“把數字世界帶入每個人、每個家庭、每個組織，構建萬物互聯的智能世界”是華為公司的愿景與使命。在智能化缺一不可的感、傳、存、算、控、顯數據流鏈條中，感知是所有數據流的起點，是智能化的基石。基于無線和光的通感一體化網絡，將共同構成未來智能世界的感知神經網絡，提供靈敏、密集和實時的環境數據流。

光纖感知

人類最精密的測量工具

截至2022年底，中國已建成全球最大的移動通信和光纖網絡，布設了超過1000萬個移動電話基站和6000萬公里光纜。在中東部經濟發達地區，平均每平方公里內的光纜長度超過10公里，形成了密集的光纜網絡。這些光纜，未來都可能成為智能世界的感知單元。

在光通信設備中，實際上早就使用了大量的光纖感知技術，特別是OTDR（Optical Time Domain Reflectometer，光時域反射儀）設備對光纖鏈路的質量監測，已經成為標準。在傳統的光通信網絡中，OTDR相當于光纖雷達，將探測脈沖注入到光纖中，利用對回波的測量來探測光纖的斷點和損耗分布，但傳統的OTDR僅限于光強度探測，實際上遠沒有用盡光的檢測能力。

眾所周知，光是人類迄今為止最精密的測量工具，基于光相位檢測的干涉儀甚至可以探測到極其微弱的引力波信號。而在光纖中，我們實際上也可以利用光相位檢測進行感知。對OTDR探測脈沖回波的相位檢測可以利用長途光通信的相干接收技術，這種檢測回波相位的OTDR稱為?-OTDR。得益于高穩定的激光信號及高靈敏的相干接收機，?-OTDR技術對相位的探測使得我們可以測量到數十公里光纖上任意位置受到的極其輕微的振動干擾，哪怕振動僅引起了光纖納米級的長度變化，而且擾動可以被精確定位到10米范圍以內，這種技術又稱為分布式聲學傳感（DAS）。

利用?-OTDR技術，華為推出了單端檢測距離達50km的DAS設備Huawei OptiXsense EF3000，可以被廣泛應用到油氣管道、周界防護等多種基于光纖的分布式振動監測場景。

光纖傳感技術行業應用挑戰

隨著產業技術升級，智能化對行業的平穩發展變得至關重要。其中，油氣管道的安全監測特別適合采用分布式光纖傳感技術，其原因有三：一是油氣管道通常鋪有伴行光纜，不需要特意布設傳感光纜；二是油氣管道拓撲結構簡單，大多為單條線性結構，且距離長，極少分支；三是油氣管道通常在野外布設，人工巡檢難度大，成本高。

目前中國已經鋪設的油氣輸送管道超過11萬公里，僅有少數區段布設了分布式光纖傳感技術進行探索實驗，普及程度仍不高。在油氣管道防外破領域，分布式光纖傳感的應用嘗試實際上已經進行了10年以上，但之前的探索大多效果不佳，特別是誤報率較高，僅靠對振動信號設置強度閾值會觸發較多虛警，對巡檢人力造成干擾，阻礙了技術的真正應用。

分布式光纖傳感在油氣管道領域遭遇的困難和挑戰實際上在其他應用中也存在類似狀況。在較多探索的周界防護領域，分布式光纖傳感的高誤報和強干擾下的漏報問題，仍是技術大量應用前亟需解決的業界難題。

分布式光纖傳感的應用難題實際上與技術研究和用戶需求的錯位有一定關系。當前針對分布式光纖傳感的研究往往以帶有涂覆層的裸光纖作為感知單元，而實際應用中，幾乎99%的場景都是以光纜為感知單元。目前商業可獲得的光纜，特別是像油氣管道同溝鋪設的伴行光纜這種以通信為目的鋪設的光纜，整個光纜的設計目的都是為了保護光纖不受環境干擾，成纜過程添加了大量的加強件、芳綸緩沖料，采用松套管填充油膏來防止光纖受力，而這導致光纖與外界環境的物理量耦合非常不一致。而不同用戶可能鋪設了大量不同型號的光纜，這些光纜的環境耦合與響應千差萬別，導致對振動信號還原的保真度不高。

