⚡ electrical engineering

SagnacAssisted Enhanced OTDR for Distributed Acoustic Sensing: A Standardized Benchmark and Engineering Evaluation Framework

यह शोध पत्र एक सैग्नैक-असिस्टेड एनहैंस्ड $\phi$ -OTDR आर्किटेक्चर प्रस्तुत करता है जो पोलराइजेशन-प्रेरित फेडिंग को कम करता है और एक मानकीकृत बेंचमार्क फ्रेमवर्क पेश करता है, यह प्रदर्शित करते हुए कि एक ड्यूल-ब्रांच फ्यूजन मॉडल 10-किमी के डिस्ट्रिब्यूटेड एकॉस्टिक सेंसिंग सिस्टम पर पारंपरिक तरीकों की तुलना में बेहतर इवेंट रिकग्निशन प्रदर्शन (89.79% सटीकता) प्राप्त करता है।

मूल लेखक: Weiguang Wang, Fugen Wu, Hailing Wang, Xuechen Liang, Xiaobin Li, Ru Han, Tianchang Xie

प्रकाशित 2026-06-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Weiguang Wang, Fugen Wu, Hailing Wang, Xuechen Liang, Xiaobin Li, Ru Han, Tianchang Xie

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बहुत ही शोर वाले, भीड़भाड़ वाले कमरे में किसी विशिष्ट बातचीत को सुनने की कोशिश कर रहे हैं। कभी-कभी, ध्वनि तरंगें दीवारों से टकराती हैं या लोगों द्वारा बाधित होती हैं, जिससे आवाज़ अचानक कम हो जाती है या अस्पष्ट हो जाती है। यह बिल्कुल वही समस्या है जिसका सामना इंजीनियर $\phi$ -OTDR नामक एक उच्च-तकनीकी सेंसिंग तकनीक के साथ करते हैं, जो लंबी दूरी तक कंपन (जैसे कदमों की आहट, खुदाई, या चढ़ना) को "सुनने" के लिए फाइबर-ऑप्टिक केबलों का उपयोग करती है।

यहाँ इस शोध पत्र (paper) का एक सरल विवरण दिया गया है, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है:

1. समस्या: "फेडिंग" (Fading) सिग्नल

मुख्य तकनीक, $\phi$ -OTDR, यह पता लगाने में बहुत अच्छी है कि कंपन केबल के किस हिस्से में हो रहा है। हालाँकि, इसमें एक दोष है: पोलराइजेशन-प्रेरित फेडिंग (Polarization-Induced Fading)।

उपमा: फाइबर-ऑप्टिक केबल को एक लंबे गलियारे के रूप में सोचें। कभी-कभी, "प्रकाश" जो ध्वनि संकेत ले जा रहा है, गलियारे में एक अजीब कोण पर या किसी गंदी जगह से टकराता है, और सिग्नल बस एक पल के लिए गायब हो जाता है। यह ऐसा है जैसे आप दीवार के माध्यम से एक फुसफुसाहट सुनने की कोशिश कर रहे हों जो अचानक एक पल के लिए ध्वनि-रहित (soundproof) हो जाती है। इसके कारण सिस्टम महत्वपूर्ण घटनाओं (जैसे बाड़ पर चढ़ते हुए चोर) को मिस कर देता है या बैकग्राउंड शोर से भ्रमित हो जाता है।

2. समाधान: "सैग्नैक असिस्टेंट" (Sagnac Assistant)

इसे ठीक करने के लिए, लेखकों ने एक दूसरा सुनने वाला उपकरण जोड़ा जिसे सैग्नैक इंटरफेरोमीटर (Sagnac interferometer) कहा जाता है।

उपमा: कल्पना करें कि आप मुख्य श्रोता ( $\phi$ -OTDR) हैं, लेकिन आपके पास एक साथी (सैग्नैक) भी है जो आपके ठीक बगल में खड़ा है। जब मुख्य श्रोता का सिग्नल गलियारे के किसी "बुरे स्थान" के कारण फीका पड़ जाता है, तो साथी कंपन को पकड़ने के लिए एक अलग तरीके का उपयोग करके उसे स्पष्ट रूप से सुनता रहता है।
परिणाम: वे सूचना के इन दो प्रवाहों को मिलाते हैं। यदि एक कान एक सेकंड के लिए बहरा हो जाता है, तो दूसरा कान अभी भी काम कर रहा होता है। यह एक "हाइब्रिड" सिस्टम बनाता है जो धोखा देना बहुत कठिन है।

