基于DAS的桥梁入侵识别：混沌自适应DBO-VMD与多尺度残差融合通道-空间注意力网络方法

《Measurement》：DAS-based bridge intrusion identification via chaos-adaptive DBO-VMD and multi-scale residual fusion channel-spatial attention network

　　

• •
  CA-DBO可自适应优化VMD参数，用于DAS信号分解。
• •
  MSRF-Net能够融合全局时间模式与局部瞬态特征。
• •
  具有噪声感知能力的CS-SE可抑制噪声并增强入侵特征识别效果。
• •
  实地测试显示该方法的准确率达94.1%，性能优于八种基准模型。

引言

作为交通基础设施的重要组成部分，大型桥梁的结构安全与运行稳定性直接关系到公共安全以及交通系统的正常运转[1]、[2]。除了材料老化、疲劳积累等自然损耗因素外，人为破坏行为——包括非法凿击、违规机械操作以及车辆异常干扰——也逐渐成为桥梁运营过程中重要的风险来源。因此，在桥梁安全监测中，实现对突发入侵事件的精准、实时、分布式检测已成为一项关键需求[3]、[4]、[5]。

近年来，基于相敏光时域反射仪的DAS技术为监测桥梁入侵事件提供了新方法。该技术可将线路上的光纤转化为连续的分布式传感单元，从而实现对振动事件的定位、特征描述及强度测量。它具有抗电磁干扰能力强、监测距离远以及空间分辨率高等优点[6]、[7]、[8]、[9]。目前，DAS在地震监测[10]、[11]、管道安全监测[12]、[13]以及轨道交通状态监测[15]、[16]等领域展现出巨大的应用潜力。对于桥梁应用而言，DAS同样具备大规模、连续振动监测所需的技术优势。

然而，在桥梁应用场景中，DAS信号处理仍面临诸多挑战。桥梁所处的环境较为开放，存在复杂的背景干扰；采集到的信号容易受到环境噪声、交通振动以及多源干扰的共同影响，往往表现为信噪比低、非平稳性强以及特征混叠等问题[17]、[18]。此外，不同类型的入侵事件在时间和频率域上都存在一定的相似性。尽管现有研究通过改进YOLOv8等模型实现了对多种振动事件的检测与识别[19]，但在复杂的桥梁环境中，误分类或识别鲁棒性不足的问题仍然频繁出现。因此，如何在强噪声条件下实现高质量的信号重建，并进一步提取出具有高辨识度的入侵特征，仍是基于DAS的桥梁入侵监测领域需要解决的关键问题。

在模式识别领域，早期的方法主要依靠手动特征提取结合传统的机器学习分类器来实现故障或事件检测[27]、[28]。随着深度学习的不断发展，研究人员开始运用卷积网络、注意力机制以及Transformer架构，直接从原始信号或重构信号中学习具有区分能力的特征。例如，Giglioni等人提出了用于桥梁损伤分类的域自适应方法[29]；You等人基于2D-CNN和注意力机制开发了DAS周界入侵检测模型[30]；Huang等人提出了基于GRT-Transformer的DAS入侵识别框架[31]；Duran等人则设计了一种用于结构损伤识别的新型CNN架构[32]。此外，相关研究还表明，深度学习已被广泛应用于桥梁可靠性评估、几何尺寸测量以及动态响应分析等任务中[33]、[34]、[35]。尽管这些方法在识别性能上取得了进步，但在复杂噪声环境中，仍存在全局时间模式捕捉不足、局部瞬态特征表达不够充分以及模型复杂度过高等问题。Fu等人提出了一种基于VMD的混合特征提取方案，用于光纤DAS中的多事件识别[36]；Zhang等人提出了宽卷积深度神经网络WDCNN，通过宽的第一层卷积核提升了原始振动信号中全局模式的感知能力[37]；Hu等人提出了SENet模型，该模型通过通道注意力机制调整关键特征的权重，从而提升了特征表达能力[38]。

