01 導讀

布里淵光時域分析儀（BOTDA）因其在結構健康監測（SHM）中具有出色的分布式溫度和應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），該頻移與溫度和應力呈線性關系。但布里淵散射存在溫度和應力的交叉敏感性，這使得BOTDA難以同時進行溫度和應力雙參量的測量。目前已經提出了多種解決方案來實現雙參量同時測量，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力信息，這是傳統的方程求解法（CESM）。然而，由于不同BGS的溫度/應力系數差異較小，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硬件結構。但是傳統的圖像降噪算法會引起數據信息丟失，難以實現高保真降噪。至今為止，還沒有一種機制能夠將高效的高保真降噪與高精度的雙參量提取集成在一個算法框架下來實現，并且可以對較寬SNR范圍內的傳感信號均適用。

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網絡（DECNN）方案，在單個卷積神經網絡（CNN）框架下實現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/應力及SNR范圍內進行高精度的溫度和應力同時提取，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絡（RANet）模塊。其中DCAE可以實現高效的高保真降噪；RANet可以完成高精度的溫度/應力信息提取，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，DECNN提取的溫度和應力的平均標準差（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CESM方法相比，DECNN的溫度/應力不確定度提高了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/應力信息提取的DECNN結構

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

02 研究背景

在健康監測以及安全監測領域，溫度和應力傳感具有廣泛而重要的應用。目前，BOTDA以優異的長距離測量性能、良好的精確度、較高的響應速率和相對較低的組網成本得到了特別的青睞。然而實際應用中，由于受激布里淵散射效應（SBS）的溫度/應力交叉敏感性，BOTDA難以對溫度和應力進行同時測量。為了區分溫度和應力響應，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，以實現低誤差、寬范圍的溫度和應力雙參量傳感。將SBS與拉曼散射、瑞利散射等結合形成混合傳感系統可以同時進行溫度和應力測量，但與單一BOTDA相比，混合系統顯著增加了系統的復雜性和成本。為了降低系統復雜性和成本，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方程獲得溫度和應力，這就是傳統的CESM方法。然而，由于不同峰值間的溫度和應力系數差異較小，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提高處理速度以及同時提取溫度和應力，但適用的溫度和應力范圍較窄，且對于噪聲容忍度差，不利于實際應用。此外，在SNR提升方面，傳統的圖像降噪算法會引起數據失真，導致測量精度下降。

為解決上述問題，本團隊創新性地提出DECNN網絡構架，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中作為數據處理的黑盒子，可以處理不同SNR的BOTDA信號，尤其可以實現溫度和應力的快速準確提取，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范圍內精確溫度和應力提取的潛在方案之一。

03 創新研究

3.1 基于高噪聲容忍度RANet的溫度/應力同時提取

為了避免CESM中引入的計算誤差，本文采用RANet同時提取溫度和應力。將雙峰BGS輸入RANet，可以直接得到對應的溫度和應力。模型具有較高的提取精度和較大的噪聲容限，其網絡結構如圖2所示，其中圖（a）是RANet的整體結構，（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的結構

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。所以設計網絡時，我們在模塊中引入了殘差結構和自注意力模塊，其中殘差結構增強了網絡的映射能力，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的情況下幫助網絡辨別有意義的信息，從而提高提取精度。RANet的訓練目標是使得實際溫度/應力值和輸出值之間的差值最小化。在訓練中，訓練數據覆蓋的溫度和應力范圍分別為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/應力下的數據進行測試，如圖3所示。CESM提取的溫度/應力波動非常大，某些位置的溫度被錯誤提取為200°C和?100°C，應力被錯誤提取為7000με和?6000με。相比之下RANet的結果波動較小，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/應力下采集了不同SNR的數據進行測試，并與CESM進行對比，結果如圖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

為了提高系統在實際場景中的適用性，處理質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點，其網絡結構如圖5所示。

圖5 DCAE的結構

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

DCAE的主體結構為卷積自編碼器，此結構能夠有效提取數據特征并進行恢復。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，在模型設計時我們引入了跳躍連接的操作來連接網絡中對應的編碼器和解碼器，從而將每個編碼器提取的特征與相應的解碼器共享，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的數據進行測試，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網絡，將其作為BOTDA中數據處理的黑盒。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/應力同時提取模塊。DECNN的結構如圖7所示。將低信噪比的BGS分布輸入到經過訓練的DECNN中，可以高精度地輸出對應的溫度/應力分布。

圖7 集成化降噪和溫度/應力提取的DECNN結構

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/應力下四個不同SNR的數據進行測試。為了比較，圖8也給出了RANet的結果。圖中對于所有SNR，DECNN提取的溫度/應力的平均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/應變波動更小，更接近實際值。結果證明，與RANet和CESM相比，即使在低SNR下DECNN也具有很好的精度。在數據處理速度方面，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。以上結果證明了DECNN可以在較大的SNR范圍內進行高精度的溫度/應力雙參量提取，并且還能在幾乎不犧牲測量精度的情況下減少數據采集時間（低平均次數）和處理時間。

圖8 RANet和DECNN所提取的（a）、（b）溫度和（c）、（d）應力的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）應變分布對比

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

04 應用與展望

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

審核編輯 ：李倩