分布式聲學傳感技術可用于分析鐵軌旁光纖光纜中的振動信號，以此檢測基礎設施故障，例如沿線隔音屏障損壞等問題。圖片來源：研究團隊

鐵路網絡覆蓋面極廣，難以實現全面、持續的安全監測。中國研究人員提出，可通過分析埋設在鐵路沿線地下的現有光纖光纜振動情況來排查故障。

在3月5日發表于《光通信與網絡期刊》的一項研究中，該團隊通過實驗驗證了該技術能夠成功識別多項與列車安全相關的問題，包括列車車輪故障、鐵路沿線隔音屏障破損等。

東南大學交通學院青年首席教授董智捷表示，視頻監控、雷達、超聲波傳感等傳統鐵路監測手段雖有一定效果，但通常只能對鐵路系統的單點位置進行監測。

“因此，這類方式難以實現整條鐵路線路的連續覆蓋監測，同時也更容易受天氣、環境因素及供電條件限制影響?！彼f道。

為此，董教授與南京大學的張益昕等人采用分布式聲學傳感（DAS）技術，通過分析鐵路沿線地下光纖光纜的振動來識別安全隱患。具體原理為：向光纖中發射脈沖光，利用散射光的傳播特性檢測并量化整條光纜上的振動信號。

研究團隊構建了人工智能模型，對信號進行降噪處理，并識別出與各類安全隱患相對應的特定振動特征，例如車輪損傷或故障引發的振動。

董教授指出，鐵路沿線地下已鋪設大量用于通信的光纖網絡，這意味著可直接將這些光纜作為傳感介質，無需額外供電，也不必再搭建成本高昂的專用網絡。只需在鐵軌沿線間隔設置監測站，通過延伸光纜將分布式聲學傳感系統接入主干光纖即可。

機器學習賦能鐵路安全

為研發這套分布式聲學傳感系統，研究團隊采集了各類鐵路安全隱患相關數據，并訓練機器學習算法識別每種隱患對應的特定振動。

例如，團隊利用分布式聲學傳感數據訓練模型以識別列車運行軌跡，所用訓練樣本超1.3萬條列車行駛數據，并通過相關數據核驗列車行駛方向。該模型識別準確率達98.75%。

在另一項實驗中，研究團隊在昆明一段60公里長的鐵路上，采集了存在輪對故障（車輪或連接車軸受損、有缺陷）的列車運行樣本。研究人員可清晰識別故障狀態：正常車輪的振動頻率主要集中在60赫茲以下，而故障車輪振動頻率最高可達100赫茲。

分布式聲學傳感還可用于檢測隔音屏障故障。隔音屏障是鐵路兩側的板式墻體，用于降低列車行駛時對周邊居民區的噪音。研究人員移除隔音屏障的橡膠面板以模擬故障狀態，并用橡膠錘反復敲擊屏障，利用采集的聲學數據訓練另一款模型。該模型對故障隔音屏障的檢測準確率高達99.6%。

該團隊還研究了機器學習算法對鐵路沿線異常事件的識別能力，例如人員翻越軌道圍欄、落石侵入軌道、挖掘機作業等違規施工行為，以及其他環境干擾。這類事件起初較難區分，但通過向模型輸入大量數據，研究人員將此類事件的識別準確率提升至97.03%。

上述結果表明，分布式聲學傳感有望成為鐵路系統監測的有效手段?！白盍钗覀円馔獾氖?，僅依靠鐵路沿線已鋪設的單根光纖，配合合適的模型與算法設計，就能同時支持如此多類別的監測任務。”董教授表示，“這種單套光纖系統的多用途應用具備極高的工程應用價值?！?/p>

董教授坦言，目前實驗均在可控環境下開展，亟需采集更多真實高鐵運行工況下的振動數據。盡管如此，她仍表示：“本研究結果表明，該方案具備可行性，且擁有很強的實際應用潛力?！?/p>