什么是分布式光纤传感？

分布式光纤传感技术（Distributed Fiber Optic Sensing, DFOS）是一种利用光纤作为传感介质的先进感知技术，能够在单根光纤中通过分析后向散射信号来监测环境的变化。这种技术无需在光纤上布设大量的离散传感器，而是利用光纤本身的物理特性，对沿光纤全程的物理量（如温度、应变、振动等）进行连续监测，从而实现对管道、隧道、电缆等线性基础设施的实时监控。

下面的示意图描述了分布式光纤传感与其它光纤传感的区别。


图1 分布式光纤传感与其它光纤传感的区别

  1. 点式传感器（图a）：传统的光纤传感器通过单个感应点来收集信息，局限于只能检测固定位置的环境变化。

  2. 准分布式传感器（图b）：准分布式传感通过多个分布点进行感知，增加了检测的覆盖范围，但检测点不连续。

  3. 分布式传感器（图c）：分布式传感器可以在一条光纤上实现全程监测，精准定位沿线任意位置的环境变化。

分布式光纤传感系统及其应用场景

分布式光纤传感系统(distributed fiber optic sensing ，DFOS)通常包括光纤分布式声波传感(distributed optical fiber acoustic sensing ，DAS)和分布式光纤振动传感系统(distributed optical fiber vibration sensing，DVS)。图1展示了分布式光纤传感的几种应用场景。分布式光纤传感技术是一种利用单根光纤中的后向瑞利散射光束来定位和恢复光纤链路上任意位置环境物理量变化的先进感知技术 (missing reference)，该技术具有环境适应性强、传感范围大、信道间光速同步、时空分辨精度高等优势。目前，DAS技术已经在地球物理勘探与地震学 (missing reference)、油气资源勘探 (missing reference)以及一系列线性基础设施安全在线监测 (missing reference)等领域展示出独特的技术优势和巨大的应用潜力，其应用领域仍在进一步拓展中。基于光纤瑞利散射的 DAS 技术从强度检测的定性阶段逐渐发展到波形恢复的定量阶段。前者又称为光纤分布式振动传感（DVS）技术 (missing reference)，仅对整条光纤链路的振动事件进行定位和事件频率信息进行表征，其主要对振动信号进行定性检测，无法正确恢复振动信号的波形信息。后者则为狭义的 DAS 技术，大多通过解调单色光脉冲的散射相位信息或调谐光波的散射频率信息，获取光波时延信息并线性重建外界扰动变化。

下面的示意图描述了分布式光纤传感系统及其相关应用场景举例。


图2 分布式光纤传感系统及其相关应用场景

分布式光纤传感数据及其处理技术

DFOS系统可以连续测量沿光纤发生的振动，特别适用于远距离、全方位、多点非法入侵等安全威胁事件的实时测量、非法破坏、结构损伤。

研究者们广泛探索了提高分布式光纤传感系统的感知距离、空间分辨率、频率响应和定位精度的方法。然而，在实际应用中，从海量传感数据中挖掘有用信息的能力也至关重要。

几年前，许多学者提出了许多针对分布式光纤传感数据的事件类型识别方法。他们的研究取得了比较好的成果。传统的事件分类算法依赖于特定的功能或规则，不能满足实时性要求。相比之下，深度学习不那么复杂。深度学习不需要特征提取。它可以自发地从大量数据集中提取特征，并实时改变其参数。因此，深度学习适合基于分布式光纤传感系统的安全威胁事件分类。这种方法是近年来的热门话题，一些学者提出了许多将深度学习应用于分布式光纤传感系统的想法。

2017年和2018年报道了深度学习在DOFS系统数据处理中识别安全事件的巨大潜力 (missing reference)。

Xu (missing reference)提出了一种将时频分析与卷积神经网络(CNN)相结合的方法对不同类型的振动事件进行分类。该方法采用谱减法和短时傅里叶法变换用于增强信号特征，同时形成频谱图作为CNN的输入。然后，用SoftMax函数代替CNN中的多类支持向量机(SVM)。结果表明，该方法对4000个不同类型事件的分类准确率为93.3%。该方法提高了精度，但信号增强运算和全连通层支持向量机需要较长的运行时间。

