.png){kind=icon}
返回
Pattern Recognition Algorithm in DAS Using Physics-Informed Neural Networks
.png){kind=icon}
PRE
AI
DOI：10.3788/AOS252086.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目标分布式声学传感（DAS）通过探测沿光纤的瑞利后向散射中的相位和强度扰动，提供长距离、连续的振动监测。在传送带健康监测和其他工业部署中，DAS信号常被强环境噪声破坏，表现出显著的非平稳性，具有时变谱分量和间歇性瞬态脉冲。同时，标记故障样本通常稀缺，且最具判别性的线索可能跨域变化：某些故障在原始波形中通过周期性或幅度调制更易分离，而其他故障在局部时频能量模式中更明显。依赖固定预处理、手工特征或单一表示域的常规识别流水线因此在小样本训练和分布偏移下难以保持准确性和泛化能力。本研究旨在开发一种端到端、跨域学习框架，能够自适应地利用时域和时频域信息进行鲁棒DAS故障模式识别，同时满足实际部署约束。方法我们提出了一种短时傅里叶神经算子（STFNO）框架，结合可微分时频变换与算子式特征学习和跨域融合。给定原始DAS时间序列片段，STFNO首先应用短时傅里叶变换（STFT）获取局部时频表示，使模型能捕捉难以用全局谱操作表示的瞬态事件和时变谱变化。随后，在时频平面上应用可学习算子式模块提取多尺度结构并增强信息区域，得到精细时频特征。为将增强线索与波形级决策对齐并保持信号保真度，STFNO执行逆STFT（ISTFT）将精细表示投影回时域，生成编码时频分支发现的互补信息的残差信号。该残差通过残差连接与原始波形融合，然后轻量时域分类头通过全局池化输出最终故障标签。为量化跨域协作价值，我们构建了代表性基线：基于FNO的融合网络、纯时域网络、将频谱图作为灰度输入的时频分类网络，以及两个标准视觉骨干（ResNet-18和Inception v3）训练于灰度时频图像。实验在包含正常操作和多种故障类型（如滚筒偏心、滚筒破裂和开口破裂）的传送带故障数据集上进行，提供典型波形模式及其对应时频分布。为强调实际小样本学习，我们采用每类10个标记训练样本、190个测试样本的严格协议，进行三分类和四分类任务。结果与讨论在模拟三分类任务中，STFNO达到97.02%的最高总体准确率，优于所有基线。对滚筒偏心故障增益最显著，其特征在时频表示中表现为高度集中、窄带的能量脊。通过显式增强时频平面上的局部结构，并通过ISTFT基残差融合将精细信息投影回波形，STFNO有效将此类谱线索转化为分类的波形级证据。同时，正常操作更由规则时序模式表征，自然被时域捕获；跨域设计因此缓解了跨类的域偏好差异，在小样本训练下实现更均衡性能。在包含开口破裂的四分类更难设置中，STFNO仍实现最佳总体性能，达85.18%准确率。所有方法的主要故障模式均为滚筒破裂与开口破裂的混淆，二者在波形形态和时频结构上存在显著重叠。即便在此低可分性条件下，STFNO较单域模型和视觉骨干基线改善了类别平衡，表明跨域融合有助于聚合孤立时不足但互补的判别线索。消融实验确认各主要组件的功能必要性。移除时频增强模块导致最大性能下降，证明时频域可学习细化为非平稳DAS信号的核心。排除ISTFT投影或残差融合也降低准确率，表明将增强信息返回时域并保持原始波形保真度对稳定有效推理均至关重要。移除STFT阶段使框架退化为单域模型并产生最弱结果，凸显时频定位的重要性。多域验证的补充证据进一步表明域效用依赖故障类型：谱特征鲜明的故障更受益于频域线索，而正常操作更依赖时域规律性，支持自适应跨域集成的动机。现场实验凸显噪声水平、幅度统计、脉冲密度和能量分散的额外分布偏移，展示模拟与现场数据代表差异。在此条件下，配置研究表明：在紧参数预算下，更多容量分配给时频分支更稳定；在更大预算下，向时域分支转移容量通过更丰富的序列建模和更强的操作变异性鲁棒性提升性能。结论本研究提出STFNO，一种跨域算子学习框架，用于DAS故障模式识别，解决非平稳性、强噪声、有限标记样本和分布偏移的复合挑战。通过整合可微分STFT/ISTFT变换、可学习时频算子增强和残差融合到端到端分类器中，STFNO在小型三分类传送带故障任务上实现97.02%准确率，四分类任务达85.18%最佳总体性能。消融实验确认时频增强、ISTFT投影和残差融合不可或缺。现场评估进一步证明STFNO在分布偏移下仍有效，并提供跨模型大小的可操作配置指导。总体而言，STFNO为工业DAS故障诊断提供鲁棒且工程导向的解决方案，其中判别信息可能跨域变化且标记数据有限。
Keyword:
optical fiber sensing
physics-informed neural network
pattern recognition
