《Sensors》：Convergence of Multidimensional Sensing: A Review of AI-Enhanced Space-Division Multiplexing in Optical Fiber Sensors
Rabiu Imam Sabitu and
Amin Malekmohammadi
在结构健康监测、油气勘探和安防周界监视等关键领域，对高保真度、多参数、分布式传感日益增长的需求，正将传统光纤传感器推向其性能极限。尽管诸如时分复用和波分复用等传统复用技术在商业上已取得成功，但它们正迅速在传感器密度、空间分辨率和数据容量方面遇到根本性瓶颈。本综述认为，空分复用（SDM）与人工智能（AI）的协同汇聚代表了一种范式转变，为实现新一代智能化、高维度传感网络提供了可能。研究人员全面调研了基于空分复用（SDM）光纤传感器（OFS）的最新进展，详细阐述了多芯光纤（MCF）用于超密集传感器阵列和三维形状传感，以及少模光纤（FMF）用于模分复用和增强的多参数甄别的工作原理与应用。然而，空分复用（SDM）提供的空前空间并行性也带来了重大挑战，包括信道间串扰、复杂的信号解复用以及海量数据量。本论文系统地探讨了人工智能（AI），特别是机器学习（ML）和深度学习（DL），如何不仅被用作一种工具，而且被用作一种不可或缺的核心技术来缓解这些损伤。研究人员批判性地分析了人工智能（AI）在数字串扰抑制、智能模式解复用、信号去噪以及解决参数估计的复杂逆问题中所扮演的角色。此外，研究人员还强调了这种人工智能（AI）-空分复用（SDM）协同作用如何实现任何单独技术都难以企及的能力，例如超分辨率传感和预测分析。本文的讨论延伸至该生态系统的关键支撑支柱，如先进的解调技术和相关的数据管理挑战。最后，研究人员对该领域的发展轨迹进行了前瞻性展望，勾勒出一条通往具有自校准、自适应性并能自主决策的认知传感网络的路径。本综述旨在为处于光子学与智能系统交叉领域的研究人员和工程师提供基础性参考，照亮通往未来智能传感基础设施的道路。
**1. 引言**
21世纪的基础设施和工业格局正日益由传感技术的集成来定义，从而创造出能够自我监控并做出明智决策的“智能”系统。光纤传感器（OFS）因其独特的抗电磁干扰（EMI）、本征安全、体积小以及具备在数十公里范围内复用和分布式传感的能力，已成为卓越的解决方案。OFS的能力主要依靠经典复用技术实现：时分复用（TDM）是分布式声波（DAS）、温度（DTS）和应变（DSS）传感的基础；波分复用（WDM）能够部署密集的准分布式传感器阵列，例如光纤布拉格光栅（FBG）。然而，这些方法正面临物理极限，TDM中空间分辨率与传感范围之间存在权衡，WDM的光学带宽有限，这导致了限制传感器密度和数据容量的可扩展性瓶颈。为克服此瓶颈，该领域开始探索光纤本身的空间维度。空分复用（SDM）代表了一种范式转变，它采用特种光纤，超越了单一空间信道。多芯光纤（MCF）在单个包层内包含多个独立纤芯，将传感能力乘以纤芯数量，并实现三维形状传感等应用。少模光纤（FMF）利用不同的空间模式作为独立传感信道，每种模式对环境扰动具有独特的灵敏度，从而促进了从单根光纤进行复杂的多参数甄别。SDM带来了巨大前景，但也引入了显著的复杂性：芯间和模间串扰、具有挑战性的信号解复用以及原始数据量的急剧增加。
**1.1. 人工智能的必然性：从数据洪流到认知传感**
与SDM的兴起相伴的是人工智能（AI）的变革性进展。基于SDM的OFS产生的复杂高维数据，为AI技术提供了理想的挑战。AI不再是辅助工具，正迅速成为OFS的核心处理引擎，在去噪、事件分类和解决复杂逆问题方面显示出卓越效能。将AI应用于基于SDM的OFS是一种自然且必要的演进，为缓解其固有挑战提供了途径。本综述认为，SDM和AI的协同汇聚正在开辟光纤传感的新前沿：SDM提供了丰富的多维空间画布，AI则提供了解释它的计算智能。这种伙伴关系是双向的：AI通过串扰抑制和超分辨率传感使基于SDM的OFS变得实用而强大，而基于SDM的OFS则提供了驱动高级AI发展的复杂高价值数据。
