分布式光纤声波传感信号如何智能处理？_分布式光纤测振动

 

1.分布式光纤振动传感器原理

原标题：分布式光纤声波传感信号如何智能处理？文 / 吴慧娟、饶云江，电子科技大学引言分布式光纤声波传感技术（DAS）可利用大面积铺设的通信光缆作为敏感单元，成为新一代的全天候、大容量、长距离、高灵敏、低成本的声波/振动传感技术。

2.分布式光纤传感器的原理

目前，DAS已成功应用于油气勘探、海洋探测、周界安防、智能交通、智慧城市等多个领域（图1），将引领光纤物联网领域的蓬勃发展

3.分布式光纤传感器有哪些特点

图1 下一代光纤物联网基础——基于通信光缆的分布式光纤声波传感系统从国内外研究现状看，DAS传感距离、空间分辨率、检测带宽等硬件指标趋于成熟但随着不同应用的深入开展，大范围环境条件复杂多变，普通DAS高灵敏感知的优势也带来了高误报率的难题，对感知对象难以实现高精度检测、识别与定位，从而成为制约DAS技术规模化应用的最大技术瓶颈。

4.分布式光纤传感技术及应用

在人工智能技术发展的推动下，复杂环境下高准确率、高实时性的全智能化DAS（SmartDAS）的信号后处理方法，成为近年来光纤传感领域的研究热点和焦点DAS信号处理方法在噪声抑制及信噪分离、事件信号特征多域提取，从传统机器学习到深度学习的智能识别方法等在国内外都已有大量研究成果。

5.分布式光纤传感 das

以电子科技大学饶云江教授领导的光纤传感研究团队为例，目前在DAS后信号处理方面深耕已10年，近三年更聚焦于从普通DAS到全智能化DAS的更新换代面对复杂应用环境的挑战，借助人工智能的“东风”在后信号处理方法上进行了一系列深入探索研究——从监督到无监督学习、从单源检测到多源混叠检测、从单一识别到识别与定位多任务同步实现等。

6.分布式光纤传感器的特征参量

图2为DAS典型系统结构及其声波传感机理示意图

7.分布式光纤监测技术的工作原理

图2 DAS典型系统结构及其声波传感机理全智能化DAS信号处理方法·从监督学习到无监督学习（1）长短时特征结合的监督识别模型2019年，团队提出了长短时特征结合的监督识别模型(HMM)，如图3所示在传统多域人为特征提取基础上，结合隐马尔科夫模型(HMM)进一步挖掘出了短时多域特征之间的时序关系，在油气管道安全监测应用案例中得到了算法验证结果，将事件识别率提升至98.2%，大大优于仅基于短时多域特征的多个传统识别模型，如支持向量机(SVM)达到91.9% 、随机森林(RF)达到92.8%、XGBoost达到 93.7%，而决策树(DT)、贝叶斯网络(BN)仅达到89.2%和78.3%。

8.分布式光纤传感器优缺点

图4为基于HMM模型挖掘的6类管道安全事件时序规律图

9.分布式光纤传感器的缺点

图3 长短时特征结合的监督识别模型(HMM)

10.分布式光纤传感器的优点

图4 基于HMM模型挖掘的6类管道安全事件时序规律（2）多尺度深度特征与时序关系结合的监督识别模型2021年，团队利用改进的多尺度深度学习网络(mCNN)代替人为特征提取过程，自动对多尺度深度特征进行提取，之后，继续用HMM模型挖掘多尺度深度特征间的时序关系，形成了如图5所示的多尺度短时深度特征与长时特征结合的监督识别模型(mCNN-HMM)。

挖掘的样本信号深度特征时序规律如图6所示，进一步提高了监督识别模型提取特征的丰富性和智能性，并取得了较好的测试结果

图5 多尺度深度特征与长时特征结合的监督识别模型(mCNN-HMM)

图6 基于HMM挖掘的多尺度深度特征间的时序关系此外，团队还提出了基于正确/错误预测概率间欧式距离的特征可分辨性评估方法，如图7所示将其识别率、计算时间与其他常见模型比较（图8），这种多尺度深度特征与长时特征结合的监督识别模型识别性能最高，计算时间有一定增加，但整体上仍能满足在线实时处理的应用要求。

图7 基于正确/错误预测概率间欧式距离的不同特征可分辨性评估

图8 不同模型识别性能和计算效率比较（3）基于脉冲神经网络的无监督识别模型监督识别模型一般都是建立在2个假设条件基础上的：1）训练数据包含了识别对象的所有分布特征；2）测试数据特征分布与训练数据一致但实际上，由于DAS监测距离远，外部环境条件及光缆埋设条件复杂多变，不可预知，同一类事件的DAS感知信号本身差异较大， DAS完整训练样本库的构建有较大难度。

当前监督算法中大多采用典型一致数据集构建模型，在实际应用中深度学习算法的泛化能力受到较大挑战，甚至还有失效的风险因此，团队在2022年又提出一种近似大脑工作机制的脉冲神经网络（SNN）无监督学习方法，如图9所示。

图9 基于SNN的DAS无监督学习网络基于STDP脉冲触发机制，对输入信号进行脉冲特征转换，利用简化LIF模型模拟各神经元膜电位变化过程，并在激活层进行脉冲触发条件判断触发脉冲，在抑制层进行抑制，同时对神经元之间的突触连接权值进行无监督更新。

