光纤光栅温度传感器应变补偿系统研究

第１５卷第５期　重庆科技学院学报（自然科学版）　２０１３年ｌ０月　光纤光栅温度传感器应变补偿系统研究　樊晓宇　（安徽科技学院机电与车辆工程学院，安徽凤阳２３３１００）　摘要：提出采用Ｄ—Ｓ证据理论融合的多传感器信息融合ＢＰ神经网络模型方法，来解决光纤光栅温度传感器的应　变补偿问题，即改善光纤光栅的交叉敏感现象。通过程序仿真和实验证实，此方法可以实现对光纤光栅温度传感器　的应变补偿，达到光纤光栅温度传感器温度和应变的精确分离，其测量温度误差约为１０～，同时有效地抑制了光纤　光栅传感器非线性的影响。　关键词：温度传感器；应变补偿系统；神经网络；Ｄ—Ｓ证据理论　中图分类号：ＴＰ２１２　文献标识码：Ａ　文章编号：１６７３—１９８０（２０１３）０５—０１５６—０５　光纤布拉格光栅是ＦＢＧ温度传感器的基本部　件，光纤布拉格光栅的物理量是应变和温度，且在应　２　Ｄ—Ｓ证据理论与ＢＰ神经网络技术　用中ＦＢＧ温度传感器的应变和温度变化同时存在，　２．１　Ｄ—Ｓ证据理论　导致一般的温度传感器系统难以检测出应变量与温　Ｄ—ｓ证据理论的证据合成规则，给未确定信息　度各自的变化值，此现象称为光纤布拉格光栅交叉　的合成提供了方法。Ｄ—Ｓ证据理论的合成法则为：　敏感　。ＦＢＧ温度传感器的检测量和传感器的输　设Ｂ　和ＢＬ　是同一识别框架　上的２个信任函　出信号之间呈非线性关系，存在一定的非线性误差，　数，其基本概率分配分别为ｍ．和ｍ　，相应的焦元分　在温度的精确检测中上述因素的影响不可忽视。本　别为Ａ　、Ａ　、…、／ｌ　和Ｂ　、Ｂ　、…、Ｂ，，Ｋ为冲突因子，　文采用Ｄ—ｓ证据理论和ＢＰ神经网络相结合的Ｄ　它反映了证据理论中证据问冲突程度的大小。融合　～ｓ证据理论融合的多传感器信息融合ＢＰ神经网　后的基本概率分配为：　络模型来进行ＦＢＧ温度传感器应变交叉敏感的　ｆ∑ｍ。（　）ｍ　（　）　补偿。　ｅｒ（Ｃ）＝｛【　兰＿　　～，ｖ　ｃ　ｃ　１　ＦＢＧ温度传感器交叉敏感现象　０　，　ｃ：‘Ｄ　（１）　ＦＢＧ温度传感器的主要部分是光纤布拉格光　若Ｋ＝１，ｍ　和／＇／Ｚ　完全冲突，则无法组合基本　栅，而光纤布拉格光栅的温度和应变的作用都会使　概率分配　；若　≠１，则ｍ确定一个基本概率分　光纤光栅的折射率发生变化，而引起反射波长变　配。该合成法则的合成结果反映了同一识别框架中　化ｌ２　Ｊ。这样，ＦＢＧ温度传感器将同时受到温度量和　几个不同证据问的联合支持程度。　应变量的影响。所以，当ＦＢＧ温度传感器检测环境　设几个传感器，每个传感器有ｒ个测量周期，识　的温度与应变同时存在变化时，被测量的温度信号　别框架中有意义的识别有　个（Ａ。，　：，…，Ａ　），每　和传感器的输出信号间存在一定的误差，在实际使　个传感器在各自测量周期上获得的后验基本概率数　用中需要对传感器进行应变补偿，用于实现温度的　为ｍ　（４　），ｉ＝１，２，…，　＝１，２，…，ｒ；　＝１，２，…，　精确检测。　