**3. 光纤传感基础**
**3.1. 光纤传感原理：简要概述**
OFS因其抗电磁干扰、紧凑的外形和固有的复用能力而成为不可或缺的精密测量工具。其工作原理基于波导基础（光通过全内反射在纤芯中传播）和物理换能机制。主要散射机制包括：瑞利散射（形成光时域反射计（OTDR）和DAS的基础）、布里渊散射（产生与应变和温度线性相关的频移）以及拉曼散射（通过反斯托克斯/斯托克斯强度比实现分布式温度传感）。光纤布拉格光栅（FBG）（图4）施加周期性折射率调制，形成波长选择性反射器，其布拉格波长λ
B = 2n
effΛ 随应变和温度漂移。传感器分类涵盖点传感器、准分布式传感器和全分布式传感器三个空间区域。换能方法包括强度、波长、相位和偏振调制，每种方法都提供了不同的灵敏度和复用权衡。
**3.2. 性能指标与表征框架**
OFS的全面表征需要在多个性能指标上进行评估。灵敏度指输出变化量与被测量单位变化量之比；分辨率指可检测的最小被测量变化；空间分辨率指感测点之间的最小可区分距离；动态范围指最大与最小可检测信号电平之比；精度衡量传感器输出与真实值的接近程度；交叉灵敏度反映对非目标参数的不期望响应。表1总结了这些关键性能参数。
**3.3. 基本局限性与技术挑战**
OFS系统的性能从根本上受到瑞利噪声、非线性效应（如受激布里渊散射（SBS）和四波混频（FWM））以及本征材料衰减的限制。此外，交叉灵敏度、复用约束以及大规模高分辨率传感日益增长的计算需求也带来了挑战。图6展示了演进和未来方向，强调通过SDM和AI驱动分析方法来克服这些局限。
**4. 光纤传感器：基础与可扩展性挑战**
**4.1. OFS的兴起：赋能属性与应用领域**
OFS因其五个固有优势而被广泛采用：抗电磁干扰（EMI）、本征安全、小尺寸轻重量、复用能力以及远程分布式传感。这些特性使OFS成为结构健康监测、油气井下监测、周界入侵检测和生物医学应用的首选技术。
**4.2. 复用的必要性与可扩展性挑战**
现代传感应用对密集空间数据的需求推动了复用技术的发展。经典复用域包括：时分复用（TDM），其空间分辨率Δz与脉冲宽度τ成反比，而距离L受衰减限制，存在根本性权衡；波分复用（WDM），其容量受源带宽和ITU栅格限制。尽管商业上成功，但这些技术正接近物理极限，需要新的模式来克服带宽和物理约束。
**4.3. 空分复用（SDM）：容量上的范式转变**
SDM的核心前提是利用光纤本身的空间维度作为新的复用资源。三种主要的SDM方法是：多芯光纤（MCF），在单个包层内包含多个独立纤芯，有效成倍增加传感容量，适用于密集FBG阵列和三维形状传感；少模光纤（FMF），支持有限数量的导模，利用不同模式对外部扰动的不同灵敏度实现复杂的多参数甄别；捆绑/多纤阵列，将多根独立光纤捆绑成相干阵列，用于阵列传感。SDM在缩放潜力上实现了飞跃，但也带来了芯间/模间串扰、信号解调复杂化和专用制造要求等挑战。
**4.4. 数据洪流与对智能的需求**
SDM的实施不可避免地导致数据量和复杂性的爆炸式增长。例如，一个七芯DAS系统的数据量是标准单芯光纤的约七倍。将来自多个纤芯或模式的组合信号分离并精确反演为物理被测量，是一项高度复杂、非线性的任务，将传统信号处理算法推向了极限。AI，特别是机器学习和深度学习，在模式识别、噪声抑制和非线性系统建模方面显示出卓越能力，正成为先进OFS不可或缺的组成部分。
