01 導讀

布里淵光時域分析儀（BOTDA）因其在結(jié)構(gòu)健康監(jiān)測（SHM）中具有出色的分布式溫度和應(yīng)力傳感能力而引起了廣泛的研究興趣。通過測量布里淵增益譜（BGS）來獲得布里淵頻移（BFS），該頻移與溫度和應(yīng)力呈線性關(guān)系。但布里淵散射存在溫度和應(yīng)力的交叉敏感性，這使得BOTDA難以同時進行溫度和應(yīng)力雙參量的測量。目前已經(jīng)提出了多種解決方案來實現(xiàn)雙參量同時測量，其中使用具有多峰BGS的光纖進行溫度和應(yīng)力的同時測量已被證明是有效且簡單的方法。通過測量多峰BGS，進而求解兩個BFS方程來同時獲得溫度和應(yīng)力信息，這是傳統(tǒng)的方程求解法（CESM）。然而，由于不同BGS的溫度/應(yīng)力系數(shù)差異較小，該方法會引入較大的計算誤差，導致較大的測量不確定度，使得雙參量的測量精度較差。并且用于提取BFS的洛倫茲曲線擬合會耗費大量的處理時間，不利于快速測量。另外，為提升傳感性能，研究人員也提出了圖像降噪算法來提升信噪比（SNR），其可以不用改變BOTDA硬件結(jié)構(gòu)。但是傳統(tǒng)的圖像降噪算法會引起數(shù)據(jù)信息丟失，難以實現(xiàn)高保真降噪。至今為止，還沒有一種機制能夠?qū)⒏咝У母弑Ｕ娼翟肱c高精度的雙參量提取集成在一個算法框架下來實現(xiàn)，并且可以對較寬SNR范圍內(nèi)的傳感信號均適用。

針對上述問題，華中科技大學唐明教授、王亮教授團隊提出了一種降噪及雙參量提取卷積神經(jīng)網(wǎng)絡(luò)（DECNN）方案，在單個卷積神經(jīng)網(wǎng)絡(luò)（CNN）框架下實現(xiàn)了降噪和雙參量提取的集成化。方案中演示了DECNN能在較廣的溫度/應(yīng)力及SNR范圍內(nèi)進行高精度的溫度和應(yīng)力同時提取，它由兩個模塊組成，分別是降噪卷積自動編碼器（DCAE）和殘差注意力機制網(wǎng)絡(luò)（RANet）模塊。其中DCAE可以實現(xiàn)高效的高保真降噪；RANet可以完成高精度的溫度/應(yīng)力信息提取，并且擁有較大的噪聲容忍度。在19.38km傳感光纖的末端，對于較寬SNR范圍內(nèi)，DECNN提取的溫度和應(yīng)力的平均標準差（SD）和均方根誤差（RMSE）分別為0.2°C/9.7με和2°C/32.3με。在相對較低的8.8dB信噪比下，與傳統(tǒng)CESM方法相比，DECNN的溫度/應(yīng)力不確定度提高了196倍，處理速度提高了146倍。研究成果以“Integrated denoising and extraction of both temperature and strain based on a single CNN framework for a BOTDA sensing system”為題發(fā)表在Optics Express期刊上。華中科技大學博士研究生楊貴江為論文的第一作者，王亮教授為論文的通訊作者。

封面圖 用于集成式降噪及溫度/應(yīng)力信息提取的DECNN結(jié)構(gòu)

圖源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 6）

02 研究背景

在健康監(jiān)測以及安全監(jiān)測領(lǐng)域，溫度和應(yīng)力傳感具有廣泛而重要的應(yīng)用。目前，BOTDA以優(yōu)異的長距離測量性能、良好的精確度、較高的響應(yīng)速率和相對較低的組網(wǎng)成本得到了特別的青睞。然而實際應(yīng)用中，由于受激布里淵散射效應(yīng)（SBS）的溫度/應(yīng)力交叉敏感性，BOTDA難以對溫度和應(yīng)力進行同時測量。為了區(qū)分溫度和應(yīng)力響應(yīng)，許多研究人員嘗試使用不同的方法來改進原有的傳感方案，以實現(xiàn)低誤差、寬范圍的溫度和應(yīng)力雙參量傳感。將SBS與拉曼散射、瑞利散射等結(jié)合形成混合傳感系統(tǒng)可以同時進行溫度和應(yīng)力測量，但與單一BOTDA相比，混合系統(tǒng)顯著增加了系統(tǒng)的復雜性和成本。為了降低系統(tǒng)復雜性和成本，使用具有多峰BGS的光纖被證明是更為有效且簡單的方案。通過測量雙峰BGS，從而求解兩個BFS方程獲得溫度和應(yīng)力，這就是傳統(tǒng)的CESM方法。然而，由于不同峰值間的溫度和應(yīng)力系數(shù)差異較小，這種方法將導致較大的測量不確定度。而且在CESM中，需要先對BGS進行洛倫茲曲線擬合（LCF）來獲得BFS，但是LCF算法的迭代過程非常耗時，尤其是在SNR較低時。針對以上問題，以往的研究中提出了使用機器學習技術(shù)提高處理速度以及同時提取溫度和應(yīng)力，但適用的溫度和應(yīng)力范圍較窄，且對于噪聲容忍度差，不利于實際應(yīng)用。此外，在SNR提升方面，傳統(tǒng)的圖像降噪算法會引起數(shù)據(jù)失真，導致測量精度下降。

