分布式光纤传感技术研究和应用的现状及未来 
下载： 4050次封面文章特邀综述
The construction scale of large-scale infrastructure in China has ranked first in the world for many years. Meanwhile, due to construction quality, using environment, natural disasters, and other factors, serious accidents occur frequently. Distributed optical fiber sensing technologies employ optical fibers as signal transmission medium and sensing units to realize continuous distributed measurement of external parameters along the optical fiber. Therefore, it is the most potential non-destructive monitoring technology for large-scale infrastructure health monitoring in real time. However, distributed fiber optic sensing technologies still face various challenges such as reliability, low cost, and intelligence as they move toward the market.
At present, distributed optical fiber sensing technologies that have caught extensive attention and research include optical time-domain reflectometer, coherent optical time-domain reflectometer, phase-sensitive optical time-domain reflectometer, optical frequency-domain reflectometer, Raman optical time-domain reflectometer, Brillouin scattering optical time-domain reflectometer, Brillouin optical time-domain analyzer, and optical interferometry. We focus on introducing their working principles, system basic structures, development history, current status, and major research institutions and manufacturers at home and abroad.
Based on detailing the application requirements, principles, and methods of distributed optical fiber sensing technologies in communication system monitoring, power system monitoring, coal geology monitoring, oil and gas exploration, transportation field, transportation pipeline monitoring, aerospace equipment monitoring, and perimeter security, we provide several typical application cases.
The future main directions of development are listed:
1) Multi-mechanism integration system. Single sensing parameters make it difficult to represent the true state of the measured object, which can result in false reports and missed reports. Simultaneous measurement of multiple parameters can provide multidimensional and more comprehensive information, thereby more accurately identifying fault events. The key point of the fusion-type distributed optical fiber sensing technology is to employ different scattering lights to respond to different events in the optical fiber to achieve multi-parameter sensing.
2) Specialty sensing fiber cable technology. By changing the fiber material, structure, and packaging, specialty optical fiber cables can overcome the limitations of distributed sensors based on ordinary single-mode optical fibers, and obtain engineering applications in specific sensing parameters and performance in specific fields and scenarios.
3) Sensing signal processing and intelligent perception technology. Due to the weak intensity of scattered light compared to incident light, distributed sensing systems are limited by signal-to-noise ratio. This affects the measurement accuracy, monitoring distance, response speed, spatial resolution, and other key indicators of distributed sensing systems. Signal processing techniques to analyze and enhance collected data are important means to improve the performance of sensing systems.
4) Communication-sensing fusion system. Technologies such as wavelength division multiplexing, polarization diversity, and coherent detection from optical communication systems are applied to distributed fiber optic sensing systems. Additionally, existing optical fiber communication systems can be adopted for synchronous sensing. These are crucial steps towards the practical applications of distributed fiber optic sensing systems.
5) Distributed shape sensing technology. Leveraging distributed fiber optic sensing technology for shape sensing is an important development direction.
6) Ocean state monitoring based on existing optical cables. Existing undersea optical communication networks are employed as sensing networks to achieve intelligent perception of the surrounding environment of the cables. This enables large-scale online monitoring and early warning capabilities with relatively low investment, thus providing rapid and accurate assurance for managing major maritime incidents and maritime disaster risks.
1 引言
随着我国经济迅速发展，我国大型基础设施的建设总量已经超过世界其他国家的总和。同时，大型基础设施的健康监测也成为了研究和社会关注的热点。分布式光纤传感（DOFS）技术利用光纤作为信号的传输介质和传感单元，通过检测光纤中光信号的强度、相位、偏振态等参量在外场作用下的变化，实现对光纤沿线外部参量的连续分布式测量［1］，从而成为目前能源、电力、航空航天、通信、交通、安防等诸多领域最为理想的大型设施无损健康监测技术。
为此，越来越多的研究人员开始进入DOFS的研究领域，同时，企业也意识到了DOFS技术应用的商业和社会价值，日益重视DOFS技术的应用推广。但由于DOFS所涉及的工作机理、技术方案和应用环境的复杂性，无论是研究还是应用，都面临着很多难题。为此，本文先从主流的DOFS工作原理、系统基本结构以及发展现状介绍开始，重点阐述这些技术在通信系统、电力系统、煤炭地质、油气勘探、交通领域、输运管道、航空航天装备、周界安防等领域的应用需求、应用原理与方法、典型应用案例及未来应用展望，并在充分调研的基础上，给出了具体DOFS技术相对应的在论文、专利、科技成果等方面领先的高校和科研院所，以及同时具备实际研发和生产能力、有专业网站、产品性能领先的生产企业。最后从DOFS系统层面，对其未来发展和应用的方向进行了探讨，包括多机理融合系统、特种传感光纤光缆技术、传感信号处理与智能化感知技术、通信-传感融合系统、分布式形状传感技术、基于既有光缆的海洋状态监测等，希望读者对目前主要的DOFS技术及其应用有全面和清晰的了解。
2 分布式光纤传感技术及发展现状
2.1 分布式光纤传感技术的基本原理
目前常见的分布式光纤传感技术分为两类：背向散射型分布式光纤传感技术和干涉型分布式光纤传感技术。
2.1.1 背向散射型分布式光纤传感技术
光波在光纤中前向传输时，会在光纤沿线不断产生散射光，如
图 1. 光纤中传输光散射示意图
Fig. 1. Schematic diagram of transmission light scattering in optical fibers
由于光纤对光波的约束，光纤中的散射光只表现为前向和背向两个传播方向。光纤周围的环境扰动会引起光纤纤芯参数如光纤长度、直径、折射率等的变化，而这些参数又会调制散射光，导致散射光强度、相位、频率等的改变。通过沿光纤对散射光信号进行空间解调，就能够监测沿光纤等间距分布的区块周围环境的扰动，从而有效地替代数以万计的点式传感器（POFS）。因此，相比于POFS，DOFS可用于揭示结构的全局变化，而不是根据几个点的测量值进行推断。
光纤中的背向散射光（RBS）主要包括瑞利散射、布里渊散射以及拉曼散射三种。按对信号测量方式的不同，DOFS技术分为光频域技术和光时域技术两大类。光频域技术一般具有较高的空间分辨，但是测量过程复杂，传感距离有限。而光时域技术实现简单，具有长距离和高精度的特点。基于RBS的DOFS主要包括：基于瑞利散射的光时域反射计（OTDR）、相干光时域反射计（C-OTDR）、相位敏感光时域反射计（Φ-OTDR）和光频域反射计（OFDR）；基于拉曼散射的拉曼光时域反射仪（ROTDR）；基于布里渊散射的布里渊光时域反射仪（BOTDR）和基于受激布里渊散射的布里渊光时域分析仪（BOTDA）。
2.1.2 干涉型分布式光纤传感技术
与后向散射光干涉型的DOFS系统相比，前向光干涉型DOFS系统直接利用前向传输光作为信号光进行传感。因此信号在传输过程中的损失较小，更容易实现长距离范围内的传感。除此之外，前向光干涉型系统还具有结构简单、动态范围大和频率响应带宽大等优点，可以实现无中继放大的大范围传感。同时，前向光干涉型系统多使用连续激光光源，更适用于对整根传感光纤携带的传感信息进行解调。
前向光干涉型DOFS中最主要的三种基本结构分别是迈克耳孙（MI）型、马赫-曾德尔干涉（MZI）型和萨尼亚克（SI）型。
2.2 基于瑞利散射的光时域传感技术
2.2.1 光时域反射计
1976年，光脉冲飞行时间法被引入光纤［2］，该工作可视为OTDR技术的前身。1977年OTDR概念被正式提出［3］，研究人员搭建实验系统并获得1570 m光纤沿线的损耗测量结果。
如
式中：x为光纤某一位置到脉冲光入射端的距离；c为光在光纤中的传播速度；t为脉冲光注入光纤的时间与该位置处产生的RBS返回到入射端的时间差。
衡量OTDR系统性能的主要参数包括动态范围、空间分辨率、探测盲区等。其中，动态范围可定义为入纤端RBS与探测器本底噪声间的功率差值。结合光纤的损耗系数，动态范围直接决定了OTDR系统的最大探测距离；空间分辨率定义为系统能够分辨出的两个邻近事件的最小间隔，决定了测量结果在空间域的精细程度。由于光电探测器的饱和现象，OTDR系统在探测到菲涅耳反射等强事件后，在一定范围内会丧失捕获邻近弱事件的能力。能够恢复探测能力的距离间隔被定义为OTDR系统的探测盲区。
OTDR常通过增加脉冲光脉宽来获得更大的动态范围，但这又会导致空间分辨率的降低，两者难以兼顾。脉冲编码调制技术将多个探测光脉冲编码为特定的序列，提高等效探测光功率，同时利用编码的自相关特性，能够在不降低空间分辨率的前提下，有效扩展系统动态范围。源自雷达领域的格雷码（Gray code）是由两组互补的编码序列构成，其中任意一组的自相关结果都有一定的旁瓣，但是将两组编码序列的自相关结果相加后，其旁瓣正好完全抵消，该特性使其很早就被引入OTDR系统中。1989年256 bit格雷码被用于光脉冲调制［4］，将OTDR系统的动态范围提升了9 dB。但是，格雷码是双极性码，为了适应探测光脉冲的单极性制式，结合格雷码的OTDR系统在测量与数据处理的复杂度上均有显著增加，同时格雷码在动态范围提升效率上距离理论极限仍有很大差距。为此，1993年S编码被用于OTDR光脉冲编码［5］，在4 bit编码长度上相较于格雷码的动态范围有1.9 dB的提升。2008年互补相关正交序列（CCPONS）编码制式被提出［6］，在64 bit编码长度上将系统动态范围提高了3.7 dB。2015年CCPONS编码与S编码结合在一起的混合编码方法被提出［7］，系统动态范围的提升量是CCPONS编码和S编码OTDR的系统动态范围提升量之积，编码效率得到提升。脉冲编码调制技术可以实现编码长度与系统动态范围间的置换，但是数字制式的编码受限于其自相关特性与电子带宽的瓶颈，很难进一步提高空间分辨率与测量精度。2008年混沌光源被用于代替脉冲光［8］，在500 MHz探测带宽下获得了6 cm的高空间分辨率。2015年一种基于全光纤混沌光源的长距离高精度OTDR被提出［9］，在1 GHz探测带宽下获得了8.2 cm的空间分辨率和100 km的测量距离。
OTDR技术一经面世，很快成为了光纤链路故障诊断与定位的标准手段。1981年美国推出了世界上第一台商用OTDR［10］，其最大测量距离为22 km。当今OTDR技术已经非常成熟，主要的研究单位有电子科技大学、天津大学、太原理工大学、中国科学院、南京大学等，主要的生产企业有加拿大的EXFO（https://www.exfo.com）、日本的ANRITSU（https://www.anritsu.com）、美国的VIAVI（https://www.viavisolutions.com）和国内的吉隆公司（https://www.jilongtx.com）、中国电子科技集团公司第三十四研究所（http://www.gioc.com.cn）等。
2.2.2 相干光时域反射计
在长距离光通信系统中，需要采用级联的中继器补偿信号光的传输损耗，伴随产生放大自发辐射（ASE）噪声并逐级累积。OTDR采用宽谱光源和直接探测方式，难以通过光学滤波方法有效抑制宽谱噪声，其测试性能在级联中继的光纤链路中会迅速恶化。C-OTDR采用高相干性的窄线宽激光器和外差相干探测光路结构，有效地提高了系统抗噪性能，其原理如
相比于OTDR，C-OTDR的优势在于［11］：采用相干探测将探测光信号功率信息加载到中频电信号上，通过MHz级别电学滤波，能够有效减小宽谱ASE噪声的影响；相干探测输出的中频信号强度与RBS功率的平方根成正比，相干探测压缩了信号动态范围，减小了后续电路压力；通过提高本振光的增益，理论上探测灵敏度可以逼近量子极限，显著增加探测距离；采用窄线宽激光器可避免在线监测对通信信道的干扰，从而可以实现通感一体的在线监测模式。
1982年，OTDR系统开始采用相干探测技术［12］，并获得了30 km的探测距离，但到1984年，C-OTDR这一概念才正式被提出［13-14］。1987年，高相干性的窄线宽激光器使C-OTDR系统的动态范围提升到24 dB以上［15］。1990年，与使用激光二极管作为光源的OTDR相比，使用EDFA的OTDR动态范围提升了约13 dB［16］。受非线性效应的限制，单纯提升探测光脉冲功率难以进一步提升动态范围［17］。1995年频移键控（FSK）调制的探测光脉冲被提出，使测量效率成倍提升［18-19］。2012年，相位调制器的应用使C-OTDR获得了具备40个频率分量的光脉冲［20］，与常规的C-OTDR相比，动态范围提升了8 dB。由于采用窄线宽光源，C-OTDR系统所得到的损耗曲线会因受到相干衰落噪声（CFN）的干扰而产生随机波动，难以获得与OTDR相比拟的损耗测试精度。1992年研究人员通过研究CFN的统计特性，提出了频移平均（FSA）降噪方法，有效实现了对衰落噪声的抑制［21］。1997年与探测光脉冲发射同步的光跳频技术被提出［22］，该技术可以将损耗曲线的波动降低到0.05 dB。2012年国内成功研制出C-OTDR设备［23-24］，其各项性能指标均已达到国际先进水平。2013年，研究人员通过向探测脉冲加入不同波长的光信号，有效抑制了级联EDFA对低占空比脉冲的畸变［25］。2021年，研究人员通过采用扫频激光器和偏振分集探测技术，在提高监测通道带宽利用率的同时，降低系统偏振衰落噪声的影响［26］。
C-OTDR自 20世纪90年代开始，逐渐发展成为长距离光通信系统，尤其是跨洋光通信系统在线监测系统的主流设备。目前国内C-OTDR的主要研究单位包括南京大学、电子科技大学、中国科学院、上海交通大学等，主要生产单位有Alnair Labs（http://www.alnair-labs.com/product-FODTR-300.php）、Anritsu（https://www.anritsu.com/en-us/test-measurement/products/mw90010a）、Neubrex（https://www.neubrex.com/htm/products/pro-nbx-lineup.htm）、南京法艾博光电科技有限公司（http://www.fib-tech.com/）等。
2.2.3 相位敏感光时域反射计
区别于OTDR、C-OTDR关注RBS的强度信息，Φ-OTDR利用RBS之间的相干效应进行传感，其光源通常使用kHz级别的窄线宽激光器，因此，相干长度远超脉冲宽度，从而使得RBS之间发生高可视度的干涉。外界扰动信号作用于传感光纤上时，会调制对应区域的光程长度，进而改变RBS的局部相位关系，据此实现传感系统对外部扰动事件的识别与定位，其原理图如
当光纤受到外部声场扰动时，选择外部声场扰动区前后的两部分光纤作为参考区，其相位差［27］可以表示为
式中：λ为入射光的波长；ΔL为声场引起的光程变化；n为光纤芯的折射率。由
Φ-OTDR的概念于1993年首次被提出［29］。2007年基于外差相干探测思路的Φ-OTDR架构被提出［30］并于2009年得到进一步发展［31］，该结构引入移动差分与平均的信号处理手段，降低了噪声功率，增大了系统的频率响应范围。2011年一种基于数字相干检测的相位解调型Φ-OTDR被提出［32］，实现了光纤沿线任意两点间相位差的数字化解调。2013年基于MZI以及3×3耦合器的鉴相结构被提出［33］，该结构采用微分和交叉乘法（DCM）解调的相位检测方案，实现了定量检测功能。2015年一种基于相位生成载波（PGC）调制解调技术的Φ-OTDR系统被提出［34］，该系统在低硬件成本条件下具备相对稳定的相位灵敏度以及抗衰落能力。2016年一种基于I/Q解调和零差检测的新型Φ-OTDR系统被提出［35-36］，该系统利用90°光学混合器直接在光电转换过程中获取对外差中频信号的IQ解调结果，降低了后续数据处理的压力，其对于振动信号的重构质量较高，在500 Hz周边频带获得了接近40 dB的信噪比。
为了提升Φ-OTDR系统的探测信噪比、抑制衰落噪声、拓展频率响应范围，可采用包含频率、时间、空间在内的多域复用技术。2018年一种基于三脉冲频分复用（FDM）的Φ-OTDR系统被提出［37］，该系统利用多空间分辨率（MSR）分析技术，在单次测量中可以更准确地匹配空间分辨率和振动区域的长度，在不减小频率响应范围的条件下获得了更高的信噪比。2019年一种基于对多个探测频率的最优跟踪的具有连续衰落抑制能力的Φ-OTDR系统被提出［37］，该系统能够预测输出相位信号中失真的发生，并通过跳转到较好的相位信号来避免失真，在长时间连续运行下获得了保真度超过98.85%的输出。2021年一种将啁啾连续光作为探测光的Φ-OTDR系统被提出［38］，该系统充分利用时域及频域资源，获得了MHz级的频率响应范围以及pε级的探测精度。同年，一种通过基于频谱相似度的策略来处理由SDM获得的多个独立信号的方法被提出［39］，该方法利用多芯光纤（MCF）实现空分复用（SDM），在不改变系统硬件结构的条件下，通过对信号处理算法的改进有效抑制衰落噪声，失真率从平均9.34%降低到2%以下。
针对Φ-OTDR系统结合单模光纤时必然存在的一致性差、干涉衰落等问题［33］，近年来研究人员通过引入特种光纤提高系统性能。2015年一种融合超弱光纤布拉格光栅（UWFBG）阵列的Φ-OTDR系统被提出［40］，该系统极大提升了系统对微弱信号的检测能力。同年，研究人员将UWFBG与Φ-OTDR系统相结合，利用无源3×3耦合器解调方案，获得了450~600 Hz之间稳定的频率响应［41］。2017年Ai等［42］利用高密度嵌入UWFBG的传感光纤，在km级传感光纤上实现了2 Hz至5 kHz的宽带频率响应和4 m的空间分辨率。
Φ-OTDR相比于OTDR、C-OTDR系统，其响应速度更快、灵敏度更高，尤其适合微弱振动信号的检测，应用前景广泛。目前，国内研究Φ-OTDR的单位主要有南京大学、中国科学院、浙江大学、上海交通大学、清华大学、电子科技大学、华中科技大学、北京大学、中山大学、复旦大学、吉林大学等，主要的生产单位有南京法艾博光电科技有限公司（http://www.fib-tech.com/）、宁波联河光子技术有限公司（http://www.asptech.com.cn/）、睿科光电技术有限公司（http://www.realphotonics.com/）、中油奥博（成都）科技有限公司（http://www.zyaobo.com/）、苏州光格科技股份有限公司（http://www.agioe.com/index.php/about/index/id/2.html）等。
2.3 布里渊光时域反射/分析仪
2.3.1 基于布里渊散射的传感原理及BOTDR/BOTDA系统基本结构
BOTDR/BOTDA系统于 20世纪80年代末被提出［43-44］。在布里渊散射效应中，布里渊频移（BFS）的改变量和温度、应力的变化量具有线性关系［44］，它们之间可以通过温度和应力系数联系起来，不同光纤所具有的系数值不同。对单模光纤而言，温度和应力系数分别约为1.07 MHz/℃和0.05 MHz/με。因此，通过测量沿光纤的BFS分布就能够对温度和应力进行分布式监测。
布里渊散射可以分为自发布里渊散射（SpBS）和受激布里渊散射（SBS）。BOTDR基于SpBS进行测量，BOTDA则基于SBS进行测量，两个系统的基本结构如
图 5. BOTDR和BOTDA的原理示意图。（a）BOTDR；（b）BOTDA
Fig. 5. Principle diagrams of BOTDR and BOTDA. (a) BOTDR; (b) BOTDA
2.3.2 高空间分辨率BOTDR/BOTDA系统
1）预泵浦脉冲技术
2005年预泵浦脉冲BOTDA（PPP-BOTDA）首次被提出［45］，该技术生成了由低强度长脉冲和高强度窄脉冲组合而成的新脉冲。PPP-BOTDA系统具有窄脉冲对应的空间分辨率和长脉冲对应的增益谱线宽。预泵浦脉冲技术解决了噪声随着传感距离的增加逐渐增大的问题，实现了性能稳定的亚米级空间分辨率BOTDA系统。
类似的技术也在BOTDR中有所应用。2014年一种合成光谱BOTDR技术被提出［46］，与传统预泵浦脉冲技术相比，其长脉冲和短脉冲之间有相位差，并且利用不同的复合低通滤波器测量4种不同组合长短脉冲的光谱，通过特定权重比进行联合计算，得到短脉冲对应的光谱，最终实现了10 cm的空间分辨率。
2）差分脉冲对技术
2008年差分脉冲对BOTDA（DPP-BOTDA）技术首次被提出［47］，该技术通过对布里渊信号进行差分处理突破了声子寿命的限制，系统空间分辨率由两脉冲的宽度差决定，该方法在1 km光纤中采用20 ns/19 ns的脉冲对获得了0.15 m的空间分辨率，BFS不确定度为2.6 MHz。
2.3.3 长距离BOTDR/BOTDA系统
1）分布式光放大技术
2003年脉冲拉曼放大技术首次被应用于BOTDR系统［48］，通过同向传输的1450 nm拉曼泵浦，实现了50 km光纤的分布式温度测量，光纤末端的测量精度为13 ℃。2010年一阶双向分布式拉曼放大（DRA）方案被提出［49］，实现了142.2 km超长传感距离的BOTDA系统，应力、温度精度分别达到45 με和1.5 ℃，空间分辨率为5 m。2019年Fu等［50］使用高阶随机光纤激光放大（RFLA）技术，结合前向二阶拉曼RFLA和后向三阶拉曼RFLA的混合放大，实现了175 km的无中继传感，BFS不确定度为2.06 MHz，空间分辨率为8 m。
除了拉曼放大技术，2015年Urricelqui等［51］引入了分布式布里渊放大（DBA）来补偿BOTDA系统中泵浦脉冲的传输损耗，从而提升信噪比，通过实验验证了50 km光纤的损耗可以完全由DBA来补偿，并且不会引入额外的噪声，这一点不同于DRA会在测量中引入较大的噪声。
2）脉冲编码技术
2010年Soto等［52］将基于Simplex码型调制的光脉冲编码技术用于BOTDA系统，在1 m的空间分辨率下将50 km光纤末端的信噪比提升到5 dB，而无脉冲编码时10 km处的信噪比已经下降到5 dB。2020年Sun等［53］提出使用遗传算法对非周期编码序列进行优化，通过723 bit的编码光脉冲序列使100.28 km光纤末端的BFS不确定度从18.9 MHz降低到2.2 MHz，空间分辨率为1 m。随后Zhou等［54］又使用两个短种子非周期码以嵌套的方式构建了混合非周期码，提高了编码增益。近期，Wang等［55］在BOTDR系统中使用512 bit随机编码获得了11.93 dB的编码增益，在4.93 km光纤末端的BFS不确定度从5.34 MHz降低到0.38 MHz，同时他们也验证了当测量光纤长度为64.76 km时，BFS的均方根误差仅为3 MHz。
2.3.4 数字信号处理技术
2016年Soto等［56］提出利用非局部均值（NLM）算法和二维小波降噪（WD）算法等图像视频降噪技术对BOTDA数据进行降噪的方法，在50 km光纤末端将BFS不确定度从4.85 MHz降低至0.055 MHz，传感性能提升了将近100倍。2018年Wu等［57］利用三维块匹配滤波（BM3D）算法对BOTDA数据进行高保真降噪。相比于WD和NLM算法，BM3D算法具有过完备协同滤波和加权聚合等特点，能减少降噪过程引起的信号丢失，在60 km传感光纤中实现了13 dB的信噪比提升，并且大大减少了测量精度和空间分辨率的损失。2016年Azad等［58］将人工神经网络（ANN）用于BOTDA系统的数据处理，训练后的ANN可以直接从布里渊增益谱中提取温度，这大大加快了数据处理速度，并且提高了测量精度。
2.3.5 动态参量测量BOTDR/BOTDA系统
1）快速/短时傅里叶变换技术
2007年Geng等［59］将快速傅里叶变换（FFT）用于BOTDR系统，在1 s测量时间内实现了12.5 km的温度和应变传感，消除了耗时的频率扫描过程。2017年Wang等［60］又结合FFT技术和补偿编码，实现了测量时间仅为6 s、长度为10 km的BOTDR测量，空间分辨率为2 m，温度和应力的测量精度分别为0.37 ℃和7.4 με。
2）斜坡辅助技术
2009年Bernini等［61］提出了一种基于斜坡辅助法的BOTDA（SA-BOTDA）系统，该方法无须扫频操作，因此能够测量动态应变。但上述技术的测量范围受限于布里渊增益谱的线性范围，通常小于其半峰全宽（约30 MHz）。2018年，Yang等［62］通过调控布里渊增益谱的形状，获得了更大的动态应变测量范围，实现了100 MHz的线性区域跨度，这是传统SA-BOTDA技术的4.35倍。2019年Zheng等［63］提出了一种基于布里渊相位增益比的多斜坡辅助BOTDA，在不牺牲传感速度的情况下扩大了系统的动态范围，有效线性区域跨度达到了180 MHz。
3）捷变频技术
2012年Peled等［64］提出了基于捷变频的快速BOTDA技术，利用任意波形发生器（AWG）和矢量微波源对探测光信号进行调制，使其频率在时间上变化，从而减少了传统BOTDA中扫描频率切换所需的时间，提升了测量速度，实现了采样率为10 kHz的动态应变测量。2020年Wang等［65］又将捷变频技术应用于BOTDR系统，实验测量的振动频率为6.82 Hz和14.77 Hz，空间分辨率为2 m，动态范围为4000 με。
4）频率梳技术
2011年Voskoboinik等［66］提出了基于频率梳的无扫频BOTDA，利用多个泵浦和探测频率梳对布里渊增益谱进行重构，避免了耗时的扫频过程。但该技术存在结构复杂、频率精确控制较难的缺点。2015年Jin等［67］提出了一种基于数字光频率梳的BOTDA，无需频率扫描即可实现超精细和快速的布里渊增益谱重构，将10 km的传感速度提升了100倍，并且具有与传统BOTDA同样的测量精度。2017年Fang等［68］采用双偏振正交频分复用探测光实现了无扫频单次测量BOTDA系统，在1.08 km光纤中以20.48 m的空间分辨率完成了分布式温度测量，测量精度达到了0.59 ℃。
2.3.6 多参量测量BOTDR/BOTDA系统
布里渊散射对温度和应力交叉敏感，因此难于进行对二者的独立测量。而特种光纤在BOTDR/BOTDA系统的应用可以解决这个难题。这些特种光纤包括色散补偿光纤（DCF）［69］、少模光纤（FMF）［70］和多芯光纤（MCF）［71］等。这些方案利用特种光纤中布里渊散射对温度和应力的敏感差异性（如DCF的双增益峰频移、FMF的不同模式以及MCF的不同纤芯等对温度和应力的敏感差异性）进行双参量测量，通过线性矩阵方程组求解得到温度与应变信息。为了解决方程求解中引入的计算误差问题，Yang等［72］提出了一体化降噪和双参量提取的卷积神经网络，结合特种光纤中的双峰增益谱对温度和应力的敏感差异，在19.38 km传感光纤中将温度/应力不确定度提高了2个数量级，上述技术的相关总结已列于
表 1. 先进BOTDR/BOTDA技术总结
Table 1. Summary of advanced BOTDR/BOTDA techniques
|
国内BOTDR/BOTDA的主要研发机构包括南京大学、哈尔滨工业大学、北京邮电大学、华中科技大学、电子科技大学、武汉理工大学等，主要生产企业包括南京法艾博光电科技有限公司（http://www.fib-tech.com/）、鞍山睿科光电技术有限公司（http://www.realphotonics.com/）、武汉理工光科股份有限公司（http://www.wutos.com/）、浙江杰昆科技有限公司（https://www.jericore.com/）、山东舜感光电科技有限公司（http://www.shunganguangdian.cn/）、杭州光传科技有限公司（https://www.optosensing.com/）、无锡布里渊电子科技有限公司（http://www.buliyuan.com/）、福州华光天锐光电科技有限公司（http://www.hgskyray.com/）等。
2.4 拉曼光时域分析仪
2.4.1 ROTDR的工作原理