凡；ｍ　（　）表示第Ｓ个传感器在第　个测量周期对Ａ　收稿日期：２０１３—０４—０２　基金项目：安徽科技学院青年基金项目（ＺＲＣ２０１３３３９）　作者简介：樊晓宇（１９８１一），男，博士，助教，研究方向为通信、传感系统优化设计，信号与信息处理。　・ｌ５６・　樊晓宇：光纤光栅温度传感器应变补偿系统研究　的后验可信任度分配。多传感器融合算法为：①计　置Ｄ—ｓ判据，在此基础上结合ＢＰ神经网络进行特　算每一个周期所有传感器获得的各个融合后验可信　任度分配；②基于可信任度分配计算总的融合后验　征变量参数融合。最后，用融合的结果对ＢＰ神经　网络进行优化，获得Ｄ—Ｓ证据理论融合的多传感　可信任度分配；③根据具体应用，用Ｄ—ｓ证据理论　器信息融合ＢＰ神经网络模型，将模型存入计算机，　组合证据后进行决策。本文在解决多传感器应变补　偿问题时，采用的是基本概率赋值决策。　Ｄ—Ｓ证据理论不足之处为：Ｄ—Ｓ证据理论通　用以处理ＦＢＧ温度传感器测量的温度值。采用受　应变量影响较小的ＦＢＧ温度传感器１和受应变量　影响较大的ＦＢＧ温度传感器２来检测相同环境的　温度，获得不同的温度和应变的２个混合信号，通过　光／电转换器转换为电压信号　和　，经数据采集　卡送入计算机。然后，通过已学习好的融合模型进　行优化，对应的目标环境温度值作为应变补偿系统　过归一化因子（１一Ｋ）　忽略了证据间的冲突，而当　信息间的冲突明显时其融合的最后结果可能产生错　误　Ｊ。所以，本文将Ｄ—Ｓ证据理论与ＢＰ神经网络　相结合进行应用。　２．２　ＢＰ神经网络技术　的输出，即实现了温度信号的精确测量。通过此应　变补偿系统对温度信号进行检测可得精确的温度　值，系统的输出误差在允许范围之内，有效地抑制了　应变信号的非线性影响。　ＢＰ神经网络技术是误差反向传播，对连接权进　行学习的多层前向神经网络技术。ＢＰ神经网络具　有很强的非线性泛化和映射能力　Ｊ。ＢＰ神经网络　是用输入、输出样本进行学习，使网络达到给定的输　入、输出映射函数关系　Ｊ。ＢＰ神经网络算法分为２　个阶段。第一阶段：由样本选取信息从输入层经隐　含层逐层计算各单元的输出值并传向输出层。第二　阶段：若输出层没得到期望的输出值，则将误差信号　沿原连接通道反向传播并修改各层神经元的连接权　值，达到期望目标。　本文在对ＦＢＧ温度传感器应变的交叉敏感补　偿系统分析的基础上，将Ｄ—ｓ证据理论与ＢＰ神经　网络相结合架构多传感器信息融合ＢＰ神经网络模　型。同时，结合ＢＰ神经网络能自适应地发现ＦＢＧ　图１系统硬件结构图　４系统软件设计　温度传感信息的内在特性，对温度传感数据进行正　４．１　多传感信息融合　确处理，具有处理传感信号非线性能力和并行处理　多传感器信息融合是通过分析确定特征变量，　能力的特征，来提高ＦＢＧ温度传感器系统的检测速　再比较参考模型指标来确定检测值。