ANN Analysis of DOFS Measurements Compromised by Mechanical and Acoustic Vibrations

Abstract

Distribuerte optisk-fiber sensorer (DOFS) blir stadig oftere anvendt til kontinuerlig situasjonsovervåkning av strukturer. Ny forskning har også undersøkt nye og innovative bruksområder til eksisterende nettverk med DOFS, f.eks. havstrømsovervakning med undersjøiske kabler. Hovedfordelen med DOFS sammenlignet med andre sensorer er at de kan måle tøyning (eller temperatur) kontinuerlig over lange distanser og med høy oppløsning. DOFS blir lett påvirket av mekaniske og akustiske vibrasjoner fra omgivelsene som fører til mye støy i distribuerte tøyningsmalinger. Kunstige nevrale nett (ANN) blir brukt til å klassifisere distinkte akustiske og mekaniske forstyrrelser. En økt forståelse av støy i DOFS-malinger og hvordan numeriske verktøy kan brukes til klassifisering er et viktig og nødvendig steg mot a sikre framtidstidsrettet bruk av DOFS. Arbeidet er bygd opp av flere eksperimentelle forsøk med bare, fritthengende fibre og en fiber festet til en struktur. I det første forsøket brukes det amplitudemalinger til å etablere hvor langt enderefleksjonen propagerer i fiberen. Det blir fastslått at ca. de siste 150 mm av fiberen blir påvirket av enderefleksjonen, men det er store variasjoner blant fibrene som blir testet. Deretter utsettes bare, fritthengende fibre for kontrollerte mekaniske forstyrrelser. Tøyningsmålinger blir visuelt annerledes avhengig av kilden og intensiteten til forstyrrelsen. Det blir utviklet to ANN-modeller til a klassifisere forstyrrelser i målingene: et tidskonvolusjonsnettverk (TCN) og et langtidskorttidsminnenettverk (LSTM). Begge klarer a klassifisere seks distinkte dataklasser med over 70% presisjon og tre sammensatte dataklasser med over 90% presisjon. Etterfølgende parametriske studier viser at metoden er lite avhengig av prosesseringsparameterne, men svært avhengig av mengden treningsdata. I det siste forsøket blir en fiber festet til en lang komposittbjelke utsatt for akustiske forstyrrelser i ulike frekvenser. Når den akustiske frekvensen er ca. bjelkens egenfrekvens blir det observert høye tøyningsverdier i antinoden til den første forventede bøyningsmodusen. To TCN blir utviklet til a klassifisere frekvensene: ett hvor frekvensen behandles som en kontinuerlig klasse og ett hvor hver frekvens behandles som en egen kategorisk klasse. Begge nettverk klarer a klassifisere frekvensen til en viss grad. Det kategoriske nettverket gir det beste resultatet. De parametriske studiene samsvarer med studiene fra det forrige forsøket. Forsøkene gir en bedre forståelse av støy i DOFS malinger som oppstår fra mekaniske og akustiske forstyrrelser. De numeriske analysene viser hvordan DOFS data kan klassifiseres med LSTM og TCN. Konseptet markerer et skritt mot a kunne ekstrahere ny informasjon fra målinger påvirket av støy.

Distributed optical fibre sensors (DOFSs) are becoming increasingly popular for in-situ condition monitoring in traditional engineering applications. DOFSs can also be deployed for new, innovative applications such as monitoring currents in the ocean. The main advantage of using DOFSs is that they can provide high-resolution continuous strain and temperature measurements over long distances. However, the measurements are sensitive to ambient disturbances such as mechanical and acoustic vibrations, which produce high levels of noise. How ambient vibrational noise affects the strain data is unclear and is investigated in this thesis. To this end, artificial neural networks (ANNs) are employed to classify distinct mechanical and acoustic disturbances. Gaining a better understanding of measurement noise and how numerical tools can be used to classify it is an important step in securing the use of DOFSs for novel applications. This investigation involves a series of physical experiments employing bare free-hanging DOFSs and a DOFS bonded to a beam. First, using free-hanging fibres, raw amplitude data from the DOFSs is analysed to investigate the extent of the fibre-end reflection. It is established that approximately 150 mm of the fibre end is affected by the end-reflection, with large variations between different physical optical fibres. Thereafter, the bare DOFSs are subjected to a series of magnitude-controlled mechanical disturbances. The strain pattern is visually different depending on the source and intensity of the disturbance. Two disturbance classification algorithms are developed using long short-term memory (LSTM) ANNs and temporal convolution networks (TCNs). The algorithms reach prediction accuracies of over 70% for regular and ca. 90% for composite disturbance states. Parametric studies confirm that the prediction capability is robust regarding the sensing resolution but highly dependent on the training data quantity. In the final experiment, a DOFS is fixed to a long composite beam subjected to near-eigenfrequency acoustic disturbances. When exposed to tones close to the first eigenfrequency of the beam, spikes appear in the strain measurements corresponding to the location of the antinode in the expected mode shape. To classify the frequency class, two TCNs are developed: one where each frequency is treated as an individual class (categorical predictions) and one where the frequency is tied to a single output neuron (continuous predictions). Both networks identify the correct frequencies to some degree, with the categorical TCN performing better than the continuous TCN. The findings of the parametric study concerning the training data set size agree with the previous study. The experiments and data analyses presented in this thesis provide a better understanding of DOFS noise effects from mechanical and acoustic disturbances. The numerical analysis demonstrates how LSTM ANNs and TCNs can be used for the classification of DOFS data. This is an advancement in extracting new information from noisy DOFS measurements.