**4.5. 汇聚：智能传感的新前沿**
SDM与AI的交汇正在开辟光纤传感的新前沿。SDM提供多维空间画布，AI提供解释它的计算智能。这种协同关系是双向的：AI通过缓解固有挑战（如串扰抑制）和释放全部潜力（如超分辨率传感）来赋能SDM-OFS；而SDM-OFS则为训练强大准确的AI模型提供高维、特征丰富的数据。这种相互强化形成了一个闭环架构，用于智能化、自适应和高容量的光学传感系统。
**5. 光纤传感器中的人工智能**
高分辨率、分布式和多参数OFS系统的出现产生了从数据贫乏到数据丰富的范式转变。AI和ML不再是简单的工具，而是解锁先进OFS全部潜力的基础技术。
**5.1. 不可或缺性理论：为何AI对SDM传感是根本必要的**
SDM与AI的汇聚基于三个基本论点：维度-信息悖论、逆问题的复杂性以及实时处理约束。SDM产生的数据在高维度上超越了经典信号处理的能力。AI，特别是深度学习，能够通过分层特征学习在高维空间中建模概率分布。没有AI，跨信道相关性中包含的丰富信息，即SDM价值的核心，对传统算法来说基本上是难以触及的。
**5.2. 数学框架**
**5.2.1. SDM逆问题的数学表述**
SDM传感中的前向问题建立了被测物理量与捕获光信号之间的关系：y = ?(x) + n，其中y是观测信号，?(·)是前向算子，x是物理参数向量，n是测量噪声。
**5.2.2. 多芯光纤的耦合模方程**
对于耦合芯多芯光纤（CC-MCF），光场的传播由耦合模方程控制：dA/dz = -jCA + jB(z)A，其中A是复场幅度向量，C是耦合矩阵，B(z)是位置相关扰动矩阵。
**5.2.3. 逆问题**
从测量光学数据恢复物理参数需要求解逆问题：? = ?
-1(y)。ML方法通过学习逆映射的近似来解决不适定逆问题：??
θ(y) ≈ ?
-1(y)。最优参数θ*通过经验风险最小化获得。
**5.2.5. 物理信息神经网络（PINN）**
PINN的损失函数结合了数据保真度和物理一致性：?(θ) = ?
data(θ) + λ ?
physics(θ)。物理损失强制执行与耦合模理论的一致性。
**6. 协同作用：AI辅助的SDM光纤传感器**
AI增强的SDM光纤传感代表了分布式光学传感的变革性进步。SDM纤维（如MCF和FMF）提供高空间信道密度并支持多参数监测，但引入芯间串扰、模式耦合和非线性失真等挑战。AI提供数据驱动的学习和自适应推理来管理高维和非线性信号关系。这种协同作用不仅可以减轻SDM损伤，还能增强传感能力并实现新的自主应用。
**6.1. 利用AI减轻SDM损伤**
**6.1.1. 串扰补偿**
深度神经网络（DNN）可被训练来学习耦合信道数据与底层独立模式信号之间的非线性映射，实现芯间或模间串扰的数字消除，无需额外的光学隔离硬件。
**6.1.2. 模式解复用**
在基于FMF的传感器中，AI驱动的MIMO架构提供了自适应模式解复用，能够适应环境变化，降低处理延迟并提高鲁棒性。
**6.2. 增强传感器性能与功能**
**6.2.1. 智能特征提取**
深度学习和无监督模型能够捕获信道间隐藏的相关性，识别传统方法无法察觉的细微特征。
**6.2.2. 超分辨率传感**
机器学习模型可以从高保真参考数据中推断出亚分辨率空间细节，实现超出物理极限的“超分辨率”定位。
**6.2.3. 多参数甄别**
多任务神经网络可以学习非线性交叉灵敏度，从组合响应中分离出每个参数的贡献，使SDM传感器能够进行多维、高保真度的环境监测。
**6.3. AI-SDM融合带来的高级应用**
AI增强的SDM传感器不仅改善常规性能，还启用新应用，如“智能”形状传感（用于医疗器械）、具有模分复用（MDM）的分布式声波传感（DAS）（用于地震监测和入侵检测）以及预测性维护（用于基础设施）。
**7. AI辅助SDM传感的附加关键考虑因素**
对AI辅助SDM光纤传感的全面理解必须涵盖硬件、计算和标准化挑战。
