⚡ electrical engineering

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

Dit artikel presenteert een door Sagnac ondersteunde, verbeterde $\phi$ -OTDR-architectuur die polarisatie-geïnduceerde fading mitigeert en een gestandaardiseerd benchmarkframework introduceert, waarbij wordt aangetoond dat een dual-branch fusiemodel een superieure prestatie bij gebeurtenisherkenning bereikt (89,79% nauwkeurigheid) vergeleken met conventionele methoden op een 10 km lange gedistribueerde akoestische sensoringssystemen.

Oorspronkelijke auteurs: Weiguang Wang, Fugen Wu, Hailing Wang, Xuechen Liang, Xiaobin Li, Ru Han, Tianchang Xie

Gepubliceerd 2026-06-05

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Weiguang Wang, Fugen Wu, Hailing Wang, Xuechen Liang, Xiaobin Li, Ru Han, Tianchang Xie

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert naar een specifiek gesprek te luisteren in een zeer lawaaierige, drukke kamer. Soms weerkaatsen de geluidsgolven tegen muren of worden ze geblokkeerd door mensen, waardoor de stem plotseling wegvalt of vervormd klinkt. Dit is precies het probleem waar ingenieurs voor staan met een hoogwaardige sensortechnologie genaamd $\phi$ -OTDR, die glasvezelkabels gebruikt om trillingen (zoals voetstappen, graven of klimmen) over lange afstanden te "beluisteren".

Hier is een eenvoudige uiteenzetting van wat dit artikel doet, gebruikmakend van alledaagse analogieën:

1. Het Problema: Het "Vervagende" Signaal

De hoofdtechnologie, $\phi$ -OTDR, is erg goed in het bepalen van waar een trilling plaatsvindt langs een lange kabel. Het heeft echter een gebrek: Polarisatie-geïnduceerde fading.

De Analogie: Denk aan de glasvezelkabel als een lange gang. Soms raakt het "licht" dat het geluidssignaal draagt onder een vreemde hoek of een vuile plek in de gang, en verdwijnt het signaal even volledig. Het is alsof je probeert naar een fluistering door een muur te luisteren die plotseling voor een fractie van een seconde geluidsdicht wordt. Dit zorgt ervoor dat het systeem belangrijke gebeurtenissen (zoals een dief die een hek beklimt) mist of in de war raakt door achtergrondruis.

2. De Oplossing: De "Sagnac Assistent"

Om dit op te lossen, hebben de auteurs een tweede luisterapparaat toegevoegd, een Sagnac-interferometer.

De Analogie: Stel je voor dat jij de hoofdluisteraar bent ( $\phi$ -OTDR), maar dat je een partner hebt (de Sagnac) die vlak naast je staat. Wanneer het signaal van de hoofdluisteraar vervaagt door een "slechte plek" in de gang, blijft de partner het geluid duidelijk horen omdat deze een andere methode gebruikt om de trillingen op te vangen.
Het Resultaat: Ze combineren deze twee stromen informatie. Als één oor voor een seconde doof wordt, werkt het andere oor nog steeds. Dit creëert een "hybride" systeem dat veel moeilijker te misleiden is.

3. De Uitdaging: Hoe vergelijk je verschillende breinen?

De auteurs hebben niet alleen de hardware gebouwd; ze realiseerden zich dat om te bewijzen dat dit nieuwe systeem werkt, je een eerlijke manier nodig hebt om verschillende computerprogramma's (AI-modellen) te testen die de geluiden interpreteren.

De Analogie: Stel je een kookwedstrijjd voor. Je hebt een nieuwe, betere oven (de Sagnac-ondersteunde hardware). Nu wil je zien welke chef (het AI-algoritme) het beste gerecht kan maken. Maar als Chef A verse ingrediënten gebruikt en Chef B diepvriesproducten, is de test niet eerlijk.
De Innovatie: De auteurs hebben een "Gestandaardiseerde Benchmark" gecreëerd. Dit is een strikte set regels voor de wedstrijd. Iedereen krijgt exact dezelfde ingrediënten (data), dezelfde voorbereidingstijd (preprocessing) en dezelfde beoordelingscriteria. Dit zorgt ervoor dat als één chef wint, dat komt omdat hij beter is, en niet omdat hij geluk had met de ingrediënten.

4. De Wedstrijd: Wie wint er?

Ze hebben vier soorten "chefs" (algoritmen) getest om te zien welke het beste zes verschillende soorten gebeurtenissen kon identificeren (zoals lopen, graven, kloppen of waterstroming):

De Ouderwetse Chef: Gebruikt eenvoudige, handgeschreven regels (Feature Engineering). Resultaat: Had moeite; het kon de complexiteit niet aan.
De Probabilistische Chef: Gebruikt eenvoudige regels maar voegt een beetje "gokken" toe op basis van vertrouwen. Resultaat: Beter, maar nog steeds niet geweldig.
De Deep Learning Chef (Single-Branch): Een slimme AI die zelf patronen leert van één datastroom. Resultaat: Zeer goed.
De Deep Learning Chef (Dual-Branch Fusion): Een slimme AI die naar zowel het hoofdsignaal als het assistentsignaal kijkt en deze tegelijkertijd combineert. Resultaat: De Winnaar.

