《Sensors》：A Mixture of Experts Model for Third-Party Pipeline Intrusion Detection Using DAS
Shenbin Zhu,
Minglei Fu,
Haifeng Zhang,
Hongyuan Jiao,
Yanhua Zhao,
Zhengxiang Wu,
Haiming Wang and
Bohan Song
编辑推荐：
为解决多点阵列薄膜热电偶在实际应用中因传感节点间耦合效应导致测量精度下降的技术瓶颈，研究人员通过精密焊接工艺制备阵列传感器，并结合电喷雾技术沉积绝缘层构建硬件系统。进而，本研究开发了一种基于多层感知机（MLP）的深度学习方法，针对每个传感节点独立训练模型，利用Adam优化器对采集的同步数据进行误差校正。结果显示，该方法有效降低了测量误差（MAE、MSE）并提升了决定系数（R2），显著提高了大面积温度场监测的精度与可靠性，为航空航天及工业控制领域的高精度分布式测温提供了创新的软硬件一体化解决方案。
在航空航天、工业过程控制等诸多关键领域，精确掌握大面积温度场的分布情况，就如同为复杂系统装上了感知“体温”的神经末梢，是保障安全、提升效率和实现智能化管理的基础。传统的单点测温技术，在面对需要同步、多点、大面积监测的任务时，显得力不从心——部署大量独立传感器不仅成本高昂、系统复杂，数据也难以同步分析。多点阵列薄膜热电偶技术应运而生，它将多个传感节点集成在一块基板上，有望实现“一网打尽”式的温度场同步测量。然而，理想很丰满，现实却很“耦合”。当这些传感节点紧密排列时，电磁和热传导的相互干扰会悄然引入测量误差，成为阻碍其走向工程应用的“绊脚石”。如何“剥离”这些耦合干扰，还原真实的温度信号，成为摆在研究人员面前的一道难题。
为此，一项发表在《Sensors》期刊上的研究，为我们提供了一种结合硬件优化与智能算法的创新思路。研究人员决心从“硬件”和“数据”两个层面双管齐下，攻克阵列热电偶的精度瓶颈。在硬件层面，他们采用精密焊接工艺精心制备了4×8布局（共32节点）的镍铬/镍硅薄膜热电偶阵列，并通过电喷雾原子化技术在传感器表面沉积了一层高温绝缘层，构建了稳定的多点同步温度传感硬件系统。在数据处理层面，为了对抗多传感器耦合带来的精度损失，他们引入了一种基于深度学习的温度数据校准方法。
为开展这项研究，作者团队主要运用了以下几项关键技术方法：首先，通过精密焊接和电喷雾沉积技术，制备并封装了多点阵列薄膜热电偶硬件系统。其次，构建了一套包含感知层（阵列热电偶与标准K型热电偶配对）、采集层（64通道数据采集卡同步采集）和环境层（管式高温炉分区控温）的三级数据采集系统，在低、中、高三个温区获取了同步测量数据集。最后，采用基于多层感知机（MLP）的深度学习模型，为每个传感节点独立建立校准模型，利用Adam优化器进行训练，实现了对原始测量数据中非线性误差映射关系的高效学习与补偿。
2. Experimental
本研究围绕硬件制备、数据采集和模型校准展开实验。在材料与设备方面，选用了特定规格的陶瓷基板、合金丝材以及硅酸盐复合材料，并配备了激光加工、焊接、高温加热、多通道数据采集与显微观察等一系列专用设备，为研究提供了坚实的物质基础。
2.3. Dataset
研究构建了一个通用的监督校准模型框架（F: TrAw→ TcAl），旨在捕捉阵列热电偶原始测量数据与标准热电偶真实值之间的非线性误差映射关系。为了充分表征误差模式，研究人员设计了一个三层级数据采集系统。感知层部署了自制的4×8阵列热电偶和与之——对应的32个标准K型热电偶，确保两者处于相同的热环境中。采集层使用64通道数据采集卡，以1秒为间隔同步采集全部64路温度信号。环境层则利用管式高温炉，在0-400°C（低温）、400-700°C（中温）和700-900°C（高温）三个区间，以8°C/分钟的升温速率进行控温，模拟工业高温环境并获取不同热区的数据集。
2.4. Performance Evaluation Methods for Deep Learning Models
为全面评估所提32通道阵列热电偶温度校准模型的性能，研究建立了一套系统的定量评估体系，主要采用三个核心指标：平均绝对误差（MAE），反映校准值的平均偏差；均方误差（MSE），侧重惩罚较大偏差，评估模型对异常值的修正能力；决定系数（R2），衡量校准值与真实值之间的拟合优度，表征模型对数据方差的解释能力。
3. Results
实验结果表明，所提出的方法显著提升了测量精度。经过深度学习模型校准后，阵列热电偶的测量误差大幅降低。具体表现为，MAE和MSE值显著下降，而R2值则更接近于1。这证明该模型能有效补偿由节点间耦合等因素引入的系统误差，将阵列热电偶的测量输出校正到与标准热电偶高度一致的水平。研究还对不同温度区间（低、中、高）的校准效果进行了分析，验证了该方法在宽温域范围内的有效性和鲁棒性。
4. Discussion
本研究成功地将深度学习方法应用于多点阵列薄膜热电偶的温度校准。通过为每个传感节点独立训练一个三层MLP模型，该方法能够学习并补偿复杂的、非线性的耦合误差。与传统的单点校准或全局校准方法相比，这种“一个节点一个模型”的个性化策略，能够更好地处理因制造工艺微小差异、节点在阵列中位置不同所导致的独特误差特性。硬件上优化的制备工艺与绝缘层处理，结合软件上智能的数据驱动校准，构成了一个完整的解决方案。这项工作表明，深度学习不仅适用于复杂的图像或语言处理，也能为经典的传感器测量精度提升问题提供强大工具。该研究为多点阵列薄膜热电偶在航空发动机热状态监测、工业反应器温度场控制等需要高精度、大面积分布式测温的场景中的工程化应用铺平了道路，展示了温度测量技术与人工智能算法融合的巨大潜力和实用价值。
