轮对故障实时感知、周界入侵精准识别、声屏障松动提前预警 —— 铁路运营中的三大运维监测难题。针对上述挑战，由南京大学、南京法艾博光电科技有限公司以及东南大学等单位组成的科研团队开展了系统研究。团队以南京大学张旭苹教授、张益昕教授和东南大学董智捷教授为核心主导，成员包括博士研究生姚媛媛、Nasheeta Mazhar和硕士生袁诺。该团队融合分布式声学传感（DAS）技术与机器学习算法，让铁路沿线的既有通信光缆变身全时段、全覆盖的“智能监测眼”，构建起一套高精准、高可靠的铁路智能在线运维综合监测体系，为铁路安全运营筑牢智能防线。
图 1 相关监测场景示意图
铁路运维监测，痛点何在？
作为国家重要的交通基础设施，铁路网络的高密度运营使得轨道、轮对、声屏障等设施长期处于高负荷状态，轮对磨耗、周边施工入侵、声屏障松动等隐患，稍有疏忽就可能引发停运等严重事故。而传统铁路监测手段始终存在诸多短板：摄像头、雷达等点式监测设备无法实现全线路连续覆盖，且易受恶劣天气影响；超声波等检测技术依赖外部供电，野外运维稳定性差；更关键的是，铁路场景中的列车运行噪声、环境干扰易掩盖设备故障的微弱振动信号，同时监测数据不均衡、多轨道信号重叠等问题，让故障识别与定位难上加难，难以满足铁路全天候、多目标的智能运维需求。
DAS 技术虽具备长距离、高灵敏度、抗电磁干扰的天然优势，能将光纤转化为分布式监测节点，但在铁路场景应用中，却面临着光纤与周边介质耦合不均导致的信号信噪比差异大、故障特征易被噪声淹没等新挑战，如何让 DAS 技术适配铁路复杂的监测环境，成为行业亟待解决的问题。
融合创新：给 DAS 装上“机器学习大脑”
南大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协同攻关，提出的融合DAS技术与机器学习的铁路智能在线运维综合监测方法，通过“自适应去噪 -精准特征提取-多模型分类识别”的创新架构，为铁路监测打造了一套全流程的智能解决方案，让既有通信光缆真正发挥出“智能眼”的监测效能。
第一步：自适应去噪，让微弱故障信号 “显形”
针对DAS监测中不同位置信噪比差异大的问题，团队提出基于图像熵的自适应各向异性扩散滤波方法，通过评估不同区域的噪声水平实现差异化去噪，就像给监测系统装上了“智能降噪耳”，在有效抑制环境、列车运行等噪声干扰的同时，精准保留列车轨迹与设备故障的细微特征，为后续故障识别奠定高质量的数据基础。
第二步：精准提取轨迹，破解轮对故障检测难题
针对故障检测的核心难点，在于列车速度干扰、多轨道信号重叠导致的轨迹识别不准。团队融合选择性搜索与局部搜索算法，实现了98.75%的超高列车轨迹识别准确率，精准锁定每一列列车的运行轨迹；再结合 DBSCAN 聚类与时空旋转技术，有效提取轮对故障的特征频率，让轮对磨耗、扁疤等故障无处遁形，实现轮对故障的精准检测。
第三步：多模型定制化识别，攻克多目标监测难题
针对铁路运维中三类不同监测目标的特性，团队定制化设计机器学习模型，实现精准分类识别：针对周界异常扰动数据不均衡、小样本难识别的痛点，提出 PCAE-SMOTE-CNN模型，通过补丁卷积自编码器学习正常状态特征，结合 SMOTE过采样平衡数据集，将施工入侵、岩石坠落、人员闯入等异常扰动的识别准确率提升至97.03%，大幅提升小样本类扰动的识别性能；针对声屏障松动故障特征差异小、易漏检的问题，团队先设计贴合声屏障结构特点的倒“V”型光纤布设方案，让光纤能精准捕捉声屏障的振动信号，再提出LPA-BP神经网络模型，通过局部扰动增广平衡样本分布，实现99.6%的声屏障故障识别准确率，哪怕是早期轻微松动的隐患，也能被精准识别。
该研究的突破，使得分布式光纤传感技术在铁路运维领域的应用价值得到充分释放，依托这根小小的光纤，监测系统既具备多轨道同步监测能力，又全程不干扰铁路的正常运营。该技术落地后，可推动铁路运维从“人工巡检、事后处置”向“智能监测、提前预警”转型：在干线铁路中，能实现全线路连续的设备健康监测与周界安全防护，及时发现各类隐患并精准定位；在高铁站场、货运枢纽等多轨道区域，可同步监测多列列车的运行状态与周边环境，大幅提升运维效率。同时，该方法的技术思路也为DAS技术在公路、城市轨道交通等其他交通基础设施运维领域的应用，提供了重要的参考范式。
相关成果以《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》。
论文链接：https://doi.org/10.1364/JOCN.584158
（姚媛媛报道）