為解決上述問題，本團隊創(chuàng)新性地提出DECNN網(wǎng)絡(luò)構(gòu)架，在同一CNN框架下集成高效高保真降噪和高精度雙參量提取的功能。DECNN可以用于BOTDA中作為數(shù)據(jù)處理的黑盒子，可以處理不同SNR的BOTDA信號，尤其可以實現(xiàn)溫度和應(yīng)力的快速準確提取，并具有較高的噪聲容忍度。相信基于DECNN的BOTDA將會成為適用于較寬SNR范圍內(nèi)精確溫度和應(yīng)力提取的潛在方案之一。

03 創(chuàng)新研究

3.1 基于高噪聲容忍度RANet的溫度/應(yīng)力同時提取

為了避免CESM中引入的計算誤差，本文采用RANet同時提取溫度和應(yīng)力。將雙峰BGS輸入RANet，可以直接得到對應(yīng)的溫度和應(yīng)力。模型具有較高的提取精度和較大的噪聲容限，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，其中圖（a）是RANet的整體結(jié)構(gòu)，（b）和（c）分別是特征提取模塊（FEM）和特征壓縮模塊（FCM）。

圖2 （a） RANet，（b） FEM和 （c） FCM的結(jié)構(gòu)

圖源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 1）

FEM和FCM兩大模塊是RANet的主體部分，對提取效果有決定性影響。所以設(shè)計網(wǎng)絡(luò)時，我們在模塊中引入了殘差結(jié)構(gòu)和自注意力模塊，其中殘差結(jié)構(gòu)增強了網(wǎng)絡(luò)的映射能力，有效解決了提取過程中特征和信息丟失的問題；自注意力模塊則能夠在只增加極少參數(shù)的情況下幫助網(wǎng)絡(luò)辨別有意義的信息，從而提高提取精度。RANet的訓練目標是使得實際溫度/應(yīng)力值和輸出值之間的差值最小化。在訓練中，訓練數(shù)據(jù)覆蓋的溫度和應(yīng)力范圍分別為10-90°C和0-1400με。為了驗證RANet的提取效果，本文中采集了不同溫度/應(yīng)力下的數(shù)據(jù)進行測試，如圖3所示。CESM提取的溫度/應(yīng)力波動非常大，某些位置的溫度被錯誤提取為200°C和?100°C，應(yīng)力被錯誤提取為7000με和?6000με。相比之下RANet的結(jié)果波動較小，更接近真實值。其次，為了驗證RANet對于噪聲的容忍性，本文中在同一溫度/應(yīng)力下采集了不同SNR的數(shù)據(jù)進行測試，并與CESM進行對比，結(jié)果如圖4所示。SNR分別為8.8dB，11.6dB，14.5dB和16.9dB。CESM提取的標準差（SD）和均方根誤差（RMSE）隨信噪比的降低而顯著增加，但RANet的結(jié)果僅略有增加，可見RANet有著較大的噪聲容忍性。并且對于所有SNR，RANet提取的溫度/應(yīng)力的平均SD和RMSE僅分別為0.7°C/37.9με和4.7°C/118.5με。

圖3 通過RANet（藍色曲線）和CESM（紅色曲線）提取的被測光纖尾端的溫度和應(yīng)力分布對比

圖源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 9）

圖4 RANet和CESM所提取的（a）、（b）溫度和（c）、（d）應(yīng)力的SD和RMSE對比

圖源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 10）

3.2 基于DCAE的高效高保真BOTDA降噪

為了提高系統(tǒng)在實際場景中的適用性，處理質(zhì)量更惡劣和多變的信號，本文使用了DCAE對信號進行降噪。模型具有高效高保真的優(yōu)點，其網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 DCAE的結(jié)構(gòu)

