通过基于物理的建模，从振动激励到感测的过程，实现面向人工智能的数据生成

《ADVANCED ENGINEERING INFORMATICS》：AI-oriented data generation via physics-based modeling from vibration excitation to sensing

　　摘要
人工智能（AI）显著提升了分布式光纤传感（DOFS）技术在基础设施系统智能入侵监测中的能力。然而，在从激励到感知的振动监测过程中，复杂的信号影响因素往往导致训练集和测试集之间的不匹配，从而降低了AI模型的泛化性能。尽管AI模型架构、学习范式、数据增强技术和基于物理的建模方面取得了进展，但现有方法仍受限于数据可用性的限制以及对统计特性的依赖，这制约了它们的可解释性和可扩展性。为了解决这些挑战，提出了一种针对DOFS应用的AI导向的数据生成范式。该范式通过端到端的振动激励-传播-感知（VEPS）框架实现，该框架在统一的时空设置下对振动监测过程进行了形式化。基于VEPS框架，构建了一个基于物理的VEPS模型，包括三个阶段：振动激励、光纤耦合下的振动传播和DOFS。通过调整与信号影响因素相关的建模参数（如激励函数、传播特性和DOFS噪声类型），VEPS模型可以生成多样且高保真的模拟数据集。模拟数据与真实数据之间的高度相似性证明了VEPS框架的准确性。利用这些模拟数据集，VEPS支持的AI模型在模型预训练、无监督领域适应、小样本学习和类增量学习等任务中取得了显著提升。所提出的框架为AI导向任务提供了一种高效且可扩展的数据生成方法，有望加速DOFS及相关监测系统的智能应用。

引言
基础设施安全至关重要，因为自然灾害、施工活动或故意干扰造成的入侵破坏对管道[1]、电网[2]和其他远程系统的安全和可靠性构成了严重威胁。虽然已经广泛采用了手动和机器人检查、红外检测、电探针和摄像头阵列等监测技术，但其有效性受到监测范围有限、运营成本高和实时性能不足的限制。分布式光纤传感（DOFS），特别是基于相位敏感光时域反射计（Φ-OTDR）的分布式声学传感（DAS），已成为基础设施安全监测的潜在解决方案。沿着基础设施部署的光纤充当虚拟麦克风阵列，具有米级空间分辨率和数百千赫兹的采样率，能够实现低成本和实时的振动监测[3]、[4]。在大规模基础设施上部署DOFS会产生大量复杂且变化巨大的数据，使得传统的手工特征提取方法变得不足够。人工智能（AI）技术可以从大规模数据中学习复杂的模式，而无需显式的基于物理的建模，因此已被广泛用于DOFS应用中的事件识别，如周界安全[5]、[6]、石油/天然气管道[7]、[8]、基础设施[9]。然而，在振动监测过程中，信号影响因素可能导致训练集和测试集之间的不匹配，从而降低AI模型的泛化性能[10]、[11]。这些信号影响因素涉及多个阶段，包括振动激励、振动传播、光纤耦合和分布式光纤传感（DOFS）。相应的人工智能方案已在每个阶段开发出来以解决这些问题：
(1) 在振动激励阶段，某些事件表现出复杂的操作模式，这可能会引入数据变化并降低AI性能。为了更好地表示事件特征，使用了隐马尔可夫模型（HMM）和长短期记忆（LSTM）网络等时间模型从这些复杂信号模式中提取时间依赖性信息[12]、[13]、[14]。由于对事件操作模式的研究有限，提取的信息无法完全捕捉所有可能的模式。
(2) 在振动传播和光纤耦合阶段，多个振动源可能同时与光纤相互作用，导致多源信号被错误分类为另一种类型的单一事件。为了解决这种事件混合问题，采用了盲源分离方法和卷积神经网络（CNN）进行多源分离[15]、[16]、[17]、[18]。由于源数和混合机制的不可预测性，分离性能的稳定性无法保证。
(3) 在DOFS阶段，系统噪声会影响信号质量，进而导致AI模型的误分类。噪声研究可以分为两类：信号去噪和AI模型的抗噪性能提升。前者包括CNN[19]、小波去噪[20]、[21]等；后者包括添加噪声的数据增强[22]、[23]、多维特征提取[24]等。然而，这些方案仅能从可用数据中提取有限的噪声信息，缺乏对噪声生成机制的深入研究。上述三个阶段的AI方案主要集中在各自阶段内的信号影响因素上，缺乏全面获取整个振动监测过程动态信息的能力。一些数据驱动的AI研究并不关注每个阶段的干扰，而是探索获取更多先验知识以减少训练集和测试集之间的不匹配[25]。这些知识包括来自源域的标记样本和每个目标域的未标记样本[26]、[27]。相应的，提出了迁移学习、半监督学习和无监督学习来利用这些不同类型的知识[28]、[29]、[30]。这些方案都侧重于直接使用现有数据训练模型。此外，数据增强研究（如生成对抗网络（GANs）、变分自编码器或扩散模型）旨在通过生成新数据来提高模型鲁棒性[22]、[31]。然而，数据驱动的生成模型仍然依赖于可用数据集的统计特性，而不是物理机制，且生成的样本可能难以控制且缺乏可解释性[32]。总之，当前的数据驱动AI方案仍从根本上受限于真实数据集中的有限信息，迫切需要一种为AI任务定制的数据生成技术，以降低标注成本并提高模型泛化能力。