3. चुनौती: अलग-अलग दिमागों की तुलना कैसे करें

लेखकों ने केवल हार्डवेयर नहीं बनाया; उन्होंने महसूस किया कि यह साबित करने के लिए कि यह नया सिस्टम काम करता है, आपको उन विभिन्न कंप्यूटर प्रोग्रामों (AI मॉडल्स) का परीक्षण करने के लिए एक निष्पक्ष तरीका चाहिए जो ध्वनियों की व्याख्या करते हैं।

उपमा: एक कुकिंग कॉम्पिटिशन (खाना पकाने की प्रतियोगिता) की कल्पना करें। आपके पास एक नया, बेहतर ओवन (Sagnac-assisted hardware) है। अब आप देखना चाहते हैं कि कौन सा शेफ (AI एल्गोरिदम) सबसे अच्छा व्यंजन बना सकता है। लेकिन यदि शेफ A ताजी सामग्री का उपयोग करता है और शेफ B जमी हुई (frozen) सामग्री का उपयोग करता है, तो परीक्षण निष्पक्ष नहीं है।
नवाचार: लेखकों ने एक "मानकीकृत बेंचमार्क" (Standardized Benchmark) बनाया। यह प्रतियोगिता के लिए नियमों का एक सख्त सेट है। सभी को बिल्कुल समान सामग्री (डेटा), समान तैयारी का समय (preprocessing), और समान निर्णय मानदंड (judging criteria) मिलते हैं। यह सुनिश्चित करता है कि यदि कोई शेफ जीतता है, तो वह इसलिए क्योंकि वह बेहतर है, न कि इसलिए कि उसे सामग्री के साथ किस्मत मिली।

4. प्रतियोगिता: कौन जीतता है?

उन्होंने छह अलग-अलग प्रकार की घटनाओं (जैसे चलना, खुदाई करना, खटखटाना, या पानी का बहना) की पहचान करने में चार प्रकार के "शेफ" (एल्गोरिदम) का परीक्षण किया:

पुराना स्कूल शेफ (The Old School Chef): यह सरल, हाथ से लिखे गए नियमों का उपयोग करता है (Feature Engineering)। परिणाम: संघर्ष किया। यह जटिलता को नहीं संभाल सका।
संभाव्यता आधारित शेफ (The Probabilistic Chef): यह सरल नियमों का उपयोग करता है लेकिन आत्मविश्वास के आधार पर थोड़ा "अनुमान" भी जोड़ता है। परिणाम: बेहतर, लेकिन फिर भी बहुत अच्छा नहीं।
डीप लर्निंग शेफ (Single-Branch): एक स्मार्ट AI जो डेटा के एक प्रवाह से अपने आप पैटर्न सीखता है। परिणाम: बहुत अच्छा।
डीप लर्निंग शेफ (Dual-Branch Fusion): एक स्मार्ट AI जो दोनों मुख्य सिग्नल और सहायक सिग्नल को एक साथ देखता है और उन्हें जोड़ता है। परिणाम: विजेता।

विजेता के आंकड़े:
"Dual-Branch Fusion" शेफ ने 89.79% सटीकता प्राप्त की। इससे भी महत्वपूर्ण बात यह है कि इसने दो महत्वपूर्ण क्षेत्रों में बहुत कम गलतियाँ कीं:

दखलंदाजी वाले अलार्म (Nuisance Alarms): जब हवा या बारिश थी, तब इसने "भेड़िया आया" (Wolf!) का शोर नहीं मचाया (कम गलत अलार्म)।
छूटे हुए डिटेक्शन (Missed Detections): इसने वास्तविक खतरों को नहीं छोड़ा (परीक्षण में शून्य छूटे हुए डिटेक्शन)।

5. गुप्त नुस्खा: आप सामग्री को कैसे मिलाते हैं

इस पेपर की सबसे दिलचस्प खोजों में से एक चैनल ग्रुपिंग (Channel Grouping) के बारे में है।

उपमा: आपके पास 12 अलग-अलग माइक्रोफोन हैं। "Dual-Branch" AI को फीड करने के लिए, आपको उन्हें दो समूहों (Branch A और Branch B) में विभाजित करना होगा।
खोज: यदि आप उन्हें बस आधा-आधा बाँट देते हैं (माइक्रोफोन 1–6 बनाम 7–12), तो AI खराब प्रदर्शन करता है। यह ऐसा है जैसे सभी बेस वाद्ययंत्रों को एक समूह में और सभी वायलिन को दूसरे समूह में रखना; वे एक-दूसरे के पूरक अच्छी तरह से नहीं होते हैं।
सुधार: सबसे अच्छा प्रदर्शन एक "स्कैम्बल" (बिखरे हुए) मिश्रण से आया, जहाँ दो समूहों में माइक्रोफोनों का एक संतुलित मिश्रण था जो एक-दूसरे के पूरक थे। पेपर दिखाता है कि आप डेटा को कैसे व्यवस्थित करते हैं, यह AI मॉडल जितना ही महत्वपूर्ण है।

