.00 5
3 19.51 71.25 54.92 14.23 -81.21 -17.48 -66.16 11.43 14.70 7.68 5.00 5
4 24.74 57.80 28.03 -12.73 -90.43 19.78 -7.45 1.46 -26.48 8.80 5.00 5
5 -12.35 88.45 22.34 11.10 -92.24 0.96 -28.25 -4.97 -49.84 8.46 5.00 5
6 22.37 48.67 -23.67 5.62 -82.38 3.14 -10.62 8.17 -59.78 8.28 5.00 5
7 38.99 50.80 101.54 8.98 -35.49 -16.38 -71.04 0.93 2.76 7.26 5.00 5
8 15.29 122.67 51.15 -3.29 -66.09 -26.56 -69.37 25.44 -25.41 8.27 5.00 4
9 81.99 86.10 100.04 -27.64 -44.97 14.55 -59.73 0.66 1.38 7.88 5.04 4
10 -90.55 37.63 -15.76 6.94 -57.66 -28.78 -30.15 43.92 -55.50 7.51 5.00 4

图7

将模拟结果用于生产试验制备出的光纤预制棒芯层的折射率剖面图"

1 崔秀国, 刘翔, 操时宜, 等. 光纤通信系统技术的发展、挑战与机遇[J]. 电信科学, 2016, 32 (5): 34- 43.
CUI Xiuguo , LIU Xiang , CAO Shiyi , et al. Development, challenge and opportunity of optical fiber communication system technologies[J]. Telecommunications Science, 2016, 32 (5): 34- 43.
2 BALLATO J , DRAGIC P . Materials development for next generation optical fiber[J]. Materials, 2014, 7 (6): 4411- 4430.
doi: 10.3390/ma7064411
3 陶伟. 基于"VAD+OVD"两步法的G. 652D光纤预制棒羟基控制工艺研究[D]. 杭州: 浙江大学, 2019.
TAO Wei. Study on hydroxyl control technology of G. 652D optical fiber preform based on "VAD+OVD" two-step method[D]. Hangzhou: Zhejiang University, 2019.
4 王兵钦, 王樯, 何炳, 等. VAD法制备大尺寸芯棒的研究[J]. 光通信技术, 2020, 44 (10): 47- 52.
WANG Bingqin , WANG Qiang , HE Bing , et al. Research on VAD method of fabricating large size core rod[J]. Optical Communication Technology, 2020, 44 (10): 47- 52.
5 SUDO S , EDAHIRO T , KAWACHI M . Sintering process of porous preforms made by a VAD method for optical fiber fabrication[J]. Ieice Transactions, 1980, 63 (10): 731- 737.
6 TRAUTVETTER T , SCHÄFER J , BENZINE O , et al. Plasma-based VAD process for multiply doped glass powders and high-performance fiber preforms with outstanding homogeneity[J]. Plasma Processes and Polymers, 2020, 17 (12): 2000140.
doi: 10.1002/ppap.202000140
7 FUKUSHIMA K . Cognitron: a self-organizing multilayered neural network[J]. Biological Cybernetics, 1975, 20 (3): 121- 136.
8 康靓, 米晓希, 王海莲, 等. 人工神经网络在材料科学中的研究进展[J]. 材料导报, 2020, 34 (21): 21172- 21179.
KANG Jing , MI Xiaoxi , WANG Hailian , et al. Research progress of artificial neural networks in material science[J]. Materials Reports, 2020, 34 (21): 21172- 21179.
9 戚云超, 方国东, 梁军, 等. 三维针刺C/C-SiC复合材料预制体工艺参数优化[J]. 材料工程, 2020, 48 (1): 27- 33.
QI Yunchao , FANG Guodong , LIANG Jun , et al. Optimization of process parameters of three-dimensional needled preforms for C/C-SiC composites[J]. Journal of Materials Engineering, 2020, 48 (1): 27- 33.
10 赖静, 王清, 孙东立. 人工神经网络在材料研究中的应用[J]. 材料工程, 2006, (增刊1): 458- 462.
LAI Jing , WANG Qing , SUN Dongli . Application ofartificial neural network in materials study[J]. Journal of Materials Engineering, 2006, (Suppl.1): 458- 462.
11 MIRJALILI S . Evolutionary algorithms and neural networks[M]. Cham, Switzerland: Springer, 2019: 43- 55.
12 SHEN C Y , WANG L , LI Q . Optimization of injection molding process parameters using combination of artificial neural network and genetic algorithm method[J]. Journal of Materials Processing Technology, 2007, 183 (2/3): 412- 418.
13 郭强, 郑燕萍, 朱伟庆, 等. 基于BP神经网络遗传算法的高强钢成形研究[J]. 材料科学与工艺, 2020, 28 (2): 89- 96.
GUO Qiang , ZHENG Yanping , ZHU Weiqing , et al. Research on high strength steel forming based on BP neural network genetic algorithms[J]. Materials Science and Technology, 2020, 28 (2): 89- 96.
14 黄丽. BP神经网络算法改进及应用研究[D]. 重庆: 重庆师范大学, 2008.
HUANG Li. BP neural network algorithm improvement and application research[D]. Chongqing: Chongqing Normal University, 2008.
15 RUAN X M , ZHU Y Y , LI J , et al. Predicting the citation counts of individual papers via a BP neural network[J]. Journal of Informetrics, 2020, 14 (3): 101039.
[1] 赵天怀,王目树,潘为刚,康超,秦石铭,徐飞. 挖掘机智能辅助施工系统设计[J]. 山东大学学报 (工学版), 2023, 53(4): 163-172.
[2] 丁飞,江铭炎. 基于改进狮群算法和BP神经网络模型的房价预测[J]. 山东大学学报 (工学版), 2021, 51(4): 8-16.
[3] 孙东磊,王艳,于一潇,韩学山,杨明,闫芳晴. 基于BP神经网络的短期光伏集群功率区间预测[J]. 山东大学学报 (工学版), 2020, 50(5): 70-76.
[4] 金保明,卢光毅,王伟,杜伦阅. 基于弹性梯度下降算法的BP神经网络降雨径流预报模型[J]. 山东大学学报 (工学版), 2020, 50(3): 117-124.
[5] 郑店坤,许同乐,尹召杰,孟庆民. 改进PSO-BP神经网络对尾矿坝地下水位的预测方法[J]. 山东大学学报 (工学版), 2019, 49(3): 108-113.
[6] 杨亚楠,夏斌,谢楠,袁文浩. 基于BP神经网络和多元Taylor级数的混合定位算法[J]. 山东大学学报 (工学版), 2019, 49(1): 36-40.
[7] 邓冠龙,杨洪勇,张淑宁,顾幸生. 零等待flow shop多目标调度的混合差分进化算法[J]. 山东大学学报(工学版), 2016, 46(5): 21-28.
[8] 刘杰, 杨鹏, 吕文生, 刘阿古达木, 刘俊秀. 基于气象因素的PM2.5质量浓度预测模型[J]. 山东大学学报(工学版), 2015, 45(6): 76-83.
[9] 姚福安,庞向坤,焦营营,王忠林,张锡满 . 基于三色法和BP神经网络的回转窑温度检测[J]. 山东大学学报(工学版), 2008, 38(2): 61-65 .
[10] 高小伟,蒋晓芸 . BP神经网络在入侵检测系统中的应用及优化[J]. 山东大学学报(工学版), 2006, 36(6): 107-110 .
Viewed
Full text


