光ファイバー・ブラッグ・グレーティング（Fiber Bragg Grating、FBG）流量温度複合センサの重大な干渉問題に対して、小型プローブ型FBG流量温度複合センサを研究対象とし、ハリスホーク最適化アルゴリズムに基づくカーネル極限学習機（Harris Hawks Optimizer algorithm Optimized Kernel Extreme Learning Machine、HHO-KELM）によるデカップリングアルゴリズムを提案した。まず、中空円筒片持ち梁を荷重担持体とする小型プローブ型FBG流量温度複合センサを設計し、センサの波長シフト量と流量温度のマッピング関係を明らかにした。次に、流量温度複合センシング実験を行うための実験システムを構築し、流量温度の結合特性を分析した。最後に、ハリスホークアルゴリズムを用いてカーネル極限学習機の最適正則化係数とカーネル関数パラメータの組み合わせを取得し、HHO-KELMアルゴリズムによる流量温度デカップリングモデルを構築した。デカップリング後の流量は2~30 m³/hの範囲内で、流量平均誤差は0.038 m³/h、平均二乗誤差は1.91×10^-3 m³/h、温度平均誤差は0.027 ℃、平均二乗誤差は1.03×10^-3 ℃であった。デカップリング効果を検証するために、HHO-KELMアルゴリズムの結果をBPアルゴリズムおよびELMアルゴリズムの結果と比較した。実験結果は、HHO-KELMアルゴリズムが優れたデカップリング精度と効率を持ち、流量温度の結合干渉を効果的に低減し、センサの測定精度と安定性を向上させ、流量温度のリアルタイム動的デカップリングを実現できることを示した。

光ファイバー・ブラッグ・グレーティング;流量温度複合センシング;結合干渉;カーネル極限学習機;ハリスホークアルゴリズム