सारांश

यह पेपर मुख्य रूप से दो चीजें करता है:

हार्डवेयर: यह एक मानक फाइबर-ऑप्टिक सेंसर को सैग्नैक असिस्टेंट के साथ जोड़कर एक "सुपर-लिसनर" बनाता है ताकि सिग्नल ड्रॉपआउट को रोका जा सके।
सॉफ्टवेयर/परीक्षण: यह AI मॉडल्स का परीक्षण करने के लिए एक निष्पक्ष, मानकीकृत नियम पुस्तिका बनाता है। यह साबित करता है कि इस नए हार्डवेयर का उपयोग करने का सबसे अच्छा तरीका "Dual-Branch" AI है जो दोनों सिग्नल्स को फ्यूज करता है, और डेटा को व्यवस्थित करने का तरीका सफलता के लिए महत्वपूर्ण है।

परिणामस्वरूप, यह एक ऐसा सिस्टम है जो अधिक विश्वसनीय है, इसमें गलत अलार्म कम होते हैं, और यह पिछले तरीकों की तुलना में वास्तविक दुनिया की सुरक्षा और बुनियादी ढांचे की निगरानी के लिए बेहतर है।

तकनीकी सारांश: वितरित ध्वनिक संवेदन (DAS) के लिए सैग्नैक-सहायक उन्नत $\phi$ -OTDR

समस्या विवरण
फेज-सेंसिटिव ऑप्टिकल टाइम-डोमेन रिफ्लोमेट्री ( $\phi$ -OTDR) बड़े पैमाने पर वितरित ध्वनिक संवेदन (DAS) के लिए एक प्रमुख तकनीक है, जो लंबी दूरियों पर वितरित स्थानिक-कालिक निगरानी (spatiotemporal monitoring) प्रदान करती है। हालांकि, इसका फील्ड प्रदर्शन अक्सर ध्रुवीकरण-प्रेरित फेडिंग (PIF), स्थानीय सिग्नल क्षरण और तीव्र पर्यावरणीय हस्तक्षेप के कारण बाधित होता है। ये भौतिक सीमाएं अस्थिर सिग्नल अवलोकन की ओर ले जाती हैं, जिसके परिणामस्वरूप गलत डिटेक्शन और अनावश्यक अलार्म (nuisance alarms) उत्पन्न होते हैं, विशेष रूप से कठोर फील्ड स्थितियों में। इसके अलावा, मौजूदा शोध अक्सर अलग-थलग संरचनात्मक सुधारों या डिवाइस-स्तरीय प्रदर्शनों पर ध्यान केंद्रित करता है, जिससे यथार्थवादी इवेंट-रिकग्निशन परिदृश्यों के तहत हाइब्रिड आर्किटेक्चर के सिस्टम-लेवल मूल्यांकन में एक अंतराल रह जाता है। इसके अतिरिक्त, AI-संचालित रिकग्निशन एल्गोरिदम की तीव्र प्रगति को एक मानकीकृत, पुनरुत्पादक बेंचमार्क की आवश्यकता है जो क्लास इम्बैलेंस (class imbalance), फॉल्स अलार्म रेट और इन्फरेंस लेटेंसी जैसे इंजीनियरिंग संबंधी बाधाओं को ध्यान में रखता हो।

कार्यप्रणाली
यह शोध एक दोहरी रणनीति प्रस्तावित करता है: एक भौतिक संवेदन संवर्धन और एक मानकीकृत इंजीनियरिंग मूल्यांकन ढांचा।

सैग्नैक-सहायक भौतिक आर्किटेक्चर:
लेखकों ने एक हाइब्रिड ऑप्टिकल फ्रंट-एंड विकसित किया है जो एक पारंपरिक $\phi$ -OTDR सिस्टम के साथ सैग्नैक इंटरफेरोमीटर को एकीकृत करता है।

