de.wedoany.com-Bericht: Ein Forschungsteam hat ein auf der Transformer-Architektur basierendes Echtzeit-Synchron-Demodulations- und Rauschunterdrückungsnetzwerk (DASformer) für verteilte faseroptische akustische Sensorik (DAS) vorgeschlagen, das eine submeter-genaue räumliche Auflösung und Echtzeit-Verarbeitungsfähigkeit erreicht und damit einen technischen Weg für intelligente Sensorsysteme in schnell reaktionsbedürftigen Szenarien bietet.
Die verteilte faseroptische akustische Sensorik (DAS) nutzt Kommunikationsfasern als Sensoren und ermöglicht eine langreichweitige, kontinuierliche und verteilte Überwachung von Vibrations- oder akustischen Signalen. Diese Technologie wird in Bereichen wie geophysikalischer Forschung, Infrastruktursicherheit und intelligentem Verkehr eingesetzt. Mit der Ausweitung der Anwendungsszenarien auf Bereiche mit höheren Anforderungen an die Aktualität von Informationen, wie z. B. städtische Verkehrsüberwachung und Drohnen-Schallquellenortung, steigt der Datenverarbeitungsdruck von DAS-Systemen kontinuierlich. Solche Szenarien erfordern nicht nur die Echtzeiterfassung dynamischer Ereignisse (z. B. Fahrzeugverfolgung, Erkennung von Eindringlingen), sondern auch die schnelle Extraktion entscheidungsrelevanter Informationen aus riesigen Sensordatenmengen. Herkömmliche Phasendemodulationsverfahren können zwar Störsignale wiederherstellen, sind jedoch auf manuelle Frequenzbandaufteilung angewiesen, um Interferenzschwund zu unterdrücken, was den Rechenaufwand erhöht und die räumliche Auflösung verringert. Bei großen Dehnungen neigt die auf dem Itoh-Kriterium basierende Phasenentfaltung zu kumulativen Fehlern, die zu Signalverzerrungen führen. Darüber hinaus stoßen herkömmliche Verfahren bei der Verarbeitung großer DAS-Datenmengen auf Engpässe in der Recheneffizienz, und ihre Verarbeitungsabläufe können die Anforderungen an niedrige Latenz und hohen Durchsatz in Echtzeit-Intelligentsensorsystemen kaum erfüllen, was ihre Anwendung in schnell reaktionsbedürftigen Szenarien einschränkt.
Um diese Probleme zu lösen, schlug das Forschungsteam das auf der Transformer-Architektur basierende Echtzeit-Synchron-Demodulations- und Rauschunterdrückungsnetzwerk (DASformer) vor. Das Netzwerk verwendet eine reine Encoder-Struktur, verarbeitet die rohen Rayleigh-Rückstreusignale End-to-End und gibt direkt das demodulierte und entrauschte differentielle Phasensignal aus, wodurch die Fehlerakkumulation durch Phasenentfaltung in herkömmlichen Verfahren vermieden wird. Im strukturellen Design verbessert DASformer durch einen mehrskaligen Aufmerksamkeitsmechanismus und gestapelte Verschiebungen von Merkmalsextraktionsmodulen die Fähigkeit, Störungsdetails im Demodulationsergebnis wiederherzustellen. Gleichzeitig wird ein auf physikalischen Modellen basierender vollständig simulierter Datensatz für überwachtes Lernen verwendet, sodass das Netzwerk während des Demodulationsprozesses gleichzeitig verschiedene Rauscharten und Interferenzschwund unterdrückt. Dank der parallelen Rechenvorteile von Transformern erreicht das Netzwerk eine submeter-genaue räumliche Auflösung und Echtzeit-Demodulation und -Rauschunterdrückung und liefert qualitativ hochwertige Signaleingaben für nachgelagerte intelligente Entscheidungsmodule.
Zu den wichtigsten Innovationen des Netzwerks gehören: Die Verwendung einer reinen Transformer-Encoder-Architektur für die Phasendemodulation von DAS-Signalen, um direkt End-to-End das differentielle Phasensignal zu erhalten; die Entwicklung eines Shifted-PDA-Moduls (Shifted Patch Dual Attention), das durch einen mehrskaligen Fusionsmechanismus, der Intra-Patch- und Inter-Patch-Aufmerksamkeit kombiniert, in Verbindung mit einer zyklischen Verschiebung des Selbstaufmerksamkeitsfensters eine informationsübergreifende Interaktion zwischen Fenstern ermöglicht, lokale Merkmale und globale Abhängigkeiten effektiv fusioniert und gleichzeitig eine LeFF-Schicht (Locally Enhanced Feed-Forward) mit tiefenseparierbaren Faltungen entlang der Raumachse einführt, um das herkömmliche Feed-Forward-Netzwerk zu ersetzen und die Fähigkeit des Netzwerks zur Darstellung kontinuierlicher Phasenänderungen zu verbessern; die Verwendung eines vollständig simulierten Datensatzes für überwachtes Lernen (50.000 originale Faserkanäle) mit einer Datenanreicherungsmethode durch zufällige Störungskopien, um die Fähigkeit des Netzwerks zu trainieren, zufälliges Rauschen, kumulatives Phasenrauschen und Interferenzschwund zu unterdrücken, und die Nutzung der parallelen Rechenvorteile von Transformern, um schließlich eine submeter-genaue räumliche Auflösung und Echtzeitverarbeitung von Hochgeschwindigkeits-DAS-Datenströmen zu erreichen.
In Feldversuchen verwendeten die Forscher zwei Arten von Sensorfasern: „auf der Straße verlegte Kabel“ und „vergrabene Kommunikationskabel“. Durch eine erste Lokalisierung mit vergrabenen Kommunikationskabeln und Ballwurfexperimenten in einer ruhigen Nachtumgebung wurde die Leistung des neuen Verfahrens mit der herkömmlichen Phasenentfaltungs-Demodulationsmethode verglichen. Die Ergebnisse zeigten eine Verbesserung der Rauschunterdrückung um 4,6 dB gegenüber dem herkömmlichen Verfahren. Anschließend wurden mit auf der Straße verlegten Kabeln Campus-Verkehrssignale (Fahrzeugsignale, Fußgängersignale) in Echtzeit überwacht. In Abschnitten mit schlechter Kopplung zwischen Kabel und Boden konnte das neue Verfahren die beiden von Vorder- und Hinterreifen eines Fahrzeugs erzeugten Trajektorien klar unterscheiden, während die Demodulationsergebnisse des herkömmlichen Verfahrens in diesem Kanal aufgrund der verschlechterten räumlichen Auflösung überlappten, was die submeter-genaue räumliche Auflösung des Netzwerks bestätigte. Im Vergleich der Recheneffizienz zeigte das neue Verfahren im Vergleich zu herkömmlichen Signalverarbeitungsmethoden (Subband-Extraktion-basierte Phasendemodulationsalgorithmen, SPEA) und dem auf CNN basierenden Deep-Learning-Netzwerk SEED-Net sowohl bei der durchschnittlichen Rechenlatenz als auch beim Rechenaufwand eine höhere Datenverarbeitungseffizienz, die auf die parallelen Rechenvorteile der Transformer-Architektur zurückzuführen ist.