典型的ROTDR利用飞秒至纳秒级的激光脉冲沿传感光纤激发拉曼散射光，背向拉曼散射光的Stokes和anti-Stokes分量通过波分复用器（WDM）或其他带通滤波器分离，通过分别探测两分量强度判断温度，通过散射光返回探测器的时间差判断位置。由于anti-Stokes和Stokes光的光源功率波动、光程、光耦合效率和光纤损耗等基本一致，它们的比值可以去除干扰因素，这种自校准的模式加上仅对温度敏感、无应力应变振动交叉响应，使其具有长期稳定性，成为最早被工业界广泛应用的分布式光纤传感技术。
ROTDR最基础的系统结构如
图 6. ROTDR系统的典型原理结构示意图（FUT：测试光纤；APD：雪崩光电二极管；SpRS：自发拉曼散射；WDM：波分复用器）
Fig. 6. Typical structure of ROTDR system (FUT: fiber under test; APD: avalanche photo diode; SpRS: spontaneous Raman scattering; WDM: wavelength division multiplexing)
最早的ROTDR系统可以追溯到1985年，当时实现了1 km的传感距离和3 m的空间分辨率［73］。虽然拉曼散射光在三种散射中最弱，但随着高能激光器和高性能探测器技术的不断发展，拉曼光的探测已经比较容易，且相关器件实现了广泛的模块化和商业化应用。随着硬件和算法的不断发展，ROTDR在温度分辨率、空间分辨率、探测距离、探测温度范围、响应时间等性能参数上不断更新迭代。
2.4.2 ROTDR的硬件系统优化
ROTDR的硬件系统优化主要从光路设计、光源、探测器和光纤4个部分进行。
最基础的ROTDR结构一般采用单端检测方式。2010年Hwang等［74］提出在光纤尾端加入反射镜实现环路检测的方法，这可以减小Stokes和anti-Stokes随外界扰动导致的微小差异带来的负面影响。2011年Soto等［75］提出利用光开关将光纤首尾连接到同一个探测器的方法，该方法简化了系统，提升了系统稳定性，缺点是光开关的切换降低了系统的响应速度。
光源的优化主要包括光源波长和脉宽的选择、脉冲编码技术的应用以及新型光源的使用。2007年Suh等［76］利用双波长光源（一个光源波长与另一个光源的拉曼散射光谱重合），配合光开关实现两个光源的交替测量，该方法可以消除两个拉曼散射光的差分衰减或减小拉曼散射光的传输损耗，获得了更高的测量精度或更长的传感距离，但额外的光源也导致成本的提升。
由于ROTDR的空间分辨率与激光脉冲宽度成反比，为获得高空间分辨率，通常采用尽量窄的激光脉冲；但脉冲越窄，脉冲峰值功率越高，系统越受受激拉曼散射（SRS）限制，传感距离和信噪比越受到制约，因此ROTDR通常需要针对应用场景选取最佳光源配置。在km级传感距离场景中，通常采用1~10 ns的激光光源；在超高空间分辨率的场景中，通常采用皮秒甚至飞秒激光器作为光源。2019年研究者利用180 fs的激光脉冲作为光源，受限于探测系统带宽，该系统最终获得了10 cm的空间分辨率和3 m的传感距离［77］。为克服探测器带宽限制，飞秒激光配合超导纳米线单光子探测器（SNSPD）实现了1 cm量级的空间分辨率［78］，但由于飞秒激光的重复频率较高，其传感距离也被限制在3 m以内。采用混沌激光源是一种与传统ROTDR不同的新方法。2023年Li等［79］将混沌激光源与混沌解调算法相结合，通过模拟仿真和实验验证使得1.25 km传感距离下原本50 m的空间分辨率提升至0.3 m。
除激光器和探测器的优化外，不同的传感光纤在不同领域也有独特作用。基于色散位移光纤（DSF）和色散补偿光纤（DCF）拉曼增益的不同，通过级联安装可以延长传感距离，结合Simplex脉冲编码技术实现了37 km的长距离传感［80］。2017年Wang等［81］提出利用FMF代替单模和多模光纤。FMF相比单模光纤允许更高的激光能量，实验证明在20 km光纤末端测量得到的温度分辨率由单模光纤的10 ℃进一步降低到了少模光纤的6 ℃，而空间分辨率的劣化比多模光纤改善了1倍多。2022年Wu等［82］使用低水峰光纤减小了anti-Stokes信号光在1450 nm处的传输损耗，结合神经网络降噪算法提升信噪比，这有利于延长系统的传感距离。2023年Liu等［83］利用单晶光纤赋能ROTDR的温度传感，使得分布式传感的温度上限从镀金光纤的700 ℃提高到了1600 ℃，且响应时间达到1 ms，空间分辨率为7 cm，在这个系统中激光器的波长采用了较传统波长更短的532 nm，这样做的目的是避开超高温下的黑体辐射背景，为极端高温环境传感提供了新方法。
ROTDR的信噪比很大程度取决于耦合进光纤的激光强度，而最大激光强度受制于SRS等因素。为此，研究者们对激光脉冲进行编码，在不提高激光强度的情况下等效地提升耦合进光纤的脉冲数量，从而提高信噪比，改善温度分辨率。2004年Lee等［84］提出了Simplex的单极性码线性运算编码机制，用N位脉冲编码理论上可将系统SNR提升
2.4.3 ROTDR的温度分辨率算法
提升温度分辨率最基本的方式是增加平均次数，如通过FPGA可以实现218次叠加平均处理，如果配合算法优化效果更佳。2010年Hou等［88］利用小波变换（WD）在保持其他性能不变的情况下将测量时间从33 s缩短至6 s。2018年Li等［89］利用改进后的小波变换极大模算法(WTMM)验证了信噪比的提升，并将传感距离从3 km延长至11.5 km。2016年Saxena等［90］利用经验模态分解（EMD）法改善了由弯曲损耗引起的测量误差，测量误差从24 ℃减小至3.5 ℃。2019年Wang等［91］采用二分奇异值分解（D-SVD）法结合104次累加平均将温度误差减小约25 ℃。2016年Soto等［56］将图像处理算法引入到ROTDR及BOTDR中，该算法将分布式传感的从时间上横向排列的数据列看作是二维图像，利用图像降噪中常用的NLM算法取得了在9 km传感距离上13.6 dB的SNR提升，温度分辨率由0.5 ℃提升至0.022 ℃。在图像边缘则使用部分相似窗口的改进型NLM进一步提高边缘处的SNR［92］。
随着人工智能时代的到来，机器学习的降噪算法在ROTDR中的应用越来越成熟。2021年Zhang等［93］利用一维去噪卷积神经网络（1DDCNN）算法在10 km SMF中将温度分辨率从原始数据的6.4 ℃提升至0.7 ℃，这种算法与WD算法相比温度分辨率提升了3 ℃。2022年Wang等［94］将卷积神经网络结合下采样算法（DSDN）在104次叠加平均处理后将温度分辨率从2.5 ℃提升至0.19 ℃。
2.4.4 ROTDR的空间分辨率算法
ROTDR的空间分辨率在物理层面受到系统硬件的限制，例如激光器脉冲宽度、探测器带宽和数据处理端的速度。通过智能算法可以突破硬件的物理极限限制，而反卷积算法是最早用于此目的。2005年Liu等［95］提出反卷积算法用于ROTDR，最初只是在仿真中进行推导验证。直到2016年Bazzo等［96］在实验中，在不改变系统硬件的情况下，仅通过改良的全变量反卷积（TVD）算法将1 m空间分辨率提升至了15 cm。2022年Zhu等［97］采用Wiener反卷积算法，利用20 ns脉冲光源获得了0.5 m的空间分辨率。2018年Silva等［98］用外部输入神经网络的非线性自回归（NARX）算法将系统空间分辨率从1 m提升至5 cm。两种或多种算法的结合通常有更好的效果。2022年Wu等［99］将反卷积算法与卷积神经网络结合，发展了名为“超空间分辨率深度卷积神经网络（SSRNet）”的算法，该算法可以将激光器脉冲宽度对应的4 m空间分辨率提升至0.8 m。有些算法能同时改善温度分辨率和空间分辨率。2021年Datta等［100］同时对比了普通循环神经网络（RNN）、长短期记忆网络（LSTM）和双向门控循环单元（bi-GRU）等三种深度学习算法在ROTDR中的效果，在80 ns激光脉冲宽度和3.5 MHz探测器带宽的情况下将系统温度精度控制到0.5 ℃以下，同时还将空间分辨率从原来的8 m提升到了2 m。
需要注意的是，反卷积等算法也有负面效应，例如解调后的信号有畸变，将恶化部分区域的温度分辨率或者准确性。因此算法的种类与使用需要充分考虑各目标性能之间的平衡和组合。
总之，目前ROTDR的最长传感距离已经达到80 km以上［101］，使用超快激光器、单光子探测器、智能算法改进或单晶特种光纤等手段可以达到厘米级空间分辨率，优于0.1 ℃的温度分辨率，毫秒甚至亚毫秒级响应速度，温度上限已达到1600 ℃。但这些主要性能参数之间一般相互牵制，较难同时满足，因此ROTDR需要根据应用场景需求加上成本综合考虑选择最适当的硬件配置和智能算法。
国内外ROTDR的主要研发机构包括意大利的Scuola Superiore Sant’Anna、巴西的Federal University of Technology–Paraná、荷兰的Delft University of Technology、西班牙的University of Cantabria、法国的Université de Saint-étienne、韩国的Seoul National University、印度的Indian Institute of Technology Madras以及我国的华中科技大学、太原理工大学、上海交通大学、北京邮电大学、电子科技大学、中国计量大学、北京航空航天大学、之江实验室等。
国内外ROTDR的主流厂家如
表 2. ROTDR国内外主要生产厂商及其性能
Table 2. Summary of ROTDR manufacturers and their performance
|
2.5 光频域反射技术
2.5.1 OFDR的传感原理及系统基本结构
1981年基于光纤瑞利后向散射的OFDR方法被提出［102］，其基本原理是利用扫频激光器作为光源，待测光纤中的瑞利后向散射与参考臂的本征光发生干涉拍频，形成系统的主干涉仪信号。此外，辅助干涉仪用于补偿扫频光的非线性，其系统原理如
与OTDR技术采用时间飞行法实现待测光纤距离长度的映射不同，OFDR采用频率信号实现待测光纤距离长度的映射。具体而言，OFDR系统的激光器产生无跳模的线性扫描光源，其主干涉仪的拍频频率与激光器的扫描速度和待测光纤的距离长度存在线性关系。将OFDR系统采集的时域信号进行傅里叶变换，可获得主干涉仪的拍频频率信息，进而实现拍频频率与距离长度的映射，其理论空间分辨率与激光器的扫频范围成反比［103］。OFDR系统通常通过解调瑞利散射光谱的漂移实现外界参数的测量。光纤在没有受到扰动之前，其瑞利散射光谱具有稳定的指纹谱信息。光纤产生温度或应变改变后，其折射率和长度将随之发生变化，从而引起瑞利散射光的相位信息改变，表现为瑞利散射光谱的频移，从而实现外界参数的测量。
2.5.2 OFDR的噪声抑制方法
扫频激光器固有的相位噪声以及频率非线性调谐将导致光纤各位置处散射光与参考光产生的拍频信号发生展宽并且强度降低，从而劣化OFDR的空间分辨率与传感距离［104］。目前，抑制OFDR中存在的非线性调谐效应的方法包括硬件补偿法和软件补偿法。
硬件补偿法又称频率采样法，即利用等光频间隔替代等时间间隔对OFDR的拍频信号进行采样。在基于硬件补偿的OFDR系统中，采样时钟由辅助干涉仪产生的拍频信号产生，以保证各相邻采样点之间的光频率间隔保持一致［105］。为了满足奈奎斯特采样定律，基于硬件补偿法的OFDR系统的最大传感距离是辅助干涉仪延迟光纤长度的1/4。
与硬件补偿法不同，软件补偿法一般采用希尔伯特变换等方法分析辅助干涉仪信号，获得扫频激光源的瞬时光频以及相位调谐的非线性信息［106］，接着利用重采样法［107］、串联生成相位法［108］、去斜滤波法［109］等一系列算法实现主干涉仪信号的非线性补偿。其中，重采样法通过线性插值［110］、三次样条插值［107］和非均匀傅里叶变换［111］插值等方法按等频率间隔对主干涉仪采集到的数据进行重采样处理以补偿扫频激光源的非线性调谐效应。串联生成相位法可以在超越激光源相干长度的传感距离上对非线性调谐效应进行补偿［112］。去斜滤波法采用不同阶数[109,113,114]的泰勒展开等实现方法对非线性相位进行估计，并通过去斜滤波器补偿主干涉拍频信号中的非线性相位。
2.5.3 OFDR的信号处理方法
OFDR的信号处理方法主要包括互相关法［115］、相位解调法［116］和机器学习方法［117］。互相关法首先分别采集待测光纤参考组和测量组的频域信号，然后通过快速傅里叶变换将频域信号转换到距离域，接着对距离域信号进行滑动加窗，利用快速傅里叶逆变换得到窗口位置处的瑞利散射光谱，最后通过对参考组和测量组信号的瑞利散射光谱进行互相关运算，获得各窗口位置处的频率漂移，建立待测传感参量与频率漂移的关系［118］。研究人员提出局域光谱匹配法［119］用于抑制互相关算法存在的多峰和伪峰问题。相位型OFDR主要采用3×3耦合器［116］和差分相位解调［120-121］等方法解调瑞利散射光谱的相位变化，实现传感测量，其中差分相位解调方法通常采用弱反射布拉格光栅阵列［122］和飞秒激光诱导散射增强点［123］等光纤结构以及均值滤波器、半径滤波器、频分光谱平均法［124］等信号处理方法提高系统信噪比。机器学习算法［117］可以提取并训练瑞利散射光谱的频域指纹信息，为OFDR的传感信号处理开辟了一条新的道路。
2.5.4 OFDR的传感性能改进
OFDR的传感距离的主要限制因素是扫频激光器的相干长度［125］。与半导体激光器相比，光纤激光器更容易实现窄线宽输出［126］，常被用作长距离OFDR的激光源。OFDR采用压电调谐的单频光纤激光器，可以实现95 km光纤的瑞利背向散射和菲涅耳反射的测量［127］，采用光电锁相环的相干增强高度线性扫频光纤激光源，实现了200 km 光纤链路的测量［128］。针对超出激光器相干长度的探测，研究人员相继提出相位噪声补偿［112］、相位噪声检测［129］、光纤延迟回路补偿［130］等方法，实现最高达到17 km光纤的瑞利散射和170 km光纤菲涅耳反射的测量。
光纤的瑞利散射光谱随应变/温度的增加或减小逐渐发生“红移”或“蓝移”，导致参考光谱与测量光谱之间的相互重叠逐渐减小，相关性减弱，这是限制OFDR应变/温度测量范围的主要因素之一。研究人员相继采用局域光谱匹配［119］、机器学习方法［117］、二维图像降噪［131］、相邻相位积累［132］等方法增大应变测量范围。温度测量范围除了受限于瑞利散射光谱的相关性，还受限于光纤材料［133］。
OFDR的传感空间分辨率取决于距离域的加窗长度。适当减小窗长可以提升传感空间分辨率，但降低了瑞利散射光谱频移的测量分辨率。距离域加窗后经过补零再进行傅里叶逆变换能够在提升传感分辨率的同时保证较优的频移分辨率［134］。随着应变或温度的累积，光纤逐渐伸长或缩短，导致参考组和测量组距离域相关位置失配，这是阻碍传感分辨率提升的主要原因之一。研究人员提出一种位置偏差补偿算法［103］，实现了0.5 mm的空间分辨率。此外，减小窗长还将导致互相关的信噪比降低并出现较多的互相关伪峰。为此，研究人员利用传感光纤整段的互相关结果构成一幅2D图像，采用图像去噪的方式抑制随机噪声和去除互相关的异常值，从而在实现高空间分辨率传感的同时提升了波长测量精度。OFDR的图像去噪方法包括二维小波去噪［131］、非局部均值滤波［135］、全变分法［136］、二维高斯滤波［136］、形状自适应主成分分析块匹配三维滤波［137］等方法。目前，在1.2 mm传感分辨率下，图像降噪方法将瑞利散射光谱漂移的标准差降低到0.35 GHz。最低的传感分辨率可达到0.4 mm，但测量精度急剧恶化。
OFDR系统通常难以实现动态测量，一是受到单次信号采样时间的限制，二是传统的互相关法不能揭示有关动态参数的信息。采用高可调速率的扫描激光器［138］以及正弦频率扫描［139］等方法是拓宽频率响应范围的有效方法，最高可实现约1 kHz振动频率的信号检测。此外，通过分析空间域中振动和非振动状态的拍频信号之间的互相关［140］，可实现可检测振动频率达到2 kHz，但是无法获取振幅大小。为了获取振幅信息，研究人员还提出了时频复用［141］、交叉乘法和微分相位解调［116］、多频亚奈奎斯特采样［142］以及激光器外调制［143］等方案，实现了基于OFDR系统的动态测量，最高可测量振动频率可达33 kHz。
表 3. OFDR传感性能提升方法总结
Table 3. Summary of OFDR sensing performance improvement methods
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
2.6 干涉仪型分布式光纤传感系统
2.6.1 Michelson型
Michelson干涉仪结构由干涉臂和参考臂构成，对于单Michelson干涉仪结构组成的分布式振动传感(DVS)系统来说，只能对是否有振动信号进行判别，而无法定位振动信号发生的位置。因此，现有基于Michelson干涉仪的DVS系统采用双干涉仪（DMI）结构，利用不同传播方向干涉光携带的时延信息对振动信号进行解调［147］，原理结构如
在DMI结构中，由两个不同波长的激光器构成两个MI结构，laser1的输出光经3 dB耦合器coupler1进行等分输出后，传感臂和参考臂的光信号分别经波分复用器后传输至尾端的光纤法拉第旋转镜（FRM）FRM1和FRM2，经反射后两路信号重新沿着传感臂和参考臂传输并在coupler1处干涉；同样地，laser2的输出光经FRM3和FRM4反射后，在coupler2处发生干涉。干涉光信号经光电探测器后送入采集卡，在解调端完成数据分析。
DMI型结构的DVS系统具有抗偏振退化和偏振相位漂移的优势，但由于光源波长不同，系统也受非对称的影响［148］。上述结构可以在4012 m的传感长度下，实现±51 m的定位精度。近些年，研究人员对MI结构的研究集中于对振动信号的测量上，提出了双输出光栅法［149］、步进干涉法［150］、非平衡臂测量［151］等方法，这些方法多是对振动信号本身的还原研究。由于MI型结构与MZI型结构的传感原理具有一定的相似性，而其结构相较于MZI型结构更为复杂，因此DVS系统的应用中更多以MZI型结构为主。
2.6.2 Mach-Zehnder型
相较于Michelson型干涉仪结构，Mach-Zehnder型结构相当于将光路进行展开，即在传感臂和参考臂相同光程的情况下，MZI型结构使用了更长的传感光纤，这也就意味着可以实现更长距离范围内的无中继分布式监测。同样地，单MZI结构也只有一个干涉信号，无法对振动信号进行定位。又因为背向散射光在前向干涉型系统中的噪声干扰，目前在实际应用中，多采用非对称双MZI（ADMZI）结构实现DVS传感［152］，具体结构如
laser1输出信号经环形器circulator1后，沿顺时针（CW）方向传播，laser2输出信号在光纤环路中沿逆时针（CCW）方向传播。两个不同方向的MZI结构共用同一个传感臂和参考臂，但由于振动信号在两个MZI结构中的相对位置不同，所产生的相位调制也会存在时延差,可以解调出振动信号发生的位置。由于MZI结构中不再含有FRM，虽然传感距离得到了相应的增加，但是其定位效果也会受到偏振退化和偏振漂移的影响［153］，需要偏振控制器（PC）对光信号的偏振态进行调整。与此同时，由于参考臂和传感臂不能严格等长，信号会存在初始的随机相位噪声，影响定位结果。近些年的研究中提出了偏振控制算法以消除光纤双折射带来的影响［154］；为降低相位噪声和环境噪声的影响，研究人员提出了PGC相位调制算法［155］、希尔伯特黄变换［156］等算法。为降低系统的误报率和虚警率，研究人员针对振动信号的模式识别进行了研究［157］。MZI的优势是结构简单，系统鲁棒性强，使用的光学器件种类和数量较为固定，因此在长距离应用场景内的系统布设和维护成本也就更低，在无中继长距离的检测领域（如在海底光缆监测、油气管线监测、边境线安防监测等领域）内更有工程价值。
2.6.3 Sagnac型
Sagnac干涉仪的基本结构如
图 10. 环形SI和直线型SI结构图。（a）环形SI结构图；（b）直线型SI结构图
Fig. 10. Schematic diagrams of loop SI and in-line SI. (a) Schematic diagram of loop SI; (b) schematic diagram of in-line SI
DVS系统的建立主要以MI、MZI及SI三者为基本结构。研究MI型传感结构的相关机构主要有国内的北京大学、复旦大学、吉林大学，以及意大利的安科纳大学；研究MZI型传感结构的相关机构主要有国内的天津大学、华中科技大学、清华大学、北京航空航天大学、北京交通大学、北京工业大学、暨南大学、上海大学，以及意大利的米兰理工大学；研究SI型传感结构的相关机构主要有国内的复旦大学、华中科技大学、东南大学、太原理工大学、上海大学、南昌航空大学，以及英国的南安普顿大学、日本的千叶大学、美国的弗吉尼亚理工大学和堪萨斯大学。此外，该领域研究比较成熟的商业公司有国内的华为（https://e.huawei.com/cn/products/optical-sensing/optixsense-ef3000-f50）、浙江杰昆科技有限公司（https://www.jericore.com/）、北京菲博泰光电科技有限公司（http://www.fbgtech.com/），以及澳大利亚的FFT（https://www.fft.de/zh/company-cn/portrait-cn）、德国的AP Sensing（https://www.apsensing.com/）、美国的Luna Innovations（https://lunainc.com/）、Fotech（https://www.bihec.cn/b/3a/8b187a6f17f71c96b0d43eed260f9.html）和Silixa（https://silixa.com/）、瑞士的Omnisens（http://www.omnisens.com.cn/）和以色列的Prisma Photonics（https://www.prismaphotonics.com/）。由此可见，前向光干涉型的DVS系统具有良好的应用前景。
3 分布式光纤传感技术的应用
3.1 在通信系统监测中的应用
3.1.1 应用需求分析
通信光缆作为现代社会不可或缺的基础设施之一，在信息传输中扮演着至关重要的角色。然而，通信光缆中的光纤容易受到挤压、拉伸、压弯甚至断裂等物理损伤，从而导致通信中断或者数据丢失。通信光缆的工作环境主要包括陆地和水下两种典型场景，其中陆地通信光缆通常埋设在地下，易因挖掘、钻探、切割、爆破等而损坏，恶意破坏者可能故意中断通信或泄漏数据。野外敷设的通信光缆还容易受到洪水、山体滑坡等自然灾害的影响。水下通信光缆除了容易受到船只抛锚和渔业操作等人为活动的破坏外，也会因为海底地质活动如海底地震、火山喷发和海底滑坡等自然灾害造成光缆受损、断裂。利用通信光缆中的冗余信道资源，DOFS技术可对通信光缆进行在线监测，对潜在隐患进行及时的识别与预警，以保障通信光缆的安全可靠运行。
3.1.2 应用原理与方法
根据外界影响因素的不同，通信光缆的结构健康状态可以通过损耗、温度、应变以及振动等参量来进行表征。通信光缆中的光纤出现折断、弯曲过度、接头松动时都会产生明显的损耗，可以通过监测光纤的损耗进行预警。除了直接监测温度，温变还会导致光缆材料的膨胀或收缩，从而可以同步通过应变参量间接监测光缆的温变。通信光缆被过度弯曲或拉伸将导致光纤中心的偏移或断裂，利用这一特性可以监测光纤的应变。当通信光缆附近发生外破事件或产生自然灾害时，事件产生的振动波会向附近的岩土结构、光缆管道中扩散。振动波在带动岩土结构、光缆管壁振动的同时也将振动信号传递给附近的光缆，引起光缆中光纤的同步振动，进而导致光纤发生微形变，引起其局部折射率的变化，这一特性可用于监测光纤的振动状态。
3.1.3 典型应用案例
1995年，一种基于OTDR的机械损伤监测方案［162］被用于海底通信光缆的监测。该方案通过对光缆进行径向压缩造成内部光纤的损耗变化，在径向压缩变形率为10%~30%的情况下，实现了8 m精度的监测定位。然而，对于有中继器的海缆线路，无论动态范围还是抗噪声性能均无法满足全线覆盖的监测需求［163］。因此，长距离级联中继型海光缆的监测通常依赖于C-OTDR技术。2014年，一种基于频分复用制式的C-OTDR系统［164］被用于对总长超过10000 km的级联中继海底通信光缆的损耗监测。尽管损耗是海缆结构健康监测中必不可少的表征参量，但是基于损耗的监测系统往往只能对通信光缆的结构健康状态进行诊断，无法对光缆周边潜在的威胁事件进行预警。
对于通信光缆而言，高温可能导致光信号的衰减或信号质量的降低。对通信光缆工作时的温度进行监测是保护光缆的一项重要措施。1985年Dakin等［165］开展的基于光纤中拉曼散射的分布式温度传感实验证明了 ROTDR能够用于通信光缆的温度监测。但ROTDR只能监测温度这一物理量，其在通信光缆结构健康监测方面的应用受到限制。为了解决这个问题，1995年，研究人员使用 OTDR和 ROTDR 对6.6 kV交联聚乙烯（XLPE）海缆的机械特性和外部损伤特性进行了验证性实验，该方案同时实现了对海缆的温度、铠装磨损及锚害的监测［166］。1999年，研究人员再次使用 ROTDR 结合 OTDR的方案实现了30 km传感距离的温度和机械损伤监测，并通过各种力学实验对复合海缆的结构进行了评估［167］。与损耗监测类似，针对温度的监测通常无法满足对光缆周边潜在威胁事件的预警需求。
外界施加的压力会导致光缆的材料受损，进而影响信号传输质量，因此对通信光缆的应变进行监测同样十分重要。1996年，研究人员利用 BOTDR对横跨瑞士日内瓦湖两个电信交换站之间的 6.8 km 水下通信光缆进行了监测，实现了对光缆中光纤应变分布以及温度变化等信息的准确监测。这些数据对于了解光纤在运行中的状态和性能至关重要，有助于及时发现潜在问题，并进行维护和优化［168-169］。2006 年，研究人员基于BOTDR技术进行海底光缆的应变和温度监测，实现了故障点精确定位、海缆敷设过程的全程监测以及对海缆敷设质量的评估［170］。2014 年，研究人员利用光纤复合海底光缆中的光纤进行了应变和温度的标定实验［171］，分析了不同光纤布里渊频移的应变/温度系数和初始频移的区别，给出了利用光纤中布里渊频移分布曲线进行接续点精确定位的方法，对运行中的海缆进行了全面、实时、长期的状态监测和数据分析。对于BOTDR而言，背向散射光的布里渊频移同时受温度和应变的影响，因此存在交叉敏感问题，这制约了其在海缆结构健康监测中的应用［172］。并且，BOTDR测量速度缓慢，灵敏度通常在10 με级别，无法对动态和间接作用于光缆的扰动作出响应，因而难以对隐患进行及时预警。
Φ-OTDR可以实现对通信光缆实时振动的监测，及时对外部扰动可能带来的光缆破坏进行预警。2016年一种Φ-OTDR海缆振动监测系统被提出，该系统能够分别获得船只落锚和挂缆拖拽所引起的海缆扰动［173］。2017年研究人员通过Φ-OTDR技术对海缆进行了人行走踏步、挖掘以及锚钩的模拟振动监测实验，实现了对海缆振动事件的定性分析［174］。2018年有学者使用Φ-OTDR分析了平静海面、船只抛锚以及船锚拖拽事件的幅度及频率特征［175］。以上研究由于采用的是直接探测型Φ-OTDR系统，仅能实现振动事件的定位以及振动事件幅频信息的定性分析，无法对振动信号进行重构以及定量分析。
外差相干探测型Φ-OTDR结合数字相干解调方法，可以对缆周边扰动事件进行定量分析。2018年一种利用外差相干探测 Φ-OTDR的海缆监测方案被提出［176］，该方案实现了实时定量的海底光缆多点振动事件监测。2019 年研究人员提出了将外差相干探测型Φ-OTDR与Mach-Zehnder干涉仪结构相结合的分布式振动传感系统［177］，该系统在1 m的空间分辨率下的最大监测距离为10 km，应变灵敏度优于1 με，能够在海缆安装阶段监测缆的状态，预防海缆过度弯曲和过度张力引起的损坏。2019年研究人员提出了一种基于增强相干光时域反射（E-COTDR）技术的海底光缆监测系统［177］，将C-OTDR技术和外差相干探测型Φ-OTDR技术相结合。该系统在双端协同工作下的单跨振动监测范围可超过148 km。对于1000 km以上的级联中继海缆，该系统可实现单跨121 km 的损耗与振动监测全距离覆盖。Φ-OTDR 因具有灵敏度高、响应速度快等优点，在威胁事件尚未直接作用于光缆时即可产生响应，从而能够提前发出预警［178］，但是很难定量测量振动信号并识别振源类型。近年来，能精确测量振动信号的DAS技术结合深度学习算法取得了突破性的进展，能够准确定位和识别振源，将成为通信光缆运维监测的主流技术［179］。
3.1.4 未来应用展望
进一步提高分辨率和增大监测范围是传感领域永恒的主题。此外，依赖单一参量监测很难对光缆周边潜在威胁事件进行准确的预警，因此综合监测系统将是未来的发展方向，即同时监测多种传感参数，以全面评估通信光缆的结构健康状态。集成技术与数据分析技术同样是未来研究的重点，高级的数据分析和集成技术，如人工智能和机器学习，将从传感数据中提取更多有用信息，有助于更好地理解通信光缆的性能和潜在问题。此外，为了保护数据的安全性和用户隐私，还应该加强数据的安全措施，以确保监测数据不受恶意攻击和滥用。
3.2 在电力系统监测中的应用
3.2.1 应用需求分析
电力光缆是电网和电力通信网的重要基础设施，光纤网络结构与电网结构强耦合、与电网所处同一地理空间环境，这为利用电力光纤进行电网线路环境参量测量提供了天然的优势。同时，输电线路的工作环境复杂、健康隐患类型多样，隐患发生时通常会同步产生诸如温度、应变、振动等多种物理参量的异常变化。目前对光缆自身及相关联状态信息的采集、传送研究仍处于起步阶段，光缆这一核心基础设施仍然是不能自主通报状态的哑资源，它在运行监测和状态评估方面的作用未能得到充分开发和利用。传统的光缆监测需要外挂电传感器、摄像头或进行人工巡检，以上方式存在成本高、折损率高等问题。目前电网对光缆和电缆监测多使用电传感器，其在稳定性、续航进行恶劣天气监测等方面存在一定缺陷。输电线路中通信光缆线路分布具有明显的放射特性，利用光缆监测系统可以实时检测通信光缆线路运行状况的特点，结合通信监控系统，实现高效、合理和科学化管理。与以上手段相比，DOFS仅利用原有通信光缆即可完成监测，能更好地监测电网运行状况。目前，DOFS技术已经比较成熟，研究人员在电力系统的在线监测领域也进行了大量研究和试点，取得了一定的效果。利用电力光纤以及DOFS技术，对电网架空光缆状态进行在线监测，从而客观反映光缆所在电力线路的环境参量，成为电力光缆状态监测的一项重要手段。
3.2.2 应用原理与方法
目前电力系统中常用的DOFS包括OTDR、BOTDR/A和Ф-OTDR。电力光缆与普通光缆相比，需要承载电力通信的任务，对安全稳定的要求更高，也对多种参量同时传感的需求更大。电力通信光缆主要有架空缆，包括光纤复合架空地线（OPGW）、光相导体光缆（OPPC）以及地埋缆。这些光缆内部都有光纤，系统的光纤尾端多集中在变电站的通信机房内。在进行监测时，仅需在通信机房内利用一根FC/APC转PC/PC光纤跳线将传感设备与通信屏上的待测光纤接头连接，对在运光缆的状态进行全分布式监测，线路中无须加装传感器或铺设专门的传感光纤光缆，利用传感系统自带的数据采集、处理、分析模组即可对待测光缆线路的衰耗、温度、应力、振动等多物理量进行监测。DOFS系统用于电力系统线路监测的方案如
图 11. DOFS系统用于电力系统线路监测的方案示意图
Fig. 11. Schematic diagram of DOFS used in power system line monitoring
在进行温度监测时，已知 OPGW 光缆中光纤与外界物之间存在温差，在标定温差的情况下，可利用 BOTDR 对光缆外界环境温度进行监测，有实验结果表明，OPGW 与内部光纤之间的温差为0.018 ℃[180]。通过对劣化光纤的应变进行监测，可得到应变导致的光损耗增大量及其位置。因此通过对光缆应变进行定时监测，可以预判光缆的劣化程度。Φ-OTDR 可进行光缆振动的监测，并可应用于输电线路受大风及舞动等场景。
以上技术只能对单一传感参量进行监测，但是电力光缆在运过程中不可避免地会遭受覆冰、风沙、山火等极端天气及自然灾害的影响，这严重威胁电力通信线网的正常运行。若要对这些进行监测，则需要使用多参量传感系统。
在进行覆冰监测时，可通过由BOTDR或BOTDA获得的光缆的温度和应变数据对光缆的覆冰情况进行监测。这是因为严重覆冰时，线缆的弧垂会消耗光纤余长，产生应变，同时，覆冰也会引起线缆温度的变化。BOTDR在一定误差范围内可准确测量光纤复合架空地线各点的温度和应力相对大小，通过覆冰温度预警相关参数（积温时间、温度日较差）的标定可以提高对输电线路覆冰现象判断的准确率。
在进行振动监测时，根据输电线路产生振动的诱因以及振动形式之间的差异，通常将线路振动分为次档距振动、电晕振动、微风振动以及舞动4种形式。利用Ф-OTDR对光缆信号的相位变化进行监测，在监测设备所获得的实时风载荷基础上，结合线路损耗、运行状态、遗留问题等对实时风载荷进行动态修正，建立数学模型，以为架空线舞动监测提供切实可行的技术路线［181］。
3.2.3 典型应用案例
得益于中国在全球领先的高压、特高压输电网络规模，DOFS在电力方面的应用研究得到了较好的开展。2009年，研究人员根据分布式布里渊散射光纤传感技术测量温度和应变的原理，提出利用BOTDR对输电线路覆冰进行在线监测的系统［182］。2017年研究人员提出并研制了基于布里渊和瑞利散射信号同步解调的多参量DOFS技术的输电线路覆冰舞动监测系统，该系统能够对输电线路覆冰、舞动以及雷击等异常现象进行预警，从而实现对输电线路运行状态的在线安全健康监测，避免输电线路受覆冰、舞动以及雷击等异常现象的影响［183］。通过分析光纤线路的OTDR监控信号，观察线路的损耗和光纤中断现象，从而实现光网络的故障识别与监测［184］。2017年研究人员利用BOTDR技术实现了对OPGW导线的监测，并且在覆冰实验基地通过实验证实了温度监测可以对线路覆冰的情况进行有效识别［185］。2021年研究人员利用Φ-OTDR对电缆接头的局部放电进行了探测，通过将5个光纤环绕制在电缆接头上特定的超声监测点，验证了Φ-OTDR的检测与定位能力［186］。同年，研究人员建立了架空输电线弧垂及其振动位移与Φ-OTDR测得相位之间的定量关系，同时将覆冰厚度与输电线振动频率相联系，准确地估算出覆冰厚度，进而提供诸如弧垂和振动位移等状态信息［187］，还提出基于BOTDR的光纤复合架空地线的覆冰估计方法［188］，该方法通过力学分析将应变分布转化为质量分布，并通过换算得到覆冰厚度。目前，OPGW光缆运行环境参量感知设备在国家电网有限公司21座变电站试点得到部署应用，实现了65条OPGW光缆运行状态数据的采集与分析和大于95000 km光缆的数字化管理。结合在线感知设备及仪表测试数据，平台对光缆运行状态进行了准确评定，累计预警光缆风险43起、辅助故障抢修定位287次，成果的应用为电力光缆网的规划建设、运行保障提供了精准的辅助支撑。2021年以来，针对OPGW光缆应变情况，研究人员对在运OPGW光缆的应力应变物理特性进行测试，同时利用OTDR测试线路的衰减信息，这为OPGW光缆健康状态评估提供了理论支撑。