**7.1. 解调单元技术**
解调单元（IU）是OFS系统的核心。选项包括：相干检测（提供高灵敏度和相位获取，但复杂且昂贵）与直接检测（更简单但动态范围减小，无法捕获相位信息）；扫频激光干涉法（SWI）用于多芯光纤布拉格光栅（MCF-FBG）阵列；以及基于光子集成电路（PIC）的解调器和混合方案。
**7.2. 数据管理与计算负载**
向SDM传感的转变将数据量成倍增加。例如，一个32芯的DAS系统每小时可产生超过5TB的数据。为解决“大数据”挑战，需要采用边缘AI（低延迟但资源受限）、云AI（可扩展但有延迟和隐私问题）以及混合架构。用于实时操作的轻量级AI模型（如模型剪枝、量化）至关重要。
**7.3. 标准化与商业化**
尽管SDM通信取得了重大进展，但传感领域的正式标准仍然有限。近期发布的ITU-T G-Supplement 87建立了SDM光纤的标准化框架，特别是针对125 μm包层的弱耦合多芯光纤（MCF）。IEC 61757系列标准管辖光纤传感器的通用定义和测试方法，但尚未涵盖SDM特定参数。商业化仍处于早期阶段，原型传感器已在形状传感、振动和温度监测中得到演示。
**8. AI增强SDM传感的战略路线图：未来展望与分层挑战**
**8.1. 执行摘要：AI-SDM战略路线图**
AI与SDM传感技术的集成代表了下一代监测和数据采集系统的关键前沿。本路线图概述了实现弹性、高保真度AI-SDM系统所需的四个关键研发支柱。
**8.2. 分层挑战模型：纵深防御方法**
四层挑战模型（图19，表7）提供了一个结构化的分类法，用于识别和缓解将AI-SDM理论转化为实际应用中的多维障碍。基础层是数据与复杂性层（处理低SNR和异构数据模态）；算法与架构层（关注模型复杂度与推理速度的权衡）；部署与集成层（管理软硬件协同设计和功耗带宽限制）；应用与治理层（确保输出可靠且符合伦理）。
**8.3. 支柱I：效率的必然性：计算负载与实时边缘处理**
主要技术障碍是高速SDM传感器与计算密集型深度学习（DL）模型推理速度之间的不匹配。解决方案包括在边缘部署推理（降低延迟）以及开发轻量级神经网络架构（如稀疏自编码器-前馈网络SAE-FF）。然而，架构选择涉及权衡。引入了边缘性能效率分数（EPES）作为系统感知评估的综合指标。
**8.4. 支柱II：数据经济——克服稀缺性并增强泛化能力**
深度学习模型依赖海量数据，但专门SDM传感中的高质量标记数据获取成本高昂且耗时。战略解决方案包括半监督学习（SSL）、迁移学习（TL）和物理信息数据增强（DA）的结合使用，以最大化每个样本的效用。
**8.5. 支柱III：信任的使命——可解释性、鲁棒性与安全性**
在安全关键型SDM应用中，传统“黑箱”AI模型的不透明性带来了不可接受的风险。解决方案是战略性地采用可解释人工智能（XAI）来增强透明度。然而，XAI的实施必须与主动鲁棒性工程相结合，因为XAI可能被利用来发起攻击。
**8.6. 支柱IV：掌握光学介质——与新型光纤设计的集成**
下一步是将AI算法与先进的SDM光纤（如耦合芯多芯光纤CC-MCFs和空芯光纤HCFs）相结合。AI的角色是管理复杂信号物理，例如使用物理信息神经网络（PINN）解决逆问题，并补偿耦合界面处的损耗以利用HCF的低延迟优势。
**9. 结论**
空分复用（SDM）与人工智能（AI）的汇聚代表了光纤传感演进的明确范式转变。本综述已证明AI如何被关键地用于减轻SDM系统的固有损伤，同时解锁增强的功能。SDM与AI的协同作用将实现认知传感网络——能够自校准、自诊断和自主适应的系统。本综述通过提供三个原创性贡献超越了文献汇编：一个统一的物理到算法映射框架、AI增强性能的定量基准测试以及一个战略性的四层挑战模型。这些智能、多维传感器将不仅被动监测环境，还将主动解释和响应环境，标志着从简单测量到主动感知的变革性飞跃。