Ｄ—ｓ证据理　度，为ＦＢＧ温度传感器的实时数据处理提供条件。　论具有良好的处理不确定信息的能力。采用Ｄ—Ｓ　所以，采用Ｄ—ｓ证据理论融合的多传感器信息融　合ＢＰ神经网络模型方法对ＦＢＧ温度传感器的应变　补偿系统进行研究。　证据理论进行目标检测时，基本可信任度的分配要　综合相关知识。。　Ｊ。本文在提出Ｄ—ｓ证据的基础　上，采用ＢＰ神经网络来处理证据理论的基本可信　任度分配，通过对ＢＰ神经网络的学习，再利用其泛　化能力，可得到证据对各个待测目标环境温度的基　３应变补偿系统设计　Ｄ—ｓ证据理论多传感器信息融合ＢＰ神经网　络模型的ＦＢＧ温度传感器应变补偿系统的硬件结　构如图１所示。工作过程为：Ｄ—Ｓ证据理论信息融　本可信任度分配，然后利用Ｄ—ｓ证据理论进行信　息融合，即可得到最终的温度检测结果。　在信息融合检测系统的２个传感器中，存一个　待检测的目标对象。ＢＰ神经网络的输入量不能直　接获得，需要用温度信号处理与特征提取技术从原　始数据中提取能反映其特征的若干特征参数作为网　・合主要通过分析确定特征的温度和应变变量，再比　对参考模型指标来确定检测的温度值。ＢＰ神经网　络先进行网络学习，确定网络的各个特征参数。设　１　５７・　樊晓宇：光纤光栅温度传感器应变补偿系统研究　络的输入。所以，２个传感器的测量数据经过信号　处理后提取２个特征参量，ＢＰ神经网络的结构采用　２个输入端和１个输出端，这样可将网络输出限定　５融合模型构架与结果分析　设温度　为２６．５２４　，　为２７．８０３　，　为　２８．４０２　，　为３５．１３９　。　在区间内。首先提供样本数据给ＢＰ神经网络进行　学习，２个传感器每检测一次，经过信号处理就可得　到２个特征参量，把这２个特征参量作为输入，经过　ＢＰ神经网络的处理后就能得到２个在区间上的数　值。最后，把这些数值经过归一化处理，作为这２个　待识温度的基本可信任度分配。　４．２　ＢＰ神经网络的学习　ＭＡＴＬＡＢ为ＢＰ神经网络的设计与学习提供了　专用工具箱，可根据需要调用相关程序　Ｊ。本补偿　系统采用ＢＰ神经网络的输入层函数使用线型函　数，对ＢＰ神经网络进行学习，根据网络的期望输　出，不断调整网络的连接权值和偏置，使网络的输出　误差在允许范围内。ＢＰ神经网络学习后在区间内　检测的任意值为网络输入，网络输出即为所得的温　度值　ｍ　。　补偿系统采用３层ＢＰ神经网络，输入层设置２　个节点，分别输入２个ＦＢＧ温度传感器测得的温度　转变成的电压信号　和电压信号　；隐含层设置６　个节点；输出层设置１个节点，即为系统的最后温度　电压信号　的输出。系统设计的ＢＰ神经网络学习　速率取值为０．１，系统中采用的收敛精度为１０～。　ＢＰ神经网络通过学习后，得到网络误差曲线如　图２所示。ＢＰ神经网络的学习在２００次左右达到　系统的允许误差，温度误差大约为１０　Ｉ２数量级。因　此，对于合理的参数，ＢＰ神经网络的收敛速度较快，　网络误差较小。