3.2.4 未来应用展望
目前，DOFS在电力领域已经有一定范围的应用。未来，DOFS系统在电力系统中的应用研究主要在以下几个领域展开：
1）基于光纤传感监测的线路舞动环境状态参量感知。输电线舞动导致光纤发生应变，输电线舞动幅度与光纤振动、应变幅值存在一定的线性关系，通过建立光时域反射分布式光纤传感的输电线振动传感理论模型，获得输电线舞动强度与散射光信号的相位幅值之间的关系模型。
2）电力专用传感主机开发。针对电力领域的特殊场景，如覆冰等，开发复合型多参量光纤传感主机，以对温度、应变、振动等参量实现同时监测。
3.3 在煤炭地质中的应用
3.3.1 应用需求分析
煤炭是我国重要的主体能源和能源安全的基石，在中国能源供给结构中处于重要战略和主导地位。煤炭在我国一次能源生产和消费结构中的比重常年占据60%以上［189］，预计到2050年煤炭在一次能源生产中仍将占50%。以煤为主的能源结构在相当长的一个时期不会改变，开发、利用煤炭资源是我国能源禀赋、能源结构和经济社会发展的必然选择。但是，随着我国浅层煤炭资源储量的不断减少，煤炭的开采深度逐渐增加。深部巷道处于高地应力、高地温、高渗透压的特殊地质条件下，容易引发剧烈的巷道变形和采场矿压，发生岩爆与冲击地压事故、煤与瓦斯突出事故、突水事故的概率提高，严重影响煤矿的安全生产［190］。
由于采煤工作面等地质体内部变形场、地球物理场、温度场、渗流场等多场耦合作用，目前通常采用的经验公式、模拟实验、地球物理探测、测量监测等方法存在技术手段单一、定量程度低、测量点离散、难以实时等方面的不足。传统的电学传感器和设备也存在寿命较短、电信号存在安全隐患、难以实时测量和大范围测量、难以集成、自动化程度低等问题。DOFS能够弥补上述缺陷，非常适合在煤矿地质环境下的安全监测应用［191-193］。
3.3.2 应用原理与方法
煤矿开采作业引发地层应力场等多场的调整或重新分布，导致上覆地层和围岩发生变形、破裂和垮塌，引发突水事故、冲击地压、瓦斯突出、地表沉陷变形、地表生态破坏等灾害和生态问题。实时、准确地监测覆岩、巷道及井筒围岩等变形分布和破坏范围，分析其动力学特征和演化规律，可为煤矿地质灾害的评价和预测提供可靠的数据支撑，对于保障煤矿的安全生产具有重要意义。
图 12. 煤矿地质安全分布式光纤传感监测技术示意图
Fig. 12. Schematic diagram of distributed fiber optic sensing monitoring technology for coal mine geosafety
3.3.3 典型应用案例
在地层变形监测方面，DOFS能够从根本上解决传统方法难以直接测量地层连续变形的不足，在地层变形过程动态监测中具有独特优势。经过长期工程应用研究，2018年一种钻孔全断面DOFS监测方法被提出［194］，该方法在钻孔中布设传感光缆，能够长期监测地层变形、地面沉降、“两带”高度、土壤含水率等定量信息的分布和变化；在煤矿地层变形实验研究方面，研究人员利用分布式光纤传感技术，针对采场覆岩变形开展了一系列模拟实验，研究煤炭开采过程中光纤应变与采场覆岩垮落演化特征之间的关系［195-196］。在采动覆岩变形时空演化特征及注浆过程动态监测技术研究方面，研究人员利用分布式光纤传感技术开展采动工作面覆岩全地层变形时空演化特征研究［197］，这为采动离层空间注浆控制地表塌陷工程、采空区地层稳定性判别提供了定量化的实测数据，如
图 13. 注浆过程钻孔变形损伤过程光纤监测、声幅测井和井下电视结果
Fig. 13. Fiber optic monitoring, sound amplitude logging, and downhole TV results of borehole deformation damage process during grouting
在煤矿巷道和井筒围岩监测中，DOFS技术具有分布式、不漏点测量的优势，能够解决传统电学传感器因受到围岩变形、水和化学腐蚀等恶劣环境的影响而失效的问题，为煤矿井筒变形监测提供了一种新型、实时的监测方法。在井筒围岩监测方面，研究人员分析了不同光纤传感器的粘贴方式、粘接材料和施工工艺对监测效果的影响［198］；通过研究传感光缆的布设方法和异常变形的检测方法，得出了灌浆引起的井筒变形的演化规律［199］。在巷道围岩变形监测方面，研究人员针对巷道顶板变形监测场景下的光缆选取和布设工艺开展研究，并通过室内实验建立顶板沉降变形与光纤应变之间的关系模型［200］；在煤矿采动现场，研究人员将分布式光缆植入巷道底部钻孔，在工作面回采过程中实时监测光缆的应变变化，分析巷道底板下方围岩的变形破坏范围和演化特征［201］。
3.3.4 未来应用展望
煤矿采动引起地质体内部应力应变场、地球物理场、渗流场、温度场等多场耦合并发生动态调整，如
图 14. 地质体多场耦合及监测示意图［203］
Fig. 14. Schematic diagram of multi-field coupling and monitoring of geologic bodies[203]
单个或部分参量的测量方法都无法实现对煤矿地质体多场的真实耦合状态进行有效监测和风险预警。目前，分布式光纤传感能够依靠不同的测量方法和系统实现分布式应变（DSS）、分布式温度（DTS）和分布式振动（DAS）的测量，但不同频散光同步分离和解调难度大，难以实现多种散射信号的同步分离和解调，因而难以实现温度、应变和振动等参量的同步采集。应变、温度、振动的单源、单纤、单端多参量分布式融合传感技术的实现，解决了光纤传感技术无法实现工程化的单纤多参量测量的世界难题［202，39］，为煤矿安全生产的多参量融合监测提供了技术保障。同时大变形及耐高温传感光缆的研制、复杂地质环境下的光缆布设工艺、多参量系统化融合预警平台研发等都是煤矿安全分布式光纤传感技术应用的需求。
3.4 在油气勘探中的应用
3.4.1 应用需求分析
目前国内老油田勘探开发增产手段匮乏，非常规油气、深层超深层逐步成为油气增产的主战场。随着开发的深入，油藏评估逐渐向更精、更细的方向发展，三维地震已无法满足油藏精细描述的需求，井中成像技术是解决复杂构造区井旁成像的最有效手段，实时监测油气藏生产动态参数是评价指导开发的最有效方式。常规井中检波器的级数限制、设备成本高、电子元器件的耐温耐压有限、在高温高压井中无法长期施工等因素，制约了超深层、海洋等油气领域的技术突破。而DOFS系统可深入油气藏储层内部进行高精度、高分辨率的观测与测量，弥补传统检波器的不足，实现全生命周期监测，已经成为推动深层油气勘探开发的利器［204］。
3.4.2 应用原理与方法
DOFS系统可以用于地面三分量地震信号、海洋四分量地震信号、地面和海洋三分量电磁信号和井下压力、温度、噪声、振动、声波、地震波、流量、流体组分、电场和磁场等的测量。该系统以全铠装光缆结构为基础，传感器和连接及数据传输缆都使用了光纤。
目前有多种地下、海洋和井下铠装光缆的布设方法，如在地面工区内，按照二维检波器测线或三维测网布设光纤检波器，或者沿着地面检波器测线或测网开挖浅沟埋置铠装螺旋光缆，配合地面人工震源组成的光纤地震数据采集系统，就可以进行地面光纤地震数据采集；
图 15. OptoSeisTM海底永久油藏监测系统布设及作业示意图
Fig. 15. OptoSeisTM subsea permanent reservoir monitoring system layout and operation
在油气藏储层精细刻画描述方面，基于DAS技术的井中地震数据采集系统已成为未来井中地震技术重要的发展方向。沿井筒布设到地下储层深处的铠装光缆和亚米量级道间距采集的高密度DAS井中地震数据，可以用于井筒周围储层的高精度、高分辨率构造成像，提高油气田开发区生产井周围的精细油气藏储层精细刻画描述能力。
在油气藏生产长期动态监测方面，井中记录的微地震数据可以用于水力压裂储层改造效果的准确评价。利用油气生产井下布设的铠装光缆连续实时进行分布式光纤温度和噪声数据测量，并对多套储层油气生产井或水平井中的多相流体进行实时动态监测，可发现和了解油气生产井段及地层水流入井段的具体位置和流量，实时调整优化油气生产方案，提高油气采收率；利用在井下套管外布设的铠装光缆和地面DSS调制解调仪器，可以对地下压力场的变化进行长期实时的动态监测，实时测量和监测地应力变化异常地段内套管的应变，及时发现套管的形变和评估产生套损的风险。因此需采取必要的工程措施和手段预防和减少套损的发生，降低油气资源开发生产的直接成本［206］。
3.4.3 典型应用案例
图 16. 地面三维地震数据叠前深度偏移（PSDM）成像、井下三分量检波器阵列Walkaway VSP成像和Walkaway DAS-VSP成像及其对应的振幅谱显示。（a）地面三维地震数据PSDM成像及其对应的振幅谱；（b）井下三分量检波器阵列Walkaway VSP成像及其对应的振幅谱；（c）Walkaway DAS-VSP成像及其对应的振幅谱
Fig. 16. Surface 3D seismic data pre-stack depth migration (PSDM) imaging, underground three-component geophone array Walkaway VSP imaging, Walkaway DAS-VSP imaging, and corresponding amplitude spectra. (a) Surface 3D seismic data PSDM imaging and corresponding amplitude spectrum; (b) underground three-component geophone array Walkaway VSP imaging and corresponding amplitude spectrum; (c) Walkaway DAS-VSP imaging and corresponding amplitude spectrum
3.4.4 未来应用展望
随着DOFS技术装备的进步和数据处理方法的发展，其应用范围已经拓展到井中和地面地震数据采集、井中-地面联合立体勘探、水力压裂微地震监测、储层改造精准工程监测、油气生产井长期动态监测等领域，用于解决油藏地球物理问题。DOFS技术在油气藏勘探开发领域得到大规模推广和应用，将为未来建设智慧油气田提供油气藏三维空间储层参数直接感知、测量和动态监测数据，真正实现地下油气藏的智能精细刻画和描述、油藏智能建模与模拟、优化高效开采，为油气田的智能决策管理和智能开发生产提供依据。
3.5 在交通领域的应用
3.5.1 应用需求分析
交通运输是国民经济中具有基础性、先导性、战略性的产业。截至2022年底，我国综合交通网络总里程近6×106 km，其中公路铁路隧道里程约4.5×104 km，桥梁约110万座，形成了以高速公路和铁路为骨架、普通干线为脉络、农村公路为基础的全国交通网。但是，交通基础设施在长期服役和自然环境因素的交互作用下，桥梁隧道沉降变形、路基失稳坍塌、边坡防护失效等安全问题频现。传统的检测方法则存在综合成本高、检测范围小、耐久性差、易受干扰、无法大范围长距离检测等不足。DOFS技术以光纤作为信号传输和感知的载体，可实现交通基础设施的温度监测、附属结构体的沉降变形监测、关键设施入侵或破坏监测等，弥补传统检测技术的不足，提升交通领域安全风险评估和防护能力。
3.5.2 应用原理与方法
DOFS技术在交通领域的应用原理如
图 17. 分布式光纤传感技术在交通领域的应用示意图
Fig. 17. Application diagram of distributed fiber optic sensing technology in transportation field
3.5.3 典型应用案例
1）隧道安全监测
ROTDR技术的应用早在1997年就有相关报道［208］，目前已经广泛应用于隧道火灾状态的实时监测。但这种基于“距离-温度”的一维监测方式对火灾的响应存在延迟，无法完全适应隧道火灾监测的需求。为此，隧道温度场三维可视化展示是隧道火灾监测的发展趋势。2019年，研究人员利用光缆横向周期性曲线安装结合虚拟可视化的方案实现了基于ROTDR技术的隧道温度三维可视化定位［209］，如
图 18. 隧道光缆敷设方案及温度场二维可视化数据［209］
Fig. 18. Tunnel optical cable laying scheme and two-dimensional visualization data of temperature field[209]
2）轨道交通安全监测
DOFS技术已成功用于轨道交通路基、轨道结构、列车运行状态等安全监测方面，如：将光缆埋设在路基内，利用BOTDR技术检测路基应变分布及变化趋势，可实现路基沉降变形监测［211］；将光缆直接粘贴在钢轨侧面，利用DAS技术采集钢轨的振动数据，间接实现钢轨变形监测［212］；利用DAS技术连接铁路既有通信光缆并采集铁路沿线振动信号分布及变化趋势，提取列车位置、速度、方向等运行状态信息［213-214］，构建运维平台，可实现列车接近上道作业人员的预警，保障作业人员及列车运行安全，如
图 19. 列车接近施工人员预警系统框图（左上图）、京沪线明光-滁州段63 km轨道列车识别及结果（右上和下图）
Fig. 19. Train approaching construction personnel warning system schematic (top left image), and recognition results of the 63 km rail section from Mingguang to Chuzhou on the Beijing-Shanghai Line (top right and bottom images)
3.5.4 未来应用展望
DOFS技术及其应用的发展将为交通基础设施的安全监测效果带来重大提升，因此，传感器及其对应的监测系统的性能、功能及可靠性提升值得研究人员和技术人员的关注，具体包括：
1）专用传感主机开发
目前，通用设备大多采用模块化器件配合采集卡、处理器等分立器件组装而成，存在功耗大、软件稳定性差等不足，这对于交通领域安全监测应用来说存在较大隐患，因此高集成度、低功耗、低成本和高可靠性的专用传感主机开发是DOFS技术发展的必然趋势。
2）目标事件检测模型或算法优化
交通基础设施服役过程中的安全隐患需要快速准确判别，因此，研究开发准确、高效的事件检测模型或算法至关重要，同时，针对多种安全隐患耦合并发的情况，还需建立多参数融合的模型算法以适应分布式光纤多参数同时传感的安全检测应用需求。
3.6 在输运管道监测中的应用
3.6.1 应用需求分析
管道运输作为一种高效、经济、环保的运输方式，已成为水利、石油和天然气等资源运输方面的主要运输手段，如“南水北调”及“西气东输”等国家战略工程，对我国国民经济发展和人民生活水平提升具有重要意义。随着管道网建设数量的不断增加，对服役管道进行监测已成为保证输送管道运输安全的重要环节之一。目前，常见的管道问题主要有入侵破坏、管道泄漏、管道下面土地沉降等。然而，由于管道网线长度通常可达10 km甚至100 km量级，传统的监测技术难以实现大范围实时测量。近年来，DOFS由于其覆盖范围广、分辨精度高、时效性好、灵敏度高、连续测量、耐腐蚀、抗电磁干扰等优点，在管道运输监测领域的应用已经得到了广泛的认可。
3.6.2 应用原理与方法
基于DOFS的管道运输监测原理如
3.6.3 典型应用案例
基于DOFS的管道安全监测可追溯到1992年。30年来，研究人员通过对DOFS系统检测原理的研究，已经全方位改善系统的响应速度、灵敏度、动态范围、测量距离、稳定性、实用化、智能识别等，使其在管道运输监测方面取得了令人瞩目的进展。如2020年研究人员将光缆布设在管道表面，利用DOFS追踪声波在管道中的传播特性，结合基于神经网络的机器学习算法进行分析，验证了其在管道外部入侵和内部腐蚀的监测可行性［
表 4. DOFS的管道监测技术与应用简表
Table 4. Overview of pipeline monitoring based on DOFS and its applications
|
3.6.4 未来应用展望
在基于DOFS的管道安全监测应用方面，目前，国内外研究人员已经通过测量管道沿线光缆受到的温度、应变、振动及声波等参量实现对各类管道的泄漏、渗漏入侵破坏及流量等状态监测。然而，当今大规模管道管网监测仍然需要解决如下主要问题：
1）安装和布线难题。DOFS需要将光缆布设在管道附近，这可能需要在地下或者具有复杂环境条件的区域进行安装。安装和布线的过程可能会面临空间限制、地形复杂、通道狭窄等问题，如何依据不同场景构建布缆方式仍需要进一步探索。
2）光缆受损风险。光缆布设在现场环境中，容易受到机械压力、温度变化、化学腐蚀等因素的影响，从而导致光缆的损坏。特别是在长距离的管道系统中，光纤容易受到外力破坏，需要采取措施来保护光缆免受这些破坏。
3）管道内外温差影响。管道内外的温度差可能导致温度梯度的存在，温度梯度会引起光纤的折射率变化，从而影响传感信号的传播特性，这可能导致信号的衰减和形变的误判。因此，需要考虑温度梯度对分布式光纤传感的影响，并采取相应的校正和补偿措施。
3.7 在航空航天装备监测中的应用
3.7.1 应用需求分析
为了满足不断提高的指标要求，并适应日益苛刻的服役环境，航空航天装备呈现出了材料轻质化和复合化、结构复杂化和大型化、部件整体化、整机智能化的发展趋势，这对其运维性能、可靠性、经济性和维护效率提出了严苛要求。实时监测飞行器从结构设计、制造、试验到服役的全生命周期内的应力应变、损伤、撞击、振动和温度等信息对于确保飞行器设计先进性、结构完整性、服役安全性和维护经济性具有重要的意义。先进传感器是实现飞行器健康监测的核心部件，DOFS被认为是飞行器健康监测最有前景的传感器之一[224-226]，可满足航空航天装备对传感器的质量、成本和可靠性等指标的苛刻要求。
DOFS在飞行器全生命周期中的应用需求主要体现在三个方面：1）实时监测飞行器极端服役环境信息，包括湿度、太空环境的辐射、从液氢液氧的超低温到航空发动机涡轮前和航天器飞行器再入返回时超过2000 ℃的高温、外部撞击等；2）实时监测飞行器结构状态参数，如应变、振动、加速度等，并进一步解算其他物理参数（如压力、位移）［224］；3）利用DOFS高密度时空实测数据和先进模拟技术智能重构飞行器结构应变场和整体位移（形状变形）［227］。
3.7.2 应用原理和方法
通常将光纤粘贴在结构表面或嵌入结构内部，以光纤作为媒介进行传感和传输，实现对光纤沿线温度、应变、振动等物理量的空间和时间测量［228-229］，如
基于不同原理的DOFS技术具有不同的传感范围和空间精度，适合不同航空航天应用场景。对于飞行器结构地面静力或准静态试验的应力应变和温度等参数测量，一般要求光纤传感器的采集频率不高于100 Hz；对于飞行器动态试验或飞行测试中动态参数测量（如振动、动应力），一般要求光纤传感器的采集频率至少要达到1000 Hz。飞行器结构健康监测常用的DOFS主要包括 OFDR、OTDR和BOCDA（Brillouin optical correlation domain analysis）。OFDR和OTDR具有灵敏度高和空间分辨率高等特性（如温度和应变分辨率可分别达到0.001 ℃和10 nε），BOCDA可以实现结构动态应变和温度的同步测量。
3.7.3 典型应用案例
DOFS已成功应用于军民用飞机、卫星、火箭和航天器等［224-230］。美国Luna公司和NASA开发了嵌入光纤传感器的智能感知管（SensePipe），采取OFDR技术监测发动机管路中温度和应变，并反算热通量和流体压力等信息［233］，同时将光纤集成到可充气空间居住舱轴向和环向约束层织带（
表 5. 分布式光纤传感在航空航天领域的典型应用场景及关键指标
Table 5. Typical application scenarios and key indicators of distributed optical fiber sensing in aeronautic and aerospace fields
|
3.7.4 未来应用展望
DOFS要真正应用于实际飞行环境，仍需要从传感器本身的可靠性和灵敏度、传感器封装、解调系统轻量化设计、解调速度和信号处理等方面进行改进和优化［231-232］，尤其是如何在物理机制和算法软件两方面提高DOFS灵敏度，成为未来研究和应用的关键问题。此外，如何实现从极端低温到超高温的苛刻服役环境下DOFS的校准和标定，也是未来研究的重点，直接影响DOFS多参量测量结果的准确性和可靠性。从智能感知角度而言，DOFS有望与飞行器复合材料结构无缝集成和组网，形成具有多种感知功能的类似人体神经网络的智能结构，推动航空航天装备实现全生命周期智能化健康管理。
3.8 在周界安防中的应用
3.8.1 应用需求分析
周界安防系统对于高效地维护公共财产安全有着非常重要的意义，尤其是****和**建设等重要区域和特定场所，必须进行全时全域全天候地安全监测。然而，防范对象广泛及类型多样化，且受环境、天气的影响，防范要求更高，难度也更高，这导致周界安防监测困难。为了更好地监测入侵行为，保障公共财产安全，DOFS在周界安防中取得越来越广泛的应用。相比于普通电子围栏监测技术，DOFS系统具有高灵敏度、准确性和大范围覆盖的优势，适用于对复杂入侵行为的实时监测和定位，尤其在需要高度安全性和可靠性的场合下，赢得了国内外安防监测领域研究人员的青睐。
3.8.2 应用原理与方法
基于DOFS的周界安防系统的基本原理如
图 23. 基于DOFS系统的周界安防测量示意图
Fig. 23. Illustration of perimeter security monitoring based on DOFS system
3.8.3 典型应用案例
自1996年Park等［236］提出采用DOFS实现对周界入侵的监测以来，周界安防系统取得了快速的发展，现阶段用于周界安防的DOFS技术主要有基于干涉仪结构的分布式振动传感技术和基于后向瑞利散射的相位敏感光时域反射技术。国外相关的分布式光纤入侵监测系统已基本成熟，如英国Silixa公司、澳大利亚的Future Fibre Technologies公司、美国的Optellios公司，可利用既有通信光缆感知近场微地震，为入侵警戒、道路交通状况监测等应用提供完整的解决方案；国内南京大学、电子科技大学、山东省科学院激光研究所、天津大学等单位利用分布式光纤振动传感技术实现对入侵事件的监测，并在周界安防中取得了良好的应用效果，相关实际应用案例如
图 24. 周界安防监测实际应用案例。（a）光缆铺设；（b）人为入侵；（c）监测界面与监测结果
Fig. 24. Applications of perimeter security monitoring. (a) Cable laying; (b) human intrusion; (c) monitoring interface and results
目前，为了更智能地分析入侵事件类型，国内外企业和高校也正在加快开展基于模式识别技术的智能周界安防系统，最常用的技术主要为基于瑞利散射的相位敏感光时域反射技术［237-238］和干涉型分布式光纤传感技术［239-240］。国内外研究学者对基于DOFS的周界安防系统的研究内容众多，感兴趣的学者亦可以阅读相关方向的综述性文章［241-242，233］。
3.8.4 未来应用展望
目前，国内外研究高校和企业对基于DOFS的周界安防监测系统进行了大量的研究并已经在众多领域取得了广泛的应用。然而，随着多传感器融合及人工智能技术的发展，周界安防系统仍然存在着一些问题和挑战：
1）与视频级联的技术。为了更准确地获取光纤沿线信息，将摄像装置与DOFS相结合，两者相辅相成、优势互补，将会成为未来周界安防监测系统的发展重点。
2）光缆布设方式。DOFS需要入侵物直接接触光缆或产生声波才会实现对入侵物的监测，因此，如何布设光缆以更大程度地获取入侵物产生的信息仍需要进一步探索。
3）恶劣环境光缆铺设。对于边境线的监测容易遇到山区、悬崖等地理位置，人工难以直接对光缆布设，使用何种设备在恶劣环境下自动化铺设光缆仍亟须解决。
4 分布式光纤传感技术及系统的发展趋势与挑战
4.1 多机理融合系统
受限于对信号的响应机理，基于瑞利散射、布里渊散射或拉曼散射等任何单一原理的DOFS能够监测的参量通常都是单一的。然而，实际中的状况往往十分复杂，单一传感参量难以还原被测对象的真实状态，容易导致误报、漏报。对多种参量的同时测量能够提供更全面的信息，从而实现对故障事件更为精准的识别。但如果通过架设多套系统对多种参量进行测量，则会极大地增加成本和复杂度，这限制了DOFS的实际应用。
为实现多参量的同时测量，常见思路是将不同工作机理的DOFS进行融合。但多种DOFS系统的融合并不只是各个子系统的简单叠加，这不仅要考虑系统内部光电器件的兼容性，也应避免不同种类、功能的传感信号之间的串扰，从而分别提取携带不同信息的传感信号，并进行后续的信号处理；此外，还要复用尽可能多的光电器件和功能模块，以降低系统成本，并提高利用率和监测效率，从而发挥融合型DOFS系统的优势。
4.1.1 融合型分布式光纤传感技术的实现方法
融合型DOFS技术的一个关键点是利用不同散射光对光纤中不同事件的响应实现多参量的传感，如
1）基于瑞利散射光和布里渊散射光的融合型分布式光纤传感系统
基于瑞利散射的DOFS在测振、测衰减/损耗等方面具有优势。基于布里渊散射的DOFS通常用于静态应变以及温度的测量。近年来，研究人员结合两种散射机理的优势，提出了多种不同功能的融合系统。
2013年，单端BOTDA和C-OTDR的联合系统被提出［243］。当系统工作在BOTDA模式时，泵浦脉冲与连续探测光同时进入光纤一端，利用连续探测光在光纤另一端的反射光作为BOTDA的探测光，实现单端测量。当系统工作在C-OTDR模式时，断开连续探测光，并使用相干接收方法实现C-OTDR功能。系统实现了24 km的传感距离、5 m的测量空间分辨率和±1 ℃的温度测量精度，并实现了对光纤链路的衰减以及断点的定位。同年，一种同时融合BOTDR和偏振光时域反射仪（POTDR）的传感系统被提出［244］，利用布里渊散射光的偏振信息测量振动，利用其频移信息测量温度，实现了4 km的传感距离、10 m的空间分辨率、0.2 MHz的温度测量精度和0.61 kHz的频率测量范围。2016年，一种融合Φ-OTDR和BOTDR的融合型DOFS系统被提出［245］，系统内部通过光开关切换Φ-OTDR和BOTDR，实现了10 km的传感距离、3 m的振动空间分辨率以及80 cm的温度/应变空间分辨率。2023年，单端BOTDA和Φ-OTDR的融合方案被提出［246］，该系统每次探测时打入一个脉冲对，通过前一个脉冲的瑞利散射信号和后一个脉冲的布里渊散射信号，实现光纤动静态变量的同时测量，并实现了14 km光纤上温度和振动的同时测量，温度测量空间分辨率为5 m，布里渊频移测量精度为1.29 MHz，振动测量空间分辨率为10 m。该方案的优点是无需大带宽、高采样率的接收端。
基于瑞利散射光和布里渊散射光的融合型传感系统不仅能综合几种子系统的功能，实现多种参量的同时测量，还可以解决布里渊散射信号对温度和应变同时敏感的问题。瑞利散射光和布里渊散射光的频率间隔较小，在普通单模光纤中仅有约10.8 GHz。随着技术的进步，近年来采用光纤布拉格光栅（FBG）分离这两种散射光开始成为常用的手段。2020年，BOTDA与频率扫描型Φ-OTDR（FS-Φ-OTDR）融合的DOFS系统被提出［247］，充分发挥了捷变频脉冲用于快速测量的优点，Φ-OTDR决定系统的测量分辨率，BOTDA决定系统的测量范围和绝对应变测量范围。实验实现了500 nε的幅度和9.9 Hz的振动测量。Φ-OTDR的应变测量精度为6.8 nε，BOTDA的应变测量精度为5.4 με，测量距离为78 m，空间分辨率为2 m。
复用技术也是一种有效的分离散射光的方案。2013年，大有效面积光纤(LEAF)结合DPP-BOTDA和OFDR技术被提出［248］，实现了92 m传感距离、50 cm空间分辨率的温度应变可分离测量，温度测量精度为±1.2 ℃，应变测量精度为±15 με。2017年，基于多芯光纤实现FS-Φ-OTDR和BOTDA的融合方案被提出［249］。得益于空分复用的手段，FS-Φ-OTDR和BOTDA子系统利用不同的纤芯分别发挥各自的测量优势，对大温变的测量精度为0.25 ℃，对小温变的测量精度为0.001 ℃，并在1.565 km的传感距离上实现了2.5 m的空间分辨率。2018年，一种波分复用（WDM）的融合Φ-OTDR和BOTDA的系统被提出［250］，两种子系统采用了不同波长的探测光，通过密集波分复用器（DWDM）分离瑞利散射和布里渊散射信号。同时，通过引入多种分布式放大技术，在150.62 km传感光纤上实现了30 m的振动测量空间分辨率、9 m的温度/应变空间分辨率和±0.82 MHz的布里渊频移测量不确定度。2022年，一种分光型Φ-OTDR和BOTDR的融合方案被提出［251］，通过优化分光比并利用两组独立的外差干涉系统，成功实现了瑞利散射信号和布里渊散射信号的分离与提取，整套系统达到了较高的复用度和较低的成本，在50 km的长度和20 m的空间分辨率下，实现了0.381 MHz的布里渊频移测量不确定度和100 Hz振动频率下1.235 nε/
瑞利散射与布里渊散射的结合还可以提高传感性能。2012年，商用产品NBX-7000被用来对待测光纤分别进行布里渊散射和瑞利散射的测量，实现了温度/应变分离的功能［252］。2014年，波长调谐型相干光时域反射计（TW-COTDR）与BOTDA的融合系统被提出［253］，由于TW-COTDR和BOTDA测得的频率偏移均对温度和应变敏感，且具有不同的线性系数，因此该融合系统可分离应变和温度变化。2021年，COTDR与BOTDA的融合系统［254］通过获取瑞利散射信号和布里渊散射信号的强度比，即Landau-Plazek比，利用其仅对温度敏感的特性来测量温度，再进一步通过布里渊频移来分离出应变。在1 km传感距离下，该系统的温度和应变的测量精度分别为0.6 ℃和20 με；在10 km传感距离下，该系统的温度和应变的测量精度分别为3 ℃和75 με，空间分辨率为2 m。
2）基于瑞利散射光和拉曼散射光的融合型分布式光纤传感系统
拉曼散射光与瑞利散射光的DOFS系统相结合，能够实现温度、振动、声波等多参量的同时测量。
2014年，时分复用的ROTDR和OTDR融合方案利用两个峰值功率不同的脉冲分别作为ROTDR和OTDR的探测脉冲［255］，实验实现了1.2 km的传感距离、5.8 m的振动空间分辨率、4.8 m的温度空间分辨率、±3 ℃的测温精度、1 kHz和10 kHz振动信号的测量。2016年，基于Φ-OTDR/ROTDR的融合型系统被提出［256］，其中，Φ-OTDR/ROTDR共用一个光源和一组探测脉冲光，均采用直接探测型结构，通过引入循环Simplex编码脉冲提高了信噪比。实验使用255 bit循环脉冲编码实现了5 km的传感距离、5 m的空间分辨率、0.5 ℃的温度分辨率和500 Hz的振动测量。2018年，ROTDR与外差探测型Φ-OTDR的融合型DOFS被提出［257］，该系统使用WDM分离瑞利散射光和拉曼散射光，传感距离达到了12 km，空间分辨率为10 m，温度测量精度为0.95 ℃。同年，基于多芯光纤的Φ-OTDR和ROTDR的融合系统被提出［258］，该系统利用多芯光纤的不同纤芯，有效规避了不同传感系统对泵浦功率需求不同的冲突，温度测量精度提高到了0.5 ℃，对应的传感距离和空间分辨率分别为5.76 km和8 m。
3）基于布里渊散射光和拉曼散射光的融合型分布式光纤传感系统
拉曼散射光仅对温度变化敏感，可用于解决布里渊散射传感系统温度/应变交叉敏感的问题，只要能够同时收集传感光纤中返回的拉曼散射和布里渊散射信号，沿线温度变化可由拉曼散射信号确定，进而从测得的布里渊频移中分离出沿线的应变变化。
2004年，BOTDR与ROTDR的融合型DOFS系统被提出［259］，该系统成功分辨出光纤沿线的温度与应变分布，实现了6.3 km的测量距离、5 m的空间分辨率、3.5 ℃的温度分辨率和80 με的应变分辨率。为了进一步提高系统信噪比，2013年，循环编码脉冲被引入BOTDA与ROTDR的融合型DOFS系统［260］，该系统实现了近10 dB的信噪比增益、10 km的传感距离、1 m的空间分辨率和3.4 ℃的温度分辨率。2016年，多芯光纤被引入BOTDR与ROTDR的融合系统［261］，实现了6 km的传感距离和3 m的空间分辨率，温度和应变的分辨率分别为2.2 ℃和40 με。
4）基于瑞利散射光、布里渊散射光和拉曼散射光的融合型分布式光纤传感系统
如果能将瑞利散射光、布里渊散射光以及拉曼散射光三种机理以简单方式融合到一个系统中，可使用同一传感光纤实现沿光纤的振动、温度和应变的同时传感。2023年，一种三种散射光融合的方案被提出［262］，该方案在一次探测中将两个相邻光脉冲打入光纤，利用前一个脉冲的瑞利散射光实现振动测量，前一个脉冲和后一个脉冲组成温度/应变测量系统的探测光和泵浦脉冲，二者发生受激布里渊散射，再结合脉冲编码调整两脉冲之间的时间间隔，在时域上区分两脉冲的自发拉曼散射光用于温度测量。该系统使用同一光源，通过接收首个脉冲的瑞利散射光实现振动、温度和应变的同时传感，通过接收拉曼散射光实现温度的传感。这项技术以精简的系统实现多参量的同时测量，提升了测量反馈速度，采用单端测量方式降低系统复杂度，实现了9 km的传感距离、小于10 m的定位精度、10 pε/
5）分布式与其他技术融合的光纤传感系统
除了利用不同散射机理之间的相互结合来扩展系统功能或提升性能指标，研究人员还利用DOFS技术与其他光纤传感技术的结合来提升系统性能。