另外，光纜的布設環境差異與外界干擾也是影響分布式光纖傳感信號恢復與識別的重要原因。地下鋪設的光纜可能穿越巖石、黏土、沙礫土甚至是流沙區，不同土質的振動傳播能力和波速差異極大，而四季更替和降水也會影響振動信號的傳播，這些因素都造成光纖感知同樣事件的振動信號特征可能存在較大差異。這些復雜因素是導致傳統振動閾值等方法無法準確識別目標事件，告警誤報高的重要原因。而這些因素在實際應用中往往無法避免，即使可以特別設計光纜來增強物理量耦合的一致性，這樣的傳感光纜也往往由于成本高昂而無法普及，目前也尚未有任何一種傳感光纜形成國家標準。

當前即使在大多數后布設光纜的場景，如周界防護等領域，由于成本、可靠性和標準化等原因，仍然只能采用標準型號的通信光纜來進行傳感。外界環境的干擾也是分布式光纖傳感僅依靠聲學信號進行事件識別的巨大挑戰。特別是在密集的伴行公路、農業機械作業、施工區等使用相似設備的情況下，對目標事件的識別異常困難，而這些區域又往往是高風險區，需要重點關注。這些難題如果不能解決，分布式光纖傳感就無法在實際應用中變成生產力工具，發揮其應有的作用。

AI加持光纖傳感

實現行業應用普及

華為技術團隊經過長時間的摸索嘗試，深刻認識到當前技術框架導致的實際應用技術瓶頸，因此面對復雜多樣的特征信號識別，引入了華為開發的AI大模型來進行事件判別。

構建一個行業可用的AI大模型十分不易，因為工業場景的大數據獲取異常困難，特別是重點關注的負樣本極難大量獲取，成本過高。華為技術團隊持續深挖，提出了實測與仿真并行的數據獲取機制，一方面聯合用戶進行大量的現場實驗，并在華為園區投資自建高度還原的試驗場，另一方面從基礎原理出發構建高準確度的地質仿真模型，能夠針對黏土、砂土、混凝土、降水等不同地質和場景下的作業事件生成海量不同數據，并基于實測數據進行錨定校準，為基礎大模型的構建提供數理基礎。

基于PB級數據訓練的光纖傳感AI大模型成為后續應用的基礎，并基于此進行應用模型訓練和優化。基于實測數據的場景訓練是決定AI大模型最終是否能夠滿足零漏報和低誤報的關鍵。特別是在存在強干擾的周界防護場景下，針對信號特征極其相似的入侵事件和干擾事件的準確區分要通過大量的數據對抗訓練來實現。而且這種對抗訓練往往要持續到應用階段，仍要通過自監督學習來借助實測數據進行持續的準確率提升，以達到越用越好的效果，讓AI大模型成為真正能夠超越人工的行業專家。

華為的云架構以及聯邦學習也使得這種自監督學習和模型升級可以達到月度更新。未來這種AI大模型還將與華為Atlas服務器結合，成為一套完整的光纖傳感AI應用解決方案。我們認為只有結合AI技術的分布式光纖傳感技術才是有可能解決技術瓶頸，真正實現商業落地的實用化方案。

目前華為這套分布式光纖傳感和AI大模型已經在多個用戶場景進行了布設，在濟華燃氣，國家管網等多個油氣管道用戶的比拼測試和實際應用中，都表現出極高的準確率，在應用中真正做到零漏報和超低誤報，幫助用戶真正實現智能化巡檢。

在光纖傳感行業應用領域，華為希望與業界攜手共進，推進產業技術發展，使能關鍵行業智能化，助力行業效率提升。