随着铁路运行速度不断提升和线路规模持续扩大，列车关键部件故障、周界入侵扰动以及沿线设施结构损伤等问题，对铁路安全运营和运维管理提出了更高要求。传统监测手段在覆盖范围、实时性和智能化水平方面仍存在一定局限。分布式声学传感（Distributed Acoustic Sensing，DAS）技术具有长距离监测、高灵敏度以及抗电磁干扰能力强等优势，在铁路沿线连续感知方面展现出重要应用潜力。但在铁路运维监测场景中，存在环境复杂、光纤耦合不均与、故障特征易被噪声掩盖以及监测数据集不均衡等问题。近日，中心团队联合南京法艾博光电科技有限公司、东南大学交通学院等单位，提出一种基于融合DAS技术与机器学习的铁路智能在线运维综合监测方法，成功破解铁路轮对故障检测、周界异常扰动识别、声屏障故障监测三大核心难题，为铁路安全运营提供了高可靠、高精准的技术解决方案。
该方法以铁路沿线既有通信暗光纤为分布式传感元件，构建了“自适应去噪 -精准特征提取-多模型分类识别”技术架构：针对DAS监测信噪比空间差异问题，提出基于图像熵的自适应各向异性扩散滤波法，实现差异化去噪并保留轨迹与故障特征；针对轮对故障检测的速度干扰、信号重叠问题，融合选搜与局搜算法实现98.75%的列车轨迹识别率，结合DBSCAN聚类与时空旋转技术精准检测轮对故障；针对周界异常扰动数据不均衡问题，提出PCAE-SMOTE-CNN模型，平衡数据集后实现97.03%的识别准确率，提升小样本扰动识别性能；针对声屏障故障特征差异小、易漏检问题，提出LPA-BP神经网络模型，平衡样本后实现99.6%的识别准确率，可精准识别早期松动故障。
该研究成果以《Intelligent On-line Railway Maintenance Based on Distributed Acoustic Sensing and Machine Learning》为题，发表于光学领域知名期刊《Journal of Optical Communications and Networking》。
图 1 论文扉页
论文链接：https://doi.org/10.1364/JOCN.584158
（姚媛媛报道）