De statistieken van de winnaar:
De "Dual-Branch Fusion" chef behaalde een nauwkeurigheid van 89,79%. Belangrijker nog, het maakte zeer weinig fouten op twee cruciale gebieden:

Nuisance Alarms (Vals alarm): Het riep niet onnodig "Wolf!" wanneer er alleen wind of regen was (lage hoeveelheid vals alarm).
Missed Detections (Gemiste detecties): Het miste de werkelijke dreigingen niet (nul gemiste detecties tijdens de test).

5. Het Geheime Ingrediënt: Hoe je de ingrediënten mengt

Een van de meest interessante bevindingen van het artikel gaat over Kanaalgroepering (Channel Grouping).

De Analogie: Je hebt 12 verschillende microfoons. Om ze in de "Dual-Branch" AI te voeden, moet je ze in twee groepen splitsen (Tak A en Tak B).
De Ontdekking: Als je ze gewoon in helften splitst (Microfoons 1–6 versus 7–12), presteert de AI slecht. Het is alsof je alle basinstrumenten in één groep zet en alle violen in de andere; ze vullen elkaar niet goed aan.
De Oplossing: De beste prestatie kwam voort uit een "door elkaar gehusselde" mix, waarbij de twee groepen een evenwichtige variëteit aan microfoons bevatten die elkaar complementeren. Het artikel laat zien dat hoe je de data organiseert net zo belangrijk is als het AI-model zelf.

Samenvatting

Dit artikel doet twee belangrijke dingen:

Hardware: Het bouwt een "super-luisteraar" door een standaard glasvezelsensor te koppelen aan een Sagnac-assistent om signaaluitval te voorkomen.
Software/Testen: Het creëert een eerlijk, gestandaardiseerd regelboek om AI-modellen te testen. Het bewijst dat de beste manier om deze nieuwe hardware te gebruiken een "Dual-Branch" AI is die beide signalen fuseert, en dat de manier waarop je de dataingangen organiseert cruciaal is voor succes.

Het resultaat is een systeem dat betrouwbaarder is, minder vals alarm geeft en beter geschikt is voor real-world beveiliging en infrastructuurmonitoring dan eerdere methoden.

Technische Samenvatting: Sagnac-ondersteunde Verbeterde $\phi$ -OTDR voor Distributed Acoustic Sensing

Probleemstelling
Fase-gevoelige optische tijd-domein reflectometrie ( $\phi$ -OTDR) is een dominante technologie voor grootschalige distributed acoustic sensing (DAS), die gedistribueerde spatio-temporele monitoring over lange afstanden biedt. De prestaties in het veld worden echter regelmatig gehinderd door polarisatie-geïnduceerde fading (PIF), lokale signaaldegradatie en sterke omgevingsinterferentie. Deze fysieke beperkingen leiden tot instabiele signaalobservaties, wat resulteert in gemiste detecties en hinderlijke alarmen (nuisance alarms), vooral onder zware veldomstandigheden. Bovendien richten bestaande onderzoeken zich vaak op geïsoleerde structurele verbeteringen of apparatuur-niveau demonstraties, waardoor er een gat ontstaat in de systeem-brede evaluatie van hybride architecturen onder realistische scenario's voor evenementherkenning. Daarnaast mist de snelle vooruitgang in AI-gestuurde herkenningsalgoritmen een gestandaardiseerde, reproduceerbare benchmark die rekening houdt met technische beperkingen zoals klasse-imbalans, foutalarmpercentages en inferentie-latentie.

Methodologie
Het artikel stelt een tweeledige aanpak voor: een fysieke sensversterking en een gestandaardiseerd technisch evaluatiekader.