经过Ｄ—ｓ证据理论融合的多传感　器信息融合ＢＰ神经网络模型处理后的ＦＢＧ温度传　感器的温度信号检测误差小于１０Ｉ２℃，测量精度　较高　图２　ＢＰ神经网络学习过程的误差曲线图　・１５８・　５．１　融合模型构架　应用ＢＰ神经网络对２个ＦＢＧ温度传感器的检　测温度进行基本可信任度的分配。先用样本数值对　ＢＰ神经网络进行学习，学习结果如图２所示。ＢＰ　神经网络学习精度为１０～，达到目标误差。将融合　模型中任一组２个ＦＢＧ温度传感器的检测数据输　入ＢＰ神经网络，在输出端得到基本可信任度分配，　如表１所示。Ｐ。、Ｐ　、Ｐ　和Ｐ４分别表示检测样本温　度２７．８０　ｃ《二可能为　、　、　或　的概率，而　表　示模拟系统温度不确定的概率。按Ｄ—Ｓ合成规则　将２个ＦＢＧ温度传感器进行组合，可得到融合传感　器关于目标环境温度检测的概率值为：Ｐ．＝０．０５８，　Ｐ２＝０．１０７，Ｐ３＝０．０９１，Ｐ４＝０．０５５，　ｌ２＝０．０２９，　１３＝０．０５４，　Ｉ４＝０．０３１，　２１＝０．０８１，　２３＝０．１２，　２４＝０．０６９，　３ｌ＝０．０４４，　３２＝０．０３４，　３４＝０．０３７，　４ｌ＝０．０３９，　２＝０．０３，　４３＝０．０５７；　表示发生冲　突的概率。若２个ＦＢＧ温度传感器的证据冲突因　子为Ｋ，融合后的基本概率值为ｍ（Ｐ。）、ｍ（Ｐ：）、ｎｚ　（Ｐ　）和ｍ（Ｐ４）。算得冲突因子Ｋ＝０．６２５。由式　（１）可算得２个ＦＢＧ温度传感器证据融合对目标环　境温度的基本概率值为ｍ（Ｐ，）＝０．１５５，ｍ（Ｐ　）＝　０．２８５，ｍ（Ｐ　）＝０．２４３，ｍ（Ｐ　）＝０．１４７，ｍ（　）＝　０．００１。可见，不确定性基本概率值　下降到　０．００１。检测结果表明，基本概率值ｍ（Ｐ　）最大，最　终目标环境温度的决策结果为Ｐ　，即目标环境的温　度值是２７．８０３　ｑＣ。这个温度检测值与表１中的单　一ＦＢＧ温度传感器ｌ的检测温度值一致，而与单一　ＦＢＧ温度传感器２的检测温度值有些差异。这说明　经过Ｄ—ｓ证据理论融合的多传感器信息融合ＢＰ　神经网络模型在目标环境温度检测精度方面比单一　温度传感器有较大提高。　表１基本可信任度分配　樊晓宇：光纤光栅温度传感器应变补偿系统研究　５．２模型结果分析　叉敏感问题得到了很好的改善，补偿系统较好地抑制　了非线性的影响，检测效果明显改善，这有利于ＦＢＧ　应变补偿系统运行后，Ｄ—ｓ证据理论融合的多　传感器信息融合ＢＰ神经网络模型对５个存在不同　应变值的环境温度进行２０次检测，最终得到补偿系　统输出温度值与实际标定的温度值的情况，如表２　温度传感器在高精度测量中的实际应用。　所示。同时，假定目标环境温度为２５℃，将融合模　型的检测结果与单一ＦＢＧ温度传感器１以及单一　ＦＢＧ温度传感器２的检测结果进行比较，比较结果　如图３所示。