BOTDRセンサーにおける最適化されたウェーブレットデノイジング戦略による測定分解能の向上

科学分野:

• 光学工学;信号処理;光ファイバーセンシング

背景:

• ブリルアン光時間領域反射測定法（BOTDR）における信号平均化は、測定時間と分解能の間のトレードオフを生み出します。既存の方法では、広範な平均化なしに高分解能を達成することが困難であり、リアルタイムアプリケーションが制限されます。

研究 の 目的:

• サブメーター差動クロススペクトルBOTDR（DCS-BOTDR）における信号平均化のトレードオフを軽減するために、ウェーブレットデノイジング（WD）とローレンツ曲線フィッティング（LCF）を統合した最適化された事後処理戦略を開発すること。単一プログラム複数データ（SPMD）パラダイムを使用して、6コアCPUで4レベル分解を使用したWD関数（Symlet、Daubechies、Coiflet、Biorthogonal Spline）のパフォーマンスを評価すること。

主な方法:

• ウェーブレットデノイジング（WD）関数と従来のローレンツ曲線フィッティング（LCF）の統合。様々なWD関数（Symlet、Daubechies、Coiflet、Biorthogonal Spline）を使用した4レベル分解の実装。計算効率のための単一プログラム複数データ（SPMD）パラダイムを利用した6コアCPUでの並列処理。

主要な成果:

• LCF単独の場合の56,000回の平均に対し、わずか21,000回の平均で2.7 MHzのブリルアン周波数シフト（BFS）分解能を達成しました。必要な信号平均回数を2.7倍削減しました。14,000回の平均で、空間分解能0.4 mと温度分解能1.21 kmファイバーで3°Cを維持しました。並列マルチコアアーキテクチャを使用して、データ処理速度を最大4.8倍加速しました。

結論:

• 提案されたLCF + WD法は、DCS-BOTDRの分解能と測定時間を大幅に改善します。トレーニング不要で簡単な戦略は、広範なデータセットなしで機械学習方法と同等のBFSと温度分解能を提供します。並列実装は、制約された計算リソースを持つリアルタイム分散センシングアプリケーションに非常に有益です。