基于人工神经网络实现光纤动态应变实时传感的学术研究报告
本研究由来自德国联邦材料研究与测试研究所（Bundesanstalt für Materialforschung und -prüfung， BAM）的Sascha Liehr（通讯作者）、Christos Karapanagiotis、Sven Münzenberger、Stefan Kowarik以及波茨坦大学的Lena Ann Jäger合作完成。研究成果以论文形式发表于2019年2月27日的《Optics Express》期刊第27卷第5期。
一、 研究的学术背景 本研究的核心科学领域属于光纤传感技术，具体聚焦于分布式动态应变测量。分布式声波传感（Distributed Acoustic Sensing， DAS）或分布式振动传感（Distributed Vibration Sensing， DVS）技术已被广泛应用于管道监控、周界安防、轨道监测、结构健康监测及地震学等多个领域。其中，基于相位解调的DAS技术能够实现定量应变测量，但存在一个关键限制：一旦测量中断，相位参考信息便会丢失，难以恢复长期或中断后恢复的准静态应变测量。
为克服这一局限，研究团队先前提出了一种波长扫描相干光时域反射仪（Wavelength-Scanning Coherent Optical Time Domain Reflectometry， WS-COTDR）技术。该技术的原理是，光纤中瑞利散射的干涉图案会随应变或温度发生偏移。通过周期性扫描发射脉冲的波长，可以获得光纤各位置处背向散射功率随波长的特征曲线（即“波长扫描”）。将新的扫描结果与未受应变时的参考扫描结果进行比较，通过计算信号沿波长轴的偏移量，即可定量获得沿光纤每个位置的相对应变变化。这种方法基于参考测量，即使测量中断后恢复，参考扫描依然有效，因而特别适合长期准静态应变监测。然而，WS-COTDR技术此前面临一个严峻挑战：为了从原始扫描数据中计算出应变，需要进行基于相关性分析的信号偏移计算，这一过程计算量巨大，无法实现实时处理，从而严重限制了该技术在需要实时反馈的应用场景中的使用。
因此，本研究的目的是探索并验证使用人工神经网络（Artificial Neural Networks， ANN）替代传统相关算法，用于处理WS-COTDR的原始测量数据，旨在实现两大目标：一是大幅降低数据处理时间，使WS-COTDR首次具备实时动态应变传感能力；二是提升传感器的综合性能，包括降低噪声、改善线性度，并在低信噪比、更少采样点等苛刻条件下仍能保持良好性能。
二、 研究的详细工作流程 本研究的工作流程是一个系统的“方法提出-模型构建-训练优化-性能验证-实际应用”的过程，主要包含以下几个关键步骤：
1. 基于物理模型的合成训练数据生成 这是整个研究的基础。由于从真实测量数据中获取大量带有精确应变标签的数据对极其困难，研究团队选择基于瑞利背向散射干涉的物理模型来生成合成数据用于训练ANN。模型将光纤离散为一系列随机分布、具有随机反射率的散射点。根据公式，模拟了在零应变状态下的一组波长扫描信号（参考扫描 I_ref）和在特定随机训练应变（δε_train）下的另一组扫描信号（应变扫描 I_ε）。每对扫描信号组合成一个输入向量，其对应的标签即为 δε_train。为了确保训练出的ANN能够很好地泛化到真实的、含有噪声的测量数据上，合成数据中特意添加了高斯噪声。最终，生成了包含400万对扫描数据的大规模合成数据集，并进行了标准化（Z-score归一化）处理。
2. 神经网络架构设计与训练策略 研究采用了堆叠式（Stacked）ANN架构，包含两个独立训练的子网络： * 线性化ANN子网：用于校正实验中激光器电流调制导致的非理想线性波长扫描。该子网的训练数据同样通过物理模型生成，输入是非线性扫描的模拟结果，输出是对应的理想线性扫描结果。使用单个隐藏层（200个节点）即可有效完成此任务。 * 应变预测ANN子网：核心网络，用于从经过线性化处理后的扫描数据对中直接预测应变值。研究对比了全连接网络和卷积网络，发现全连接网络性能更优。最终确定的架构包含两个隐藏层（第一层1400个节点，第二层40个节点），使用双曲正切（tanh）作为激活函数。训练时采用Adam优化器，损失函数为均方误差（MSE）。
3. 针对“域适应”问题的独特训练与验证方法 这是本研究方法学的关键创新点。由于ANN是在理想的合成数据（源域）上训练的，而最终要应用在复杂的真实测量数据（目标域）上，二者之间存在差异（如脉冲形状非理想、探测器带宽限制、非高斯噪声等），直接训练容易导致对合成数据的过拟合，在真实数据上表现反而下降。 为解决这一“域适应”问题，研究团队没有仅仅依靠合成数据上的验证损失来监控训练，而是引入了基于真实测量数据的传感器性能参数作为早期停止（Early Stopping）和超参数选择的依据。这两个参数是： * 应变振幅谱密度噪声：表征传感器系统的本底噪声水平。 * 总谐波失真：表征传感器响应于正弦应变激励时的线性度。 在训练过程中，每个训练周期（epoch）结束后，都会在一个独立的真实测量验证集上计算ANN预测结果的这两个参数，并与传统最小均方（Least Mean Square， LMS）相关算法的结果进行比较。当这些性能参数在验证集上开始恶化时，即使合成数据上的损失仍在下降，也立即停止训练，并选择此时性能最优的模型。这种方法确保了ANN学到的特征能更好地迁移到真实测量任务中。