由表２和图３可见，融合模型对目标　ｇ　皿醋１　环境温度在不同的应变值下进行检测，经过融合模　型的温度检测系统的输出值与在工作温度范围内的　标定值十分接近，测量精度为０．０１℃，比单一ＦＢＧ　温度传感器检测精度显著提高。　表２不同应变值下系统输出温度值与标定值的比较　２７　——融合检测　２６　……一．　ＦＢＧ１检测　一一一ＦＢＧ２检钡　，．＿　一．　一　、　～一　＾　：＝　．　２５　赠　嚣２４　２３　２２　Ｏ　４　６　８　１０　应变值，ｕ￡　图３　融合模型和单一模型检测温度值的比较　基于融合模型的ＦＢＧ温度传感器应变补偿系统　的输出特性曲线如图４所示。在工作温度范围内，融　合模型优化后的ＦＢＧ温度传感器在不同应变值和温　度状态下的实际输出特性曲线与ＦＢＧ温度传感器的　理想特性曲线十分接近，且与对应直线上的点相差很　小。结果表明：采用融合模型的ＦＢＧ温度传感器应　变补偿系统能将温度和应变信号精确分离，ＦＢＧ的交　燃　０　皇　图４补偿后的温度传感器输出特性曲线　６　结论　将Ｄ—ｓ证据理论信息融合的多传感器融合ＢＰ　神经模型应用于ＦＢＧ温度传感器的应变交叉敏感　补偿问题上，发挥了ＢＰ神经网络的自适应能力和Ｄ　—ｓ证据理论不精确推理能力。对不同ＦＢＧ温度传　感器检测的同一目标环境温度数据进行融合，提高　了传感器系统的性能和温度与应变的分离精度，使　ＦＢＧ温度传感器的交叉敏感现象得到很好的改善，　系统的温度测量精度显著提高。　参考文献　［１］赵勇．光纤光栅及其传感技术［Ｍ］．北京：国防工业出版　社，２００６：５４—５６．　［２］Ｈｕａｎｇ　Ｍ，Ｙａｎ　Ｘ．Ａｎａｌｙｔｉｃａｌ　Ｓｏｌｕｔｉｏｎｓ　ｔｏ　Ｅｓｔｉｍａｔｅ　ｔｈｅ　Ｓｔｒｅｓｓ　Ｉｎｄｕｃｅｄ　Ｐｏｌａｒｉｚａｔｉｏｎ　Ｓｈｉｆｔ　ａｎｄ　ｔｈｅ　Ｔｅｍｐｅｒａｔｕｒｅ　Ｓｅｎ—　ｓｉｔｉｖｉｔｙ　ｏｆ　Ｏｐｔｉｃａｌ　Ｗａｖｅｇｕｉｄｅｓ［Ｊ］．Ｊ．Ａｐｐ１．Ｐｈｙｓ．，２００４，９５　（５）：２８２０－２８２６．　［３］王洪发，王先义．Ｄ—ｓ证据理论在多源数据融合中的应　用及改进［Ｊ］．现代电子技术，２００９，３２（１５）：７—１２．　［４］Ｌａｗｒｅｎｃｅ　Ａ　Ｋ．多传感器数据融合理论及应用［Ｍ］．北　京：北京理工大学出版社，２００４：１５－．４５．　［５］高隽．人工神经网络原理及仿真实例［Ｍ］．北京：机械工　业出版社．２００５：７５—１００．　［６］张永怀，刘君华．采用ＢＰ神经网络及其改进算法改善　传感器特性［Ｊ］．传感技术学报，２００２（９）：１８５—１８８．　［７］陈登峰，嵇启春，张洪才．冲突证据的目标识别系统的研　究［Ｊ］．红外技术，２００７，２９（９）：４９７—５０２．　・１５９・　樊晓宇：光纤光栅温度传感器应变补偿系统研究　［８］刘鹏，屠康．基于Ｄ—Ｓ证据理论的鸡蛋新鲜度多传感器融　合识别［Ｊ］．农业机械学报，２０１１，４２（８）：１２２—１２５．　［９］范晓静，胡玉兰．基于神经网络与Ｄ．Ｓ证据理论的目标　识别［Ｊ］．