2013年，一种结合Φ-OTDR和MZI技术的方法被提出［263］，该方法利用Φ-OTDR来定位振动，利用MZI来测量振动的频率，扩大了系统频率响应范围。该系统的探测光由脉冲光和连续的光基底组成，该系统接收端接收脉冲光的后向瑞利散射光用于Φ-OTDR解调，接收经过传感光纤之后的光基底和参考光的干涉信号用于MZI解调，在1064 m的传感光纤上实现了10 Hz~3 MHz的频率响应范围和5 m的空间分辨率。2015年，单MI结构被引入Φ-OTDR系统［34］，利用相位生成载波（PGC）的方法在10 km的传感距离上实现6 m的空间分辨率，对频率为10 kHz信号的解调信噪比可达30.45 dB。2016年，频分复用技术被应用于Φ-OTDR/MZI结构［264］，在3 km的传感光纤上实现了40 kHz的频率响应和10 m的空间分辨率。除振动信号的单点宽频检测外，2020年Φ-OTDR被用来与MZI结构［265］、MI结构［266］、SI结构［267］相融合，在直线型结构的分布式测量中实现了4 km光纤链路上35 kHz和65 kHz的双点高频测试，并且通过引入法拉第反射镜，使系统具有了良好的抗偏振衰落性能，
表 6. 融合型分布式光纤传感系统方案总结
Table 6. Recent advances of hybrid distributed optical fiber sensing systems
|
4.1.2 发展趋势
尽管越来越多的融合型DOFS系统被提出，并且其在工业生产安全、结构健康监测等领域的应用价值得到了验证，但现有技术方案仍需考虑及解决以下几个问题：
1）以低成本的方案实现多种不同散射信号的分离和提取，尤其对于具有较窄频率间隔的瑞利散射光和布里渊散射光来说，直接分离两种信号存在较大难度。随着当前光学器件加工制造技术的飞跃，具有超窄滤波带宽、高反射率、高带外抑制比的光纤光栅滤波器有望成为直接分离瑞利散射光和布里渊散射光的首要选择。除此之外，多种复用技术，如波分复用、频分复用、空分复用，也逐渐成为间接分离不同散射信号的替代方案。如何以创新性的简单结构方案来实现不同散射信号的分离和提取是今后研究的一大重点。
2）现有融合型DOFS系统主要基于时域传感子系统的集成，尽管传感距离相对较长，但也被有限的空间分辨率所约束。如果通过一定的系统结构设计和算法革新能将时域传感系统与频域传感系统或相干域传感系统相结合，将有望同时实现高空间分辨率、高信噪比以及较长传感距离的高性能融合型DOFS。
3）随着DOFS技术的蓬勃发展，多种新颖且高效的方案不断被提出，并用于优化传感系统的空间分辨率、传感距离、信噪比、测量速度、灵敏度等，而对于融合型分布式光纤传感系统而言，优化方法的提出需要同时兼容几种子系统，结果也是对性能优化效率的成倍提升，这对于方案的设计提出了一定挑战。
多参量同时测量是融合型DOFS技术的一大优势，这意味着采集数据种类、特征和数量的多维扩充，不仅可以用于修正单种参量的测量误差，显著提升其测量精准度，也能够联合丰富的机器学习算法实现对实际测试中复杂且多元事件的精准判别，相对普通的分DOFS技术具有无可比拟的优势，也有望开辟更为广阔的应用前景。
4.2 特种传感光纤光缆技术
通过改变特种传感光纤光缆的光纤材料、结构及封装形式，引入散射增强机制、新的导光机理、导光信道，使其在特定传感参数、传感性能方面能够克服基于普通单模光纤的分布式传感器的局限，在特定领域、特定场景获得工程应用。
4.2.1 连续散射增强反射光纤技术
连续散射增强光纤通过引入纤芯掺杂、改变光纤微结构等方法，提升传感光纤背向散射光接收强度，提高DOFS的信噪比，增大传感距离。制备方法主要包括连续布拉格光栅技术、光纤掺杂技术、高数值孔径(NA)光子晶体光纤技术等。连续布拉格光栅技术基于相位掩模法，通过紫外曝光在单模光纤中刻写连续布拉格光栅，主要由美国OFS公司主导［270］。然而，波长随环境温度或应力漂移，会严重影响散射增强效果。光纤掺杂技术可提升纤芯非均匀性，从而引入连续散射点，提升瑞利散射强度。2017年研究人员应用Ge/B混合掺杂光纤将瑞利背向散射光强度提升了约10 dB［271］。由于光纤损耗大幅增加（超过20 dB/m），该技术只适合于短距离分布式传感应用。2018年研究人员在铒掺杂增强散射光纤上，将DAS系统的相位噪声降低了14 dB［272］。另一种方法通过增大背向散射光的俘获系数提升传感信噪比，在实芯光子晶体光纤中通过引入包层空气孔增大光纤NA。优化光子晶体光纤的占空比可在0.50∼1范围内调控NA数值。在保证单模传输情况下，提高光纤NA还可进一步增大背向散射强度。基于该方案，2022年研究人员利用大NA光子晶体光纤将背向拉曼散射和瑞利散射强度提升了约12 dB［273］，典型连续散射增强光纤的相关参数如
表 7. 不同种类连续散射增强光纤实现的散射增强系数G、光纤损耗α及应用系统
Table 7. Enhancement factor G, fiber loss α, and application systems of different optical fiber types of continuous scattering enhancement
|
4.2.2 离散散射增强光纤技术
离散散射增强光纤是一种通过在光纤中纵向引入一系列散射增强点的光纤，其可以离散增强后向瑞利散射光，从而提升DOFS系统的信噪比。离散散射增强的实现方式包括两类：一种是在光纤中引入UWFBG阵列［274］，另一种是通过在光纤中引入缺陷点实现无色的弱反射阵列［275］。二者分别具有较窄和较宽的反射谱。离散散射增强光纤的制备方式可分为在线拉丝塔相位掩模板［276］、在线拉丝塔Talbot刻栅系统［277］、激光干涉法［278］、紫外曝光相位掩模板法［279］、飞秒激光技术［280］等。其中，在线拉丝塔相位掩模板和在线拉丝塔Talbot刻栅系统具备大批量刻写光栅的优势，但是系统成本高、体积大且需要系统中各部件配合度高，而且裸纤刻写容易造成光纤损伤或断裂。飞秒激光技术操作灵活，但是生产效率低，难以实现大规模的光纤传感应用。
目前，离散散射增强光纤已被用于多种DAS系统中，需对DAS性能进行针对性的改进，从低频相位漂移补偿［281-282］、分辨率提升［283-284］、系统响应带宽扩展［285-286］、探测距离拓展［287-288］等多个维度提升DAS系统性能。
此外，可将WFBG阵列与POTDR技术相结合，以提高信噪比和灵敏度，增大光纤双折射的测量范围，进而实现分布式传感，该技术主要是用于振动传感、长距离传感和弯曲传感。
WFBG阵列还可用于准分布式OFDR传感器，通过利用各光纤光栅干涉信号频率的不同来区分不同的光栅传感器，实现的空间分辨率较高，一般是毫米级甚至到亚毫米级。FBG的反射强度高，提高了传感信号的功率，从而改善信噪比和灵敏度。
4.2.3 多模/少模光纤技术
多模光纤芯径较普通单模光纤大，功率损伤阈值高，背向散射功率大。目前，绝大部分拉曼测温系统均应用多模光纤［289］。近年来，研究人员提出了DTS-DAS系统联用方案，基于DAS系统在低频范围可响应温度梯度变化的特点，DTS-DAS联用系统的温度测量分辨率可小于1 °C［290］。此外，DTS-DAS系统联用可实现温度-声波的同时传感［291］及分布式压力测量功能［292］。为兼容DTS系统，基于多模光纤的DAS系统也有所报道［291，293］。
FMF可支持几个独立的光纤模式传输，较多模光纤更为可控。2015年一种基于FMF的BOTDA温度和应力同时测量的方案被提出［70］，同年基于FMF的BOTDR系统被提出。此外，通过调节掺杂浓度重新设计了一种高非线性少模光纤，将BFS差值提升了5倍［294］。2021年，研究人员利用掺铒FMF作为传感光纤，采用差分脉冲对BOTDA实现了抗弯曲损耗的曲率传感器［295］。
4.2.4 多芯光纤技术
多芯光纤是一种单个包层内包含多个纤芯的特种光纤，是实现空分复用光传输的主要载体之一。多芯光纤能克服普通单模光纤的几何结构复杂和空间信道数量少的局限，这得益于其偏心纤芯的弯曲敏感特性以及单纤内具有多个独立空间信道的优势。
多芯光纤最具代表性的DOFS应用是能够实现分布式三维形状传感。当多芯光纤弯曲时不同纤芯所受的应力大小是不一样的，利用这种纤芯间的差分响应现象，借助弗莱纳公式，研究人员开发出了基于多芯光纤的分布式弯曲及三维形状传感技术［296-298］。值得一提的是，为了消除光纤扭转造成的不利影响，人们开发了一种包含螺旋型外层纤芯的多芯光纤［299］，其也被用来开发分布式扭转传感器，并能够区分不同的扭转方向［300］。此外，人们提出在多芯光纤中连续刻写弱反射光栅的方案［301］，该方案可显著增强背向瑞利散射，从而提高测量的信噪比，保证高精度三维形状重构。
除了最具代表性的分布式三维形状传感应用，研究人员还基于多芯光纤开辟了新型空分复用的分布式传感系统方案，有效解决了领域内多个难点问题。
基于多芯光纤空分复用的拉曼/布里渊混合系统可实现温度、应变的解耦测量［261］，有效解决了传统单模光纤系统需要分时进行测量所带来的不便。多芯光纤的多信道结构还可用来构建多种传感技术空分复用集成的系统［258］。此外，多种技术空分复用的系统也能用于提升传统分布式传感器的性能［248，302］。多芯光纤的多通道优势还能用于提升DAS系统的性能。基于多芯光纤空分复用的反射仪/干涉仪混合传感系统，有利于攻克DAS系统的振动频率响应受限的关键难题［303］。此外，多芯光纤空分复用还能实现干涉衰落补偿［39，304］。由于多芯光纤具有弯曲方向敏感性，基于多芯光纤的DAS系统还能实现矢量分布式声波传感技术［305］。
4.2.5 空芯光纤技术
传感用空芯光纤主要包括光子带隙型和反谐振型光纤。光子带隙型光纤在包层中引入周期性变化的空气孔结构，对特定波段和入射角度光束形成面外光子带隙，将模式束缚在纤芯区域［306］。反谐振型光纤依靠纤芯最内侧的高折射率薄壁形成的法布里-珀罗腔，光频满足谐振条件时形成泄漏模，光频远离谐振条件时光束被反射回空气芯，形成低损耗传输模式［307］。
光在中空纤芯中传输时，低损耗反谐振型空芯光纤的背向瑞利散射强度较传统单模光纤低约45 dB［308］。空芯光纤的背向瑞利散射来源包括包层结构散射、微结构表面粗糙度散射、填充气体散射等［309］。借助OTDR技术测量到的微结构表面粗糙度散射强度约为-115 dB/m，标准大气压下填充空气引入的背向散射强度约为-100 dB/m［309］。
一种典型的空芯光纤DOFS是飞翔粒子传感器如
图 26. 空芯光纤OTDR测量装置图、反谐振型空芯光纤OTDR测试结果图和飞翔粒子分布式光纤传感器示意图。（a）空芯光纤OTDR测量装置图［308］；（b）反谐振型空芯光纤OTDR测试结果图［309］；（c）飞翔粒子分布式光纤传感器示意图
Fig. 26. Typical setup for OTDR measurement on hollow-core fibers, OTDR measurement curves for anti-resonant hollow-core fibers,and sketch of flying particle distributed fiber sensor in hollow-core fibers. (a) Typical setup for OTDR measurement on hollow-core fibers[308]; (b) OTDR measurement curves for anti-resonant hollow-core fibers[309]; (c) sketch of flying particle distributed fiber sensor in hollow-core fibers
4.2.6 其他特种光纤技术
1）保偏光纤（PMF）
利用保偏光纤中一个正交轴上产生的布里渊动态光栅（BDG）可以反射另一个轴的探测光，从而产生布里渊动态光栅增益谱（BDGS）。2009年基于时域分析的BDG光谱的分布式测量方案被提出［313］。2009年研究人员提出利用PMF中的布里渊频移和双折射实现了温度和应力的同时测量［314］。2012年研究人员提出了一种基于BDG的新型光时域反射仪［315］，该方案具有更加简单的系统结构和测量过程。2013年研究人员提出了一种基于BDG的长距离、高空间分辨率的分布式测量方案［316］，在500 m保偏光纤中实现了0.2 m的空间分辨率。2015年研究人员将斜坡辅助技术和BDG结合，以16 kHz的采样率测量了5 m长PMF中400 Hz的振动［317］。2020年研究人员通过泵浦脉冲和频率上移的连续光泵浦的相互作用来增强BDG，测量距离拓展到3030 m［318］。
2）大有效面积光纤
2001年研究人员利用大有效面积光纤（LEAF）作为传感光纤实现温度和应力双参量的同时测量，该方案采用布里渊光时域反射仪（BOTDR）进行分布式测量［319］。对于LEAF，其具有多个布里渊频移增益峰，每个增益峰对温度和应力的响应系数不同，通过测量两个增益峰的布里渊频移，即可同时得到应力和温度。2012年研究人员研究了LEAF中的布里渊增益谱特点［320］，采用BOTDA，使用前两个增益峰进行温度和应力的测量。2018年研究人员利用大有效面积色散补偿光纤（DCF）作为传感光纤，采用BOTDA系统进行温度和应力的测量［69］。2019年研究人员利用深度神经网络从24 km 的LEAF的双峰布里渊增益谱中同时提取温度和应力［321］，该方法同时提高了测量精度和数据处理速度。
4.2.7 特种光缆技术
1）感温光缆
光纤分布式测温技术的重要应用之一是利用光纤光缆对需要进行温度监测的大面积区域、高危区域进行km到10 km量级的网状或线状敷设，组成温度监测网络系统，以随时随地并准确反映传感光缆敷设区域上任何位置的温度变化，并进行定点、定温的火灾报警和工业智能监控。通常来说，用于温度传感的光缆会考虑光缆结构的简单、轻便、阻燃、柔韧性、便于移动及耐高低温等特点。温度传感在管道运输安全、油气井、电力电缆监测等领域有着广泛应用，针对其设计的感温光缆的几种典型结构如
表 8. 感温光缆的几种典型结构
Table 8. Several typical structures of temperature sensing optical cables
|
2）应变/应力传感光缆
应变/应力传感光缆将外界介质应变或应力变化信息转变成光信号，经光学纤维感知传递，最后再转换成所测的物理量，应变传感光缆通常采用BOTDR和BOTDA原理进行监测解调。通常来说，应变传感光缆需要考虑工作环境，包括温度、湿度、腐蚀、振动等因素，并考虑光缆的可靠性和稳定性；此外，还需要考虑其与土层、混凝土等介质之间的应变传递性，以提升光缆应变传感灵敏度。几种典型的应变传感光缆如
表 9. 典型的应变传感光缆
Table 9. Typical strain sensing optical cables
|
3）振动传感光缆
振动传感光缆通常为分布式振动/声波传感系统设计，经光纤感知和传递，再将布设环境中的声波/振动信号转换为光强度或相位的变化，通过DVS/DAS等解调技术，实现振动或声波传感。振动传感光缆一般需要考虑传感光纤的保护、抗拉抗压力学性能、柔软坚韧等特性，并需要满足挂网、埋地、油气井等恶劣环境的布线要求。几种典型的振动传感光缆如
表 10. 典型的振动传感光缆
Table 10. Typical vibration sensing optical cables
|
4）声波传感增敏光缆
声波传感增敏光缆通常为分布式声波传感系统设计，通常用于水下声波的测量，通过DVS/DAS等解调技术，实现水下安防、海洋资源勘探等水声相关应用。1979年研究人员已从理论上分析并计算得到了普通单模光纤的声压灵敏度为-207.76 dB re：1 rad/（μPa∙m）［333］。目前，光纤光缆增敏技术主要包括二次涂覆增敏技术、准分布式增敏技术、全分布式增敏技术。
二次涂覆增敏技术通过在光纤成缆前在表面涂覆一层声压敏感材料来提高光纤的声波探测灵敏度［334］。准分布式增敏技术通过将光纤依次缠绕在水听器骨架上来提高光纤的声波探测灵敏度，增敏效果与弹性体材料尺寸、传感光纤线圈长度和线圈绕制工艺有关。例如，2022年研究人员使用普通单模光纤采用准分布式增敏技术设计了一种外径为36 mm的准分布式小道距海上拖缆地震数据采集拖缆［335］。同年，研究人员通过将普通单模光纤依次缠绕在弹性体上，设计了一种15基元的准分布式光缆［336］。
全分布式增敏技术通过将光纤缠绕在增敏缆芯上来实现全分布式增敏。2021年研究人员使用普通单模光纤并利用全分布式增敏技术设计了一种外径为12.5 mm的全分布式增敏光缆［337］。2023年研究人员使用5 m间隔的后向散射增强光纤以5∶1的缠绕比设计了一种外径为24 mm的全分布式增敏光缆［338］。
4.3 传感信号处理与智能化感知技术
4.3.1 动态测量DOFS中的智能感知处理
DOFS技术包括动态和静态测量两大类。基于ROTDR、BOTDA/BOTDR等的温度、应变静态测量技术通过确定的关系解决定量问题，其信号处理相对简单，利用去噪等基本手段提高系统测量的准确度、实时性和综合性能［56］；而基于Φ-OTDR、干涉仪等的振动、声波动态测量信号处理方法则相对较为复杂，既涉及信号的动态特性分析［339］、目标识别［340］，又涉及信号源的位置、速度［341-342］等定量估计。特别是以Φ-OTDR为代表的全智能化信号处理方法，成为当前DOFS领域的研究焦点，越来越多的先进信号处理方法和人工智能技术纷纷应用于DOFS系统，试图在不改变硬件的基础上提升智能感知处理能力。
表 11. 动态测量DOFS的智能信号处理方法及其国内外研究现状
Table 11. Intelligent signal processing methods and technical status at home and abroad of dynamic measurement DOFS
|
1）单源处理
动态测量DOFS的单源感知处理方法主要分为传统机器学习和深度学习两个阶段［365-367］。在DOFS的初级阶段（2017年前），国内外研究人员常采用信号预处理、人工特征提取与传统机器学习分类方法等实现DAS信号的高质量检测与自动识别。一方面通过小波变换［368］、Hilbert Huang变换（EMD分解）［369］、变分模态分解（VMD）［370］、二维图像处理［371］等手段来提高检测信号信噪比，降低光源频漂等系统噪声及平稳的环境噪声对检测结果的影响；另一方面侧重于人工经验特征提取和传统机器学习的识别模型探索。人工提取特征包括时域的信号幅值水平过零率［372］、步态周期特征［373］等，频域中频谱的能量分布特征［374］，时空域图像形态学特征［375］，时频域如小波/小波包能量谱［355］、梅尔频率倒谱系数（MFCC）以及其他模型参数特征［348］等。识别模型则以更加多样化形式呈现，从基本的神经网络（ANN）［343］或多层感知机（MLP）［376］、概率神经网络（PNN）［344］，到支持向量机（SVM）［377］及其各种变形，还有极限学习机（ELM）［345］、随机森林（RF）［378］、XGBoost［379］等。此外，基于高斯混合矩阵（GMM）的概率预测模型［346］和挖掘短时特征间上下文时序关系的隐马尔可夫（HMM）模型［348］和GMM-HMM模型［347］等也被用于进一步提升信号的分类性能。在这些传统机器学习方法中，提取特征的维度及质量直接决定了整个检测识别算法的性能。此外，不同分类器在不同应用场景下的性能也有较大差异，因此通过分类性能比较选择最优分类器［349］或通过投票方法得到最优决策结果［354］。这些多域多维的特征提取与分析方法极大丰富了检测信号的信息，多种分类器的实现也提升了信号特征到事件类别的非线性映射能力。但以“固定人工特征提取+特定识别模型”为主的传统机器学习方法无法跟上大范围分布节点的海量数据变化模式，环境适应能力差，算法模型更新周期长。
2017年，研究人员将适用于图像处理的二维卷积神经网络（2D-CNN）用于提取经短时傅里叶变换（STFT）得到的信号时频图特征，进而实现事件识别［352］。从此，借鉴深度学习在图像及语音信号处理中的成功应用，国内外研究人员纷纷开始使用深度学习网络来自动提取抽象信号特征并对其进行深度表征和端对端的检测识别，以CNN、循环神经网络（RNN）为代表的深度学习工具的使用进入白热化阶段，也标志着DOFS的智能化信号处理进入了一个全新的时代。深度学习网络可以有效避开人工提取特征的麻烦，其识别准确率、对较复杂环境的适应性及算法的开发效率都有明显提升。当前大部分的深度学习方法是以CNN和长短时记忆网络（LSTM）等及其不同形式的演化和组合为主的监督型学习，按网络的输入信号结构或提取信息的维度大致可以将其分为两种类型：基于一维时间信号输入的深度学习方法和基于时频、时空、空频等二维信号输入的深度学习方法。2019年，研究人员提出了适用于一维时间信号的1-D CNN［349］，1-D CNN相较于2-D CNN在保证特征提取有效性的同时，其网络收敛速度更快，时效性更高，适合在线学习。之后，研究人员提出的1-D CNN的变形网络，即DenseNet［350］和DBN-GRU［351］一维学习网络也都能实现高效实时的在线处理。基于二维输入的深度学习方法则是将DAS获取的信号按照不同形式转为二维矩阵或图像输入到构建的2-D CNN。例如，2017年，国内外研究人员分别利用2-D CNN提取经MFCC或STFT得到的DAS信号时频图特征［353-354］，打开了DAS信号深度学习的大门。2020年，研究人员将DAS获得的二维时空图直接作为网络输入，实现了简便的时空二维信息的深度学习［356］。除了以上时频、时空信息的利用，2019年研究人员通过FFT将多个通道时空信息转换为频空信息，利用双路径网络（DPN）实现了频空矩阵的特征提取和识别［359］。
在提升DOFS智能感知能力方面，通过生成对抗网络（GAN）［380］对训练数据集进行数据增广，进而提升模型的泛化能力。此外，跨场景迁移学习模型AlexNet［357］、半监督学习模型稀疏堆栈自编码器（SSAE）［358］及无监督学习模型脉冲神经网络（SNN）［355］等，也不同程度地增强了所构建模型的鲁棒性和泛化能力。随着研究人员对DAS深度学习网络广泛深入的研究，在实现精准识别模型设计、优化的同时，通过轻量化的网络结构设计提升模型的实时处理能力［381］也是一个重要研究方向。
2）多源处理
动态测量DOFS的多源处理方法目前处于起步阶段，包括传统的信号增强或分离方法和基于深度学习的多源分离检测方法两大类。最早提出的基于多尺度小波分解的Φ-OTDR信噪分离方法［360］不适用于频率分量严重重叠的多目标振动源分离；在传播速度恒定的假设条件下，基于不同位置振动源到达光纤接收点的时间差提出的DAS双源混叠信号分离方法［361］，无法解决宽带频谱重叠的多目标振动源分离问题；基于空间阵列信号合成的定向相干增强技术提出的多源混叠目标声源信号增强及干扰抑制方法［362］，本质上是信号增强。针对复杂地埋环境下混合源数及地下混叠方式“双盲”条件的挑战，2022年研究人员基于快速独立成分分析（FastICA）理论提出DAS多源信号盲分离方法［363］，验证了DAS多源混叠信号分离检测的可行性。此外，2022年研究人员针对MZI信号提出了基于深度学习的多源信号分离方法，即时频注意深度递归神经网络（TFA-DRNN）［364］，这为基于深度学习网络的多源信号分离提供了初步的借鉴思路，但复杂场景下未知源数的多源非线性混叠过程及实际有效的信号分离方法仍需盲源分离等多种信号处理技术的交叉应用和进一步探索研究。
综上，目前基于传统机器学习和深度学习的动态传感信号处理方法已有重要突破性进展，但大多基于单场景或较理想典型振动信号数据库来构建算法模型，实际应用中信号的精准识别仍有较大挑战。复杂场景中算法的泛化能力提升、轻量级网络设计、模型的跨场景迁移及新场景少样本、零样本等更富挑战的智能学习和识别方法，以及多源混叠处理、多任务的单网络同步实现等还仍在深入探索中。
4.3.2 DOFS中的其他智能信号处理技术
分布式光纤传感通过检测散射光实现光纤信息的分布式测量，而散射光的强度相较于入射光十分微弱，因此分布式传感系统是信噪比受限系统，这导致分布式传感系统的测量精度、监测距离、响应速度、空间分辨率等关键指标相互制约。通过信号处理技术对采集的数据进行分析与增强，是改善传感系统性能的重要手段之一。机器学习技术以数据为基础，通过学习算法寻找、归纳数据特征，是一种有效的传感信号分析和处理手段，如
图 27. 机器学习在分布式光纤传感领域的典型技术与应用
Fig. 27. Typical techniques and applications of machine learning in field of distributed optical fiber sensing
1）信息提取
从测量的原始信号中解调出所需传感信息，是分布式光纤传感信号处理的关键一环。相较于传统方法，基于机器学习的信息提取技术在分布式光纤传感系统中展现出明显优势。2017年研究人员将主成分分析成功应用于BOTDA系统，从传感信号中直接提取到温度信息［382］。该方法首先设立一个由具有已知温度的理想布里渊增益谱组成的参考数据库，然后使用主成分分析将测量的布里渊增益谱与参考数据库中的布里渊增益谱进行对比，寻找最佳匹配。2017年研究人员将支持向量机应用到布里渊频移提取中［383］，将不同谱宽、温度下的理想布里渊增益谱曲线作为输入，以对应的温度作为输出，训练支持向量机。该方法在噪声、频率采样间隔较大时，表现出了比曲线拟合更高的提取精度，并且它的计算速度是曲线拟合的100倍。2020年有学者提出了基于奇异值分解的频移信息提取方法［384］。由于布里渊增益谱可由峰值增益、谱宽和布里渊频移三个量来完全描述，且这三个量是完全独立的，因此可以通过字典学习找到一个非线性变换空间中的三个参数，来唯一表示这个布里渊增益谱。该方法是一种无监督的特征提取算法，无需预先学习阶段，因此具有更好的普适性。2016年，多层感知机被应用于布里渊频移分析，将通过仿真产生的不同温度下的理想布里渊增益谱作为多层感知机的训练数据，实现了布里渊频移提取［58］。为提升该方法的普适性，研究人员对用于训练的数据进行优化，增加额外噪声，使得训练数据更加随机［385］。此外，一种插值方法也被提出，该方法首先对不同扫描步长的数据进行插值以达到同样的输入数据点数。通过这种插值方式，只需要训练一个多层感知机就可以处理不同扫描步长的数据，而不需要重新训练神经网络。2020年二维卷积神经网络被应用于布里渊提取［386］，与前文只针对单个布里渊增益谱的分析方式不同，二维卷积神经网络对连续的布里渊增益谱进行统一分析，不仅利用了频谱信息还利用了空间特性，实现了更高精度的布里渊频移提取。
2）信噪比提升
信噪比决定了DOFS的整体性能，对采集到的原始数据进行降噪是分布式传感信号处理的常规操作。DOFS信号中的噪声主要为光电探测器带来的加性白噪声，因此可以通过多次平均来降低噪声，然而这会显著增加系统的响应时间。通过分析传感信号和噪声的特点，研究人员提出了基于傅里叶变换、小波变换等方法的降噪技术，利用信号和噪声的差异将其在特定域分离，然后重构信号以达到降噪的目的。然而，这些方法存在需要人工优化参数、计算时间长、丢失有效信息的问题。
2019年降噪卷积神经网络被应用于BOTDA的数据降噪［387］。降噪卷积神经网络的输入是带噪数据，输出目标为对应的噪声，利用噪声高斯分布的特点加速网络训练收敛。由于传感系统中光电探测器的热噪声总是存在，完全没有噪声的传感信号无法获得，因此采用仿真建模来产生所需的训练数据。通过训练，降噪卷积神经网络可以识别出数据中的信号和噪声，最终实现了约13.5 dB的信噪比提升，并且没有导致空间分辨率的恶化。此外，它的处理速度比传统的图像降噪算法快了100倍以上，可实现实时处理。2021年双生成对抗神经网络被用于BOTDA降噪，通过同时训练降噪网络、生成网络和判决网络来实现数据的产生和自主训练，最终实现了19.08 dB的信噪比提升［388］。2022年研究人员利用神经网络对多次连续的采集结果进行统一分析，实现了比单次采集作为输入时3.6 dB的信噪比提升［389］。并且，通过将估计的噪声图作为输入，该神经网络可以适应2 dB~20 dB信噪比的所有数据。除了应用于BOTDA之外，降噪神经网络也被应用于ROTDR［93］、Φ-OTDR［390］，并且都取得了比传统方法更好的降噪效果，提升了系统的性能。
3）空间分辨率提升
DOFS测量信号是光纤实际信息与系统卷积核的卷积，卷积核的大小决定了系统的空间分辨率。因此，可以通过解卷积技术从测量数据恢复光纤实际信息，提升系统空间分辨率。然而，由于采集到的信号带有噪声，因此解卷积结果并不唯一，需要根据分布式光纤传感信号的先验知识增加正则约束，得到最可能的结果。但是，人工设置的正则约束无法完全体现传感信号的特征，因此解调结果往往存在信噪比降低甚至存在伪影的问题。2021年卷积神经网络被应用到BOCDA解卷积，成功将空间分辨率提升了5倍［391］。该神经网络的输入为原始测量数据，目标为高空间分辨率数据。通过训练，卷积神经网络获得了分布式传感数据的先验信息，实现了端到端的高分辨率数据重构。2022年卷积神经网络被成功应用于ROTDR的空间分辨率提升［99］，将系统空间分辨率提升了5倍，并且和传统迭代解卷积方法相比，神经网络得到的温度误差小一个数量级。
4.3.3 基于光纤传感信号的工程结构物理状态智能化感知
传感信号处理是光纤传感技术用于工程结构特征测试中非常重要和关键的环节，直接关系到测量光信号的准确辨识，同时也是反映被测工程结构特征的直接依据［1］。因此，如何有效处理光纤传感信号、构建有效传感信号和结构特征参数的定量表征关系，从而实现工程结构物理状态的高精度智能化感知，是光纤传感技术在工程应用面临的主要挑战。根据光纤传感信号的实现方式，智能化感知的研究主要分两类：1）独立于物理模型、基于海量监测数据诊断工程结构物理状态，如基于概率论的贝叶斯方法、深度学习算法等；2）以物理模型为基础、运用结构力学和数学分析建立工程结构物理状态识别方法，如基于振动信号的结构模态参数识别、基于分布式应变信息的结构形态重构等。第二种方法以少量有效监测数据驱动的数理分析实现工程结构物理状态的精准辨识，是当前结构健康监测领域的主流方法。现阶段，关于如何利用该种主流方法、基于离散DOFS信号实现被测结构状态或损伤智能化感知的研究相对较少。部分学者利用分布式光纤光路通断识别结构开裂或界面损伤［392-393］，但该方法易引起损伤误判。利用光纤传感技术实现工程结构的智能化感知主要是正确运用测量的有效光纤传感信号，根据时域和频域信号分析处理技术，联合数学分析方法和结构力学理论，实现工程结构物理特征的高精度智能化表征。
1）光纤传感信号与结构特征参数的关联分析
DOFS技术被广泛用于通信和电力系统及海洋、地矿、交通、水利航道、油气储运、航空航天和安防等工程领域。由于被测工程对象结构形式的复杂性及使用环境的差异，工程中提取的光纤传感信号需要通过信号处理技术进行滤波降噪，从而获取有效传感信号。进一步根据处理的有效传感信号建立与被测工程对象特征参数的关联，实现被测目标参数的定量或定性感知。
以最典型的应变和温度为例：当DOFS技术被用于测量结构变形时，在进行滤波降噪处理并获得有效传感信号后，需要构建光纤传感信号与结构应变之间的定量关系。对于裸光纤，可以通过已有的标定实验建立其定量表达式，实现光纤传感信号与应变的关联。对于封装光纤（如光缆），可以通过改进的标定实验或应变传递理论分析［394-395］建立其定量表达式，实现光纤传感信号与应变的关联。当DOFS技术被用于测量结构或环境温度时［396］，可以采用相似的思路，分别针对裸光纤和封装光纤，利用标定实验和热传递分析理论建立光纤传感信号与温度的定量关系。具体分析流程如
图 28. 光纤传感信号与被测结构特征参数的关联分析
Fig. 28. Correlation analysis of optical fiber sensing signals and feature parameters of monitored structure
2）被测工程结构物理状态的智能化表征技术
DOFS技术因其在大尺度上的低成本和高精度测量，在工程结构健康监测领域受到高度重视。如何利用DOFS信号实现被测工程物理状态的智能化表征，是DOFS技术在工程应用领域需要迫切解决的难题。通过滤波降噪处理获得有效光纤传感信号，根据感知光纤的封装布设工艺，通过传统或改进标定实验、应变传递理论（热传导分析）建立感知信号和被测结构应变（温度）之间的定量关系后，需要结合被测结构的约束、荷载和服役环境，基于连续监测的数据信息，辅以结构静动力理论和数学分析方法实现结构特征参数的准确反演［397］，并据此评估工程结构的服役状态及健康或损伤状况，如结构几何形态和结构损伤（如屈曲、开裂、沉降或破坏）等，从而为被测结构的运营安全评价提供参考依据。利用光纤传感信号对被测工程结构的物理状态进行智能表征的主要技术步骤如
图 29. 工程结构物理状态的智能表征技术路线
Fig. 29. Technical flow of intelligent characterization on physical state of monitored structure
对于其他光纤传感信号（如振动信号）的处理，也可以采用时域和频域分析技术及数学物理分析方法，建立光纤传感信号和结构静动态应变场之间的定量表征关系，并对其进行可视化程序设计，从而实现结构物理状态的智能表征［398］。根据这些实时连续的结构形态和应变场分布变化，可以对结构实时的损伤状态进行评定，从而实现光纤传感技术在工程结构测试和监测应用的最终目标——智能化感知。
在DOFS解调系统性能提升的基础上，如何利用先进DOFS系统的有效、多源光纤传感信号对工程结构特征参数进行高精度、稳定和耐久地识别，还需要光学、力学和结构工程等交叉学科领域的科技人员在分析理论、模型实验和工程应用方向进行综合考虑并充分融合相关技术特征，从而推进基于长期连续、实时监测数据信息驱动的工程结构物理状态智能化感知方法和系统的发展。
4.4 通信-传感融合系统
近年来，DOFS系统展现出与光通信系统融合的发展趋势，吸引了国内外学术界和产业界的广泛关注。目前，该方向的研究主要集中在三个层面：一是基于光通信技术的DOFS系统研究，通过将光通信技术融合进传感系统中改善其性能；二是利用商用光网络的光纤资源实现DOFS应用，在通信的基础上赋予光纤基础设施分布式感知能力；三是研究通信信号与传感信号同传的通感一体化技术，实现兼具通信与感知功能的智能光通信网络系统。
4.4.1 光纤通信技术在光纤传感中的应用
为了提升DOFS的性能，目前光通信系统中常用的频分复用、偏振分集、相干探测等技术已经被应用在DOFS系统中，这有效解决了传统DOFS系统面临的多个难点、痛点问题［399］。