Sagnac-ondersteunde Fysieke Architectuur:
De auteurs hebben een hybride optische front-end ontwikkeld die een Sagnac-interferometer integreert met een conventioneel $\phi$ -OTDR-systeem.
- Mechanisme: Het $\phi$ -OTDR-kanaal behoudt zijn primaire rol in de gedistribueerde spatio-temporele lokalisatie. De Sagnac-interferometer, geïmplementeerd met gebalanceerde polarisatie-behoudende vezels, biedt een continue, hoogwaardige fase-respons die minder gevoelig is voor lokale fading-effecten.
- Signaalverwerking: Heterogene signalen van de twee kanalen worden uitgelijnd met behulp van een cross-correlatieprocedure, geïmplementeerd op een FPGA-platform, om een consistente temporele anker te vestigen. Dit creëert een fysiek complementaire opstelling waarbij het Sagnac-kanaal het informatieverlies in het $\phi$ -OTDR-kanaal, veroorzaakt door PIF en omgevingsruis, compenseert.
Gestandaardiseerd Benchmark-kader:
Om deze architectuur te evalueren en verschillende herkenningsroutes te vergelijken, hebben de auteurs een rigoureus benchmarkprotocol vastgesteld met behulp van een 10-km sensievevezel-dataset met zes akoestische evenementklassen (achtergrondruis, handmatig graven, kloppen, waterstroom, hek schudden en lopen).
- Inputorganisatie: Omdat de dataset is opgeslagen als een uniforme 12-kanaals matrix in plaats van fysiek gescheiden bestanden, behandelt de benchmark "kanaalgroepering" als een gecontroleerde variabele. Er werd een zoekstrategie toegepast om optimale vertakking-partities te identificeren voor dual-branch fusiemodellen, om te garanderen dat prestatiewinsten worden toegeschreven aan de fusiestrategie in plaats van aan willekeurige datapartitie.
- Modelcategorieën: Het kader vergelijkt vier verschillende technische routes onder identieke datapartitie en voorbewerking:
  - Conventionele feature-engineering methoden (bijv. STFT + SVM).
  - Probabilistische ondiepe classificators (bijv. Fusion Features + PSVM).
  - Single-branch deep modellen (Convolutionele Neurale Netwerken).
  - Dual-branch fusion deep modellen.
- Evaluatiemetrieken: Voorbij eenvoudige nauwkeurigheid benadrukt de benchmark techniek-relevante metrieken: macro-F1 score, het aantal hinderlijke alarmen (nuisance alarm rate, NAR), het aantal gemiste detecties (false negative rate, FNR) en inferentie-latentie.

Belangrijkste Resultaten
Experimenten uitgevoerd op de 10-km vezeldataset leverden de volgende bevindingen op:

Prestatiehiërarchie: Er werd een duidelijke progressie in prestaties waargenomen, van ondiepe handmatige kenmerken naar deep fusion modellen. Conventionele feature-engineering baselines (bijv. STFT + SVM) behaalden een lage nauwkeurigheid (~~41–44%). Probabilistische ondiepe fusie verbeterde de prestaties (~~56% nauwkeurigheid), maar bleef inferieur aan deep learning-benaderingen.
Optimale Route: Het dual-branch fusion deep model bereikte de meest gunstige trade-off, met 89,79% nauwkeurigheid en 89,83% macro-F1 op de gebalanceerde testset. Cruciaal was dat het de nuisance alarm rate verminderde tot 5,00% en een 0,00% false negative rate behield.
Impact van Kanaalgroepering: De studie toonde aan dat de organisatie van de branches de fusieprestaties aanzienlijk beïnvloedt. De optimale groepering was geen eenvoudige opeenvolgende splitsing van kanalen; in plaats daarvan leverden cross-groep combinaties die een sterkere complementariteit tussen de branches behielden, superieure resultaten op. Dit benadrukt dat inputorganisatie een kritieke factor is bij de evaluatie van fusie-gebaseerde DAS.
Technische Afwegingen: Hoewel het fusiemodel een hogere inferentie-latentie vertoonde (12,79 ms) vergeleken met ondiepe baselines, werd de computationele overhead als acceptabel beschouwd voor online monitoring. Het model slaagde erin de herkenningskwaliteit te balanceren met de onderdrukking van hinderlijke alarmen en gemiste gebeurtenissen.

Betekenis en Claims
Het artikel positioneert de bijdragen als zowel een fysieke versterkingsstrategie als een methodologisch kader voor de DAS-gemeenschap:

Fysieke Versterking: De Sagnac-ondersteunde architectuur biedt een fysiek gemotiveerde oplossing om polarisatie-geïnduceerde fading te mitigeren, waardoor de observeerbaarheid van zwakke en laagfrequente verstoringen wordt verbeterd zonder uitsluitend te vertrouwen op downstream algoritmisch herstel.
Reproducerbare Benchmarking: Het werk vestigt een gestandaardiseerd, reproduceerbaar benchmarkprotocol dat de focus verschuift van geïsoleerde laboratoriumnauwkeurigheid naar techniek-georiënteerde betrouwbaarheid. Door expliciet kanaalgroeperingsoptimalisatie en multi-metriek evaluatie (NAR, FNR, latentie) op te nemen, maakt het kader eerlijke vergelijkingen mogelijk tussen diverse technische routes.
Systeem-brede Validatie: De auteurs stellen dat hun resultaten de noodzaak bevestigen om fusie-georiënteerde DAS-systemen niet alleen te evalueren op basis van classificatienauwkeurigheid, maar door de gezamenlijke optimalisatie van herkenningskwaliteit, alarmbetrouwbaarheid en implementatie-efficiëntie. De studie stelt dat de voorgestelde dual-branch fusion benadering een praktisch betekenend voordeel biedt voor complexe DAS-evenementherkenning in real-world monitoring scenario's.

De auteurs merken op dat hoewel de huidige benchmark vertrouwt op een uniforme 12-kanaals matrix als surrogaat voor fysiek gescheiden sensievezelf-bestanden, de bevindingen met betrekking tot het belang van inputorganisatie en de superioriteit van deep fusion routes een robuust fundament bieden voor toekomstig onderzoek naar hybride sensing architecturen.