4. 性能对比实验与评估 为了全面评估ANN相对于传统LMS相关算法的优势，研究设计了一系列对比实验，在真实实验系统上测试了不同极端条件下的性能： * 实验系统：基于直接探测的WS-COTDR系统。使用分布式反馈激光器，通过半导体光放大器产生光脉冲，并直接调制激光器电流进行快速波长扫描。背向散射光经探测、放大、数字化后送入计算机处理。测试光纤的一段缠绕在压电陶瓷管上，用于施加已知幅度和频率的应变信号作为基准。 * 对比维度： a. 低信噪比：通过降低注入光纤的脉冲峰值功率来模拟信号衰减。结果显示，在信噪比恶化10dB以上时，LMS算法已基本失效，而通过调整训练噪声水平（σ_ε）的ANN仍能给出有意义的应变预测。 b. 更粗的频率步长：增加波长扫描的步长（δν），等效于减少每个扫描的采样点数。当参数 g = δν * τ_d > 0.25 时，LMS算法因插值点数不足而产生严重的非线性响应（应变量化效应），而ANN预测则能保持良好的线性度。 c. 更短的扫描长度/更长的距离范围：减少每个波长扫描中包含的脉冲频率数（P），以模拟在更高扫描速率或更长传感距离下的情况。当P减少至17时，LMS算法失效，而ANN仍能工作。 d. 计算时间：在相同硬件上，对比处理100万个输入扫描向量所需的时间。
5. 实际应用演示 为了证明该技术的实用性和实时能力，研究团队将ANN驱动的WS-COTDR系统应用于对一段埋设在城市人行道下的“暗光纤”电信电缆进行监测。实验成功实时捕捉并展示了汽车驶过、行人行走等事件引起的动态及准静态地表应变分布图，证明了该方法在复杂真实环境中的有效性和实时性。
三、 研究的主要结果 1. 计算速度的突破性提升：这是最显著的成果。通过使用堆叠的ANN（集成线性化和应变预测），处理原始扫描数据并计算出应变所需的时间，相比传统的线性化插值结合LMS相关算法的方法，加快了306倍。这使得WS-COTDR首次能够以1 kHz的重复频率对数千个空间位置进行实时动态应变测量，并大幅降低了对原始数据存储的需求。 2. 传感器性能的全面提升： * 噪声与线性度：在最优参数下，ANN预测的应变振幅谱密度噪声和总谐波失真均优于LMS算法，分别改善了约15.8%和25.4%。 * 鲁棒性增强：在低信噪比、大频率步长（欠采样）和少输入样本数等不利条件下，ANN的表现均显著优于甚至远超LMS算法。特别是在LMS算法失效的极端情况下（如信噪比极低或P=17），ANN仍能提供可靠的预测，这有效扩展了WS-COTDR技术的测量距离范围、应变扫描范围和最大扫描速率。 3. 成功解决域适应问题：研究证实，通过结合合成数据训练和基于真实数据性能指标的监控/早期停止策略，可以有效训练出适用于复杂真实测量任务的ANN，为类似领域（存在精确物理模型但真实数据标签稀缺或难以获取）提供了可行的技术路径。 4. 实际验证：在城市暗光纤上的实地测量，成功捕获了微应变（nε）级别的动态应变信号，如车辆行驶和行人脚步引起的土壤变形与波传播，直观证明了该技术的实用价值和实时能力。
四、 研究的结论与意义 本研究成功地将人工神经网络应用于光纤传感的原始数据处理环节，彻底改变了波长扫描相干光时域反射仪的性能边界。主要结论是：ANN不仅能够以超越两个数量级的速度完成应变计算，实现WS-COTDR的实时化，还能在各种苛刻条件下提供比传统相关算法更准确、更稳健的应变测量结果。
其科学价值在于：第一，提出并验证了一种针对物理模型清晰但真实数据标注困难的科学问题的ANN训练新范式，即“合成数据训练+真实数据性能验证”的域适应策略。第二，深刻展示了ANN在信号处理底层任务（如插值、偏移检测）中的强大潜力，超越了其通常被用于高层模式识别的范畴。
其应用价值巨大：实时、高分辨率、高线性的动态应变分布测量能力，将使WS-COTDR技术在众多领域与相位分辨DAS技术形成有力竞争，尤其是在需要长期、可中断恢复、准静态与动态结合监测的场景中，如桥梁、建筑、管道等基础设施的结构健康监测，以及利用现有电信网络进行地震波检测、地质勘探和环境噪声层析成像等地球物理应用。
五、 研究的亮点 1. 方法创新性：首次将ANN用于WS-COTDR的原始数据实时处理，解决了该技术长期存在的计算瓶颈，是推动其走向实际应用的关键一步。 2. 性能突破：实现了超过300倍的计算加速，并同步提升了传感器的噪声、线性度和鲁棒性等多方面性能指标，是“鱼与熊掌兼得”的典型范例。 3. 训练策略的巧思：创造性利用基于物理模型的合成数据解决训练样本问题，并引入真实传感器性能参数作为训练过程的“锚点”，有效解决了从仿真到实际的域适应挑战，方法论具有普适参考价值。 4. 系统验证全面：不仅进行实验室基准测试，还通过城市暗光纤的实际监测，完整演示了从理论、算法、实验到实际应用的全链条，论证充分有力。
六、 其他有价值的内容 论文还探讨了未来进一步扩展应变测量范围的潜在方法，例如训练多个针对不同应变范围的子网络并由一个分类网络调度，或采用自适应扩展参考扫描范围等更复杂的ANN架构。这些讨论为后续研究指明了方向。此外，作者指出，基于ANN的信号偏移分析思路可以广泛迁移到其他基于相关分析的光纤传感技术（时域、频域、空域），乃至光谱学、信号延时分析、飞行时间技术等更广泛的科学领域，展示了该研究方法的通用性潜力。