Jiang (missing reference)提出了一种基于mel频率倒谱系数(MFCC)和CNN的事件分类方法。该方法首先计算数据的MFCC，然后生成频谱作为CNN的输入。结果表明，对3000多个样本数据进行分类的平均准确率为98.02%。该方法的精度很高，但其MFCC的计算和以彩色图片为输入需要消耗一定的计算量。它还使用了小样本数据和简单的CNN结构作为训练体。因此，准确性下降。

Shi (missing reference)提出了一种尺寸更小、训练速度和精度更高的改进CNN结构。他们提出，通过简单的预处理，可以应用于分布式光纤传感系统采集到的振动信号。结果表明，5类5644个样本事件的数据集准确率达到96.67%，速度达到35.61步/秒。这项工作大大提高了速度和准确性。但是，它的中间过程数据是生成299 × 299的彩色图片，然后进行灰度处理需要一定计算量。

He (missing reference)为了解决复杂和恶劣监测环境中人类和动物活动分类的困难，设计了一个双阶段识别网络并进行现场实验，探索该网络对五种不同类型入侵事件的识别精度，如动物入侵、人类入侵和机械挖掘，平均识别率达到 97. 04%。

Yang (missing reference)提出一种用于远程管道入侵监测的半监督学习方法，在低信噪比条件下有效提高了识别和定位入侵事件的能力。大部分的研究集中在事件类型识别上，关于在长距离情况下事件定位上的研究较少。例如说在10km的传感光纤上寻址一个影响范围10m的安全事件，直接应用上面的方法在最好情况下只能判定这10km范围内是否发生了某类安全事件。

Wu (missing reference)的研究工作使用了多种模式识别算法来分类和识别不同类型的机械入侵信号，如大型挖掘机撞击地面、大型挖掘机刮擦地面和小型挖掘机沿着地面移动等。这些算法显示出良好的分类和识别效果，可以显著降低入侵检测中的误报率。

总体而言，分布式光纤传感系统能采集到海量的数据，这些时空数据可以表达成二维的时空图或者三维的时空图，越来越多的研究者们借助于计算机视觉中的深度学习方法，包括目标检测等关键技术手段，试图从大量的时空图中识别出不同的安全事件，并且实现对事件发生位置的确定。

下图展示了分布式光纤传感数据可视化后不同事件对应的二维和三维时空图。


图3 传感数据中不同事件对应的二维和三维时空图

基于分布式光纤传感的电缆安全监测

输电电缆架设方式有地埋和架空两种，其中采用地埋的方式布线就不可避免的存在误挖的问题。由于进行工程、农耕作业时无法预判到实际线路的位置，电缆被意外挖断几乎是没有办法预警的。利用与电缆一同掩埋的通讯光纤收集相关的传感信号，再通过技术手段识别其中的预警信息，成为解决这个难题的一个重要方向。

分布式光纤传感技术近年来飞速发展，能实现的时间空间分辨率在不断提高。短距离内最高的空间分辨率能达到0.2m级别，几十公里级别的长距离光纤传感也能达到10m级别的空间分辨率。时间分辨率最大能达到2000HZ。因此分布式光纤传感系统能提供海量的监测数据。受限制于数据太过嘈杂，从中高效分离出需要的信息仍然是一个困扰其进一步发展的难题。

于此同时随着人工智能的迅猛发展，计算机视觉取得了巨大的进展。计算机视觉致力于使计算机系统能够理解和解释视觉信息，模拟人类对图像和视频的感知和理解能力。计算机视觉的三个主要任务包括：图像分类，目标检测和实例分割。目标检测技术是计算机视觉领域中的一个重要任务，其目标是在图像或视频中准确地定位和识别物体的位置。将分布式光纤传感技术以及目标检测技术结合起来，是解决风电站电缆安全监测的重要尝试。

下图展示了电缆附近正在进行挖机作业。


图4 电缆附近正在进行挖机作业

图5展示了分布式光纤传感系统采集到的挖机作业信号。


图5 挖机作业信号

下图展示了挖机作业信号训练数据。


图6 带标签的监督学习数据

参考文献