Abstract

Cited
  Shared   
  Discussed   
[1] 王素玉,艾兴,赵军,李作丽,刘增文 . 高速立铣3Cr2Mo模具钢切削力建模及预测[J]. 山东大学学报(工学版), 2006, 36(1): 1 -5 .
[2] 张永花,王安玲,刘福平 . 低频非均匀电磁波在导电界面的反射相角[J]. 山东大学学报(工学版), 2006, 36(2): 22 -25 .
[3] 李 侃 . 嵌入式相贯线焊接控制系统开发与实现[J]. 山东大学学报(工学版), 2008, 38(4): 37 -41 .
[4] 施来顺,万忠义 . 新型甜菜碱型沥青乳化剂的合成与性能测试[J]. 山东大学学报(工学版), 2008, 38(4): 112 -115 .
[5] 孔祥臻,刘延俊,王勇,赵秀华 . 气动比例阀的死区补偿与仿真[J]. 山东大学学报(工学版), 2006, 36(1): 99 -102 .
[6] 来翔 . 用胞映射方法讨论一类MKdV方程[J]. 山东大学学报(工学版), 2006, 36(1): 87 -92 .
[7] 余嘉元1 , 田金亭1 , 朱强忠2 . 计算智能在心理学中的应用[J]. 山东大学学报(工学版), 2009, 39(1): 1 -5 .
[8] 李梁，罗奇鸣，陈恩红. 对象级搜索中基于图的对象排序模型（英文）[J]. 山东大学学报(工学版), 2009, 39(1): 15 -21 .
[9] 陈瑞,李红伟,田靖. 磁极数对径向磁轴承承载力的影响[J]. 山东大学学报(工学版), 2018, 48(2): 81 -85 .
[10] 王波,王宁生 . 机电装配体拆卸序列的自动生成及组合优化[J]. 山东大学学报(工学版), 2006, 36(2): 52 -57 .
版权所有 © 2018 《山东大学学报(工学版)》编辑部　
地址: 济南市山大南路27号（250100）　 电话: 0531-88366735　 E-mail: xbgxb@sdu.edu.cn
本系统由北京玛格泰克科技发展有限公司设计开发