Abstract

Distributed optical fiber sensors (DOFS) are gaining momentum for in-situ condition monitoring and damage detection purposes. Although DOFS are a versatile sensing method enabling high-resolution strain and temperature mapping, they are also sensitive to mechanical vibrations. Vibrations are typically created by the ambient environment (e.g acoustic background, rotating equipment) which can produce high levels of measurement noise. With physical access to DOFS installations, the principle of acoustic or mechanical vibrations can also be utilized for malicious sensor tampering. The current lack of anomaly-detection systems suggests that practical DOFS applications would benefit from an automated analysis to detect and classify compromised measurements. Noise classification makes it possible to identify its source and potentially remove its effects from the measurement in the future. This would expand the commercial applications of DOFS systems significantly. Neural networks have been used for error detection in cyber-physical applications in numerous studies with high-accuracy results. Specifically, long short-term memory (LSTM) neural network models have become popular in recent years to classify anomalies in sequential e.g time-series data. Our investigation conducted a series of physical experiments using magnitude-controlled mechanical disturbances on bare free-hanging DOFS. Both random low-frequency vibrations at large displacement amplitudes and a constant high-frequency acoustic source at a low amplitude were employed. Experiments revealed that strain patterns are visually different with varying types and levels of disturbances. For the numerical analysis, statistics and machine learningbased approaches were applied for DOFS vibration noise classification, and their accuracy is discussed in detail. Results from the post-processing of compromised DOFS data suggest that it is possible to develop a vibration detection or classification system based on off-the-shelf DOFS interrogation equipment coupled with LSTM numerical tools.

Abstract

Aunque las tecnologías basadas en DOFSs (Distributed Optical Fiber Sensors) son de sobra conocidas, su aplicación al campo de los materiales compuestos se ve fuertemente limitada en situaciones en las que coexisten fenómenos mecánicos y térmicos. Las soluciones comúnmente aplicadas pasan por la integración de sensores en paralelo o el uso de fibras ópticas modificadas. Estas soluciones aumentan la complejidad del sistema y el precio, haciendo en muchos casos imposible su aplicación en determinados problemas como la fabricación e integración de estructuras de material compuesto.
Es por ello, que se ha desarrollado un método capaz de desacoplar las medidas de temperatura y deformación obtenidas. El interrogador empleado en este caso es un $\phi$-PA-OFDR y dado que este interrogador proporciona información tanto sobre la fase como el estado de polarización de las señales, se han aplicado técnicas de análisis de espectro cruzado para obtener una magnitud que sea dependiente de temperatura y deformación. Esta magnitud, junto con el ya conocido Desplazamiento Espectral, conforma un sistema capaz de desacoplar los fenómenos térmicos de los mecánicos.
Así, esta nueva tecnología es aplicable a procesos en los que temperatura y estado de deformación evolucionan con el tiempo y es por ello que se ha querido hacer una prueba de concepto. Mediante probetas fabricadas con preimpregnado IM7/8852 e instrumentadas con fibras embebidas en varias capas de su interior, se han monitorizado los procesos de curado, con diferentes útiles y secuencias de apilado. Después, los datos experimentales obtenidos han sido correlados con modelos de ESAComp