例如，近年来频分复用技术已经被广泛地应用到Φ-OTDR［400］与BOTDA［401］传感器中。Φ-OTDR系统使用高度相干的窄线宽光源，其背向散射信号由于发生相干瑞利干涉而产生强度随机起伏的功率抖动，也因此产生干涉衰落现象，进而导致频繁误报，这严重制约了Φ-OTDR的可靠性，因此对Φ-OTDR系统干涉衰落抑制的研究成为了近年来该领域的热门研究方向之一。频分复用探测光方案则是目前最主流的干涉衰落抑制方案，研究表明不同频率的泵浦光得到的散射曲线具有不同的衰落波形［400］，因此通过多频综合判决或多频矢量合成等方法可以有效降低干涉衰落造成的影响［402］。值得一提的是，后来研究人员又提出了多种基于频谱分割处理的干涉衰落补偿方法［403-404］，这些方法本质上也是频分复用系统。此外，传统的单频Φ-OTDR系统面临的另一个关键性能瓶颈是动态采样频率受限于脉冲重复频率，导致其振动频率测量的动态范围受到限制。解决该关键难题的重要方案之一是采用具有一定时隙间隔的频分复用探测光［405］，通过将不同频率探测光的测量结果按照相应的时隙进行拼接重组，可成倍提高系统的频响范围。另一种提升系统动态范围的思路是采用正交频分复用传输多个不同频率的探测信号，再依据游标效应进行目标信号频谱的还原［406］，由此在仅复用少量探测频率的情况下实现较前一方案更大的动态范围，但该方案要求目标信号在频域上离散。进一步地，频分复用方案的一个最新进展是通过数字光频梳调制技术实现超高频谱密度的大量频率复用，结合双光梳相干探测方案即可实现超高空间分辨率的Φ-OTDR监测［407］，如
图 30. 基于双数字光频梳技术的超高空间分辨率Φ-OTDR系统原理图［407］
Fig. 30. System configuration of double-digital comb based high spatial resolution Φ-OTDR[407]
表 12. 频分复用技术在Φ-OTDR系统中的典型应用
Table 12. Representative applications of frequency-division multiplexing techniques in Φ-OTDR system
|
另一方面，耗时的扫频操作是制约BOTDA传感器发展的关键性能瓶颈之一，目前基于频分复用的免扫频方案已成为快速BOTDA的重要解决方案，其基本思想是使用具有多个频率分量的泵浦/探测光取代传统的单频逐点扫描，包括泵浦-探测对技术和数字频梳探测光技术等［401，67］。通过单次测量即可获得完整的布里渊增益谱，从而避免耗时的扫频操作，
表 13. 基于频分复用的快速BOTDA系统的发展历程中几个重要工作
Table 13. Some important investigations of frequency-division multiplexed fast BOTDA
|
除了频分复用技术，光通信领域常用的偏振分集和相干探测技术也被广泛用于DOFS领域。首先，Φ-OTDR系统不仅存在干涉衰落效应，还存在偏振衰落效应，使用偏振复用探测光/偏振分集探测的系统可以有效抑制偏振衰落噪声［412-413］，提高探测信号的信噪比，从而减少误报。其次，在BOTDA系统中，布里渊增益是偏振相关的，一般需要采用偏振扰偏仪来消除偏振相关噪声，而采用一对正交的泵浦光或探测光的偏振分集探测系统可以避免扰偏［414-415］，从而有效减少平均次数，提高测量速度。另一方面，传统基于直接探测的DOFS系统只能得到探测信号的强度，对于Φ-OTDR来说，传感信号的光强与外界振动存在非线性相关性，因而不利于振动频率的准确测量，而基于相干探测的系统可以同时获得探测信号的强度和相位，相位变化与振动信号具有线性相关性，因此目前用于振动频率测量的Φ-OTDR基本采用相干探测的系统方案。此外，基于相干探测的BOTDA系统可以获得布里渊相位谱，这将有助于提升系统的性能［399］，如实现光功率不敏感的动态测量、扩大动态测量范围、提升布里渊频移的测量精度等。除了可以获得探测信号的相位信息，与传统直接探测的系统相比，相干探测的系统可以通过使用高功率的本振光来提高测量的信噪比，这对于微弱背向散射信号的探测具有重要意义［416］。
4.4.2 利用商用光网络的光纤资源实现分布式传感应用
在过去的几十年里，全球的陆地和海洋环境中已经部署了大量的光纤光缆，虽然这些光纤最初是为了建设光通信网而铺设的，但近年来越来越多的人开始尝试利用这些商用光网络的光纤资源来实现分布式传感应用，包括实现地震波探测、地质活动监测、智能交通监测、城市基础设施监测等。目前，实现基于光通信网络的分布式传感采用的技术主要包括Φ-OTDR技术、激光干涉仪技术以及直接利用接收信号的相位和偏振态进行测量等。这些研究创新性地赋予了全球光纤基础设施分布式感知的能力，为构建全球光纤传感网络描绘了宏伟的蓝图。
近年来，将DOFS技术引入商用光网络，利用其光纤资源进行环境传感的方法被广泛应用于地质学和地震学领域，而其中使用最多的技术是基于Φ-OTDR的DAS技术。2018年研究人员利用在冰岛上商业部署的一条长15 km的通信光缆，通过DAS传感技术进行高空间分辨率的分布式动态应变测量，并成功将其用于地震波信号的探测和地质结构特征分析［417］。作者提出利用全球部署的通信光缆进行地震波探测，有望开辟全新的地球灾害评估与勘探新手段。2019年，国外多个联合研究组先后报道了利用商业部署的海底通信光缆进行地震探测和地质活动监测的研究工作［418-420］。这些工作都提出将104 m量级的海底商业通信光缆作为地震波传感器并使用DAS传感技术进行探测，实现了对地震活动（微震和远震）、局部表面重力波、海洋-固体地球相互作用等事件的探测，也实现了对海底断层的识别，并且DAS传感器测得的信号与传统地震检波器测得的信号特征相当。这些工作展现出利用海底现存的众多商业光缆构建海洋地震监测网并用于海洋地球物理研究的巨大潜力，将大大扩展海底传感网络的覆盖范围、增大采样密度，显著弥补目前海底地震检波器观测数据的不足。目前，利用已部署的商业光纤进行分布式环境参数测量已经成为地震学和地质学研究的热门方向。
值得一提的是，近年来美国NEC实验室一直在积极开拓通信光网络的传感功能，持续开展了使用商业部署的光纤资源进行分布式环境传感的研究工作［421-422］，如将DWDM通信信号与传感信号反向传输，搭建通信信号与传感信号同传的混合系统，证明了使用正在运营的商用光网络的光纤可用于城市的智能交通监测，包括车速、车流量和行驶方向的测量，以及进行道路状态（不平整度）的判断等［423］。另一方面，利用DOFS技术测量点震源激发信号，再根据振动信号到达光纤上不同位置的时差可实现地下光缆的m量级高精度非破坏性定位［424］，而利用OTDR的距离信息与点震源的GPS坐标配对，还可以确定铺设光纤的地理位置坐标［425］，这些工作将有助于实现光纤资源的可视化，便于光缆资源管理，保证光纤链路发生故障时的快速定位。此外，使用商业光纤资源进行分布式传感测量，还实现了光缆安全防护监测、周界入侵监测、桥梁健康监测等应用［426-428］。尽管DOFS技术在光网络中的应用潜力巨大，但背向散射信号微弱且在光纤中传输存在损耗，导致基于背向散射信号的传感系统的传感距离受到限制。
除了常用的DAS技术外，激光干涉测量技术也被应用于商业光网络系统以实现传感功能，并被用于地震监测［429］、建筑结构健康监测［430］、光链路安全监测［431］等。2018年研究人员利用铺设于陆地和海洋的商业光纤，提出了一种基于超稳激光干涉仪的地震探测技术［429］，利用往返两路振动信号的时延差进行定位，并根据两组双向链路的探测确定震中位置，如
图 31. 基于海光缆的地震监测系统示意图［429］
Fig. 31. Earthquake detection experimental setup using submarine optical fiber cable[429]
图 32. 基于海缆的传感系统结构示意图［432］
Fig. 32. Illustration of sensing system using submarine optical fiber cable[432]
此外，研究人员也尝试了直接利用接收信号的偏振态和相位对商用光缆的振动进行传感。2021年有人提出了基于海底光缆输出光偏振态的地震与海浪传感技术［433］，如
图 33. 基于光偏振态探测的地震波与海浪传感技术原理示意图［433］
Fig. 33. Principles of polarization-based seismic and water wave sensing[433]
4.4.3 通感一体的光网络系统结构设计与实现
赋予商业铺设的光网络传感功能是近年来产业界与学术界关注的热点，一般可以使用“暗光纤”资源来建立传感网络并开展传感应用，这不会对主流的通信业务造成影响，但是如何利用带业务的光纤资源实现分布式传感也是目前大家重点关注的研究课题。
目前，实现通信信号与传感信号同传的DOFS与光通信系统的融合以频分复用的方式为主，这种方式无需额外的传感空间信道，只需要将传感信号与通信信号在频域上分隔开。2009年研究人员提出了通感一体的光网络概念，通过将Φ-OTDR引入EPON中，基于现有通信光纤实现了入侵监测与故障定位的功能［435］。同年，研究人员通过波分复用的方式将BOTDR传感器引入到PON中，并实现了PON分支光纤的在线故障监测［436］。此后，研究人员通过在ONU端放置反射式的半导体放大器（RSOA），实现了兼容DAS的PON，并且通过时分复用的方案测量多根用户终端光纤［437］。2020年，研究人员通过将中心波长为1546.12 nm的BOTDR系统与中心波长为1550 nm的通信系统集成，实现了在25 km光纤中通信数据的传输并实现了空间分辨率为5 m、误差在±0.5 °C以内的温度测量［438］。此外，研究人员通过将信道的带宽划分为相互不重叠的频段，实现通信与传感的信号复用。2021年研究人员研究了频分复用的啁啾脉冲DAS与100G/200G相干通信数据在同一根光纤中同传的条件与性能，包括频谱分配、功率控制、传感脉冲设置以及两种信号的相对方向等，结果表明通信信号与传感信号的反向传输对共存的条件要求更低［439］。2022年研究人员报道了基于自零差相干探测且能兼容DAS传感系统的双向数据中心光互连方案，使用与通信信号相同的DAC和ADC完成频分复用的传感信号的产生与探测，在双向传输200 Gbit/s的DP-16QAM信号的同时，实现了灵敏度小于20 pϵ/
为了实现通传一体，目前大部分系统都需要发射专门的传感信号光，但上文已经提到还可以直接利用前向接收的通信信号的相位进行测量［434］，此外也可以利用通信信号的背向散射光进行传感。早在2007年就有研究人员提出一种基于调制数据和相关解调的新型光反射计技术，他们利用1.25 Gbit/s的NRZ码通信数据取代传统的脉冲光源，通过计算发射信号与背向反射信号的互相关来确定背向反射光的分布，然而这种技术的动态范围受到限制［443］。2016年研究人员提出利用运行中通信信道的实时PSK数据的背向散射光进行分布式传感，将其视为编码的Φ-OTDR，通过解码获得瑞利背向散射光的曲线，最终在不影响通信信道的情况下实现了cm量级分辨率的光链路动态应变实时监测［444］。2023年，研究人员通过将周期线性调频光同时用作PAM4通信信号的载波以及Φ-OTDR的传感探测光，使用相同的波长信道完成了通信与传感的混合集成系统［445］，如
图 34. 基于单根光纤的通信与传感集成系统［445］
Fig. 34. Integrated sensing and communication system in single optical fiber[445]
表 14. 通感一体的光网络系统方案
Table 14. Configurations of communication and sensing hybrid systems
|
4.5 分布式形状传感技术
光纤形状传感技术是一种测量光纤本身或者与之相连的待测物体姿态、取向、径迹以及位置等三维空间信息的传感技术。凭借质量轻、体积小、灵敏度高、易集成以及抗电磁干扰性强等优势，光纤形状传感技术在精准介入医疗、智能机器人及航天航空等领域引起了广泛关注。现阶段，较为成熟的光纤形状传感技术主要包括基于FBG的准分布式传感技术和基于光纤散射的DOFS技术。基于FBG的准分布式传感技术中光栅传感单元数量有限，其空间分辨率受限于光栅长度和光栅间隔，通常采用分段插值、多项式拟合等方法估算整个待测物体的弯曲形状。在众多DOFS技术中，BOTDA和OFDR技术具有较高的空间分辨率，因此常被用于分布式光纤形状传感。此外，光纤结构的选型同样对形状重构精度有较大影响，常见传感光纤结构有光纤束、MCF、FBG阵列、螺旋光纤、散射增强光纤等。光纤形状传感器的应用如
图 35. 光纤形状传感器的应用。（a）基于光纤形状传感器的柔性可穿戴器械；（b）基于光纤形状传感器的软体机器人；（c）用于血管内导航的柔性器械的光纤形状传感器；（d）用于机翼形状传感的光纤传感器
Fig. 35. Applications of fiber shape sensors. (a) Flexible wearable instrument based on optical fiber shape sensor; (b) soft robot based on optical fiber shape sensor; (c) fiber shape sensor in flexible instrument for intravascular navigation; (d) optical fiber sensor for wing shape sensing
4.5.1 基于BOTDA的分布式形状传感技术
2007年研究人员提出使用PPP-BOTDA系统［446］，结合嵌入光纤的复合样本进行实验，利用 PPP-BOTDA系统的应变数据，并考虑了沿光纤应变分布不连续点处分布轮廓的变化，实现了试件变形测量。2008年研究人员构建了复合材料板弯曲变形的重构算法［447］，利用PPP-BOTDA系统获得高分辨率分布式应变数据，设计的重构算法预估的挠度与测量的挠度之间的误差为3.07%（大挠度）和1.17%（小挠度）。2016年研究人员发现在MCF中偏心纤芯的BFS对于弯曲高度敏感［448］，利用具有20 cm空间分辨率的DPP-BOTDA实现的弯曲相对误差为1%。2017年研究人员提出了一种基于DPP-BOTDA的高性能、温度不敏感的二维形状传感器［449］，在对称驼峰形状和非对称S形状实验中的测量精度分别达到1%和5%。2022年研究人员提出了一种环芯少模光纤（RC-FMF）和DPP-BOTDA的二维形状重构方法［450］。
4.5.2 基于OFDR的分布式形状传感技术
光纤束是将多根光纤按照一定的角度固定在一起或分开粘贴在待测物体上并使其与待测物体中性面呈一定的位置关系。2005年研究人员采用三根刻有FBG的单模光纤连接到OFDR系统以实现形状传感［451］，在31 N最大负载下的最大标准偏差为14 μm。2017年研究人员将两种不同直径的光纤以90°夹角附着在形状记忆合金丝基板上，实现温度应变解耦，最大测量位置误差为12 mm，温度误差为0.45 ℃［452］。2021年研究人员采用4根光纤，以彼此90°的角度粘在医用刚性针头上［453］，利用OFDR系统，基于背散射光的光谱位移计算光纤上的应变，完成了形状的实时重建。2022年研究人员设计并制备了一种基于镍铬形状记忆合金丝与三根光纤束封装的形状传感器［454］，其二维、三维形状末端的平均最大误差为传感器总长度的0.58%和3.45%。
MCF是一种多个纤芯按照一定空间布局共用同一包层的特种光纤。2006年研究人员采用OFDR技术对MCF中刻写FBG进行形状传感［455］，二维和三维形状测量精度分别为绳长度的0.6%和0.1%，他们在2007年对比了采用FBG和光纤的本征瑞利后向散射实现形状重构的误差［456］，弯曲直径测量中的误差分别为1.9 mm、0.3 mm，末端位置误差分别为5.8 mm、0.8 mm。2012年研究人员基于Frenet-Serret方程［296］和MCF的重构方法得到的最大误差为7.2%。2021年，研究人员利用MCF的两个外芯和OFDR进行矢量投影［457］的方法来实现三维形状感知，末端位置的最大均方根误差（RMSE）为11.9 mm和12.1 mm。
光纤自身扭转是光纤形状传感的最大误差来源，螺旋MCF通过算法补偿扭转可以实现更高精度的形状传感。2012年研究人员使用OFDR结合螺旋MCF［299］进行分布式3D形状测量，对于长度为20~30 m的各种形状，其精度约为0.4%~1.3%。2020年研究人员基于Saint-Venant扭转理论［458］，根据芯内感知的纵向应变计算光纤扭转，并在考虑和补偿扭转的情况下重建三维形状，所提出的基于Spun-MCF的形状传感器能够扭转的角度在±270°范围内，精度达到4.81°。2020年研究人员提出基于螺旋MCF的OFDR分布式定向扭矩传感器［300］，利用螺旋螺距为6 mm的螺旋MCF，实现了线性灵敏度为1.9 pm/（rad/m）的分布式定向扭矩传感器，并提出了一种基于OFDR的螺旋MCF分布式曲率和扭转测量新方法［459］，建立了弯曲和扭转引起的总应变的理论模型，探讨了弯曲和扭转解耦的两种不同逆算法，两种方法的扭矩测量误差分别为6.6%和7.3%左右。
此外，通过提高传感光纤的散射强度，可提高散射信号信噪比，进而获得更高的空间分辨率和传感精度。2017年研究人员在螺旋MCF中刻写了超长连续FBG传感器阵列［301］，对于在半径为4.5 cm、7.62 cm和14.6 cm的三个不同线轴上重建的光纤形状，重建的平均半径分别为4.44 cm、7.73 cm和14.6 cm。同年，他们提出了一种使用紫外光曝光［271］增强光纤中瑞利散射的技术，与未曝光的SMF相比，该技术的散射强度提升37 dB，可将OFDR的形状重构精度提高47%。2019年研究人员利用在纤芯掺杂了MgO基纳米粒子的光纤［460］，得到比标准SMF-28高40 dB以上的后向散射水平［461］。2019年研究人员使用紫外光束增强了光纤散射［462］，跟踪导管的尖端和形状的平均误差为（2.8±0.9）mm。2022年研究人员提出并演示了一种采用散射增强螺旋MCF［463］电缆消除扭转应变的方法，结合OFDR实现高精度三维形状传感方案，并结合ICP算法在200 mm长度范围内将最大重构误差有效降低到0.29%。2023年研究人员提出利用飞秒激光诱导永久散射增强阵列的MCF［464］，研制了一种空间分辨率为200 µm的亚毫米Φ-OFDR形状传感器，二维和三维形状的最小重构误差分别为2.21%和1.45%。
通过理论分析及信号处理算法也可以提升基于OFDR的分布式光纤形状重构性能。2019年研究人员提出了一种局部频谱匹配方法［118］，有效地消除了互相关的假峰和多峰现象，降低形状重构误差。2022年研究人员提出一种使用中值滤波［465］的二维形状传感精度提升方法，在0.5 m传感长度上，3种形状传感末端误差分别从 3.08%、0.94%、0.82%降低至0.80%、0.66%、0.48%。同年，研究人员基于Frenet-Serret框架和误差传递理论［466］，建立了OFDR形状传感的重构误差模型，说明了重构误差与曲率、扭转、光纤长度和应变测量误差等参数的关系，实验验证了基于OFDR的分布式光纤形状传感系统的重构误差模型的可行性和适用性。同年，研究人员设计了一种柔性细径光纤束形状传感器及其注胶封装装置［467］，实验探究了形状传感器在封装过程中胶水材料及配比对残余应力的产生、积累和分布情况的影响，最大限度地减小光纤形状传感器封装过程中的残余应变，这为高精度形状测量提供了基础。
表 15. 分布式光纤形状传感方法总结
Table 15. Summary of distributed optical fiber shape sensing methods
|
4.6 基于既有光缆的海洋状态监测
全球海洋面积为3.6亿平方千米，占地球表面积的71%，蕴藏丰富的生物资源、石油、天然气水合物、金属矿藏、可再生能源。海底光缆作为海底基础设施供电和通信的主要媒介，被广泛铺设于众多海域中。2022年全球投入运营的、在建的海底通信光缆总数达486条，岸端登陆站点1306个，水下光缆总长超过140万千米。近几年，国内外研究学者逐渐尝试利用分布式光纤传感技术，将既有海光缆通信网络作为传感网，实现对缆线周边环境的智能化感知，以相对低的投入获得大范围的在线监测及预警预报能力，以实现对海洋重大突发事件及海洋灾害的风险管控的快速精准保障。
4.6.1 海洋信息感知应用
海洋地震监测对于研究海洋的地壳运动、板块构造演化及预测地震活动的规律和趋势尤为重要。然而，由于海洋环境的特殊性，传统的地震台站在海洋中的部署和维护较为困难，导致存在大量观测盲区。而利用海底光缆作为地震监测仪器能够克服这一难题，有效推进海洋地震学研究。2019年，研究人员将基于Φ-OTDR技术的DAS应用于海底光缆的地震波场记录中，通过该方式发现了多组正反双向传播的信号，并且观测到地震能量在不同位置处的速度衰减，据此确定了多个海底断层区［420］。同年，他们在比利时附近的北海南岸，借助于一条42 km长的既有海底光缆及DAS，成功进行了微震和局部地表重力波的观测，证明了Longuet-Higgins微地震产生理论的正确性，并在距震中16300 km处提取到了斐济Mw8.2深层地震波，有效恢复了0.01~1 Hz频段的P波和S波相位［418］。2023年，类似的系统被用于观测距离震中约5100 km的阿拉斯加半岛Mww7.8地震，并通过距离岸边36 km处的海底光缆记录下了P波、S波和SS波的近似到达时间。除此之外，通过该方式还捕捉到了不同距离处的地震信号，不仅确定其频率范围为0.01~20 Hz，还确定了地震震源的范围和方向。
分布式光纤传感的高空间分辨率在海洋地层成像方面也具有独特优势。这种非侵入性的方法能够在不破坏海洋环境的前提下，获取准确、全面的地质数据，加深人们对海底地质特征和演化过程的了解。2021年，研究人员将DAS应用于地震事件和环境噪声波场的记录，观察到的相干散射Scholte波的迁移为海底附近的浅层断层和近海底的沉积特征提供横向对比［468］。2023年，研究人员借助于DAS技术成功展示了意大利武尔卡诺岛火山的低频信号特征，并结合卷积神经网络有效区分火山地震事件［469］。同年，BOTDR被创新性地运用于观测断层滑移或海底洋流导致的明显应变，通过近一年的观测得到的应变变化结果，证明了BOTDR在实时监测海底地质变化方面的潜力［470］。
利用分布式光纤传感技术对复杂海洋环境进行实时观测、在面积广阔的海域构建海洋监测网络、快捷准确地捕捉海洋风暴等灾害的发生，都是海洋监测领域的研究热点。2019年，DAS被用于分析海洋表面重力波，结果证明了Scholte波的主导频率随着海洋深度的变化而改变［419］。2021年，研究人员利用DAS进行了为期21 d的风暴观测，通过对沿着光缆长度方向5 km、26 km、46 km以及67 km 4个不同位置点获得的数据进行频谱分析，得到了由海洋表面重力波产生的趋势线［471］。这些趋势线显示了近乎线性的窄带色散趋势，存在不同的梯度，在几天内频率变化范围在0.04~0.10 Hz之间，这与实际风暴情况相对应，证明了DAS用于监测海洋风暴的能力。
除了能够对海底地质及海洋环境进行监测外，利用海底光缆还可实现对船只的监测。2021年，研究人员从时域和频域进行分析，得到了船舶经过距离海岸5.8 km、水深为85 m的海底光缆上方时的信号特征［472］。该方法利用遵循射线轨迹的平面波，为点声源的波场强度建立时间和空间模型，进而将声波转换为纵向应变率，并通过计算指定轨距长度的光纤响应，实现在时间和空间上海上船舶的精确定位。2022年，研究人员基于锁相的Φ-OTDR系统，实现船舶流量监测功能，同时该方法能够对水流冲击、锚损拖曳和潮汐等事件进行在线监测［473］。
2022年，DAS被应用于大型海洋生物监测场景中，
4.6.2 发展趋势
这些研究充分证明了分布式光纤传感应用于海洋监测领域的可行性，不仅有助于掌握地质动态变化过程，降低大型海洋灾害影响，同时也有助于动态跟踪海洋生物资源变化、揭示微震事件发生规律，为地质学和海洋生物学提供有价值的研究模型，拓展地震学和海洋科学领域的研究方法和数据来源。在未来，该技术的进一步发展可能包括如下几个方向：
1）由于低频信号的传播距离更远，对于海洋环境下远距离处发生的地震波信号观测，通常更加关注低频及甚低频。远距离海洋表面重力波及地震信号的特征频率通常低于0.1 Hz。而受制于光学背景噪声，大多数分布式光纤传感系统的频率响应下限多在Hz乃至数十Hz级别，无法满足甚低频振动信号的探测需求。在后续的研究中，有必要从光学器件和信号处理两方面入手，扩展分布式光纤传感系统的频率响应范围，使其能够更好地观测低频信号。
2）当前开展的基于分布式光纤传感系统的海洋信息观测，仍以近岸为主，距离多为数十km，对于远海少有涉及。这一方面是因为长距离分布式光纤传感技术在实现时仍有难度，另一方面是因为远洋海缆采用级联中继形式，而传统的分布式光纤传感技术没有进行针对性的设计，无法对抗中继器级联后带来的噪声，且会干扰正常通信业务光的质量。未来的研究可能会针对既有水下缆进行信号放大及增强等针对性设计，以克服长距离传感的挑战，确保传感数据的准确性和稳定性。
3）相比于常规地震记录，分布式光纤传感系统采集的地震数据有着更高的空间采样率。同时，受海洋环境噪声的影响，对于这种高密度采集数据，常规互相关算法的生成信噪比较低，影响最终成像结果的分辨率，有必要开发新的干涉算法，改善地震成像和反演效果。同时，高密度采样产生的海量数据对现有的数据存储管理模式造成了冲击，因此在计算效率等方面仍有较大的提升空间，可以考虑引入并行架构及人工智能等方法，提升分布式光纤传感的实用性。
5 结束语
20世纪80年代，我国光电领域科技工作者敏锐地觉察到了分布式光纤传感技术的独特性和重要性，开始跟跑该领域国际先进技术。到目前为止，在系统设计、制造以及应用方面，我国的DOFS技术已经达到国际先进水平甚至处于国际领先水平，其中一个重要的原因是我国有世界上任何国家不具备的大量大型工程设施安全健康监测需求，这些需求推动了DOFS技术的发展。经过40多年的发展，我国已经有了不少DOFS成熟产品和应用案例。
由于DOFS主要适合于大范围、长距离的监测，其性能特别是误报率和漏报率不仅取决于解调仪，还与传感光缆、监测对象的环境密切相关。换句话说，在实验室研制的性能优异的解调仪，在实际应用的现场可能出现大量的误报或者漏报，甚至根本监测不到任何信息。这是因为：光纤本身对外界环境非常敏感，而在被监测区域内环境变化可能很复杂。以振动传感为例，风、雨等各种气象条件，动物行走，车辆行驶，建筑施工，机器工作噪声等都会带来严重的干扰。如果信号处理不当、缺乏有效数据库支持和机器学习能力，系统对这些干扰信号的识别就会很困难，使得误报率和漏报率难以控制。
总之，由于DOFS工作原理的多样性和应用环境的复杂性，在其应用过程中，还要考虑多参量监测、传感光缆性能、可靠性、成本、智能化等众多因素。产品的标准化、集成化也是非常重要的方向。随着光电器件技术、集成芯片技术和人工智能的不断发展，上述问题将会得到解决，DOFS的大面积推广应用将指日可待。
此外，由于篇幅限制，文中以阐述结论为主，并给出了相应的典型参考文献，作者信息及具体方法与内容未列出，请参阅相关参考文献。
[1] 张旭苹. 全分布式光纤传感技术[M]. 北京: 科学出版社, 2013.
ZhangX P. Fully distributed optical fiber sensing technology[M]. Beijing: Science Press, 2013.
[2] Barnoski M K, Jensen S M. Fiber waveguides: a novel technique for investigating attenuation characteristics[J]. Applied Optics, 1976, 15(9): 2112-2115.
[3] Personick S D. Photon probe-an optical-fiber time-domain reflectometer[J]. Bell System Technical Journal, 1977, 56(3): 355-366.
[4] Nazarathy M, Newton S A, Giffard R P, et al. Real-time long range complementary correlation optical time domain reflectometer[J]. Journal of Lightwave Technology, 1989, 7(1): 24-38.
[5] Jones M D. Using simplex codes to improve OTDR sensitivity[J]. IEEE Photonics Technology Letters, 1993, 5(7): 822-824.
[6] Sahu P K, Gowre S C, Mahapatra S. Optical time-domain reflectometer performance improvement using complementary correlated Prometheus orthonormal sequence[J]. IET Optoelectronics, 2008, 2(3): 128-133.
[7] 刘劲军, 程永昕, 刘国庆, 等. 基于C-S复合码的OTDR系统信噪比提高方法[J]. 光通信技术, 2015, 39(7): 35-37.
Liu J J, Cheng Y X, Liu G Q, et al. SNR improving method of OTDR system based on compound C-S code[J]. Optical Communication Technology, 2015, 39(7): 35-37.
[8] Wang Y C, Wang B J, Wang A B. Chaotic correlation optical time domain reflectometer utilizing laser diode[J]. IEEE Photonics Technology Letters, 2008, 20(19): 1636-1638.
[9] Wang Z N, Fan M Q, Zhang L, et al. Long-range and high-precision correlation optical time-domain reflectometry utilizing an all-fiber chaotic source[J]. Optics Express, 2015, 23(12): 15514-15520.
[10] AndersonD R, JohnsonL, BellF G. Troubleshooting optical-fiber networks: understanding and using your optical time-domain reflectometer[M]. 2nd ed. Amsterdam: Elsevier Academic Press, 2004.
[11] 张旭苹, 张益昕, 王峰, 等. 基于瑞利散射的超长距离分布式光纤传感技术[J]. 中国激光, 2016, 43(7): 0700002.
[12] Healey P, Malyon D J. OTDR in single-mode fibre at 1.5 μm using heterodyne detection[J]. Electronics Letters, 1982, 18(20): 862-863.
[13] Healey P. Fading in heterodyne OTDR[J]. Electronics Letters, 1984, 20(1): 30-32.
[14] Healey P. Fading rates in coherent OTDR[J]. Electronics Letters, 1984, 20(11): 443-444.
[15] King J, Smith D, Richards K, et al. Development of a coherent OTDR instrument[J]. Journal of Lightwave Technology, 1987, 5(4): 616-624.
[16] Koyamada Y, Nakamoto H. High performance single mode OTDR using coherent detection and fibre amplifiers[J]. Electronics Letters, 1990, 26(9): 573-575.
[17] Izumita H, Koyamada Y, Furukawa S, et al. The performance limit of coherent OTDR enhanced with optical fiber amplifiers due to optical nonlinear phenomena[J]. Journal of Lightwave Technology, 1994, 12(7): 1230-1238.
[18] Sumida M. OTDR performance enhancement using a quaternary FSK modulated probe and coherent detection[J]. IEEE Photonics Technology Letters, 1995, 7(3): 336-338.
[19] Sumida M. Optical time domain reflectometry using an M-ary FSK probe and coherent detection[J]. Journal of Lightwave Technology, 1996, 14(11): 2483-2491.
[20] Iida H, Koshikiya Y, Ito F, et al. High-sensitivity coherent optical time domain reflectometry employing frequency-division multiplexing[J]. Journal of Lightwave Technology, 2012, 30(8): 1121-1126.