综合以上分析可知，桥梁中DAS入侵事件的识别仍面临诸多技术难题。原始测量信号易受严重噪声污染，且具有明显的非平稳特性，这使得直接提取有效的入侵特征十分困难；传统的VMD分解方法高度依赖人工调优的参数，难以适应复杂桥梁环境中的动态噪声分布；现有的深度学习模型也难以在全局趋势检测、局部瞬态特征刻画以及噪声抑制之间实现有效协调。为解决这些问题，本文提出了一种端到端的桥梁DAS入侵检测方法，该方法基于混沌自适应DBO优化的VMD算法，并结合MSRF-CSNet架构。本文的主要贡献如下：

(1) 由于桥梁DAS信号存在频谱重叠以及时变噪声问题，固定参数的VMD分解效果较差。本文提出了CA-DBO算法，用于全局优化VMD的K值以及$\alpha$参数。帐篷映射算法可用于多样化初始种群，而自适应权重与概率规则则有助于平衡探索与利用行为，进而加快收敛速度。

(2) 本文提出了双分支并行结构的MSRF-Net，以适配DAS信号的测量特性。全局分支通过宽卷积以及自适应调整后的扩张卷积，捕捉车辆经过时沿光纤传播的低频振动，从而扩大特征感受野；局部分支则利用深层小尺度卷积核并结合残差连接结构，提取敲击声和机械操作产生的高频脉冲特征，以此抑制梯度消失现象并获取更精细的瞬态信息。

(3) 本文还提出了一种具有噪声感知能力的CS-SE注意力模块。其通道分支通过噪声辨别熵算法生成噪声感知因子，从而自适应地调整各通道的权重，抑制噪声较大的通道，同时增强与入侵事件相关的通道信号。空间分支则通过全局平均池化与最大池化相结合的方式，捕捉瞬态特征的空间分布特征，以实现空间层面的权重调整。

(4) 本文在某正在使用的桥梁上进行了实地测试，构建了包含非法凿击、机械操作以及车辆经过等场景的DAS数据集。通过与SVM、随机森林、MLP、WDCNN、LSTM、CNN-LSTM、ResNet-1D以及Transformer等模型的对比实验，验证了所提方法在识别精度、信噪比提升以及误差控制方面的优越性。

本文的其余结构如下：第2节阐述研究方法；第3节通过实验与分析验证模型的性能；第4节总结实验结果。

章节概要

研究方法

该DAS桥梁入侵事件检测与识别模型采用三层级、级联式的端到端架构，包括自适应信号分解、多尺度特征学习以及基于注意力机制的分类功能，从而能够从原始振动信号中完成入侵事件的检测与分类。该框架以现场采集的原始DAS信号作为输入，依次进行噪声抑制、特征增强以及模式识别处理，最终实现

数据集构建

本研究的数据集是基于四川省成都市金凤高架桥的DAS监测数据构建的。原始数据以CSV格式存储，每条记录包含2,500个采样点的时域信号以及一个类别标签，这些标签对应三种不同的入侵事件类型：非法凿击、机械操作以及车辆经过。共有四名操作人员参与了数据采集工作：两人负责实施敲击和挖掘操作，一人负责操作DAS主机软件，

结论

本文提出了一种基于DAS的高精度桥梁入侵事件检测与识别方法，该方法将经CA-DBO优化的VMD算法与MSRF-CSNet相结合，构建了一个集信号去噪、特征提取以及事件分类于一体的端到端框架。此外，本文还引入了MCE和NDE两种指标，从不同维度定量评估分解质量并抑制噪声。实地测试结果表明，所提出的方法具备较高的识别效率

CRediT作者贡献说明

黄晓丽：软件开发、资源准备、数据整理。李廷玉：研究方法设计、实验研究、资金申请、概念构思。李美琳：模型验证、项目管理工作。王兴成：软件开发、项目管理工作。

未引用参考文献

[14]、[20]、[21]、[22]、[23]、[24]、[25]、[26]。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究成果的已知财务利益关系或个人关系。

致谢

本研究得到了西华大学的资助，资助编号为ZH20250243。

我们衷心感谢西华大学电气电子设备实验室提供的实验仪器与技术支持。同时也要特别感谢成都声听科技有限公司提供的样本数据集。此外，我们还要感谢研究生院在项目协调方面给予的行政协助。

Xiaoli Huang|Tingyu Li|Meilin Li|Xingcheng Wang