华为：AI+光纤传感，打通油气“任督二脉”！

“把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界”是华为公司的愿景与使命。在智能化缺一不可的感、传、存、算、控、显数据流链条中，感知是所有数据流的起点，是智能化的基石。基于无线和光的通感一体化网络，将共同构成未来智能世界的感知神经网络，提供灵敏、密集和实时的环境数据流。

光纤感知

人类最精密的测量工具

截至2022年底，中国已建成全球最大的移动通信和光纤网络，布设了超过1000万个移动电话基站和6000万公里光缆。在中东部经济发达地区，平均每平方公里内的光缆长度超过10公里，形成了密集的光缆网络。这些光缆，未来都可能成为智能世界的感知单元。

在光通信设备中，实际上早就使用了大量的光纤感知技术，特别是OTDR（Optical Time Domain Reflectometer，光时域反射仪）设备对光纤链路的质量监测，已经成为标准。在传统的光通信网络中，OTDR相当于光纤雷达，将探测脉冲注入到光纤中，利用对回波的测量来探测光纤的断点和损耗分布，但传统的OTDR仅限于光强度探测，实际上远没有用尽光的检测能力。

众所周知，光是人类迄今为止最精密的测量工具，基于光相位检测的干涉仪甚至可以探测到极其微弱的引力波信号。而在光纤中，我们实际上也可以利用光相位检测进行感知。对OTDR探测脉冲回波的相位检测可以利用长途光通信的相干接收技术，这种检测回波相位的OTDR称为ϕ-OTDR。得益于高稳定的激光信号及高灵敏的相干接收机，ϕ-OTDR技术对相位的探测使得我们可以测量到数十公里光纤上任意位置受到的极其轻微的振动干扰，哪怕振动仅引起了光纤纳米级的长度变化，而且扰动可以被精确定位到10米范围以内，这种技术又称为分布式声学传感（DAS）。

利用ϕ-OTDR技术，华为推出了单端检测距离达50km的DAS设备Huawei OptiXsense EF3000，可以被广泛应用到油气管道、周界防护等多种基于光纤的分布式振动监测场景。

光纤传感技术行业应用挑战

随着产业技术升级，智能化对行业的平稳发展变得至关重要。其中，油气管道的安全监测特别适合采用分布式光纤传感技术，其原因有三：一是油气管道通常铺有伴行光缆，不需要特意布设传感光缆；二是油气管道拓扑结构简单，大多为单条线性结构，且距离长，极少分支；三是油气管道通常在野外布设，人工巡检难度大，成本高。

目前中国已经铺设的油气输送管道超过11万公里，仅有少数区段布设了分布式光纤传感技术进行探索实验，普及程度仍不高。在油气管道防外破领域，分布式光纤传感的应用尝试实际上已经进行了10年以上，但之前的探索大多效果不佳，特别是误报率较高，仅靠对振动信号设置强度阈值会触发较多虚警，对巡检人力造成干扰，阻碍了技术的真正应用。

分布式光纤传感在油气管道领域遭遇的困难和挑战实际上在其他应用中也存在类似状况。在较多探索的周界防护领域，分布式光纤传感的高误报和强干扰下的漏报问题，仍是技术大量应用前亟需解决的业界难题。

分布式光纤传感的应用难题实际上与技术研究和用户需求的错位有一定关系。当前针对分布式光纤传感的研究往往以带有涂覆层的裸光纤作为感知单元，而实际应用中，几乎99%的场景都是以光缆为感知单元。目前商业可获得的光缆，特别是像油气管道同沟铺设的伴行光缆这种以通信为目的铺设的光缆，整个光缆的设计目的都是为了保护光纤不受环境干扰，成缆过程添加了大量的加强件、芳纶缓冲料，采用松套管填充油膏来防止光纤受力，而这导致光纤与外界环境的物理量耦合非常不一致。而不同用户可能铺设了大量不同型号的光缆，这些光缆的环境耦合与响应千差万别，导致对振动信号还原的保真度不高。

另外，光缆的布设环境差异与外界干扰也是影响分布式光纤传感信号恢复与识别的重要原因。地下铺设的光缆可能穿越岩石、黏土、沙砾土甚至是流沙区，不同土质的振动传播能力和波速差异极大，而四季更替和降水也会影响振动信号的传播，这些因素都造成光纤感知同样事件的振动信号特征可能存在较大差异。这些复杂因素是导致传统振动阈值等方法无法准确识别目标事件，告警误报高的重要原因。而这些因素在实际应用中往往无法避免，即使可以特别设计光缆来增强物理量耦合的一致性，这样的传感光缆也往往由于成本高昂而无法普及，目前也尚未有任何一种传感光缆形成国家标准。

当前即使在大多数后布设光缆的场景，如周界防护等领域，由于成本、可靠性和标准化等原因，仍然只能采用标准型号的通信光缆来进行传感。外界环境的干扰也是分布式光纤传感仅依靠声学信号进行事件识别的巨大挑战。特别是在密集的伴行公路、农业机械作业、施工区等使用相似设备的情况下，对目标事件的识别异常困难，而这些区域又往往是高风险区，需要重点关注。这些难题如果不能解决，分布式光纤传感就无法在实际应用中变成生产力工具，发挥其应有的作用。

AI加持光纤传感

实现行业应用普及

华为技术团队经过长时间的摸索尝试，深刻认识到当前技术框架导致的实际应用技术瓶颈，因此面对复杂多样的特征信号识别，引入了华为开发的AI大模型来进行事件判别。

构建一个行业可用的AI大模型十分不易，因为工业场景的大数据获取异常困难，特别是重点关注的负样本极难大量获取，成本过高。华为技术团队持续深挖，提出了实测与仿真并行的数据获取机制，一方面联合用户进行大量的现场实验，并在华为园区投资自建高度还原的试验场，另一方面从基础原理出发构建高准确度的地质仿真模型，能够针对黏土、砂土、混凝土、降水等不同地质和场景下的作业事件生成海量不同数据，并基于实测数据进行锚定校准，为基础大模型的构建提供数理基础。

基于PB级数据训练的光纤传感AI大模型成为后续应用的基础，并基于此进行应用模型训练和优化。基于实测数据的场景训练是决定AI大模型最终是否能够满足零漏报和低误报的关键。特别是在存在强干扰的周界防护场景下，针对信号特征极其相似的入侵事件和干扰事件的准确区分要通过大量的数据对抗训练来实现。而且这种对抗训练往往要持续到应用阶段，仍要通过自监督学习来借助实测数据进行持续的准确率提升，以达到越用越好的效果，让AI大模型成为真正能够超越人工的行业专家。