[21] Shimizu K, Horiguchi T, Koyamada Y. Characteristics and reduction of coherent fading noise in Rayleigh backscattering measurement for optical fibers and components[J]. Journal of Lightwave Technology, 1992, 10(7): 982-987.
[22] Izumita H, Koyamada Y, Furukawa S, et al. Stochastic amplitude fluctuation in coherent OTDR and a new technique for its reduction by stimulating synchronous optical frequency hopping[J]. Journal of Lightwave Technology, 1997, 15(2): 267-278.
[23] Lu L D, Song Y J, Zhang X P, et al. Frequency division multiplexing OTDR with fast signal processing[J]. Optics & Laser Technology, 2012, 44(7): 2206-2209.
[24] Zhang X P, Song Y J, Lu L D. Time division multiplexing optical time domain reflectometry based on dual frequency probe[J]. IEEE Photonics Technology Letters, 2012, 24(22): 2005-2008.
[25] Chen M M, Song Y J, Zhang X P. Transient effect to small duty-cycle pulse in cascaded erbium-doped fiber amplifier system[J]. Optical Engineering, 2013, 52(2): 025006.
[26] 张旭苹, 陈晓红, 梁蕾, 等. 长距离海缆在线监测改进型C-OTDR系统[J]. 光学学报, 2021, 41(13): 1306001.
[27] 张旭苹, 丁哲文, 洪瑞, 等. 相位敏感光时域反射分布式光纤传感技术[J]. 光学学报, 2021, 41(1): 0106004.
[28] 张驰, 邹宁睦, 宋金玉, 等. Φ-OTDR系统的数字信号处理及应用[J]. 光电工程, 2023, 50(2): 0220088.
Zhang C, Zou N M, Song J Y, et al. Digital signal processing and application of Φ‑OTDR system[J]. Opto-Electronic Engineering, 2023, 50(2): 0220088.
[29] TaylorH F, LeeC. Apparatus and method for fiber optic intrusion sensing: US5194847[P]. 1993-03-16.
[30] 饶云江, 冉曾令, 谢孔利. 应用副载波技术提高分布式传感系统性能的方法: CN200710048376.X[P]. 2007-02-01.
RaoY J, RanZ L, XieK L. A method for improving the performance of distributed sensing systems using subcarrier technology: CN200710048376.X[P]. 2007-02-01.
[31] SprossR L, RodneyP F, SkinnerN G. Apparatus and method for detecting pressure signals: US8736822[P]. 2009-07-23.
[32] Pan Z Q, Liang K Z, Ye Q, et al. Phase-sensitive OTDR system based on digital coherent detection[J]. Proceedings of SPIE, 2011, 8311: 83110S.
[33] Masoudi A, Belal M, Newson T P. A distributed optical fibre dynamic strain sensor based on phase-OTDR[J]. Measurement Science and Technology, 2013, 24(8): 085204.
[34] Fang G S, Xu T W, Feng S W, et al. Phase-sensitive optical time domain reflectometer based on phase-generated carrier algorithm[J]. Journal of Lightwave Technology, 2015, 33(13): 2811-2816.
[35] Wang Z N, Zhang L, Wang S, et al. Coherent Φ-OTDR based on I/Q demodulation and homodyne detection[J]. Optics Express, 2016, 24(2): 853-858.
[36] Shan Y Y, Ji W B, Wang Q, et al. Performance optimization for phase-sensitive OTDR sensing system based on multi-spatial resolution analysis[J]. Sensors, 2018, 19(1): 83.
[37] Zabihi M, Chen Y S, Zhou T, et al. Continuous fading suppression method for Φ‑OTDR systems using optimum tracking over multiple probe frequencies[J]. Journal of Lightwave Technology, 2019, 37(14): 3602-3610.
[38] Jiang J L, Wang Z N, Wang Z T, et al. Continuous chirped-wave phase-sensitive optical time domain reflectometry[J]. Optics Letters, 2021, 46(3): 685-688.
[39] Zhang Y X, Liu J X, Xiong F, et al. A space-division multiplexing method for fading noise suppression in the Φ‑OTDR system[J]. Sensors, 2021, 21(5): 1694.
[40] Zhu F, Zhang Y X, Xia L, et al. Improved Φ-OTDR sensing system for high-precision dynamic strain measurement based on ultra-weak fiber Bragg grating array[J]. Journal of Lightwave Technology, 2015, 33(23): 4775-4780.
[41] Wang C, Shang Y, Liu X H, et al. Distributed OTDR-interferometric sensing network with identical ultra-weak fiber Bragg gratings[J]. Optics Express, 2015, 23(22): 29038-29046.
[42] AiF, SunQ Z, ZhangW, et al. Wideband fully-distributed vibration sensing by using UWFBG based coherent OTDR[C]//Optical Fiber Communication Conference, March 19-23, 2017, Los Angeles, California. Washington, DC: OSA, 2017: W2A.19.
[43] Horiguchi T, Kurashima T, Tateda M. Tensile strain dependence of Brillouin frequency shift in silica optical fibers[J]. IEEE Photonics Technology Letters, 1989, 1(5): 107-108.
[44] Kurashima T, Horiguchi T, Izumita H, et al. Brillouin optical-fiber time domain reflectometry[J]. IEICE Transactions on Communications, 1993, E76-B(4): 382-390.
[45] Kishida K, Li C H, Nishiguchi K. Pulse pre-pump method for cm-order spatial resolution of BOTDA[J]. Proceedings of SPIE, 2005, 5855: 559-562.
[46] Nishiguchi K, Li C H, Guzik A, et al. Synthetic spectrum approach for Brillouin optical time-domain reflectometry[J]. Sensors, 2014, 14(3): 4731-4754.
[47] Li W H, Bao X Y, Li Y, et al. Differential pulse-width pair BOTDA for high spatial resolution sensing[J]. Optics Express, 2008, 16(26): 21616-21625.
[48] Cho Y T, Alahbabi M, Gunning M J, et al. 50-km single-ended spontaneous-Brillouin-based distributed-temperature sensor exploiting pulsed Raman amplification[J]. Optics Letters, 2003, 28(18): 1651-1653.
[49] Jia X H, Rao Y J, Wang Z N, et al. 142.2 km BOTDA based on ultra-long fiber laser with a ring cavity[J]. Proceedings of SPIE, 2013, 8924: 89241A.
[50] Fu Y, Zhu R C, Han B, et al. 175-km repeaterless BOTDA with hybrid high-order random fiber laser amplification[J]. Journal of Lightwave Technology, 2019, 37(18): 4680-4686.
[51] Urricelqui J, Sagues M, Loayssa A. Brillouin optical time domain analysis sensor assisted by Brillouin distributed amplification of pump pulses[J]. Optics Express, 2015, 23(23): 30448-30458.
[52] Soto M A, Bolognini G, Di Pasquale F, et al. Simplex-coded BOTDA fiber sensor with 1 m spatial resolution over a 50 km range[J]. Optics Letters, 2010, 35(2): 259-261.
[53] Sun X Z, Yang Z S, Hong X B, et al. Genetic-optimised aperiodic code for distributed optical fibre sensors[J]. Nature Communications, 2020, 11: 5774.
[54] Zhou Y, Yan L S, Liu C, et al. Hybrid aperiodic coding for SNR improvement in a BOTDA fiber sensor[J]. Optics Express, 2021, 29(21): 33926-33936.
[55] Wang Q L, Bai Q, Liang C S, et al. Random coding method for SNR enhancement of BOTDR[J]. Optics Express, 2022, 30(7): 11604-11618.
[56] Soto M A, Ramírez J A, Thévenaz L. Intensifying the response of distributed optical fibre sensors using 2D and 3D image restoration[J]. Nature Communications, 2016, 7: 10870.
[57] Wu H, Wang L, Zhao Z Y, et al. Brillouin optical time domain analyzer sensors assisted by advanced image denoising techniques[J]. Optics Express, 2018, 26(5): 5126-5139.
[58] Azad A K, Wang L, Guo N, et al. Signal processing using artificial neural network for BOTDA sensor system[J]. Optics Express, 2016, 24(6): 6769-6782.
[59] Geng J H, Staines S, Blake M, et al. Distributed fiber temperature and strain sensor using coherent radio-frequency detection of spontaneous Brillouin scattering[J]. Applied Optics, 2007, 46(23): 5928-5932.
[60] Wang F, Zhu C H, Cao C Q, et al. Enhancing the performance of BOTDR based on the combination of FFT technique and complementary coding[J]. Optics Express, 2017, 25(4): 3504-3513.
[61] Bernini R, Minardo A, Zeni L. Dynamic strain measurement in optical fibers by stimulated Brillouin scattering[J]. Optics Letters, 2009, 34(17): 2613-2615.
[62] Yang G Y, Fan X Y, Wang B, et al. Enhancing strain dynamic range of slope-assisted BOTDA by manipulating Brillouin gain spectrum shape[J]. Optics Express, 2018, 26(25): 32599-32607.
[63] Zheng H, Feng D Q, Zhang J D, et al. Distributed vibration measurement based on a coherent multi-slope-assisted BOTDA with a large dynamic range[J]. Optics Letters, 2019, 44(5): 1245-1248.
[64] Peled Y, Motil A, Tur M. Fast Brillouin optical time domain analysis for dynamic sensing[J]. Optics Express, 2012, 20(8): 8584-8591.
[65] Wang B Z, Hua Z J, Pang C, et al. Fast Brillouin optical time-domain reflectometry based on the frequency-agile technique[J]. Journal of Lightwave Technology, 2020, 38(4): 946-952.
[66] Voskoboinik A, Wang J, Shamee B, et al. SBS-based fiber optical sensing using frequency-domain simultaneous tone interrogation[J]. Journal of Lightwave Technology, 2011, 29(11): 1729-1735.
[67] Jin C, Guo N, Feng Y H, et al. Scanning-free BOTDA based on ultra-fine digital optical frequency comb[J]. Optics Express, 2015, 23(4): 5277-5284.
[68] Fang J, Xu P B, Dong Y K, et al. Single-shot distributed Brillouin optical time domain analyzer[J]. Optics Express, 2017, 25(13): 15188-15198.
[69] Li Z L, Yan L S, Zhang X P, et al. Temperature and strain discrimination in BOTDA fiber sensor by utilizing dispersion compensating fiber[J]. IEEE Sensors Journal, 2018, 18(17): 7100-7105.
[70] Li A, Wang Y F, Fang J, et al. Few-mode fiber multi-parameter sensor with distributed temperature and strain discrimination[J]. Optics Letters, 2015, 40(7): 1488-1491.
[71] Mizuno Y, Hayashi N, Tanaka H, et al. Brillouin scattering in multi-core optical fibers for sensing applications[J]. Scientific Reports, 2015, 5: 11388.
[72] Yang G J, Zeng K Y, Wang L, et al. Integrated denoising and extraction of both temperature and strain based on a single CNN framework for a BOTDA sensing system[J]. Optics Express, 2022, 30(19): 34453-34467.
[73] Dakin J P, Pratt D J, Bibby G W, et al. Temperature distribution measurement using Raman ratio thermometry[J]. Proceedings of SPIE, 1986, 0566: 249-256.
[74] Hwang D, Yoon D J, Kwon I B, et al. Novel auto-correction method in a fiber-optic distributed-temperature sensor using reflected anti-Stokes Raman scattering[J]. Optics Express, 2010, 18(10): 9747-9754.
[75] Soto M A, Signorini A, Nannipieri T, et al. High-performance raman-based distributed fiber-optic sensing under a loop scheme using anti-Stokes light only[J]. IEEE Photonics Technology Letters, 2011, 23(9): 534-536.
[76] Suh K, Lee C, Sanders M, et al. Active plug and play distributed Raman temperature sensing[J]. Proceedings of SPIE, 2008, 7004: 700435.
[77] Ososkov Y Z, Chernutsky A O, Dvoretskiy D A, et al. Fiber optic Raman distributed temperature sensor based on an ultrashort pulse mode-locked fiber laser[J]. Optics and Spectroscopy, 2019, 127(4): 664-668.
[78] Tanner M G, Dyer S D, Baek B, et al. High-resolution single-mode fiber-optic distributed Raman sensor for absolute temperature measurement using superconducting nanowire single-photon detectors[J]. Applied Physics Letters, 2011, 99(20): 201110.
[79] Li J, Wang C Y, Cao K Y, et al. Breakthrough the physical barrier on spatial resolution in Raman distributed fiber sensing using chaotic correlation demodulation[J]. APL Photonics, 2023, 8(7): 076105.
[80] Park J, Bolognini G, Lee D, et al. Raman-based distributed temperature sensor with simplex coding and link optimization[J]. IEEE Photonics Technology Letters, 2006, 18(17): 1879-1881.
[81] Wang M, Wu H, Tang M, et al. Few-mode fiber based Raman distributed temperature sensing[J]. Optics Express, 2017, 25(5): 4907-4916.
[82] Wu H, Du H Z, Zhao C, et al. 24 km high-performance Raman distributed temperature sensing using low water peak fiber and optimized denoising neural network[J]. Sensors, 2022, 22(6): 2139.
[83] Liu X, Jie R M, Bera S, et al. High-speed and high-resolution YAG fiber based distributed high temperature sensing system empowered by a 2D image restoration algorithm[J]. Optics Express, 2023, 31(4): 6170-6183.
[84] LeeD, YoonH, KimN Y, et al. Analysis and experimental demonstration of simplex coding technique for SNR enhancement of OTDR[C]//Proceedings of the Lightwave Technologies in Instrumentation and Measurement Conference, October 20, 2004, Palisades, NY, USA. New York: IEEE Press, 2004: 118-122.
[85] DaiG Y, FanX Y, HeZ Y. A long-range fiber-optic Raman distributed temperature sensor based on dual-source scheme and RZ simplex coding[C]//2018 Asia Communications and Photonics Conference (ACP), October 26-29, 2018, Hangzhou, China. New York: IEEE Press, 2018.
[86] Datta A, Srimal V, Srinivasan B. Performance enhancement of Raman optical time domain reflectometer using Golay codes[J]. Proceedings of SPIE, 2011, 8173: 81731R.
[87] Soto M A, Nannipieri T, Signorini A, et al. Raman-based distributed temperature sensor with 1 m spatial resolution over 26 km SMF using low-repetition-rate cyclic pulse coding[J]. Optics Letters, 2011, 36(13): 2557-2559.
[88] HouS Z, JianY H, ChenY, et al. Signal processing of single-mode fiber sensor system based on Raman scattering[C]//2010 2nd International Conference on Advanced Computer Control, March 27-29, 2010, Shenyang. New York: IEEE Press, 2010: 176-181.
[90] Saxena M K, Raju S D V S J, Arya R, et al. Empirical mode decomposition-based detection of bend-induced error and its correction in a Raman optical fiber distributed temperature sensor[J]. IEEE Sensors Journal, 2016, 16(5): 1243-1252.
[91] Wang H H, Wang X, Cheng Y, et al. Research on noise reduction method of RDTS using D-SVD[J]. Optical Fiber Technology, 2019, 48: 151-158.
[92] Malakzadeh A, Didar M, Mansoursamaei M. SNR enhancement of a Raman distributed temperature sensor using partial window-based non local means method[J]. Optical and Quantum Electronics, 2021, 53(3): 147.
[93] Zhang Z S, Wu H, Zhao C, et al. High-performance Raman distributed temperature sensing powered by deep learning[J]. Journal of Lightwave Technology, 2021, 39(2): 654-659.
[94] Wang H H, Wang Y H, Wang X, et al. A novel deep-learning model for RDTS signal denoising based on down-sampling and convolutional neural network[J]. Journal of Lightwave Technology, 2022, 40(12): 3647-3653.
[95] Liu H L, Zhuang S L, Zhang Z X, et al. The optimization of the spatial resolution of a 30-km distributed optical fiber temperature sensor[J]. Proceedings of SPIE, 2005, 5634: 225-231.
[96] Bazzo J P, Pipa D R, Martelli C, et al. Improving spatial resolution of Raman DTS using total variation deconvolution[J]. IEEE Sensors Journal, 2016, 16(11): 4425-4430.
[97] Zhu W H, Wu H T, Chen W X, et al. Submetric spatial resolution ROTDR temperature sensor assisted by Wiener deconvolution[J]. Sensors, 2022, 22(24): 9942.
[98] Silva L C B D, Aching Samatelo J L, Vieira Segatto M E, et al. NARX neural network model for strong resolution improvement in a distributed temperature sensor[J]. Applied Optics, 2018, 57(20): 5859-5864.
[99] Wu H, Zhao C, Tang M. Super spatial resolution Raman distributed temperature sensing via deep learning[J]. IEEE Journal of Selected Topics in Quantum Electronics, 2022, 28(4): 5600108.
[100] Datta A, Raj V, Sankar V, et al. Measurement accuracy enhancement with multi-event detection using the deep learning approach in Raman distributed temperature sensors[J]. Optics Express, 2021, 29(17): 26745-26764.
[101] Saxena M K, Raju S D V S J, Arya R, et al. Raman optical fiber distributed temperature sensor using wavelet transform based simplified signal processing of Raman backscattered signals[J]. Optics & Laser Technology, 2015, 65: 14-24.
[102] Eickhoff W, Ulrich R. Optical frequency domain reflectometry in single-mode fiber[J]. Applied Physics Letters, 1981, 39(9): 693-695.
[103] Luo M M, Liu J F, Tang C J, et al. 0.5 mm spatial resolution distributed fiber temperature and strain sensor with position-deviation compensation based on OFDR[J]. Optics Express, 2019, 27(24): 35823-35829.
[104] von der Weid J P, Passy R, Mussi G, et al. On the characterization of optical fiber network components with optical frequency domain reflectometry[J]. Journal of Lightwave Technology, 1997, 15(7): 1131-1141.
[105] Glombitza U, Brinkmeyer E. Coherent frequency-domain reflectometry for characterization of single-mode integrated-optical waveguides[J]. Journal of Lightwave Technology, 1993, 11(8): 1377-1384.
[106] Ahn T J, Kim D Y. Analysis of nonlinear frequency sweep in high-speed tunable laser sources using a self-homodyne measurement and Hilbert transformation[J]. Applied Optics, 2007, 46(13): 2394-2400.
[107] Song J, Li W H, Lu P, et al. Long-range high spatial resolution distributed temperature and strain sensing based on optical frequency-domain reflectometry[J]. IEEE Photonics Journal, 2014, 6(3): 6801408.
[108] Fan X Y, Koshikiya Y, Ito F. Phase-noise-compensated optical frequency domain reflectometry with measurement range beyond laser coherence length realized using concatenative reference method[J]. Optics Letters, 2007, 32(22): 3227-3229.
[109] Ding Z Y, Yao X S, Liu T G, et al. Compensation of laser frequency tuning nonlinearity of a long range OFDR using deskew filter[J]. Optics Express, 2013, 21(3): 3826-3834.
[110] Ahn T J, Lee J Y, Kim D Y. Suppression of nonlinear frequency sweep in an optical frequency-domain reflectometer by use of Hilbert transformation[J]. Applied Optics, 2005, 44(35): 7630-7634.
[111] Ding Z Y, Liu T G, Meng Z, et al. Note: improving spatial resolution of optical frequency-domain reflectometry against frequency tuning nonlinearity using non-uniform fast Fourier transform[J]. The Review of Scientific Instruments, 2012, 83(6): 066110.
[112] Ito F, Fan X Y, Koshikiya Y. Long-range coherent OFDR with light source phase noise compensation[J]. Journal of Lightwave Technology, 2012, 30(8): 1015-1024.
[113] Du Y, Liu T G, Ding Z Y, et al. Method for improving spatial resolution and amplitude by optimized deskew filter in long-range OFDR[J]. IEEE Photonics Journal, 2014, 6(5): 7902811.
[114] Zou C, Lin C F, Mou T L, et al. Beyond a 107 range-resolution-1 product in an OFDR based on a periodic phase noise estimation method[J]. Optics Letters, 2022, 47(20): 5373-5376.
[115] Froggatt M, Moore J. High-spatial-resolution distributed strain measurement in optical fiber with Rayleigh scatter[J]. Applied Optics, 1998, 37(10): 1735-1740.
[116] Li J, Gan J L, Zhang Z S, et al. High spatial resolution distributed fiber strain sensor based on phase-OFDR[J]. Optics Express, 2017, 25(22): 27913-27922.
[117] Yin G L, Zhu Z H, Liu M, et al. Optical frequency domain reflectometry based on multilayer perceptron[J]. Sensors, 2023, 23(6): 3165.
[118] Shao C, Yin G L, Lv L, et al. OFDR with local spectrum matching method for optical fiber shape sensing[J]. Applied Physics Express, 2019, 12(8): 082010.
[119] Feng K P, Cui J W, Jiang D, et al. Improvement of the strain measurable range of an OFDR based on local similar characteristics of a Rayleigh scattering spectrum[J]. Optics Letters, 2018, 43(14): 3293-3296.
[120] Wang C H, Liu K, Ding Z Y, et al. High sensitivity distributed static strain sensing based on differential relative phase in optical frequency domain reflectometry[J]. Journal of Lightwave Technology, 2020, 38(20): 5825-5836.
[122] Guo Z, Yan J Z, Han G C, et al. High-resolution φ-OFDR using phase unwrap and nonlinearity suppression[J]. Journal of Lightwave Technology, 2023, 41(9): 2885-2891.
[123] Meng Y J, Fu C L, Chen L, et al. Submillimeter-spatial-resolution φ‑OFDR strain sensor using femtosecond laser induced permanent scatters[J]. Optics Letters, 2022, 47(23): 6289-6292.
[124] Feng W, Wang M F, Jia H L, et al. High precision phase-OFDR scheme based on fading noise suppression[J]. Journal of Lightwave Technology, 2022, 40(3): 900-908.
[125] Koshikiya Y, Fan X Y, Ito F. Long range and cm-level spatial resolution measurement using coherent optical frequency domain reflectometry with SSB-SC modulator and narrow linewidth fiber laser[J]. Journal of Lightwave Technology, 2008, 26(18): 3287-3294.
[126] Tsuji K, Shimizu K, Horiguchi T, et al. Coherent optical frequency domain reflectometry for a long single-mode optical fiber using a coherent lightwave source and an external phase modulator[J]. IEEE Photonics Technology Letters, 1995, 7(7): 804-806.
[127] Geng J H, Spiegelberg C, Jiang S B. Narrow linewidth fiber laser for 100-km optical frequency domain reflectometry[J]. IEEE Photonics Technology Letters, 2005, 17(9): 1827-1829.
[128] Qin J, Zhang L, Xie W L, et al. Ultra-long range optical frequency domain reflectometry using a coherence-enhanced highly linear frequency-swept fiber laser source[J]. Optics Express, 2019, 27(14): 19359-19368.
[129] Ding Z Y, Yao X S, Liu T G, et al. Long measurement range OFDR beyond laser coherence length[J]. IEEE Photonics Technology Letters, 2013, 25(2): 202-205.
[130] Wang B, Fan X Y, Wang S, et al. Laser phase noise compensation in long-range OFDR by using an optical fiber delay loop[J]. Optics Communications, 2016, 365: 220-224.
[131] Li P F, Fu C L, Du B, et al. High-spatial-resolution strain sensor based on distance compensation and image wavelet denoising method in OFDR[J]. Journal of Lightwave Technology, 2021, 39(19): 6334-6339.
[132] Wang M F, Feng W, Xie K, et al. Wide measurement range distributed strain sensing with phase-accumulation optical frequency domain reflectometry[J]. Journal of Lightwave Technology, 2022, 40(15): 5307-5315.
[133] Jones J T, Sweeney D C, Birri A, et al. Calibration of distributed temperature sensors using commercially available SMF-28 optical fiber from 22 ℃ to 1000 ℃[J]. IEEE Sensors Journal, 2022, 22(5): 4144-4151.
[134] Cui J W, Zhao S Y, Yang D, et al. Investigation of the interpolation method to improve the distributed strain measurement accuracy in optical frequency domain reflectometry systems[J]. Applied Optics, 2018, 57(6): 1424-1431.
[135] Zhao S Y, Cui J W, Wu Z J, et al. Accuracy improvement in OFDR-based distributed sensing system by image processing[J]. Optics and Lasers in Engineering, 2020, 124: 105824.
[136] Qu S, Qin Z G, Xu Y P, et al. High spatial resolution investigation of OFDR based on image denoising methods[J]. IEEE Sensors Journal, 2021, 21(17): 18871-18876.
[137] Pan M, Hua P D, Ding Z Y, et al. Long distance distributed strain sensing in OFDR by BM3D-SAPCA image denoising[J]. Journal of Lightwave Technology, 2022, 40(24): 7952-7960.
[138] Zhao S Y, Cui J W, Suo L J, et al. Performance investigation of OFDR sensing system with a wide strain measurement range[J]. Journal of Lightwave Technology, 2019, 37(15): 3721-3727.
[139] Leviatan E, Eyal A. High resolution DAS via sinusoidal frequency scan OFDR (SFS-OFDR)[J]. Optics Express, 2015, 23(26): 33318-33334.
[140] Ding Z Y, Yao X S, Liu T G, et al. Long-range vibration sensor based on correlation analysis of optical frequency-domain reflectometry signals[J]. Optics Express, 2012, 20(27): 28319-28329.
[141] Zhou D P, Qin Z G, Li W H, et al. Distributed vibration sensing with time-resolved optical frequency-domain reflectometry[J]. Optics Express, 2012, 20(12): 13138-13145.
[142] Qu S, Qin Z G, Xu Y P, et al. Distributed sparse signal sensing based on compressive sensing OFDR[J]. Optics Letters, 2020, 45(12): 3288-3291.
[143] Wang S, Fan X Y, Liu Q W, et al. Distributed fiber-optic vibration sensing based on phase extraction from time-gated digital OFDR[J]. Optics Express, 2015, 23(26): 33301-33309.
[144] Qu S, Qin Z G, Xu Y P, et al. Improvement of strain measurement range via image processing methods in OFDR system[J]. Journal of Lightwave Technology, 2021, 39(19): 6340-6347.
[146] Bulot P, Bernard R, Cieslikiewicz-Bouet M, et al. Performance study of a zirconia-doped fiber for distributed temperature sensing by OFDR at 800 ℃[J]. Sensors, 2021, 21(11): 3788.
[147] Liu K, Jin X B, Jiang J F, et al. Interferometer-based distributed optical fiber sensors in long-distance vibration detection: a review[J]. IEEE Sensors Journal, 2022, 22(22): 21428-21444.
[148] Hong X B, Wu J, Zuo C, et al. Dual Michelson interferometers for distributed vibration detection[J]. Applied Optics, 2011, 50(22): 4333-4338.
[149] Weir K, Boyle W J O, Meggit B T, et al. A novel adaptation of the Michelson interferometer for the measurement of vibration[J]. Journal of Lightwave Technology, 1992, 10(5): 700-703.
[150] Ferrari J A, García P. Optical-fiber vibration sensor using step interferometry[J]. Applied Optics, 1996, 35(28): 5667-5669.
[151] Chojnacki M, Szustakowski M, Zyczkowski M. Unbalanced Michelson’s interferometer as a fiber optic distributed sensor of external signals[J]. Proceedings of SPIE, 2001, 4535: 205-212.
[152] Xie S R, Zou Q L, Wang L W, et al. Positioning error prediction theory for dual Mach-Zehnder interferometric vibration sensor[J]. Journal of Lightwave Technology, 2011, 29(3): 362-368.
[153] Pan L, Liu K, Jiang J F, et al. An improved polarization compensation method for interferometric fiber-optic intrusion sensors[J]. IEEE Photonics Technology Letters, 2017, 29(10): 834-837.
[154] Liu K, Ma P F, An J C, et al. Endpoint detection of distributed fiber sensing systems based on STFT algorithm[J]. Optics & Laser Technology, 2019, 114: 122-126.
[155] Huang Y L, Liu K, Sun Z S, et al. A modulated positioning scheme for asymmetric vibration sensor using high-frequency carrier[J]. Optics and Lasers in Engineering, 2023, 160: 107302.
[156] 杨文晨, 秦增光, 刘兆军, 等. 基于希尔伯特-黄变换的双马赫-曾德分布式光纤传感振动定位方法[J]. 中国光学, 2021, 14(6): 1410-1416.
[157] Liu K, Sun Z S, Jiang J F, et al. A combined events recognition scheme using hybrid features in distributed optical fiber vibration sensing system[J]. IEEE Access, 2019, 7: 105609-105616.
[158] Huang S C, Lin W W, Tsai M T, et al. Fiber optic in-line distributed sensor for detection and localization of the pipeline leaks[J]. Sensors and Actuators A: Physical, 2007, 135(2): 570-579.
[159] Wang H, Sun Q Z, Li X L, et al. Improved location algorithm for multiple intrusions in distributed Sagnac fiber sensing system[J]. Optics Express, 2014, 22(7): 7587-7597.
[160] Wu J Y, Zhuo R S, Wan S P, et al. Intrusion location technology of Sagnac distributed fiber optical sensing system based on deep learning[J]. IEEE Sensors Journal, 2021, 21(12): 13327-13334.
[161] Huang J W, Chen Y C, Xiao Q, et al. A novel Sagnac distributed optical fiber vibration sensor based on time delay estimation algorithm[J]. Proceedings of SPIE, 2021, 11607: 1160705.
[162] Nishimoto T, Miyahara T, Takehana H, et al. Development of 66 kV XLPE submarine cable using optical fiber as a mechanical-damage-detection-sensor[J]. IEEE Transactions on Power Delivery, 1995, 10(4): 1711-1717.
[163] Chen X H, Zou N M, Liang L, et al. Submarine cable monitoring system based on enhanced COTDR with simultaneous loss measurement and vibration monitoring ability[J]. Optics Express, 2021, 29(9): 13115-13128.
[164] TogeK, IidaH, ItoF. Over 10,000-km recirculating measurement with frequency-coded coherent OTDR[C]//2014 OptoElectronics and Communication Conference and Australian Conference on Optical Fibre Technology, July 6-10, 2014, Melbourne, VIC, Australia. New York: IEEE Press, 2014: 380-382.
[165] Dakin J P, Pratt D J, Bibby G W, et al. Distributed optical fibre Raman temperature sensor using a semiconductor light source and detector[J]. Electronics Letters, 1985, 21(13): 569-570.
[166] Tayama H, Fukuda O, Yamamoto K, et al. 6.6 kV XLPE submarine cable with optical fiber sensors to detect anchor damage and defacement of wire armor[J]. IEEE Transactions on Power Delivery, 1995, 10(4): 1718-1723.
[167] Hara T, Terashima K, Takashima H, et al. Development of long range optical fiber sensors for composite submarine power cable maintenance[J]. IEEE Transactions on Power Delivery, 1999, 14(1): 23-30.
[168] Niklès M, Thévenaz L, Salina P, et al. Local analysis of stimulated Brillouin interaction in installed fiber optics cables[J]. NIST Special Publication, 1996, 905: 111-114.
[170] 董玉明. 自发布里渊散射分布式光纤传感技术及其应用研究[D]. 南京: 南京大学, 2007.
DongY M. Research on Raman scattering distributed fiber optic sensing technology and its applications[D]. Nanjing: Nanjing University, 2007.
[171] 吕安强, 李永倩, 李静, 等. 基于BOTDR的光纤复合海底电缆应变/温度监测[J]. 高电压技术, 2014, 40(2): 533-539.
Lü A Q, Li Y Q, Li J, et al. Strain and temperature monitoring of 110 kV optical fiber composite submarine power cable based on Brillouin optical time domain reflectometer[J]. High Voltage Engineering, 2014, 40(2): 533-539.
[172] 张畅生, 郭旭敏, 刘龙春, 等. 高压直流海缆综合在线监测系统研究[J]. 电测与仪表, 2016, 53(22): 27-33.
Zhang C S, Guo X M, Liu L C, et al. Study on integrated online monitoring system of HVDC submarine cable[J]. Electrical Measurement & Instrumentation, 2016, 53(22): 27-33.
[173] 董向华. 基于φ-OTDR技术的海缆扰动监测系统的研究[J]. 光纤与电缆及其应用技术, 2016(3): 32-33, 38.
Dong X H. Research on the submarine optical cable disturbance monitoring system based on φ-OTDR technology[J]. Optical Fiber & Electric Cable and Their Applications, 2016(3): 32-33, 38.
[174] 朱凤杰. 海底电缆运行状态监测技术研究[D]. 厦门: 厦门理工学院, 2017.
ZhuF J. Research on monitoring technology of submarine cable operation state[D]. Xiamen: Xiamen University of Technology, 2017.
[175] Lü A Q, Li J. On-line monitoring system of 35 kV 3-core submarine power cable based on φ‑OTDR[J]. Sensors and Actuators A: Physical, 2018, 273: 134-139.
[176] 李少卿, 吴学智, 余贝. φ-OTDR在海底光缆扰动监测中的应用研究[J]. 光纤与电缆及其应用技术, 2018(2): 31-33, 40.
Li S Q, Wu X Z, Yu B. Application research of φ-OTDR in submarine optical cable disturbance monitoring[J]. Optical Fiber & Electric Cable and Their Applications, 2018(2): 31-33, 40.
