광섬유 브래그 격자(Fiber Bragg Grating, FBG) 유량 온도 복합 센서의 심각한 결합 간섭 문제를 해결하기 위해 소형 프로브형 FBG 유량 온도 복합 센서를 연구 대상으로 하여 해리스 호크 최적화 알고리즘 기반 커널 극한 학습 기계(Harris Hawks Optimizer algorithm Optimized Kernel Extreme Learning Machine, HHO-KELM) 분리 알고리즘을 제안하였다. 먼저, 중공 원통 캔틸레버를 하중 매개체로 하는 소형 프로브형 FBG 유량 온도 복합 센서를 설계하고, 센서의 파장 변위량과 유량 온도의 매핑 관계를 규명하였다; 다음으로, 유량 온도 복합 센싱 실험을 위한 실험 시스템을 구축하고 유량 온도 결합 특성을 분석하였다; 마지막으로 해리스 호크 알고리즘을 이용해 커널 극한 학습 기계의 최적 정규화 계수 및 커널 함수 매개변수 조합을 얻어 HHO-KELM 알고리즘 유량 온도 분리 모델을 구축하였다. 분리 후 유량은 2~30 m³/h 범위 내이고, 유량 평균 오차는 0.038 m³/h, 평균 제곱 오차는 1.91×10^-3 m³/h, 온도 평균 오차는 0.027 ℃, 평균 제곱 오차는 1.03×10^-3 ℃이다. 분리 효과 확인을 위해 HHO-KELM 알고리즘과 BP 알고리즘, ELM 알고리즘의 분리 결과를 비교하였다. 실험 결과 HHO-KELM 알고리즘은 우수한 분리 정확도와 효율성을 가지며 유량 온도 결합 간섭을 효과적으로 저감시켜 센서의 측정 정확도와 안정성을 향상시켜 유량 온도의 실시간 동적 분리를 실현할 수 있음을 보였다.

광섬유 브래그 격자; 유량 온도 복합 센싱; 결합 간섭; 커널 극한 학습 기계; 해리스 호크 알고리즘