圖源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 4）

DCAE的主體結(jié)構(gòu)為卷積自編碼器，此結(jié)構(gòu)能夠有效提取數(shù)據(jù)特征并進行恢復。不同于對單個BGS或整個BGSs分布進行降噪，本文中使用DCAE對時域上的布里淵信號軌跡進行降噪，這樣的降噪方式更加高效，不會造成計算資源的浪費。DCAE輸出的是原始軌跡中的噪聲，之后用原始軌跡減去輸出的噪聲，就可以高保真地獲得降噪后的軌跡。為了提升模型性能，在模型設(shè)計時我們引入了跳躍連接的操作來連接網(wǎng)絡(luò)中對應(yīng)的編碼器和解碼器，從而將每個編碼器提取的特征與相應(yīng)的解碼器共享，減少了編碼器下采樣時的特征損失，同時緩解了梯度消失。其次我們還引入了注意力機制，充分利用原始軌跡和輸出噪聲之間的相關(guān)性，使模型能夠從布里淵信號軌跡中提取更逼真的噪聲信息。為了驗證DCAE的降噪效果，本文中使用了SNR為8.8dB的數(shù)據(jù)進行測試，如圖6所示。無論是BGS分布，還是增益譜或布里淵信號軌跡，都有很明顯的降噪效果。降噪后SNR提高了8.7dB，第一和第二增益峰的BFS不確定度也分別從1.04MHz和2.24MHz降至0.15MHz和0.11MHz。圖6（e）和（f）則表明了降噪后空間分辨率幾乎沒有惡化，這意味著降噪過程中有效信息得到了完整保存，實現(xiàn)了高保真降噪。

圖6 （a） 降噪前和 （b） DCAE降噪后的光纖尾端的BGS分布；降噪前后 （c） 光纖末端BGS和 （d） 第一增益峰的BFS處的布里淵信號軌跡；降噪前后 （e） 第一增益峰和 （f） 第二增益峰的BFS分布。插圖：過渡段的放大視圖

圖源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 11）

3.3 基于DECNN的集成化降噪及溫度/應(yīng)力提取

這里我們將高效高保真降噪和信息提取模塊集成于一個CNN框架下，形成DECNN網(wǎng)絡(luò)，將其作為BOTDA中數(shù)據(jù)處理的黑盒。在DECNN中，我們使用DCAE作為高效高保真降噪模塊，使用RANet作為高精度溫度/應(yīng)力同時提取模塊。DECNN的結(jié)構(gòu)如圖7所示。將低信噪比的BGS分布輸入到經(jīng)過訓練的DECNN中，可以高精度地輸出對應(yīng)的溫度/應(yīng)力分布。

圖7 集成化降噪和溫度/應(yīng)力提取的DECNN結(jié)構(gòu)

圖源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 6）

為了驗證DECNN的最終效果，我們也使用了同一溫度/應(yīng)力下四個不同SNR的數(shù)據(jù)進行測試。為了比較，圖8也給出了RANet的結(jié)果。圖中對于所有SNR，DECNN提取的溫度/應(yīng)力的平均SD和RMSE分別僅為0.2°C/9.7με和2°C/32.3με，展示出了優(yōu)異的精度。為了進行更好的對比，圖9展示了8.8dB SNR下CESM、RANet和DECNN提取的溫度/應(yīng)力分布。可以看到，在三種方法中，CESM的波動最大，大部分提取值甚至超出了縱軸范圍；與RANet相比，DECNN提取的溫度/應(yīng)變波動更小，更接近實際值。結(jié)果證明，與RANet和CESM相比，即使在低SNR下DECNN也具有很好的精度。在數(shù)據(jù)處理速度方面，對于19.83km光纖的484500個BGS，CESM大約需要671.5s，而DECNN僅需要約4.6s，處理速度比CESM快了約146倍。以上結(jié)果證明了DECNN可以在較大的SNR范圍內(nèi)進行高精度的溫度/應(yīng)力雙參量提取，并且還能在幾乎不犧牲測量精度的情況下減少數(shù)據(jù)采集時間（低平均次數(shù)）和處理時間。

圖8 RANet和DECNN所提取的（a）、（b）溫度和（c）、（d）應(yīng)力的SD和RMSE對比

圖源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 13）

圖9 DECNN（藍色曲線）、RANet（紅色曲線）和CESM（黑色曲線）提取的被測光纖尾端（a） 溫度和 （b）應(yīng)變分布對比

圖源： Optics Express （2022）。 https://doi.org/10.1364/OE.469342 （Fig. 12）

04 應(yīng)用與展望

本團隊提出了基于單個CNN框架的集成式降噪與溫度/應(yīng)力雙參量同時提取的方案，演示了在較大的溫度/應(yīng)力和信噪比范圍下通過DECNN進行高精度和快速的溫度及應(yīng)力提取。在19.38km傳感光纖的尾端，DECNN在較大的SNR范圍內(nèi)提取的溫度/應(yīng)力的平均SD和RMSE分別為0.2°C/9.7με和2°C/32.3με。與傳統(tǒng)CESM相比，采用DECNN的溫度/應(yīng)力不確定度提升了196倍，處理速度提升了146倍。基于DECNN的BOTDA可以適用于較大的SNR范圍以及較大的溫度/應(yīng)力范圍，實現(xiàn)雙參量提取，具有較大的潛力和實用價值。

審核編輯 ：李倩