[177] Masoudi A, Pilgrim J A, Newson T P, et al. Subsea cable condition monitoring with distributed optical fiber vibration sensor[J]. Journal of Lightwave Technology, 2019, 37(4): 1352-1358.
[178] 单媛媛. 基于φ-OTDR的分布式光纤振动传感系统关键技术研究[D]. 南京: 南京大学, 2019.
ShanY Y. Research on key technologies of distributed optical fiber vibration sensing system based on φ-OTDR[D]. Nanjing: Nanjing University, 2019.
[179] Tong J, Yang D L, Gao Q, et al. Research on Raman-OTDR sensing based Optical Phase Conductor (OPPC) temperature monitoring and the section temperature field[J]. Proceedings of SPIE, 2013, 9044: 904405.
[180] Sun J X, Zhang Z G, Li Y M, et al. Distributed transmission line ice-coating recognition system based on BOTDR temperature monitoring[J]. Journal of Lightwave Technology, 2021, 39(12): 3967-3973.
[181] Chai Q, Luo Y, Ren J, et al. Review on fiber-optic sensing in health monitoring of power grids[J]. Optical Engineering, 2019, 58(7): 072007.
[182] 李成宾, 杨志, 黄春林. 光纤布里渊传感在输电线路覆冰监测中的应用[J]. 电力系统通信, 2009, 30(6): 37-41.
Li C B, Yang Z, Huang C L. Application of optical fiber Brillouin sensor for power transmission lines icing monitoring[J]. Telecommunications for Electric Power System, 2009, 30(6): 37-41.
[183] 张旭苹, 武剑灵, 单媛媛, 等. 基于分布式光纤传感技术的智能电网输电线路在线监测[J]. 光电子技术, 2017, 37(4): 221-229.
[184] Praveena S P, Vennila L, et al. Investigation of passive optical network based on QoS issues in wireless fibre to the home architecture for fault identification and detection[J]. Wireless Personal Communications, 2017, 96(1): 961-976.
[185] 吴念, 王海涛, 张宗峰, 等. 基于OPGW的输电线路覆冰广域监测方法[J]. 中国电力, 2017, 50(5): 65-70.
Wu N, Wang H T, Zhang Z F, et al. Research of transmission line icing wide-area monitoring based on OPGW[J]. Electric Power, 2017, 50(5): 65-70.
[186] 陈浩, 徐阳, 钱森, 等. 分布式光纤超声传感器用于检测电缆接头放电故障[J]. 光学学报, 2021, 41(3): 0306001.
[187] Ding Z W, Zhang X P, Zou N M, et al. Phi-OTDR based on-line monitoring of overhead power transmission line[J]. Journal of Lightwave Technology, 2021, 39(15): 5163-5169.
[188] 李浩, 王峰, 周霄, 等. 基于布里渊光时域反射计的紧套型OPGW覆冰厚度监测[J]. 光子学报, 2021, 50(11): 1106001.
[189] . Strategic action plan for energy development(2014—2020)[J]. Bulletin of the State Council of the People's Republic of China, 2014, 33: 9-16.
. 能源发展战略行动计划(2014—2020年)[J]. 中华人民共和国国务院公报, 2014, 33: 9-16.
[190] 谢和平, 周宏伟, 薛东杰, 等. 煤炭深部开采与极限开采深度的研究与思考[J]. 煤炭学报, 2012, 37(4): 535-542.
Xie H P, Zhou H W, Xue D J, et al. Research and consideration on deep coal mining and critical mining depth[J]. Journal of China Coal Society, 2012, 37(4): 535-542.
[192] Yang S Q, Chen M, Jing H W, et al. A case study on large deformation failure mechanism of deep soft rock roadway in Xin'An coal mine, China[J]. Engineering Geology, 2017, 217: 89-101.
[193] 施斌, 张丹, 朱鸿鹄. 地质与岩土工程分布式光纤监测技术[M]. 北京: 科学出版社, 2019.
ShiB, ZhangD, ZhuH H. Distributed fiber optic sensing for geoengineering monitoring[M]. Beijing: Science Press, 2019.
[194] 施斌, 顾凯, 魏广庆, 等. 地面沉降钻孔全断面分布式光纤监测技术[J]. 工程地质学报, 2018, 26(2): 356-364.
Shi B, Gu K, Wei G Q, et al. Full section monitoring of land subsidence borehole using distributed fiber optic sensing techniques[J]. Journal of Engineering Geology, 2018, 26(2): 356-364.
[195] Chai J, Du W G, Yuan Q, et al. Analysis of test method for physical model test of mining based on optical fiber sensing technology detection[J]. Optical Fiber Technology, 2019, 48: 84-94.
[196] Chai J, Du W G. Experimental study on the application of BOTDA in the overlying strata deformation monitoring induced by coal mining[J]. Journal of Sensors, 2019, 2019: 1-9.
[197] 李世念, 张旭苹, 宋宏, 等. 分布式光纤传感技术在煤矿地质监测中的应用[J]. 应用科学学报, 2020, 38(2): 215-225.
Li S N, Zhang X P, Song H, et al. Distributed optical fiber sensing technology and its application in coal mine safety production[J]. Journal of Applied Sciences, 2020, 38(2): 215-225.
[198] LiuZ, GaoG, XuF, et al. Optical fiber sensing technology in deformation monitoring shaft of Jinchuan Mine[M]. Boston: CRC Press, 2011.
[199] Piao C D, Yuan J, Shi B, et al. Application of distributed optical fiber sensing technology in the anomaly detection of shaft lining in grouting[J]. Journal of Sensors, 2015, 2015: 1-8.
[200] 侯公羽, 谢冰冰, 江玉生, 等. 基于BOTDR的光纤应变与顶板沉降变形关系的模型构建与试验研究[J]. 岩土力学, 2017, 38(5): 1298-1304.
Hou G Y, Xie B B, Jiang Y S, et al. Theoretical and experimental study of the relationship between optical fiber strain and settlement of roof based on BOTDR technology[J]. Rock and Soil Mechanics, 2017, 38(5): 1298-1304.
[201] 张平松, 张丹, 孙斌杨, 等. 巷道断面空间岩层变形与破坏演化特征光纤监测研究[J]. 工程地质学报, 2019, 27(2): 260-266.
Zhang P S, Zhang D, Sun B Y, et al. Optical fiber monitoring technology for evolution characteristic of rock stratum deformation and failure in space of mining field[J]. Journal of Engineering Geology, 2019, 27(2): 260-266.
[202] Zhang X P, Zheng Y Y, Zhang C, et al. A fading tolerant phase-sensitive optical time domain reflectometry based on phasing-locking structure[J]. Electronics, 2021, 10(5): 535.
[203] 袁亮, 张平松. 煤炭精准开采透明地质条件的重构与思考[J]. 煤炭学报, 2020, 45(7): 2346-2356.
Yuan L, Zhang P S. Framework and thinking of transparent geological conditions for precise mining of coal[J]. Journal of China Coal Society, 2020, 45(7): 2346-2356.
[204] 苟量, 张少华, 余刚, 等. 光纤地球物理技术的发展现状与展望[J]. 石油物探, 2022, 61(1): 15-31.
Gou L, Zhang S H, Yu G, et al. Optical fiber geophysics: development status and future prospects[J]. Geophysical Prospecting for Petroleum, 2022, 61(1): 15-31.
[205] 郝小柱, 张汉泉, 韦成龙, 等. 光纤水听器阵列应用于海洋地震勘探的试验[J]. 热带海洋学报, 2018, 37(3): 93-98.
Hao X Z, Zhang H Q, Wei C L, et al. Sea trial for fiber-optic hydrophone array used in marine geophysical exploration[J]. Journal of Tropical Oceanography, 2018, 37(3): 93-98.
[206] 周小慧, 陈伟, 杨江峰, 等. DAS技术在油气地球物理中的应用综述[J]. 地球物理学进展, 2021, 36(1): 338-350.
Zhou X H, Chen W, Yang J F, et al. Application review of DAS technology in oil and gas geophysics[J]. Progress in Geophysics, 2021, 36(1): 338-350.
[207] Yu G, Xiong J L, Wu J J, et al. Enhanced surface seismic data processing using simultaneous acquired DAS-VSP data[J]. First Break, 2020, 38(6): 29-36.
[208] Ishii H, Kawamura K, Ono T, et al. A fire detection system using optical fibres for utility tunnels[J]. Fire Safety Journal, 1997, 29(2/3): 87-98.
[209] Yan B Q, Li J, Zhang M J, et al. Raman distributed temperature sensor with optical dynamic difference compensation and visual localization technology for tunnel fire detection[J]. Sensors, 2019, 19(10): 2320.
[210] Wang X, Shi B, Wei G Q, et al. Monitoring the behavior of segment joints in a shield tunnel using distributed fiber optic sensors[J]. Structural Control and Health Monitoring, 2018, 25(1): e2056.
[211] 陈光富, 蔡德所, 刘健夫, 等. 一种新型铁路路基沉降监测技术探讨[J]. 铁道建筑, 2011, 51(6): 90-92.
Chen G F, Cai D S, Liu J F, et al. Discussion on a new monitoring technology of railway subgrade settlement[J]. Railway Engineering, 2011, 51(6): 90-92.
[212] Milne D, Masoudi A, Ferro E, et al. An analysis of railway track behaviour based on distributed optical fibre acoustic sensing[J]. Mechanical Systems and Signal Processing, 2020, 142: 106769.
[213] 胡洲畅. φ-OTDR传感技术在铁路安全监测中的应用[D]. 合肥: 中国科学技术大学, 2021.
HuZ C. Application of φ-OTDR sensing technology in railway safety monitoring[D]. Hefei: University of Science and Technology of China, 2021.
[214] Peng Z Q, Jian J N, Wen H Q, et al. Distributed fiber sensor and machine learning data analytics for pipeline protection against extrinsic intrusions and intrinsic corrosions[J]. Optics Express, 2020, 28(19): 27277-27292.
[215] Jiang J P, Liu F, Wang H H, et al. Lateral positioning of vibration source for underground pipeline monitoring based on ultra-weak fiber Bragg grating sensing array[J]. Measurement, 2021, 172: 108892.
[216] Du Y K, Shang Y, Wang C, et al. Intrusive and non-intrusive microflow measurement based on distributed optical fiber acoustic sensing[J]. Measurement, 2023, 210: 112513.
[217] Li T D, Fan C Z, Li H, et al. Nonintrusive distributed flow rate sensing system based on flow-induced vibrations detection[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 7001808.
[218] Kurmer J P, Kingsley S A, Laudo J S, et al. Distributed fiber optic acoustic sensor for leak detection[J]. Proceedings of SPIE, 1992, 1586: 117-128.
[219] 周琰, 靳世久, 曾周末, 等. 分布式光纤管道安全检测定位技术研究[J]. 光电子·激光, 2008, 19(7): 922-924.
Zhou Y, Jin S J, Zeng Z M. Study on the distributed optical fiber sensing technology for pipeline safety detection and location[J]. Journal of Optoelectronics·Laser, 2008, 19(7): 922-924.
[221] Yan S Z, Chyan L S. Performance enhancement of BOTDR fiber optic sensor for oil and gas pipeline monitoring[J]. Optical Fiber Technology, 2010, 16(2): 100-109.
[222] Kwon I B, Jin G H, Seo D C, et al. Feasibility study for monitoring of off-shore pipelines using BOTDA system[J]. Proceedings of SPIE, 2009, 7317: 73170O.
[223] Stajanca P, Chruscicki S, Homann T, et al. Detection of leak-induced pipeline vibrations using fiber: optic distributed acoustic sensing[J]. Sensors, 2018, 18(9): 2841.
[224] BoulangerA J, KominskyD, HehrA, et al. Embedded fiber optic sensors for multi-parameter fluid measurements[C]//Proceedings of the AIAA Scitech 2020 Forum, January 6-10, 2020, Orlando, FL. Virginia: AIAA Press, 2020: 0710.
[226] Zhu L Q, Sun G K, Bao W M, et al. Structural deformation monitoring of flight vehicles based on optical fiber sensing technology: a review and future perspectives[J]. Engineering, 2022, 16: 39-55.
[227] Di Sante R. Fibre optic sensors for structural health monitoring of aircraft composite structures: recent advances and applications[J]. Sensors, 2015, 15(8): 18666-18713.
[228] 巴德欣, 董永康. 分布式光纤传感技术及其在航空航天领域的应用展望[J]. 宇航学报, 2020, 41(6): 730-738.
Ba D X, Dong Y K. Distributed optical fiber sensor and its potential applications in health monitoring of aerospace structures[J]. Journal of Astronautics, 2020, 41(6): 730-738.
[229] Díaz-Maroto FernándezP, Guerrero VázquezS, García AlonsoJ, et al. Dynamic distributed fibre optic sensing for environmental and operational aircraft monitoring[M]//Rizzo P, Milazzo A. European workshop on structural health monitoring. Lecture notes in civil engineering. Cham: Springer, 2021, 128: 352-361.
[230] OhanianO J, DavisM A, ValaniaJ, et al. Embedded fiber optic SHM sensors for inflatable space habitats[C]//Proceedings of the ASCEND 2020, November 16-18, 2020, Virtual Event. Virginia: AIAA Press, 2020: 4049.
[231] LiY W, Sharif KhodaeiZ. The sensitivity enhancement of distributed fiber optical sensors[M]//Rizzo P, Milazzo A. European workshop on structural health monitoring. Lecture notes in civil engineering. Cham: Springer, 2023, 253: 351-359.
[232] Tosi D, Molardi C, Sypabekova M, et al. Enhanced backscattering optical fiber distributed sensors: tutorial and review[J]. IEEE Sensors Journal, 2021, 21(11): 12667-12678.
[233] 张旭苹, 丁哲文, 洪瑞, 等. 相位敏感光时域反射分布式光纤传感技术[J]. 光学学报, 2021, 41(1): 0106004.
[234] Liang Z H, Liu D B, Wang X, et al. FBG-based strain monitoring and temperature compensation for composite tank[J]. Aerospace Science and Technology, 2022, 127: 107724.
[235] 单一男, 马智锦, 曾旭, 等. 基于分布式光纤传感技术的结构变形估计方法研究[J]. 仪器仪表学报, 2021, 42(4): 1-9.
Shan Y N, Ma Z J, Zeng X, et al. Research on structural deformation estimation based on distributed optical fiber sensing technology[J]. Chinese Journal of Scientific Instrument, 2021, 42(4): 1-9.
[236] Park J, Taylor H F, Bennett K D. Fiber optic intrusion sensor[J]. Proceedings of SPIE, 1996, 2895: 214-221.
[237] Rao Y J, Li J Z, Ran Z L, et al. Distributed intrusion detection based on combination of phi-OTDR and POTDR[J]. Proceedings of SPIE, 2008, 7004: 700461.
[238] Yang N C, Zhao Y J, Chen J Y, et al. Real-time classification for Φ-OTDR vibration events in the case of small sample size datasets[J]. Optical Fiber Technology, 2023, 76: 103217.
[239] Huang X D, Zhang H J, Liu K, et al. Hybrid feature extraction-based intrusion discrimination in optical fiber perimeter security system[J]. IEEE Photonics Journal, 2016, 9(1): 7800212.
[240] Huang X D, Wang Y D, Liu K, et al. High-efficiency endpoint detection in optical fiber perimeter security[J]. Journal of Lightwave Technology, 2016, 34(21): 5049-5055.
[241] Allwood G, Wild G, Hinckley S. Optical fiber sensors in physical intrusion detection systems: a review[J]. IEEE Sensors Journal, 2016, 16(14): 5497-5509.
[242] Li J C, Wang Y, Wang P F, et al. Pattern recognition for distributed optical fiber vibration sensing: a review[J]. IEEE Sensors Journal, 2021, 21(10): 11983-11998.
[243] Zhang X P, Hu J H, Zhang Y X. A hybrid single-end-access BOTDA and COTDR sensing system using heterodyne detection[J]. Journal of Lightwave Technology, 2013, 31(12): 1954-1959.
[244] Wang F, Zhang X P, Wang X C, et al. Distributed fiber strain and vibration sensor based on Brillouin optical time-domain reflectometry and polarization optical time-domain reflectometry[J]. Optics Letters, 2013, 38(14): 2437-2439.
[245] Zhang J D, Zhu T, Zhou H, et al. High spatial resolution distributed fiber system for multi-parameter sensing based on modulated pulses[J]. Optics Express, 2016, 24(24): 27482-27493.
[246] Huang L J, Fan X Y, He Z Y. Hybrid distributed fiber-optic sensing system by using Rayleigh backscattering lightwave as probe of stimulated Brillouin scattering[J]. Journal of Lightwave Technology, 2023, 41(13): 4374-4380.
[247] Wang B Z, Ba D X, Chu Q, et al. High-sensitivity distributed dynamic strain sensing by combining Rayleigh and Brillouin scattering[J]. Opto-Electronic Advances, 2020, 3(12): 200013.
[248] Zhou D P, Li W H, Chen L, et al. Distributed temperature and strain discrimination with stimulated Brillouin scattering and Rayleigh backscatter in an optical fiber[J]. Sensors, 2013, 13(2): 1836-1845.
[249] Dang Y L, Zhao Z Y, Tang M, et al. Towards large dynamic range and ultrahigh measurement resolution in distributed fiber sensing based on multicore fiber[J]. Optics Express, 2017, 25(17): 20183-20193.
[250] Fu Y, Wang Z N, Zhu R C, et al. Ultra-long-distance hybrid BOTDA/Ф-OTDR[J]. Sensors, 2018, 18(4): 976.
[251] Zhou X, Wang F, Liu Z, et al. Hybrid B-OTDR/Φ-OTDR for multi-parameter measurement from a single end of fiber[J]. Optics Express, 2022, 30(16): 29117-29127.
[252] Kishida K, Li C H, Nishiguchi K, et al. Hybrid Brillouin-Rayleigh distributed sensing system[J]. Proceedings of SPIE, 2012, 8421: 84212G.
[254] Clément P, Gabet R, Lanticq V, et al. B-OTDR solution for independent temperature and strain measurement in a single acquisition[J]. Journal of Lightwave Technology, 2021, 39(18): 6013-6020.
[255] 周进. 多参数分布式光纤传感系统关键技术研究[D]. 重庆: 重庆大学, 2016.
ZhouJ. Research on key technologies of multi-parameter distributed optical fiber sensing system[D]. Chongqing: Chongqing University, 2016.
[256] Muanenda Y, Oton C J, Faralli S, et al. Hybrid distributed acoustic and temperature sensor using a commercial off-the-shelf DFB laser and direct detection[J]. Optics Letters, 2016, 41(3): 587-590.
[257] Zhang Y X, Cai Y S, Xiong F, et al. A hybrid distributed optical fibre sensor for acoustic and temperature fields reconstruction[J]. Optics Communications, 2019, 435: 134-139.
[258] Zhao Z Y, Dang Y L, Tang M, et al. Enabling simultaneous DAS and DTS through space-division multiplexing based on multicore fiber[J]. Journal of Lightwave Technology, 2018, 36(24): 5707-5713.
[259] Alahbabi M N, Cho Y T, Newson T P. Simultaneous distributed measurements of temperature and strain using spontaneous Raman and Brillouin scattering[J]. Proceedings of SPIE, 2004, 5502: 488-491.
[260] Taki M, Signorini A, Oton C J, et al. Hybrid Raman/Brillouin-optical-time-domain-analysis-distributed optical fiber sensors based on cyclic pulse coding[J]. Optics Letters, 2013, 38(20): 4162-4165.
[261] Zhao Z Y, Dang Y L, Tang M, et al. Spatial-division multiplexed hybrid Raman and Brillouin optical time-domain reflectometry based on multi-core fiber[J]. Optics Express, 2016, 24(22): 25111-25118.
[262] Huang L J, Fan X Y, He H J, et al. Single-end hybrid Rayleigh Brillouin and Raman distributed fibre-optic sensing system[J]. Light: Advanced Manufacturing, 2023, 4(2): 16.
[263] Zhu T, He Q, Xiao X H, et al. Modulated pulses based distributed vibration sensing with high frequency response and spatial resolution[J]. Optics Express, 2013, 21(3): 2953-2963.
[264] HeH J, ShaoL Y, LiZ L, et al. Distributed vibration sensing with high frequency response based on frequency division multiplexing[C]//2016 Optical Fiber Communications Conference and Exhibition (OFC), March 20-24, 2016, Anaheim, CA, USA. New York: IEEE Press, 2016.
[265] Ma P F, Sun Z S, Liu K, et al. Distributed fiber optic vibration sensing with wide dynamic range, high frequency response, and multi-points accurate location[J]. Optics & Laser Technology, 2020, 124: 105966.
[266] Sun Z S, Liu K, Jiang J F, et al. Dynamic phase extraction in an ameliorated distributed vibration sensor using a highly stable homodyne detection[J]. IEEE Sensors Journal, 2021, 21(23): 27005-27014.
[267] Sun Z S, Liu K, Jiang J F, et al. Distributed vibration sensing with high frequency response by using WDM based integrated scheme[J]. Journal of Physics D: Applied Physics, 2020, 53(15): 155106.
[268] Murray M J, Murray J B, Ogden H M, et al. Dynamic temperature-strain discrimination using a hybrid distributed fiber sensor based on Brillouin and Rayleigh scattering[J]. Optics Express, 2022, 31(1): 287-300.
[269] Alahbabi M N, Cho Y T, Newson T P. Simultaneous temperature and strain measurement with combined spontaneous Raman and Brillouin scattering[J]. Optics Letters, 2005, 30(11): 1276-1278.
[270] KrempT, WestbrookP S, FederK S, et al. Continuous optical fiber gratings for distributed sensing[C]//Optica Advanced Photonics Congress 2022, July 24-28, 2022, Maastricht, Limburg. Washington, DC: Optica Publishing Group, 2022: BW4A.1.
[271] Parent F, Loranger S, Mandal K K, et al. Enhancement of accuracy in shape sensing of surgical needles using optical frequency domain reflectometry in optical fibers[J]. Biomedical Optics Express, 2017, 8(4): 2210-2221.
[272] Feng S W, Xu T W, Huang J F, et al. Enhanced SNR phase-sensitive OTDR system with active fiber[J]. Proceedings of SPIE, 2018, 10849: 108490C.
[273] 刘帅, 汪志, 王爱清, 等. 微结构光纤分布式传感技术实现油井压裂监测[J]. 应用科学学报, 2022, 40(2): 190-203.
Liu S, Wang Z, Wang A Q, et al. Fracturing monitoring of oil-wells using microstructured optical fiber based distributed sensing[J]. Journal of Applied Sciences, 2022, 40(2): 190-203.
[274] 孙琪真, 李豪, 范存政, 等. 基于散射增强光纤的分布式声波传感研究进展[J]. 激光与光电子学进展, 2022, 59(21): 2100001.
[275] Redding B, Murray M J, Donko A, et al. Low-noise distributed acoustic sensing using enhanced backscattering fiber with ultra-low-loss point reflectors[J]. Optics Express, 2020, 28(10): 14638-14647.
[277] Rothhardt M W, Chojetzki C, Mueller H R. High-mechanical-strength single-pulse draw tower gratings[J]. Proceedings of SPIE, 2004, 5579: 127-135.
[278] Askins C G, Tsai T E, Williams G M, et al. Fiber Bragg reflectors prepared by a single excimer pulse[J]. Optics Letters, 1992, 17(11): 833-835.
[279] XiaoX P, SongQ G, LiuY B, et al. On-line inscribing ultra-weak fiber Bragg grating arrays in UV-transparent coating optical fiber[C]//2022 Asia Communications and Photonics Conference (ACP), November 5-8, 2022, Shenzhen, China. New York: IEEE Press, 2023: 124-127.
[280] Wang Y P, Li Z L, Liu S, et al. Parallel-integrated fiber Bragg gratings inscribed by femtosecond laser point-by-point technology[J]. Journal of Lightwave Technology, 2019, 37(10): 2185-2193.
[281] Wu M S, Fan X Y, Liu Q W, et al. Highly sensitive quasi-distributed fiber-optic acoustic sensing system by interrogating a weak reflector array[J]. Optics Letters, 2018, 43(15): 3594-3597.
[282] Liu T, Li H, He T, et al. Ultra-high resolution strain sensor network assisted with an LS-SVM based hysteresis model[J]. Opto-Electronic Advances, 2021, 4(5): 200037.
[283] Wu M S, Fan X Y, Liu Q W, et al. Quasi-distributed fiber-optic acoustic sensing system based on pulse compression technique and phase-noise compensation[J]. Optics Letters, 2019, 44(24): 5969-5972.
[284] YangW, FuX L, WangJ Q, et al. Demodulation method of identical ultra-weak fiber Bragg grating array based on golay code[C]//2019 11th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA), April 28-29, 2019, Qiqihar, China. New York: IEEE Press, 2019: 256-260.
[285] Zhang Y X, Fu S Y, Chen Y S, et al. A visibility enhanced broadband phase-sensitive OTDR based on the UWFBG array and frequency-division-multiplexing[J]. Optical Fiber Technology, 2019, 53: 101995.
[286] Li H, Fan C Z, Liu T, et al. Time-slot multiplexing based bandwidth enhancement for fiber distributed acoustic sensing[J]. Science China Information Sciences, 2022, 65(1): 119303.
[287] Masoudi A, Beresna M, Brambilla G. 152 km-range single-ended distributed acoustic sensor based on inline optical amplification and a micromachined enhanced-backscattering fiber[J]. Optics Letters, 2021, 46(3): 552-555.
[288] FanC Z, XiaoX P, LiH, et al. Full link SNR equalization DAS system over 80 km based on gradient discrete scattering enhanced fiber[C]//2023 Optical Fiber Communications Conference and Exhibition (OFC), March 5-9, 2023, San Diego, CA, USA. New York: IEEE Press, 2023.
[289] Ashry I, Mao Y, Wang B W, et al. A review of distributed fiber-optic sensing in the oil and gas industry[J]. Journal of Lightwave Technology, 2022, 40(5): 1407-1431.
[290] Lauber T, Lees G. Enhanced temperature measurement performance: fusing DTS and DAS results[J]. IEEE Sensors Journal, 2021, 21(6): 7948-7953.
[291] Mao Y, Ashry I, Hveding F, et al. Simultaneous distributed acoustic and temperature sensing using a multimode fiber[J]. IEEE Journal of Selected Topics in Quantum Electronics, 2020, 26(4): 5600207.
[292] Ekechukwu G K, Sharma J. Well-scale demonstration of distributed pressure sensing using fiber-optic DAS and DTS[J]. Scientific Reports, 2021, 11: 12505.
[293] Ellmauthaler A, LeBlanc M, Bush J, et al. Real-time DAS VSP acquisition and processing on single- and multi-mode fibers[J]. IEEE Sensors Journal, 2021, 21(13): 14847-14852.
[294] Weng Y, Ip E, Pan Z Q, et al. Single-end simultaneous temperature and strain sensing techniques based on Brillouin optical time domain reflectometry in few-mode fibers[J]. Optics Express, 2015, 23(7): 9024-9039.
[295] Xu P B, Yuan J H, Gao Z S, et al. Bending-loss-resistant distributed Brillouin curvature sensor based on an erbium-doped few-mode fiber[J]. Optics Letters, 2021, 46(13): 3239-3242.
[296] Moore J P, Rogge M D. Shape sensing using multi-core fiber optic cable and parametric curve solutions[J]. Optics Express, 2012, 20(3): 2967-2973.
[297] Amanzadeh M, Aminossadati S M, Kizil M S, et al. Recent developments in fibre optic shape sensing[J]. Measurement, 2018, 128: 119-137.
[298] Floris I, Adam J M, Calderón P A, et al. Fiber optic shape sensors: a comprehensive review[J]. Optics and Lasers in Engineering, 2021, 139: 106508.
[299] Lally E M, Reaves M, Horrell E, et al. Fiber optic shape sensing for monitoring of flexible structures[[J]. Proceedings of SPIE, 2012, 8345: 83452Y.
[300] Yin G L, Lu L, Zhou L, et al. Distributed directional torsion sensing based on an optical frequency domain reflectometer and a helical multicore fiber[J]. Optics Express, 2020, 28(11): 16140-16150.
[301] Westbrook P S, Kremp T, Feder K S, et al. Continuous multicore optical fiber grating arrays for distributed sensing applications[J]. Journal of Lightwave Technology, 2017, 35(6): 1248-1252.
[302] Zhao Z Y, Shen L, Dang Y L, et al. Enabling long range distributed vibration sensing using multicore fiber interferometers[J]. Optics Letters, 2021, 46(15): 3685-3688.
[303] Zhao Z Y, Tang M, Wang L, et al. Distributed vibration sensor based on space-division multiplexed reflectometer and interferometer in multicore fiber[J]. Journal of Lightwave Technology, 2018, 36(24): 5764-5772.
[304] Feng Y X, Xie W L, Meng Y X, et al. Multicore fiber enabled fading suppression in φ-OFDR based high resolution quantitative DVS[J]. IEEE Photonics Technology Letters, 2022, 34(19): 1026-1029.
[305] Xiao X Z, He J, Du B, et al. Vectorial distributed acoustic sensing based on a multicore fiber and phase-sensitive optical time-domain reflectometry[J]. Optics Letters, 2022, 47(20): 5413-5416.
[306] Cregan R F, Mangan B J, Knight J C, et al. Single-mode photonic band gap guidance of light in air[J]. Science, 1999, 285(5433): 1537-1539.
[307] Fokoua E N, Mousavi S A, Jasion G T, et al. Loss in hollow-core optical fibers: mechanisms, scaling rules, and limits[J]. Advances in Optics and Photonics, 2023, 15(1): 1-85.
[308] Michaud-Belleau V, Fokoua E N, Bradley T D, et al. Backscattering in antiresonant hollow-core fibers: over 40 dB lower than in standard optical fibers[J]. Optica, 2021, 8(2): 216-219.
[309] Slavík R, Fokoua E N, Bradley T D, et al. Optical time domain backscattering of antiresonant hollow core fibers[J]. Optics Express, 2022, 30(17): 31310-31321.
[310] Bykov D S, Schmidt O A, Euser T G, et al. Flying particle sensors in hollow-core photonic crystal fibre[J]. Nature Photonics, 2015, 9(7): 461-465.
[311] Zeltner R, Bykov D S, Xie S, et al. Fluorescence-based remote irradiation sensor in liquid-filled hollow-core photonic crystal fiber[J]. Applied Physics Letters, 2016, 108(23): 231107.
[312] Koeppel M, Sharma A, Podschus J, et al. Doppler optical frequency domain reflectometry for remote fiber sensing[J]. Optics Express, 2021, 29(10): 14615-14629.
[313] Song K Y, Zou W W, He Z Y, et al. Optical time-domain measurement of Brillouin dynamic grating spectrum in a polarization-maintaining fiber[J]. Optics Letters, 2009, 34(9): 1381-1383.
[314] Zou W W, He Z Y, Hotate K. Complete discrimination of strain and temperature using Brillouin frequency shift and birefringence in a polarization-maintaining fiber[J]. Optics Express, 2009, 17(3): 1248-1255.
[315] Song K Y. High-sensitivity optical time-domain reflectometry based on Brillouin dynamic gratings in polarization maintaining fibers[J]. Optics Express, 2012, 20(25): 27377-27383.
[316] Dong Y K, Zhang H Y, Lu Z W, et al. Long-range and high-spatial-resolution distributed birefringence measurement of a polarization-maintaining fiber based on Brillouin dynamic grating[J]. Journal of Lightwave Technology, 2013, 31(16): 2681-2686.
[317] Bergman A, Yaron L, Langer T, et al. Dynamic and distributed slope-assisted fiber strain sensing based on optical time-domain analysis of Brillouin dynamic gratings[J]. Journal of Lightwave Technology, 2015, 33(12): 2611-2616.
[318] Jiang T F, Zhou D W, Xia M, et al. Distributed birefringence measurement of a polarization-maintaining fiber with an extended range based on an enhanced Brillouin dynamic grating[J]. IEEE Photonics Journal, 2020, 12(4): 7102607.
[319] Lee C C, Chiang P W, Chi S. Utilization of a dispersion-shifted fiber for simultaneous measurement of distributed strain and temperature through Brillouin frequency shift[J]. IEEE Photonics Technology Letters, 2001, 13(10): 1094-1096.
[320] Liu X, Bao X Y. Brillouin spectrum in LEAF and simultaneous temperature and strain measurement[J]. Journal of Lightwave Technology, 2012, 30(8): 1053-1059.
[321] Wang B W, Wang L, Guo N, et al. Deep neural networks assisted BOTDA for simultaneous temperature and strain measurement with enhanced accuracy[J]. Optics Express, 2019, 27(3): 2530-2543.
[322] Guo Y Y, Han B, Du J T, et al. Kilometers long graphene-coated optical fibers for fast thermal sensing[J]. Research, 2021, 2021: 5612850.
[323] 林涛. 一种高导热型感温传感光缆: CN216485680U[P]. 2022-05-10.
LinT. A high thermal conductivity temperature sensing optical cable: CN216485680U[P]. 2022-05-10.
[325] YOFC[EB/OL]. [2023-02-06]. https://www.yofc.com/index.php/view/3231.html.