तंत्र (Mechanism): $\phi$ -OTDR चैनल अपनी प्राथमिक भूमिका में वितरित स्थानिक-कालिक स्थानीयकरण (spatiotemporal localization) बनाए रखता है। संतुलित पोलराइजेशन-मेंटेनिंग फाइबर्स के साथ कार्यान्वित सैग्नैक इंटरफेरोमीटर, एक निरंतर, उच्च-सटीकता वाला फेज रिस्पॉन्स प्रदान करता है जो स्थानीय फेडिंग प्रभावों के प्रति कम संवेदनशील है।
सिग्नल प्रोसेसिंग: दोनों चैनलों से प्राप्त विषम (heterogeneous) सिग्नलों को एक FPGA प्लेटफॉर्म पर कार्यान्वित क्रॉस-कोरिलेशन प्रक्रिया का उपयोग करके संरेखित किया जाता है ताकि एक सुसंगत टेम्पोरल एंकर स्थापित किया जा सके। यह एक शारीरिक रूप से पूरक व्यवस्था बनाता है जहाँ सैग्नैक चैनल, PIF और पर्यावरणीय शोर के कारण $\phi$ -OTDR चैनल में होने वाली सूचना की हानि की भरपाई करता है।

मानकीकृत बेंचमार्क फ्रेमवर्क:
इस आर्किटेक्चर का मूल्यांकन करने और विभिन्न रिकग्निशन मार्गों की तुलना करने के लिए, लेखकों ने छह ध्वनिक इवेंट श्रेणियों (बैकग्राउंड नॉइज़, मैनुअल डिगिंग, नॉकिंग, वॉटर फ्लो, फेंस शेकिंग और वॉकिंग) वाले 10-किमी सेंसिंग फाइबर डेटासेट का उपयोग करके एक कठोर बेंचमार्क प्रोटोकॉल स्थापित किया।

इनपुट संगठन: चूंकि डेटासेट को भौतिक रूप से अलग फाइलों के बजाय एक एकीकृत 12-चैनल मैट्रिक्स के रूप में संग्रहीत किया गया है, इसलिए बेंचमार्क "चैनल ग्रुपिंग" को एक नियंत्रित चर (controlled variable) के रूप में मानता है। ड्यूल-ब्रांच फ्यूजन मॉडल के लिए इष्टतम ब्रांच पार्टिशन की पहचान करने के लिए एक सर्च स्ट्रैटेजी का उपयोग किया गया, जिससे यह सुनिश्चित हुआ कि प्रदर्शन में वृद्धि फ्यूजन स्ट्रैटेजी के कारण है न कि मनमाने डेटा स्प्लिटिंग के कारण।
मॉडल श्रेणियां: फ्रेमवर्क समान डेटा पार्टीशनिंग और प्रीप्रोसेसिंग के तहत चार अलग-अलग तकनीकी मार्गों की तुलना करता है:
- पारंपरिक फीचर-इंजीनियरिंग विधियां (जैसे STFT + SVM)।
- प्रोबेबिलिस्टिक शैलो क्लासिफायर (जैसे Fusion Features + PSVM)।
- सिंगल-ब्रांच डीप मॉडल्स (कन्वोल्यूशनल न्यूरल नेटवर्क)।
- ड्यूल-ब्रांच फ्यूजन डीप मॉडल्स।
मूल्यांकन मेट्रिक्स: सरल सटीकता (accuracy) से आगे बढ़ते हुए, बेंचमार्क इंजीनियरिंग-प्रासंगिक मेट्रिक्स पर जोर देता है: मैक्रो-F1 स्कोर, न्यूसेंस अलार्म रेट (NAR), फॉल्स नेगेटिव रेट (FNR), और इन्फरेंस लेटेंसी।

प्रमुख परिणाम
10-किमी फाइबर डेटासेट पर किए गए प्रयोगों से निम्नलिखित निष्कर्ष प्राप्त हुए:

प्रदर्शन पदानुक्रम (Performance Hierarchy): शैलो हैंडक्राफ्टेड फीचर्स से लेकर डीप फ्यूजन मॉडल्स तक प्रदर्शन में एक स्पष्ट प्रगति देखी गई। पारंपरिक फीचर-इंजीनियरिंग बेसलाइन्स (जैसे STFT + SVM) ने कम सटीकता (~~41–44%) प्राप्त की। प्रोबेबिलिस्टिक शैलो फ्यूजन ने प्रदर्शन में सुधार (~~56% सटीकता) किया लेकिन डीप लर्निंग दृष्टिकोणों की तुलना में कमजोर रहा।
इष्टतम मार्ग: ड्यूल-ब्रांच फ्यूजन डीप मॉडल ने सबसे अनुकूल ट्रेड-ऑफ हासिल किया, जो बैलेंस्ड टेस्ट सेट पर 89.79% सटीकता और 89.83% मैक्रो-F1 तक पहुँच गया। महत्वपूर्ण रूप से, इसने न्यूसेंस अलार्म रेट को घटाकर 5.00% कर दिया और 0.00% फॉल्स नेगेटिव रेट बनाए रखा।
चैनल ग्रुपिंग का प्रभाव: अध्ययन ने प्रदर्शित किया कि ब्रांच संगठन फ्यूजन प्रदर्शन को महत्वपूर्ण रूप से प्रभावित करता है। इष्टतम ग्रुपिंग केवल चैनलों का एक निरंतर (contiguous) विभाजन नहीं था; बल्कि, क्रॉस-ग्रुप कॉम्बिनेशन जिन्होंने दोनों ब्रांचेस के बीच मजबूत पूरकता (complementarity) को बनाए रखा, उन्होंने बेहतर परिणाम दिए। यह रेखांकित करता है कि इनपुट संगठन, फ्यूजन-आधारित DAS मूल्यांकन के लिए एक महत्वपूर्ण कारक है।
इंजीनियरिंग ट्रेड-ऑफ: जबकि फ्यूजन मॉडल ने शैलो बेसलाइन्स की तुलना में उच्च इन्फरेंस लेटेंसी (12.79 ms) प्रदर्शित की, कंप्यूटेशनल ओवरहेड को ऑनलाइन मॉनिटरिंग के लिए स्वीकार्य माना गया। मॉडल ने रिकग्निशन क्वालिटी और न्यूसेंस अलार्म एवं मिस इवेंट्स के दमन के बीच सफलतापूर्वक संतुलन बनाया।

महत्व और दावे
यह पेपर अपने योगदान को एक भौतिक संवर्धन रणनीति और DAS समुदाय के लिए एक पद्धतिगत ढांचे के रूप में प्रस्तुत करता है:

भौतिक संवर्धन: सैग्नैक-असिस्टेड आर्किटेक्चर, केवल डाउनस्ट्रीम एल्गोरिथमिक रिकवरी पर निर्भर रहने के बजाय, कमजोर और लो-फ्रीक्वेंसी गड़बड़ी की दृश्यता (observability) में सुधार करने के लिए पोलराइजेशन-प्रेरित फेडिंग को कम करने हेतु एक भौतिक रूप से प्रेरित समाधान प्रदान करता है।
पुनरुत्पादक बेंचमार्किंग: यह कार्य एक मानकीकृत, पुनरुत्पादक बेंचमार्क प्रोटोकॉल स्थापित करता है जो ध्यान को अलग-थलग प्रयोगशाला सटीकता से हटाकर इंजीनियरिंग-उन्मुख विश्वसनीयता की ओर ले जाता है। चैनल ग्रुपिंग ऑप्टिमाइजेशन और मल्टी-मैट्रिक मूल्यांकन (NAR, FNR, लेटेंसी) को स्पष्ट रूप से शामिल करके, यह फ्रेमवर्क विविध तकनीकी मार्गों के बीच निष्पक्ष तुलना की अनुमति देता है।
सिस्टम-लेवल वैलिडेशन: लेखक दावा करते हैं कि उनके परिणाम यह पुष्टि करते है कि फ्यूजन-ओरिएंटेड DAS सिस्टम का मूल्यांकन केवल वर्गीकरण सटीकता द्वारा नहीं, बल्कि रिकग्निशन क्वालिटी, अलार्म रिलायबिलिटी और डिप्लॉयमेंट एफिशिएंसी के संयुक्त अनुकूलन द्वारा किया जाना चाहिए। अध्ययन का तर्क है कि प्रस्तावित ड्यूल-ब्रांच फ्यूजन दृष्टिकोण वास्तविक दुनिया के निगरानी परिदृश्यों में जटिल DAS इवेंट रिकग्निशन के लिए एक व्यावहारिक रूप से सार्थक लाभ प्रदान करता है।

लेखक नोट करते हैं कि हालांकि वर्तमान बेंचमार्क भौतिक रूप से अलग की गई सेंसिंग फाइलों के विकल्प के रूप में एक एकीकृत 12-चैनल मैट्रिक्स पर निर्भर करता है, इनपुट संगठन के महत्व और डीप फ्यूजन मार्गों की श्रेष्ठता के संबंध में निष्कर्ष हाइब्रिड सेंसिंग आर्किटेक्चर में भविष्य के अनुसंधान के लिए एक मजबूत आधार प्रदान करते हैं।