现有的煤矿设备异常主要通过硬件设备进行检测，对人力、设备都有较高的要求，人工智能的兴起，为这一问题提供了新的解决方案。针对这些问题，本作品提出了基于相位敏感光时域反射计（Phase-sensitive optical time-domain reflectometry, Φ-OTDR）的光纤分布式声音传感器（Distributed acoustic sensor，DAS），DAS具有灵敏度高、定位准确等优点。通过DAS感知模拟煤矿环境中干扰事件对应的振动信号，本作品中外界干扰事件主要包括:煤矿自然环境扰动、人为因素扰动、设备异常声音扰动，此外本系统使用马赫增德尔干涉仪（Mach–Zehnder interferometer，MZI）和两路解调算法对振动信号原始数据进行解调处理，并利用Python中的librosa库提取振动信号音频特征作为深度学习模型算法的数据集，利用随机森林算法模型对音频特征数据集进行训练。实验结果表明，本作品能够准确地识别沿光纤不同位置同时发生的多种外界干扰事件，并能有效区分煤矿自然环境扰动、人为因素扰动、设备异常声音扰动等多类振动事件。其中平均识别准确率达到了99％，系统响应时间约为0.4s，为解决煤矿设备异常振动监测提供了一种简单、准确、实时性强的方案。
钟翔,孙宇,曹翰昱,任杰,陈晓珊,田兵兵.基于光纤分布式声传感器的煤矿设备健康监测识别[J].科研仪器案例成果数据库,2022,(0).
