光纖感測技術在過去四、五十年來發展迅速，應用廣泛且效率高。光脈衝傳輸取代電訊號，大幅擴展了光纖的應用範圍，並提高了其效能，使電信網路達到新的發展水平。光纖生產技術的密集發展及其改良，使得基於光纖的新型、高品質系統得以問世。光纖最廣為人知的應用領域是數據傳輸電信網路。然而，考慮到其物理特性，光纖的使用領域正在擴大，它可以作為測量設備，即用於測量某些物理量的感測器。因此，有必要研究該產業在各種技術任務中的有效應用。

光纖感測技術的演進與應用

光纖感測技術（FOT）的發展歷程可謂是日新月異。從最初的電信網路應用，到如今在各個領域的廣泛應用，光纖感測技術不斷突破自身的限制，展現出強大的生命力。光纖感測器不僅可以測量溫度、壓力、應變等物理量，還可以應用於化學感測和生物感測，為各行各業提供精準、可靠的數據支援。

光纖感測在形狀重建中的應用

在形狀感測領域，光纖感測技術也展現出獨特的優勢。Francesco Falcetelli 等人的研究表明，透過蒙地卡羅模擬分析，可以了解雜訊空間分佈對形狀重建精度的影響。研究發現，在曲線初始段引入的雜訊，對重建形狀精度的負面影響，大於在曲線末端引入的等量雜訊，這為實現可達到的精度提供了量化估計。這項研究對於提高形狀感測的準確性具有重要意義，尤其是在需要精確測量複雜形狀的應用中，例如航空航太、土木工程等領域。

光纖感測在惡劣環境下的應用

對於需要在惡劣環境下工作的感測器，藍寶石基的 Fabry-Pérot 壓力和溫度感測器系統是一個理想的選擇。這類感測器具有耐高溫、耐腐蝕等特性，可以在極端條件下穩定工作，為工業監測、地質勘探等領域提供可靠的數據支援。

光纖感測在微型觸覺應用中的應用

在微型觸覺應用方面，一種基於光纖的短程準分佈式變形感測裝置應運而生。該裝置利用飛秒雷射在單模光纖的短截面上刻蝕多個反射器。該組件由一個參考反射器和一個等距間隔的反射器陣列組成，該陣列也定義了光纖裝置的感測區域。參考反射器的位置位於陣列之前，長度大於陣列的第一個鏡子。透過使用適當的後向反射光譜處理技術，可以實現陣列段中光程長度變化的準分佈式測量。感測組件嵌入在黏彈性環氧樹脂中，產生高解析度的觸覺變形感測裝置。

光纖感測在硬體異常檢測中的應用

光纖感測技術還可以用於硬體異常檢測。透過監測光纖中的光訊號變化，可以及時發現硬體設備的異常情況，例如裂紋、變形等，從而避免更嚴重的事故發生。這項技術在航空航太、橋樑監測等領域具有重要的應用價值。## LSTM與光纖感測的結合

近年來，人工智慧（AI）技術的快速發展為光纖感測技術帶來了新的突破。特別是長短期記憶網路（LSTM），作為一種特殊的循環神經網路（RNN），在處理時間序列數據方面具有獨特的優勢。LSTM 能夠有效地捕捉訊號中的長期依賴關係，從而提高感測器的精度和可靠性。

LSTM在光纖振動訊號識別中的應用

武漢大學學報（自然科學）發表的一篇論文，探討了基於卷積神經網路（CNN）、LSTM 和 Transformer 的混合深度學習模型（CNN+LSTM+Transformer）在光纖分佈式振動感測事件識別中的應用。該模型利用 CNN 提取訊號的關鍵局部特徵，利用 LSTM 捕捉時間動態，並整合 Transformer 模組以整合全域依賴性。實驗結果表明，與傳統方法和獨立深度學習模型相比，該模型在複雜振動訊號分類任務中實現了更高的準確性和穩健性。

該研究系統地評估了多種深度學習模型在光纖分佈式振動測量任務中的性能，包括 CNN+LSTM+Transformer、TAM+BiLSTM、CNN+CBAM、Wavenet、LSTM 和 1-D CNN。透過對驗證準確性和驗證損失的實驗比較，結果表明 CNN+LSTM+Transformer 模型在振動訊號識別和分類方面表現出顯著的優勢，驗證了其在複雜訊號處理任務中的潛力。

CNN+LSTM+Transformer 模型具有混合架構設計，結合了 CNN 的局部特徵提取能力、LSTM 的時間動態建模能力以及 Transformer 的全域依賴性捕捉能力，實現了約 0.92 的出色驗證準確性和 0.20 的穩定驗證損失。相比之下，TAM+BiLSTM 和 CNN+CBAM 在局部特徵提取和時間建模方面表現良好，但缺乏足夠的全域資訊整合，其驗證準確性不超過 0.90。Wavenet 和 LSTM 在時間序列資料處理方面具有一定的優勢，但在處理複雜的光纖振動訊號時，缺乏聯合建模局部和全域資訊的能力。1-D CNN 的性能最差，無法有效地對複雜的振動訊號進行分類。

LSTM在非正交多址接入（NOMA）波形頻譜感測中的應用

科學報告發表的一篇論文，探討了基於 RNN-Bi-LSTM 的頻譜感測技術在 NOMA 系統中的應用。該技術利用深度學習對訊號進行正確分類，從而提高 NOMA 系統中的檢測概率（PD）、誤報概率（PFA）、位元錯誤率（BER）和功率譜密度（PSD）。其雙向處理透過提取時間依賴性並減少誤報來優化檢測精度。這提高了頻譜效率，降低了 BER，並優化了 PSD，從而在各種環境中提供有保證的通訊，同時優於基於 NOMA 的無線網路中的傳統頻譜感測方法。

RNN-Bi-LSTM 的選擇主要是因為它能夠捕捉連續頻譜資料中的長程時間依賴性，這對於檢測動態和嘈雜無線環境中的模式至關重要。雖然卷積神經網路 (CNN) 在提取空間特徵方面非常有效，但它們缺乏追蹤訊號隨時間變化的連續記憶。

光纖感測技術的未來展望

光纖感測技術在各個領域的應用前景廣闊。隨著技術的不斷發展，光纖感測器將會更加精準、靈敏、可靠，並具有更強的抗干擾能力。同時，人工智慧技術的融入將會進一步提升光纖感測器的性能，使其能夠更好地適應複雜的應用環境。

未來研究方向

簡化模型結構：

目前的 CNN+LSTM+Transformer 模型計算複雜度較高，未來可以透過簡化模型結構或採用輕量化方法來降低計算複雜度，從而在保證準確性的同時滿足即時應用需求。

擴展通道模型：

目前的 RNN-Bi-LSTM 模型主要在 Rayleigh 和 Rician 通道條件下進行了評估，未來可以將評估擴展到包括更多樣化的通道模型，例如 Nakagami-m、Weibull 和 Eta-Mu 衰落環境，這些模型可以更好地代表實際部署情況。

整合 Transformer 和 CNN：

未來可以探索整合 Transformer 和 CNN 的混合機器學習模型，以提高適應性和準確性。

結論

光纖感測技術作為一種重要的感測手段，在各個領域都發揮著越來越重要的作用。LSTM 等人工智慧技術的應用，為光纖感測技術帶來了新的發展機遇。未來，隨著技術的不斷進步，光纖感測器將會更加智慧、高效，為人類社會的發展做出更大的貢獻。

Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機 Date: December 1, 2025