沈阳理工大学学报，２００７，２６（５）：３３．３５．　［１Ｏ］樊晓宇．光纤光栅应变传感器温度补偿系统研究［Ｊ］　光通信技术，２０１２（６）：７－９．　Ｓｔｕｄｙ　ｏｆ　ｔｈｅ　ＦＢＧ　Ｔｅｍｐｅｒａｔｕｒｅ　Ｓｅｎｓｏｒ　Ｓｔａｉｎ　Ｃｏｍｐｅｎｓａｔｉｏｎ　Ｓｙｓｔｅｍ　ＦＡＮ　Ｘｉａｏｙｕ　（Ｓｃｈｏｏｌ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ　Ｅｌｅｃｔｒｏｎｉｃ　ａｎｄ　Ａｕｔｏｍｏｂｉｌｅ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ａｎｈｕｉ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ　Ｕｎｉｖｅｒｓｉｔｙ，Ｆｅｎｇｙａｎｇ　Ａｎｈｕｉ　２３３　１００）　Ａｂｓｔｒａｃｔ：Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｓｏｌｖｅ　ｓｔｒａｉｎ　ｃｏｍｐｅｎｓａｔｉｏｎ　ｐｒｏｂｌｅｍ　ｏｆ　ｔｈｅ　ｆｉｂｅｒ　Ｂｒａｇｇ　ｇｒａｔｉｎｇ（ＦＢＧ）ｔｅｍｐｅｒａｔｕｒｅ　ｓｅｎｓｏｒ，ｔｈｅ　－　ｓｅｎｓｏｒ　ｉｎｆｏｒｍａｔｉｏｎ　ｆｕｓｉｏｎ　ａｎｄ　ＢＰ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｍｏｄｅｌ　ｍｅｔｈｏｄ　ｏｆ　ｔｈｅ　Ｄ—Ｓ　ｅｖｉｄｅｎｃｅ　ｔｈｅｏｒｙ　ｉｓ　ａｄｏｐｔｅｄ　ｉｎ　ｔｈｅ　ｐａ．ｐｅｒ，ｉｎｃｌｕｄｉｎｇ　ｔｏ　ｉｍｐｒｏｖｅ　ｃｒｏｓｓ—ｓｅｎｓｉｔｉｖｉｔｙ　ｐｈｅｎｏｍｅｎｏｎ　ｏｆ　ＦＢＧＴｈｅ　ｒｅｓｕｌｔｓ　ｏｆ　ｐｒｏｇｒａｍ　ｓｉｍｕｌａｔｉｏｎｓ　ａｎｄ　ｅｘＤｅｒｉｍｅｎｔｓ　ｉｌｌｕｓｔｒａｔｅ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｃａｎ　ｒｅａｌｉｚｅ　ｓｔｒａｉｎ　ｃｏｍｐｅｎｓａｔｉｏｎｓｅｐａｒａｔｅ　ｔｈｅ　ｔｅｍｐｅｒａｔｕｒｅ　ａｎｄ　ｔｈｅ　ｓｔｒａｉｎ　ｅｘａｃｔｌｖ　ｉｎ　ｔｈｅ　ＦＢＧ　，ｔｅｍｐｅｒａｔｕｒｅ　ｓｅｎｓｏｒ　ａｎｄ　ｔｈｅ　ｍｅａｓｕｒｉｎｇ　ｔｅｍｐｅｒａｔｕｒｅ　ｅｒｒｏｒ　ｉｓ　ａｂｏｕｔ　１　０～Ｔｈｅ　ｍｅｔｈｏｄ　ａｌｓｏ　ｒｅｓｔｒａｉｎｓ　ｔｈｅ　ｉｎｆｌｕｅｎｃｅ　ｏｆ　．ｎｏｎｌｉｎｅａｒ　ｅｆｆｅｃｔｉｖｅｌｙ　ｉｎ　ｔｈｅ　ＦＢＧ　ｓｅｎｓｏｒ．　