基于SNN的特征提取及识别过程如图10所示，在不一致坏样本数据集和非均衡数据集上进行测试，如图11所示，无监督SNN的识别结果比监督CNN网络性能更加稳定，泛化能力明显提高

图 10 基于SNN的特征提取及识别过程

图11 无监督SNN网络与监督CNN网络在劣化和非均衡样本上的性能比较·从单源检测到多源混叠检测城市复杂生活场景下，地面交通(地铁、高铁、公路车辆等)、工厂生产、生活噪声及地下施工、地震等多种振动源共同存在，近百米范围内两、三个振动源同时作用光纤几率大，地埋DAS传感信号中多源(二、三源)混叠现象频繁发生（图12），适于单源处理的信号检测识别算法性能急剧下降甚至失效，成为制约其在复杂场景中应用的新的公共难题。

图12 城市复杂环境中的多源混叠现象一方面，多个振动源的发生不可预知导致混叠源数未知，混叠的振动源频谱重叠，分离挑战极大；另一方面，多个振动源到达地埋光纤的传播过程中，受地下非均匀地质结构的多径延迟、混响干扰及多种非弹性传播介质影响， DAS感知的多源混叠信号在地下经历了复杂的非线性混叠过程，其建模过程及分离方法比空中、水下等均匀介质中更具挑战。

目前大部分研究还只是聚焦于单源的检测与识别，而已有的信噪分离、信号增强方法不能本质上解决地埋DAS多源混叠信号分离问题2022年，团队基于线性瞬时混叠模型假设，提出了基于FastICA盲源分离(BSS)的地埋DAS多源分离方法，如图13所示，通过迭代方式使得负熵的目标函数达到最大，并在仿真和实际现场混叠实验中验证了其分离可行性，分离结果如图14所示。

图13 地埋DAS线性瞬时混叠模型及分离方法

图14 真实混叠信号分离结果·从单任务学习到多任务学习当前大部分DAS后处理方法都还是只聚焦于目标振动源或声源的识别或定位，如果同时实现识别与定位等多任务功能时，需要叠加不同算法导致运算冗余，时效性也较差。

因此，团队设计了一种多层次多任务增强的SmartDAS，如图15所示，基于公共数据集同时实现地面目标的识别和偏离光纤的垂直距离定位功能算法细节构建如图16所示，通过公共的深度网络提取不同任务的共享特征，再通过上层的基于注意力机制的分任务网络，分别提取各自任务的可区别特征。

图15 多任务学习增强的SmartDAS

图16 两级多任务网络设计与实现基于铜仁通信光缆监测现场数据，提取了其共享特征及分任务特征，最后实现识别与垂距定位不同任务的同步高效高精准分类，如图17~18所示更引人注意的是，多任务网络处理效率特别高，通过表1与不同网络对比，多任务的计算量及时间代价远小于其他复合网络，在模型大小和测试时间甚至优于目前报道的单识别网络。

图17 多任务网络提取的DAS共享特征及分任务特征

图18 不同模型识别与定位性能比较表1 不同模型的计算量及时间消耗

结论除了本文谈到的监督学习到无监督学习，单源检测到多源混叠检测，单任务到多任务学习的研究进展，目前在复杂城市环境中稳定准确且实时高效的全智能SmartDAS信号处理仍然是分布式光纤声波传感领域的重要任务。

迁移学习、小样本（无样本）的半/无监督学习及具有增强泛化能力的域适应模型等，都是构建新一代SmartDAS急需突破的系列关键技术主要参考文献1. Huijuan Wu*, Xiangrong Liu, Yao Xiao, and Yunjiang Rao. A dynamic time sequence recognition and knowledge mining method based on the hidden Markov models (HMMs) for pipeline safety monitoring with Φ-OTDR, Journal of Lightwave Technology, 2019, 37(19), 4991-5000.

2. Huijuan Wu*, Siqi Yang, XinYu Liu, Chenrui Xu, Hao Lu, Chaoqun Wang, Ke Qin, Zhengning Wang, YunJiang Rao, and Abdulafeez Olawale Olaribidbe. Simultaneous extraction of multi-scale structural features and the sequential information with an end-to-end mCNN-HMM combined model for DAS[J], Journal of Lightwave Technology, 2021, 39(20), 6606-6616.

3. Huijuan Wu*, Dengke Gan，Chenrui Xu, Yimeng Liu, Xinyu Liu, Yuanfeng Song，YunJiang Rao. Improved Generalization in Signal Identification with Unsupervised Spiking Neuron Networks for Fiber-optic Distributed Acoustic Sensor[J], Journal of Lightwave Technology, 2022, 40(9), 3072-3083.

4. Huijuan Wu*, Yimeng Liu，Yunlin Tu, Yuwen Sun，Dengke Gan, Yuanfeng Song，YunJiang Rao. Multi-source Separation under Two “Blind” Conditions for Fiber-Optic Distributed Acoustic Sensor[J], Journal of Lightwave Technology, 2022, 40(8), 2601-2611.

5. Huijuan Wu*, Yufeng Wang, Xinyu Liu, Yuwen Sun, Guofeng Yan, Yu Wu and Yunjiang Rao*. Smart Fiber-Optic Distributed Acoustic Sensing (sDAS) with Multi-Task Learning for Real-Time High-Accuracy Ground Listening Applications. Submitted to IEEE Journal of Internet of Things.

返回搜狐，查看更多责任编辑：