为了克服真实数据集的信息瓶颈，需要进一步研究振动监测过程的物理机制，从而为AI模型训练提供基于物理的先验[33]、[34]。物理模拟建模是分析振动监测过程的有效方法[35]。通过构建DOFS模拟模型，一些研究在基于AI的DOFS信号去噪方面取得了令人满意的结果[36]、[37]。此外，一些研究将建模范围从光学扩展到声学，用于单一威胁分析，尽管没有涉及多样的振动激励或AI应用[38]、[39]、[40]。在DOFS的智能应用中，已经建立了结合声学和光学的模拟模型来生成模拟数据集[41]。然而，由于从激励到传播的声学建模挑战，生成的模拟数据集对于有效的AI模型训练仍然不足。尽管这三个阶段已在DOFS和其他工程领域进行了研究，但在开发一个能够端到端动态连接这些模块的统一框架方面仍存在差距[42]、[43]、[44]。此外，现有的关于信号影响机制的研究主要集中在DOFS噪声模型上，生成的数据多样性不足，限制了AI模型的性能提升。

在本文中，构建了一个端到端的振动激励-传播-感知（VEPS）物理模型，包括三个阶段：振动激励、光纤耦合下的振动传播和DOFS。通过建模非线性弹簧-阻尼振荡系统中的事件模式激励函数，第一阶段为五种类型的事件生成了大量高保真的模拟样本。基于离散光纤模型，第二阶段结合了多层声学阻抗介质和多源耦合模块，通过捕获复杂的传播特性来提高模拟样本的多样性。通过在DOFS阶段对四种噪声分布进行建模，对模拟样本进行了噪声导向的数据增强，进一步提高了样本多样性。这些模拟样本与真实样本进行了比较，其中低误差和高相似性证明了VEPS框架的准确性。然后，在四个AI导向任务中评估了VEPS生成数据的有效性，包括模型预训练、无监督领域适应（UDA）、小样本学习和类增量学习。结果表明，VEPS支持的AI模型在准确性和数据利用效率方面均显著优于基线AI模型。这项工作实现了振动监测过程中物理机制的灵活数据生成和分析，有望加速DOFS的AI应用。

主要贡献总结如下：
(1) 为了实现物理一致的数据生成，本文建立了一个统一的时空框架，通过在共同的土壤力学响应系统下动态链接三个主要阶段来形式化振动监测过程。大多数现有研究是孤立地建模这些阶段的。
(2) 为了生成多样化的数据，本文将整个过程的干扰机制明确嵌入到力-声学-光学-电传输路径的建模框架中。大多数现有研究主要关注单个阶段或单一物理量内的干扰机制。
(3) 该框架为各种AI导向任务提供了一种高效且可扩展的数据生成方法，缓解了智能DOFS监测中数据稀缺的挑战。

本文的其余部分组织如下：第2节回顾了AI技术与DOFS结合的现有文献。第3节介绍了VEPS框架的不同阶段和增量学习方案。第4节介绍了使用VEPS模型生成模拟数据的细节和结果。第5节描述了四个AI导向任务的实验设置和结果，证明了VEPS模型生成模拟数据的有效性。第6节讨论了结果、文献比较和局限性。最后，第7节总结了本文。

文献综述
本节回顾了DOFS中的AI导向任务，强调了AI技术和物理模拟建模在DOFS背景下的先前研究，并讨论了本工作与ADVEI上发表的相关研究之间的联系。

方法
VEPS框架在一个统一的时空设置中建立，其中实例化了一个VEPS模型。如图1所示，VEPS模型包括三个阶段：振动激励、振动传播和光纤耦合后的DOFS。首先，带有激励[F(t)m]的振动源与地面相互作用，产生振动位移ux0,t。然后，这种振动位移以弹性波的形式传播到地面层中。

数据生成细节
VEPS模型包括三个主要阶段。在振动激励阶段，第一步是提取常见事件的激励特征。然后，通过将相应的激励特征应用于VEPS模型来生成不同事件的振动信号。具体来说，为了模拟车辆通过减速带的振动过程，将固体梁结构设计成梯形，并利用了弯曲刚度。

AI导向任务描述
本节从实际基于AI的感知任务的角度评估了VEPS框架在数据生成方面的有效性。因此，设计了四个典型的AI导向任务：AI模型预训练、UDA、小样本学习和类增量学习。如图9所示，所有四个AI导向任务都基于VEPS模型生成的模拟数据集。AI模型预训练任务仅使用模拟数据来训练具有基本识别能力的AI模型。

结果讨论
波形相似性分析和四个AI导向任务的结果共同证明了所提出的基于物理的建模方法的有效性和普遍适用性。对于波形相似性分析，物理生成的信号与测量波形之间的强烈一致性验证了基于物理的建模能够可靠地捕捉系统的基本动态特征。这种紧密匹配表明模拟数据的准确性。

结论
本文提出了一种AI导向的数据生成范式，通过构建端到端的振动激励-传播-感知（VEPS）基于物理的建模框架。在该框架内，实例化了一个VEPS模型，明确包含了振动激励、振动传播和分布式光纤传感（DOFS）的阶段。通过实现准确的振动模拟和参数控制，VEPS模型生成了全面的...

作者贡献声明
张仕雄：撰写-审阅与编辑、撰写-原始草稿、可视化、验证、监督、软件、项目管理、方法论、调查、形式分析、数据管理、概念化。李浩：撰写-原始草稿、监督、软件、项目管理、资金获取、形式分析、数据管理、概念化。范存正：写作——审稿与编辑；写作——初稿撰写；可视化；验证；资源；项目声明
作者声明，他们没有已知的可能影响本文所报告工作的财务利益冲突或个人关系。
致谢
本工作得到了国家自然科学基金（NSFC）（项目编号：U22A20206、62425505、62505097及U24A20203）以及中央高校基本科研业务费（2024BRA012）的支持。
作者：张世雄|李浩|范存正|胡永明|颜志军|唐明|刘德明|孙启振