[326] NanZee Sensing[EB/OL]. [2023-02-06]. http://www.nzsensing.com/cpzx/info_3.aspx?itemid=485.
[327] 黎剑华, 申富林, 黄奕辉, 等. 一种分布式光纤应变测量的传感光缆结构: CN215676895U[P]. 2022-01-28.
LiJ H, ShenF L, HuangY H, et al. A sensing fiber optic cable structure for distributed fiber optic strain measurement: CN215676895U[P]. 2022-01-28.
[328] 谭枫, 赵静, 缪小明, 等. 一种变化缠绕节距传感光缆: CN115508968B[P]. 2023-03-24.
TanF, ZhaoJ, MiaoX M, et al. A variable winding pitch sensing optical cable: CN115508968B[P]. 2023-03-24.
[329] Han B, Guan H J, Yao J Z, et al. Distributed acoustic sensing with sensitivity-enhanced optical cable[J]. IEEE Sensors Journal, 2021, 21(4): 4644-4651.
[330] 宛良强, 何光辉, 江山, 等. 一种振动传感光缆: CN114442242A[P]. 2022-05-06.
WanL Q, HeG H, JiangS, et al. A vibration sensing optical cable: CN114442242A[P]. 2022-05-06.
[331] YOFC[EB/OL]. [2023-02-06]. https://www.yofc.com/index.php/view/3242.html.
[333] Hocker G B. Fiber-optic sensing of pressure and temperature[J]. Applied Optics, 1979, 18(9): 1445-1448.
[334] Lavrov V S, Plotnikov M Y, Aksarin S M, et al. Experimental investigation of the thin fiber-optic hydrophone array based on fiber Bragg gratings[J]. Optical Fiber Technology, 2017, 34: 47-51.
[335] 何向阁, 文鹏飞, 杨辉, 等. 基于分布式光纤传感技术实现的小道距海上拖缆地震数据采集系统[J]. 石油物探, 2022, 61(1): 70-77.
He X G, Wen P F, Yang H, et al. Marine towing cable seismic acquisition with small trace interval based on distributed optical fiber sensing[J]. Geophysical Prospecting for Petroleum, 2022, 61(1): 70-77.
[336] YanG F, LongJ Q, JiangL, et al. High performance marine towing cable system based on ultra-sensitive fiber-optic distributed acoustic sensing[C]//2022 Asia Communications and Photonics Conference (ACP), November 5-8, 2022, Shenzhen, China. New York: IEEE Press, 2023: 174-177.
[337] Lu B, Wu B Y, Gu J F, et al. Distributed optical fiber hydrophone based on Φ‑OTDR and its field test[J]. Optics Express, 2021, 29(3): 3147-3162.
[338] Chen J F, Li H, Xiao X P, et al. Fully distributed hydroacoustic sensing based on ultra-highly sensitive and lightweight fiber-optic hydrophone cable[J]. Optics and Lasers in Engineering, 2023, 169: 107734.
[339] Jousset P, Currenti G, Schwarz B, et al. Fibre optic distributed acoustic sensing of volcanic events[J]. Nature Communications, 2022, 13: 1753.
[340] Juarez J C, Maier E W, Choi K N, et al. Distributed fiber-optic intrusion sensor system[J]. Journal of Lightwave Technology, 2005, 23(6): 2081-2087.
[341] Muñoz F, Soto M A. Enhancing fibre-optic distributed acoustic sensing capabilities with blind near-field array signal processing[J]. Nature Communications, 2022, 13: 4019.
[344] Marie T F B, Han D Z, An B W, et al. A research on fiber-optic vibration pattern recognition based on time-frequency characteristics[J]. Advances in Mechanical Engineering, 2018, 10(12): 1-10.
[345] Jia H Z, Lou S Q, Liang S, et al. Event identification by F-ELM model for φ‑OTDR fiber-optic distributed disturbance sensor[J]. IEEE Sensors Journal, 2020, 20(3): 1297-1305.
[346] Tejedor J, Martins H F, Piote D, et al. Toward prevention of pipeline integrity threats using a smart fiber-optic surveillance system[J]. Journal of Lightwave Technology, 2016, 34(19): 4445-4453.
[347] Tejedor J, Macias-Guarasa J, Martins H F, et al. A contextual GMM-HMM smart fiber optic surveillance system for pipeline integrity threat detection[J]. Journal of Lightwave Technology, 2019, 37(18): 4514-4522.
[348] Wu H J, Liu X R, Xiao Y, et al. A dynamic time sequence recognition and knowledge mining method based on the hidden Markov models (HMMs) for pipeline safety monitoring with Φ‑OTDR[J]. Journal of Lightwave Technology, 2019, 37(19): 4991-5000.
[349] Wu H J, Chen J P, Liu X R, et al. One-dimensional CNN-based intelligent recognition of vibrations in pipeline monitoring with DAS[J]. Journal of Lightwave Technology, 2019, 37(17): 4359-4366.
[350] ZhangS X, HeT, FanC Z, et al. An intrusion recognition method based on the combination of one-dimensional CNN and DenseNet with DAS system[C]//Asia Communications and Photonics Conference 2021, October 24-27, Shanghai. Washington, DC: Optica Publishing Group, 2021: T1A.3.
[351] Liu M X, Wang X, Liang S, et al. Single and composite disturbance event recognition based on the DBN-GRU network in φ-OTDR[J]. Applied Optics, 2023, 62(1): 133-141.
[352] Aktas M, Akgun T, Demircin M U, et al. Deep learning based multi-threat classification for phase-OTDR fiber optic distributed acoustic sensing applications[J]. Proceedings of SPIE, 2017, 10208: 102080G.
[353] Li H L, Zhang Z H, Jiang F, et al. An event recognition method for fiber distributed acoustic sensing systems based on the combination of MFCC and CNN[J]. Proceedings of SPIE, 2018, 10618: 1061804.
[354] Xu C J, Guan J J, Bao M, et al. Pattern recognition based on time-frequency analysis and convolutional neural networks for vibrational events in φ-OTDR[J]. Optical Engineering, 2018, 57(1): 016103.
[355] Wu H J, Gan D K, Xu C R, et al. Improved generalization in signal identification with unsupervised spiking neuron networks for fiber-optic distributed acoustic sensor[J]. Journal of Lightwave Technology, 2022, 40(9): 3072-3083.
[356] Li S Z, Peng R Z, Liu Z L. A surveillance system for urban buried pipeline subject to third-party threats based on fiber optic sensing and convolutional neural network[J]. Structural Health Monitoring, 2021, 20(4): 1704-1715.
[357] Shi Y, Li Y H, Zhang Y C, et al. An easy access method for event recognition of Φ-OTDR sensing system based on transfer learning[J]. Journal of Lightwave Technology, 2021, 39(13): 4548-4555.
[358] Yang Y Y, Zhang H F, Li Y. Long-distance pipeline safety early warning: a distributed optical fiber sensing semi-supervised learning method[J]. IEEE Sensors Journal, 2021, 21(17): 19453-19461.
[359] Wang Z Y, Zheng H R, Li L C, et al. Practical multi-class event classification approach for distributed vibration sensing using deep dual path network[J]. Optics Express, 2019, 27(17): 23682-23692.
[360] Wu H J, Zhang L Q, Qian Y, et al. Multi-scale wavelet decomposition and its application in distributed optical fiber fences[J]. Proceedings of SPIE, 2015, 9655: 96553U.
[361] Tu G J, Yu B L, Zhen S L, et al. Enhancement of signal identification and extraction in a Φ‑OTDR vibration sensor[J]. IEEE Photonics Journal, 2017, 9(1): 7100710.
[362] Wang Z Y, Yang J Q, Gu J F, et al. Multi-source aliasing suppression for distributed fiber acoustic sensing with directionally coherent enhancement technology[J]. Optics Letters, 2020, 45(20): 5672-5675.
[363] Wu H J, Liu Y M, Tu Y L, et al. Multi-source separation under two “blind” conditions for fiber-optic distributed acoustic sensor[J]. Journal of Lightwave Technology, 2022, 40(8): 2601-2611.
[364] Lyu C G, Niu Z H, Tian J C, et al. Identification of intrusion events based on distributed optical fiber sensing in complex environment[J]. IEEE Internet of Things Journal, 2022, 9(23): 24212-24220.
[365] Shao L Y, Liu S Q, Bandyopadhyay S, et al. Data-driven distributed optical vibration sensors: a review[J]. IEEE Sensors Journal, 2019, 20(12): 6224-6239.
[366] LiehrS. Artificial neural networks for distributed optical fiber sensing[C]//2021 Optical Fiber Communications Conference and Exhibition (OFC), June 6-10, 2021, San Francisco, California, United States. New York: IEEE Press, 2021.
[367] Kandamali D F, Cao X M, Tian M L, et al. Machine learning methods for identification and classification of events in ϕ‑OTDR systems: a review[J]. Applied Optics, 2022, 61(11): 2975-2997.
[368] Qin Z G, Chen L, Bao X Y. Wavelet denoising method for improving detection performance of distributed vibration sensor[J]. IEEE Photonics Technology Letters, 2012, 24(7): 542-544.
[369] Hui X N, Zheng S L, Zhou J H, et al. Hilbert-Huang transform time-frequency analysis in Φ-OTDR distributed sensor[J]. IEEE Photonics Technology Letters, 2014, 26(23): 2403-2406.
[370] Abufana S A, Dalveren Y, Aghnaiya A, et al. Variational mode decomposition-based threat classification for fiber optic distributed acoustic sensing[J]. IEEE Access, 2020, 8: 100152-100158.
[371] Zhu T, Xiao X H, He Q, et al. Enhancement of SNR and spatial resolution in Φ-OTDR system by using two-dimensional edge detection method[J]. Journal of Lightwave Technology, 2013, 31(17): 2851-2856.
[372] Zhu H, Pan C, Sun X H. Vibration pattern recognition and classification in OTDR based distributed optical-fiber vibration sensing system[J]. Proceedings of SPIE, 2014, 9062: 906205.
[373] FangN, WangL T, JiaD J, et al. Walking intrusion signal recognition method for fiber fence system[C]//Asia Communications and Photonics Conference and Exhibition, November 2-6, 2009, Shanghai. Washington, DC: OSA, 2009: WL96.
[374] 王照勇, 潘政清, 叶青, 等. 用于光纤围栏入侵告警的频谱分析快速模式识别[J]. 中国激光, 2015, 42(4): 0405010.
[375] Sun Q, Feng H, Yan X Y, et al. Recognition of a phase-sensitivity OTDR sensing system based on morphologic feature extraction[J]. Sensors, 2015, 15(7): 15179-15197.
[376] Tejedor J, Macias-Guarasa J, Martins H F, et al. A novel fiber optic based surveillance system for prevention of pipeline integrity threats[J]. Sensors, 2017, 17(2): 355.
[377] 张俊楠, 娄淑琴, 梁生. 基于SVM算法的φ-OTDR分布式光纤扰动传感系统模式识别研究[J]. 红外与激光工程, 2017, 46(4): 0422003.
[378] Wang X, Liu Y, Liang S, et al. Event identification based on random forest classifier for Φ‑OTDR fiber-optic distributed disturbance sensor[J]. Infrared Physics & Technology, 2019, 97: 319-325.
[379] Wang Z D, Lou S Q, Liang S, et al. Multi-class disturbance events recognition based on EMD and XGBoost in φ-OTDR[J]. IEEE Access, 2020, 8: 63551-63558.
[380] Shiloh L, Eyal A, Giryes R. Efficient processing of distributed acoustic sensing data using a deep learning approach[J]. Journal of Lightwave Technology, 2019, 37(18): 4755-4762.
[381] Yang Y Y, Li Y, Zhang T J, et al. Early safety warnings for long-distance pipelines: a distributed optical fiber sensor machine learning approach[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2021, 35(17): 14991-14999.
[382] Azad A K, Khan F N, Alarashi W H, et al. Temperature extraction in Brillouin optical time-domain analysis sensors using principal component analysis based pattern recognition[J]. Optics Express, 2017, 25(14): 16534-16549.
[383] Wu H, Wang L, Guo N, et al. Brillouin optical time-domain analyzer assisted by support vector machine for ultrafast temperature extraction[J]. Journal of Lightwave Technology, 2017, 35(19): 4159-4167.
[384] Tan H X, Wu H, Shen L, et al. Sparse representation of Brillouin spectrum using dictionary learning[J]. Optics Express, 2020, 28(12): 18160-18171.
[385] Liang Y X, Jiang J L, Chen Y X, et al. Optimized feedforward neural network training for efficient Brillouin frequency shift retrieval in fiber[J]. IEEE Access, 2019, 7: 68034-68042.
[387] Wu H, Wan Y Y, Tang M, et al. Real-time denoising of Brillouin optical time domain analyzer with high data fidelity using convolutional neural networks[J]. Journal of Lightwave Technology, 2019, 37(11): 2648-2653.
[388] Liu J Y, Wang T, Zhang Q, et al. Rapid noise removal based dual adversarial network for the Brillouin optical time domain analyzer[J]. Optics Express, 2021, 29(21): 34002-34014.
[389] Zheng H, Yan Y X, Wang Y Y, et al. Deep learning enhanced long-range fast BOTDA for vibration measurement[J]. Journal of Lightwave Technology, 2022, 40(1): 262-268.
[390] Liehr S, Borchardt C, Münzenberger S. Long-distance fiber optic vibration sensing using convolutional neural networks as real-time denoisers[J]. Optics Express, 2020, 28(26): 39311-39325.
[391] Caceres J N, Noda K, Zhu G T, et al. Spatial resolution enhancement of Brillouin optical correlation-domain reflectometry using convolutional neural network: proof of concept[J]. IEEE Access, 2021, 9: 124701-124710.
[392] Zhao Y, Ansari F. Embedded fiber optic sensor for characterization of interface strains in FRP composite[J]. Sensors and Actuators A: Physical, 2002, 100(2/3): 247-251.
[393] Ansari F. Practical implementation of optical fiber sensors in civil structural health monitoring[J]. Journal of Intelligent Material Systems and Structures, 2007, 18(8): 879-889.
[394] Wang H P, Jiang L Z, Xiang P. Priority design parameters of industrialized optical fiber sensors in civil engineering[J]. Optics & Laser Technology, 2018, 100: 119-128.
[395] 王花平, 向平. 基于应变传递理论的光纤传感器优化设计[J]. 光学 精密工程, 2016, 24(6): 1233-1241.
[396] 张旭苹, 王峰, 路元刚. 基于布里渊效应的连续分布式光纤传感技术[J]. 激光与光电子学进展, 2009, 46(11): 14-20.
[397] Wang H P, Yin J Y, Yang S H, et al. Parametric reflection of the quasi-distributed optical fiber sensors with flexible packaging layer for bending strain measurement[J]. Optics & Laser Technology, 2023, 158: 108893.
[398] Wang H P, Chen C, Ni Y Q, et al. Computer-aided feature recognition of CFRP plates based on real-time strain fields reflected from FBG measured signals[J]. Composites Part B: Engineering, 2023, 263: 110866.
[399] Yan Y X, Zheng H, Zhao Z Y, et al. Distributed optical fiber sensing assisted by optical communication techniques[J]. Journal of Lightwave Technology, 2021, 39(12): 3654-3670.
[400] Zhou J, Pan Z Q, Ye Q, et al. Characteristics and explanations of interference fading of a ϕ‑OTDR with a multi-frequency source[J]. Journal of Lightwave Technology, 2013, 31(17): 2947-2954.
[401] Voskoboinik A, Yilmaz O F, Willner A W, et al. Sweep-free distributed Brillouin time-domain analyzer (SF-BOTDA)[J]. Optics Express, 2011, 19(26): B842-B847.
[402] Chen D, Liu Q W, He Z Y. Phase-detection distributed fiber-optic vibration sensor without fading-noise based on time-gated digital OFDR[J]. Optics Express, 2017, 25(7): 8315-8325.
[403] Wu Y, Wang Z N, Xiong J, et al. Interference fading elimination with single rectangular pulse in OTDR[J]. Journal of Lightwave Technology, 2019, 37(13): 3381-3387.
[404] He H J, Yan L S, Qian H, et al. Suppression of the interference fading in phase-sensitive OTDR with phase-shift transform[J]. Journal of Lightwave Technology, 2021, 39(1): 295-302.
[405] Wang Z Y, Pan Z Q, Fang Z J, et al. Ultra-broadband phase-sensitive optical time-domain reflectometry with a temporally sequenced multi-frequency source[J]. Optics Letters, 2015, 40(22): 5192-5195.
[406] Wu M S, Fan X Y, Zhang X P, et al. Frequency response enhancement of phase-sensitive OTDR for interrogating weak reflector array by using OFDM and vernier effect[J]. Journal of Lightwave Technology, 2020, 38(17): 4874-4882.
[407] Soriano-Amat M, Martins H F, Durán V, et al. Time-expanded phase-sensitive optical time-domain reflectometry[J]. Light: Science & Applications, 2021, 10: 51.
[408] Jin C, Wang L, Chen Y L, et al. Single-measurement digital optical frequency comb based phase-detection Brillouin optical time domain analyzer[J]. Optics Express, 2017, 25(8): 9213-9224.
[409] Liang Z H, Pan J S, Gao S C, et al. Spatial resolution improvement of single-shot digital optical frequency comb-based Brillouin optical time domain analysis utilizing multiple pump pulses[J]. Optics Letters, 2018, 43(15): 3534-3537.
[410] Wu Y C, Yang C K, Pan J S, et al. Ultrafast resolution-enhanced digital optical frequency comb-based BOTDA with pump pulse array coding[J]. Sensors, 2020, 20(22): 6411.
[411] He H, Zhao Z Y, Fu S N, et al. High spatial resolution fast Brillouin optical time-domain analysis enabled by frequency-agility digital optical frequency comb[J]. Optics Letters, 2022, 47(14): 3403-3406.
[412] Ren M Q, Lu P, Chen L, et al. Theoretical and experimental analysis of ϕ-OTDR based on polarization diversity detection[J]. IEEE Photonics Technology Letters, 2016, 28(6): 697-700.
[413] Dorize C, Awwad E, Renaudier J. High sensitivity ϕ-OTDR over long distance with polarization multiplexed codes[J]. IEEE Photonics Technology Letters, 2019, 31(20): 1654-1657.
[414] Urricelqui J, López-Fernandino F, Sagues M, et al. Polarization diversity scheme for BOTDA sensors based on a double orthogonal pump interaction[J]. Journal of Lightwave Technology, 2015, 33(12): 2633-2638.
[415] Lopez-Gil A, Dominguez-Lopez A, Martin-Lopez S, et al. Simple method for the elimination of polarization noise in BOTDA using balanced detection and orthogonal probe sidebands[J]. Journal of Lightwave Technology, 2014, 33(12): 2605-2610.
[416] Zornoza A, Sagues M, Loayssa A. Self-heterodyne detection for SNR improvement and distributed phase-shift measurements in BOTDA[J]. Journal of Lightwave Technology, 2012, 30(8): 1066-1072.
[417] Jousset P, Reinsch T, Ryberg T, et al. Dynamic strain determination using fibre-optic cables allows imaging of seismological and structural features[J]. Nature Communications, 2018, 9: 2509.
[418] Williams E F, Fernández-Ruiz M R, Magalhaes R, et al. Distributed sensing of microseisms and teleseisms with submarine dark fibers[J]. Nature Communications, 2019, 10: 5778.
[419] Sladen A, Rivet D, Ampuero J P, et al. Distributed sensing of earthquakes and ocean-solid Earth interactions on seafloor telecom cables[J]. Nature Communications, 2019, 10: 5777.
[420] Lindsey N J, Dawe T C, Ajo-Franklin J B. Illuminating seafloor faults and ocean dynamics with dark fiber distributed acoustic sensing[J]. Science, 2019, 366(6469): 1103-1107.
[421] Ip E, Fang J, Li Y W, et al. Distributed fiber sensor network using telecom cables as sensing media: technology advancements and applications[J]. Journal of Optical Communications and Networking, 2021, 14(1): A61-A68.
[422] Ip E, Ravet F, Martins H, et al. Using global existing fiber networks for environmental sensing[J]. Proceedings of the IEEE, 2022, 110(11): 1853-1888.
[423] Huang M F, Salemi M, Chen Y H, et al. First field trial of distributed fiber optical sensing and high-speed communication over an operational telecom network[J]. Journal of Lightwave Technology, 2020, 38(1): 75-81.
[424] LiuH S, HuangM F, ChenY H, et al. New methods for non-destructive underground fiber localization using distributed fiber optic sensing technology[C]//2020 Opto-Electronics and Communications Conference (OECC), October 4-8, 2020, Taipei, China. New York: IEEE Press, 2020.
[425] XiaT J, WellbrockG A, HuangM F, et al. First proof that geographic location on deployed fiber cable can be determined by using OTDR distance based on distributed fiber optical sensing technology[C]//2020 Optical Fiber Communications Conference and Exhibition (OFC), March 8-12, 2020, San Diego, CA, USA. New York: IEEE Press, 2020.
[426] Hino T, Huang M F, Philip J. Optical fiber sensing technology visualizing the real world via network infrastructures: AI technologies for traffic monitoring[J]. IEICE Technical Report, 2021, 121(165): 29-35.
[427] HuangM F, FangJ, HanS B, et al. Evolution of fiber infrastructure - from data transmission to network sensing[C]//2022 27th OptoElectronics and Communications Conference (OECC) and 2022 International Conference on Photonics in Switching and Computing (PSC), July 3-6, 2022, Toyama, Japan. New York: IEEE Press, 2022.
[428] Wellbrock G A, Xia T J, Huang M F, et al. Explore benefits of distributed fiber optic sensing for optical network service providers[J]. Journal of Lightwave Technology, 2023, 41(12): 3758-3766.
[429] Marra G, Clivati C, Luckett R, et al. Ultrastable laser interferometry for earthquake detection with terrestrial and submarine cables[J]. Science, 2018, 361(6401): 486-490.
[430] Di LuchI, FerrarioM, BoffiP, et al. Demonstration of structural vibration sensing in a deployed PON infrastructure[C]//45th European Conference on Optical Communication (ECOC 2019), September 22-26, 2019, Dublin, Ireland. London: IET, 2020: 1-3.
[431] Di Luch I, Boffi P, Ferrario M, et al. Vibration sensing for deployed metropolitan fiber infrastructure[J]. Journal of Lightwave Technology, 2021, 39(4): 1204-1211.
[432] Marra G, Fairweather D M, Kamalov V, et al. Optical interferometry-based array of seafloor environmental sensors using a transoceanic submarine cable[J]. Science, 2022, 376(6595): 874-879.
[433] Zhan Z W, Cantono M, Kamalov V, et al. Optical polarization-based seismic and water wave sensing on transoceanic cables[J]. Science, 2021, 371(6532): 931-936.
[434] Ip E, Huang Y K, Wellbrock G, et al. Vibration detection and localization using modified digital coherent telecom transponders[J]. Journal of Lightwave Technology, 2022, 40(5): 1472-1482.
[435] RanZ L, RaoY J, LuoL W, et al. φ-OTDR used for providing security service in EPON[C]//2009 14th OptoElectronics and Communications Conference, July 13-17, 2009, Vienna. New York: IEEE Press, 2009.
[436] Honda N, Iida D, Izumita H, et al. In-service line monitoring system in PONs using 1650-nm Brillouin OTDR and fibers with individually assigned BFSs[J]. Journal of Lightwave Technology, 2009, 27(20): 4575-4582.
[437] HuangY K, IpE. Simultaneous optical fiber sensing and mobile front-haul access over a passive optical network[C]//2020 Optical Fiber Communications Conference and Exhibition (OFC), March 8-12, 2020, San Diego, CA, USA. New York: IEEE Press, 2020.
[438] Ng W P, Lalam N, Dai X W, et al. Integrating radio-over-fiber communication system and BOTDR sensor system[J]. Sensors, 2020, 20(8): 2232.
[439] JiaZ S, CamposL A, XuM, et al. Experimental coexistence investigation of distributed acoustic sensing and coherent communication systems[C]//2021 Optical Fiber Communications Conference and Exhibition (OFC), June 6-10, 2021, San Francisco, CA, USA. New York: IEEE Press, 2021.
[440] IpE, HuangY K, WangT, et al. Distributed acoustic sensing for datacenter optical interconnects using self-homodyne coherent detection[C]//Optical Fiber Communication Conference (OFC) 2022, March 6-10, 2022, San Diego, California. Washington, DC: Optica Publishing Group, 2022: W1G.4.
[441] Ip E, Huang Y K, Huang M F, et al. DAS over 1, 007-km hybrid link with 10-Tb/s DP-16QAM co-propagation using frequency-diverse chirped pulses[J]. Journal of Lightwave Technology, 2023, 41(4): 1077-1086.
[442] MarinJ M, BriantcevD, KangC H, et al. Hybrid distributed acoustic sensing and Kramers-Kronig communication system over a two-mode fiber[C]//Optical Fiber Communication Conference (OFC) 2023, March 5-9, 2023, San Diego California. Washington, DC: Optica Publishing Group, 2023: W4C.6.
[443] Takushima Y, Chung Y C. Optical reflectometry based on correlation detection and its application to the in-service monitoring of WDM passive optical network[J]. Optics Express, 2007, 15(9): 5318-5326.
[444] Martins H F, Shi K, Thomsen B C, et al. Real time dynamic strain monitoring of optical links using the backreflection of live PSK data[J]. Optics Express, 2016, 24(19): 22303-22318.
[445] He H J, Jiang L, Pan Y, et al. Integrated sensing and communication in an optical fibre[J]. Light: Science & Applications, 2023, 12: 25.
[446] Nishio M, Mizutani T, Takeda N. Structural shape identification using distributed strain data from PPP-BOTDA[J]. Proceedings of SPIE, 2007, 6530: 65301J.
[447] Nishio M, Mizutani T, Takeda N. Shape identification of variously-deformed composite laminates using Brillouin type distributed strain sensing system with embedded optical fibers[J]. Proceedings of SPIE, 2008, 6932: 69322P.
[448] Zhao Z Y, Soto M A, Tang M, et al. Distributed shape sensing using Brillouin scattering in multi-core fibers[J]. Optics Express, 2016, 24(22): 25211-25223.
[449] Ba D X, Chen C, Fu C, et al. A high-performance and temperature-insensitive shape sensor based on DPP-BOTDA[J]. IEEE Photonics Journal, 2017, 10(1): 7100810.
[450] Xu P B, Guo H P, Wang X L, et al. Ring-core few-mode fiber and DPP-BOTDA-based distributed large-curvature sensing eligible for shape reconstruction[J]. Optics Express, 2022, 30(23): 42553-42563.
[451] BlandinoJ, DuncanR, NuckelsM, et al. Three-dimensional shape sensing for inflatable booms[C]//Proceedings of the 46th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference, April 18-21, 2005, Austin, Texas. Virigina: AIAA Press, 2005: 1807.
[452] Zhao S Y, Cui J W, Yang C Q, et al. Simultaneous measurement of shape and temperature in the substrate-attaching-fibers sensing system[J]. IEEE Photonics Journal, 2017, 9(6): 6805008.
[453] Issatayeva A, Amantayeva A, Blanc W, et al. Design and analysis of a fiber-optic sensing system for shape reconstruction of a minimally invasive surgical needle[J]. Scientific Reports, 2021, 11: 8609.
[454] 尹国路, 徐州, 蒋锐, 等. 基于光频域反射仪的光纤分布式三维形状传感技术[J]. 光学学报, 2022, 42(1): 0106002.
[455] Duncan R G, Raum M T. Characterization of a fiber-optic shape and position sensor[J]. Proceedings of SPIE, 2006, 6167: 616704.
[456] Duncan R G, Froggatt M E, Kreger S T, et al. High-accuracy fiber-optic shape sensing[J]. Proceedings of SPIE, 2007, 6530: 65301S.
[457] Meng Y J, Fu C L, Du C, et al. Shape sensing using two outer cores of multicore fiber and optical frequency domain reflectometer[J]. Journal of Lightwave Technology, 2021, 39(20): 6624-6630.
[458] Floris I, Madrigal J, Sales S, et al. Twisting measurement and compensation of optical shape sensor based on spun multicore fiber[J]. Mechanical Systems and Signal Processing, 2020, 140: 106700.
[459] Yin G L, Xu Z, Ma J M, et al. Simultaneous measurement of bending and torsion in optical fiber shape sensor[J]. Journal of Lightwave Technology, 2023, 41(6): 1851-1857.
[460] Beisenova A, Issatayeva A, Iordachita I, et al. Distributed fiber optics 3D shape sensing by means of high scattering NP-doped fibers simultaneous spatial multiplexing[J]. Optics Express, 2019, 27(16): 22074-22087.
[461] Beisenova A, Issatayeva A, Korganbayev S, et al. Simultaneous distributed sensing on multiple MgO-doped high scattering fibers by means of scattering-level multiplexing[J]. Journal of Lightwave Technology, 2019, 37(13): 3413-3421.
[462] Parent F, Gérard M, Monet F, et al. Intra-arterial image guidance with optical frequency domain reflectometry shape sensing[J]. IEEE Transactions on Medical Imaging, 2019, 38(2): 482-492.
[463] LvY J, LiH L, YangZ Y, et al. Highly accurate 3D shape sensing based on special fiber OFDR system assisted with ICP algorithm[C]//27th International Conference on Optical Fiber Sensors, August 29-September 2, 2022, Alexandria, Virginia. Washington, DC: Optica Publishing Group, 2022: Tu1.7.
[464] Fu C L, Meng Y J, Chen L, et al. High-spatial-resolution φ‑OFDR shape sensor based on multicore optical fiber with femtosecond-laser-induced permanent scatter arrays[J]. Optics Letters, 2023, 48(12): 3219-3222.
[465] 张昆, 白清, 周晓旭, 等. 基于中值滤波的OFDR二维形状感知精度提升研究[J]. 电子测量与仪器学报, 2022, 36(11): 186-192.
Zhang K, Bai Q, Zhou X X, et al. 2D shape sensing accuracy improvement based on OFDR using median filter[J]. Journal of Electronic Measurement and Instrumentation, 2022, 36(11): 186-192.
[466] Li S, Hua P D, Ding Z Y, et al. Reconstruction error model of distributed shape sensing based on the reentered frame in OFDR[J]. Optics Express, 2022, 30(24): 43255-43270.
[467] 尹国路, 徐州, 朱涛. 光纤形状传感器封装过程中残余应力的分布式实时监测[J]. 光学学报, 2022, 42(16): 1606002.
[468] Cheng F, Chi B X, Lindsey N J, et al. Utilizing distributed acoustic sensing and ocean bottom fiber optic cables for submarine structural characterization[J]. Scientific Reports, 2021, 11: 5613.
[469] Currenti G, Allegra M, Cannavò F, et al. Distributed dynamic strain sensing of very long period and long period events on telecom fiber-optic cables at Vulcano, Italy[J]. Scientific Reports, 2023, 13: 4641.
[470] Gutscher M A, Quetel L, Murphy S, et al. Detecting strain with a fiber optic cable on the seafloor offshore Mount Etna, Southern Italy[J]. Earth and Planetary Science Letters, 2023, 616: 118230.
[471] Landrø M, Bouffaut L, Kriesell H J, et al. Sensing whales, storms, ships and earthquakes using an Arctic fibre optic cable[J]. Scientific Reports, 2022, 12(1): 19226.
[472] Rivet D, de Cacqueray B, Sladen A, et al. Preliminary assessment of ship detection and trajectory evaluation using distributed acoustic sensing on an optical fiber telecom cable[J]. The Journal of the Acoustical Society of America, 2021, 149(4): 2615-2627.
[473] Chen X H, Zou N M, Wan Y M, et al. On-line status monitoring and surrounding environment perception of an underwater cable based on the phase-locked Φ-OTDR sensing system[J]. Optics Express, 2022, 30(17): 30312-30330.
[474] Bouffaut L, Taweesintananon K, Kriesell H J, et al. Eavesdropping at the speed of light: distributed acoustic sensing of baleen whales in the Arctic[J]. Frontiers in Marine Science, 2022, 9: 901348.
Article Outline
张旭苹, 张益昕, 王亮, 余贶琭, 刘波, 尹国路, 刘琨, 李璇, 李世念, 丁传奇, 汤玉泉, 尚盈, 王奕首, 王晨, 王峰, 樊昕昱, 孙琪真, 谢尚然, 吴慧娟, 吴昊, 王花平, 赵志勇. 分布式光纤传感技术研究和应用的现状及未来[J]. 光学学报, 2024, 44(1): 0106001. Xuping Zhang, Yixin Zhang, Liang Wang, Kuanglu Yu, Bo Liu, Guolu Yin, Kun Liu, Xuan Li, Shinian Li, Chuanqi Ding, Yuquan Tang, Ying Shang, Yishou Wang, Chen Wang, Feng Wang, Xinyu Fan, Qizhen Sun, Shangran Xie, Huijuan Wu, Hao Wu, Huaping Wang, Zhiyong Zhao. Current Status and Future of Research and Applications for Distributed Fiber Optic Sensing Technology[J]. Acta Optica Sinica, 2024, 44(1): 0106001.
PDF全文