Ｋｅｙ　ｗｏｒｄｓ：ｔｅｍｐｅｒａｔｕｒｅ　ｓｅｎｓｏｒ；ｓｔｒａｉｎ　ｃｏｍｐｅｎｓａｔｉｏｎ　ｓｙｓｔｅｍ；ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ；Ｄ—Ｓ　ｅｖｉｄｅｎｃｅ　ｔｈｅｏｒｙ　（上接第１４８页）　Ｓｗｉｔｃｈｇｅａｒ　Ａｒｃ　Ｍｏｎｉｔｏｒｉｎｇ　Ｄｅｖｉｃｅ　Ｂａｓｅｄ　ｏｎ　ｔｈｅ　ＵＶ　Ｐｕｌｓｅ　Ｍｅｔｈｏｄ　ＺＨＡＮＧ　Ｆｅｉ　１７１　Ｈｏｎｇ　ＲＡＮ　Ｘｉｕｙｏｎｇ　（Ｘｉｕｓｈａｎ　Ｐｏｗｅｒ　Ｓｕｐｐｌｙ　Ｃｏｍｐａｎｙ　ｏｆ　Ｃｈｏｎｇｑｉｎｇ，Ｃｈｏｎｇｑｉｎｇ　４０９９００）　Ａｂｓｔｒａｃｔ：Ｓｗｉｔｃｈｇｅａｒ　ａｒｃｉｎｇ　ｆａｕｌｔ　ｃａｕｓｅｓ　ａ　ｓｅｒｉｏｕｓ　ｔｈｒｅａｔ　ｔｏ　ｔｈｅ　ｐｏｗｅｒ　ｓｙｓｔｅｍ　ｓａｆｅ　ｏｐｅｒａｔｉｏｎ　ａｎｄ　ｐｅｒｓ０ｎａ１　ｓａｆｅｔｖ．　Ａｎｄ　ｓｗｉｔｃｈｇｅａｒ　ｐｒｏｔｅｃｔｉｏｎ　ｄｅｖｉｃｅｓ　ａｐｐｌｉｅｄ　ｉｎ　ｏｕｒ　ｃｏｕｎｔｙ　ａｒｅ　ｍｏｓｔｌｙ　ｉｍｐｏｒｔｅｄ　ａｂｒｏａｄｒ，ＳＯ　ｉｔ　ｉｓ　ｎ０ｔ　ｅａｓｖ　ｆｏｒ　１ａｒｇｅ　ｉｎ—　．ｓｔａｌｌａｔｉｏｎｓ　ｂｅｃａｕｓｅ　ｏｆ　ｈｉｇｈ　ｃｏｓｔ．Ｔｈｒｏｕｇｈ　ａｎａｌｙｚｉｎｇ　ｔｈｅ　ｕｌｔｒａｖｉｏｌｅｔ　ｃｏｍｐｏｎｅｎｔ　ｏｆ　ｔｈｅ　ａｒｅ　ｄｉｓｃｈａｒｇｅ　ｓｐｅｃｔｒｕｍｉｔ　ｄｅ—　．　ｖｅｌｏｐｓ　ｔｈｅ　ｓｗｉｔｅｈｇｅａｒ　ａｒｃ　ｍｏｎｉｔｏｒｉｎｇ　ｄｅｖｉｃｅ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｕｌｔｒａｖｉｏｌｅｔ　ｐｕｌｓｅ　ｍｅｔｈｏｄ　ａｎｄ　ｕｈｒａｖｉ０１ｅｔ—ｂｌｉｎｄ　ＵＶ　ｓｅｎｓ０ｒａｎｄ　ｄｅｓｉｇｎｓ　ｈａｒｄｗａｒｅ　ａｎｄ　ｓｏｆｔｗａｒｅ　ｏｆ　ｔｈｅ　ｄｅｖｉｃｅｔｈｅ　ｓｐａｒｋ　ｄｉｓｃｈａｒｇｅ　ａｎｄ　ａｒｃ　ｄｉｓｃｈａｒｇｅ　ｅｘＤｅｒｉｍｅｎｔｓ　ａｒｅ　ｃａｒｒｉｅｄ　，ｏｕｔ．Ｔｈｅ　ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｔｈｅ　ｄｅｖｉｃｅ　ｃａｎ　ｃｏｒｒｅｃｔｌｙ　ｒｅｆｌｅｃｔ　ｔｈｅ　ｔｙｐｅ　ｏｆ　ｄｉｓｃｈａｒｇｅａｎｄ　ａｃｃｕｒａｔｅｌｖ　ｄｅｔｅｒ　．ｍｉｎｅ　ｔｈｅ　ｏｃｃｕｒｒｅｎｃｅ　ｏｒ　ｎｏｎ—ｏｃｃｕｒｒｅｎｃｅ　ｏｆ　ａｎ　ａｒｃ　ｆａｕｌｔＩｔ　ｈａｓ　ｈｉｇｈ　ｓｅｎｓｉｔｉｖｉｔｙ．Ｔｈｅ　ｄｅｖｉｃｅ　ｃａｎ　ｂｅ　ｕｓｅｄ　ｉｎ　ｓｗｉｔｃｈ—　．　ｇｅａｒ　ａｒｅ　ｆａｕｌｔ　ｍｏｎｉｔｏｒｉｎｇ，ｔｏ　ｐｒｏｔｅｃｔ　ｔｈｅ　ｓｗｉｔｃｈｇｅａｒ　ａｎｄ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｒｅｌｉａｂｉｌｉｔｙ　ｏｆ　ｔｈｅ　ｐｏｗｅｒ　ＳＵ【ｐｐｌｖ．　Ｋｅｙ　ｗｏｒｄｓ：ｓｗｉｔｃｈｇｅａｒ：ｕｌｔｒａｖｉｏｌｅｔ：ａｒｃ：ｄｉｓｃｈａｒｇｅ　・１６０・