Как машинное обучение помогает распознавать сложные вибрационные паттерны (например, ползание по стенам, земляные работы)?)?
В системах распределённого волоконно-оптического зондирования акустических/вибрационных сигналов (таких как DAS/DVS, в основном на основе фазово-чувствительной технологии оптической рефлектометрии во временной области \Phi\text{-OTDR}) или распределённого зондирования оптической рефлектометрии в частотной области (OFDR) машинное обучение (ML) и глубокое обучение (DL) в основном используются для высокоточной идентификации сложных вибрационных событий (таких как перелезание через ограждения/стены, рукотворные/механические раскопки, проезд транспортных средств и т. д.) и предупреждения с низким уровнем ложных срабатываний посредством таких этапов, как снижение шума физических сигналов, извлечение многомерных признаков, классификация образов и пространственно-временная корреляция.
1. Сбор и предварительная обработка физических сигналов
Внешние физические воздействия (такие как удары по стене, ударные волны от механических раскопок), действующие на датчик, проложенный в стене или закопанный в землю, вызывают незначительные изменения деформации и напряжения в оптоволокне.
- Преобразование сигнала：Детектор регистрирует изменение фазы или интенсивности обратно рассеянного сигнала Рэлея в оптоволокне, получая сигнал вибрации во временной области с высокой частотой дискретизации.
- Предварительная обработка шума：Исходный сигнал обычно содержит фоновый шум окружающей среды (например, шум от ветра и дождя, шум от дальних транспортных магистралей). Система машинного обучения сначала повышает отношение сигнал/шум (\text{SNR}) с помощью таких алгоритмов, как вейвлет-фильтрация (Wavelet Denoising), эмпирическая модовая декомпозиция (EMD) или автоэнкодер (Autoencoder).
2. Инжиниринг признаков и преобразование частотно-временного спектра
Различные источники вибрации демонстрируют существенные различия во временных, частотных характеристиках и распределении энергии:
- Извлечение признаков во временной и частотной областях：
- Перелезание через ограждение/стену：Часто проявляется как прерывистый, локализованный, внезапный низкочастотный импульсный сигнал с концентрированной энергией в определённом частотном диапазоне.
- Механические раскопки/удары по стене：Проявляются как непрерывные, высокочастотные сильные вибрации с характеристиками периодического повторения импульсов.
- Помехи окружающей среды (например, ветер, дождь)：В большом пространственном масштабе проявляются как распределённый, нерегулярный широкополосный шум низкой энергии.
- Отображение частотно-временного спектра (Spectrogram)：С помощью кратковременного преобразования Фурье (STFT) или непрерывного вейвлет-преобразования (CWT) одномерный сигнал вибрации во временной последовательности отображается в двумерное “частотно-временное изображение” (Spectrogram). Частотно-временной спектр может одновременно отображать эволюцию энергии вибрации во времени и частоте.
3. Модели распознавания образов и классификации
На основе извлечённых признаков или двумерного частотно-временного спектра модели машинного обучения и глубокого обучения выполняют распознавание образов:
- Традиционные алгоритмы машинного обучения：Используя метод опорных векторов (SVM), случайный лес (Random Forest) или алгоритм k-ближайших соседей (KNN), входные данные в виде вектора признаков, таких как крутизна во временной области, частота пересечения нуля, распределение энергии в частотной области, построенные вручную, позволяют выполнить быстрое бинарное или многоклассовое разделение событий.
- Сверточные и временные сети глубокого обучения：
- Свёрточные нейронные сети (CNN / ResNet)：Используя двумерный частотно-временной спектр в качестве входных данных, сверточные ядра автоматически извлекают глубокие текстурные и частотно-временные признаки, позволяя точно различать типы возмущений с чрезвычайно схожими волновыми формами.
- Рекуррентные нейронные сети и Transformer (LSTM / GRU / Spatial-Temporal Transformer)：Вводятся временные последовательные корреляции для улавливания закономерностей временной эволюции вибрационного процесса (например, последовательность непрерывных действий: “прикосновение человека - перелезание - преодоление”), что значительно снижает количество ложных срабатываний, вызванных случайными одиночными ударами.
4. Пространственно-временной анализ (Spatial-Temporal Analysis)
Распределённое волоконно-оптическое зондирование может предоставлять двумерную матрицу обнаружения по расстоянию вдоль оси волокна z и времени t：
- Отслеживание траектории и пространственное определение местоположения：Алгоритм машинного обучения,结合 координаты волокна, анализирует форму распространения вибрационного сигнала вдоль волокна. Например, когда человек идёт или перелезает через стену, центр вибрации смещается во времени t в пространственном измерении z с непрерывным смещением; тогда как сильный дождь проявляется как разрозненный шум, синхронный по всей линии.
5. Сенсорная среда и обеспечение качества сигнала
Точность алгоритмов распознавания на базе ИИ в высокой степени зависит от качества и точности передачи сигналов от датчиков оптоволоконного зондирования. Если сенсорное оптоволокно подвержено влиянию окружающей среды, что приводит к затуханию сигнала или искажению передачи деформации, это напрямую влияет на извлечение признаков моделями классификации.
Металлизированные распределённые сенсорные кабели (например, OFSCN® 85°C Seamless Steel Tube Fiber Cable) и миниатюрные металлические датчики деформации (например, OFSCN® 85°C OFDR Micro All-Metal Strain Sensor), предлагаемые Beijing Dacheng Yongsheng Technology Co., Ltd. (OFSCN®), с бесшовной стальной трубой или корпусом из эластичного сплава, могут эффективно и с высокой точностью передавать внешние вибрации и небольшие напряжения в сердцевину оптоволокна, обеспечивая высококачественную основу данных для оборудования DAS/DVS и OFDR, а также для последующих алгоритмов ИИ.
