线型基础设施因空间跨度大、服役环境复杂，在其全生命周期中面临自然灾害、材料退化及人为因素导致的结构失效风险，对先进结构健康监测体系提出了迫切需求。光纤传感（FOS）技术凭借抗电磁干扰、体积小、复用能力强及长距离分布式测量等优势，已成为保障此类设施安全的核心手段。本综述聚焦铁路与管道这两类关键线型基础设施，系统梳理了多点式与分布式两大技术分支的最新进展。研究人员首先阐释了光纤布拉格光栅（FBG）、基于瑞利散射的分布式声波传感（DAS）、基于布里渊光时域分析的BOTDA、基于拉曼散射的分布式温度传感（DTS）及光频域反射仪（OFDR）等技术的物理机制与工作特性。在此基础上，详细评述了上述技术在轨道缺陷识别、列车动态称重、扣件力监测、周界安防，以及管道泄漏定位、预应力钢丝断裂预警、流体流速监测、腐蚀评估等场景中的应用现状与前沿探索。此外，研究人员深入分析了当前技术从实验室走向工程化应用时面临的关键挑战，包括环境适应性、长期可靠性、信号解耦难题、相干衰落抑制、非线性相位噪声补偿及特种光纤应用瓶颈，并评估了人工智能辅助的信号处理策略与光子集成技术等有效应对方案。本综述旨在为光纤传感技术在铁路与管道线型基础设施中的实际部署提供结构化框架与全面的技术参考。
1 Introduction
线型基础设施（包括铁路、管道、输电线路及隧道）是社会发展的命脉，但其巨大的空间尺度与复杂的部署环境带来了独特的管理挑战。在其服役期内，地震、台风、滑坡等自然灾害，疲劳与腐蚀等材料退化，以及不当施工等人为因素，均可能导致灾难性的结构失效，造成生命财产损失。因此，建立高效、先进的结构健康监测系统至关重要。过去几十年间，光纤传感（FOS）技术已在交通、油气管网、电力传输等领域获得广泛应用。其核心吸引力在于固有的抗电磁干扰能力、微小的物理尺寸、高复用能力以及长距离分布式测量的潜力。然而，从受控实验室环境转向真实运营场景仍面临复杂挑战，包括环境变异性、机械载荷、热敏感性以及敏感元件的长期可靠性等问题。此外，校准精度要求严苛、数据解译复杂（尤其是分布式与复用系统）、以及与现有异构监测设施的融合需求，构成了技术推广的障碍。同时，随着基础设施规模扩大，对灵敏度、空间分辨率、测量带宽及动态范围的要求日益提高，推动了多点式与分布式传感架构的持续革新。
2 Operating Principle
2.1 Optical Fiber Grating
光纤布拉格光栅（FBG）是一种通过在光纤纤芯内周期性调制折射率，从而选择性反射特定布拉格波长光信号的点式传感器。其工作原理基于相位匹配条件，布拉格波长λB由有效折射率neff与光栅周期Λ决定。FBG具有极高的复用能力，最常用的是波分复用（WDM），即通过写入不同的中心波长实现单根光纤上的多点测量；此外还有时分复用（TDM）等策略，结合其对应变、温度的高敏感性，构成了灵活可扩展的传感网络基础。
2.2 Distributed Optical Fiber Sensors
分布式光纤传感（DOFS）将光纤本身同时作为敏感元件与传输介质，利用光纤中的瑞利、布里渊或拉曼等本征散射现象，实现对整条光纤长度的连续测量。其主要参数包括测量距离、空间分辨率、测量精度与采集速度。瑞利散射源于光纤材料的本征不均匀性，常用于动态振动监测（即分布式声波传感DAS）。其相位变化Δφ与局部应变ε成正比，进而可反演声压P。布里渊散射则源于光纤内的弹光效应，其布里渊频移（BFS）同时对应力和温度的敏感函数，适用于静态或缓变参数的长距离监测（如BOTDA/BOTDR）。布里渊传感分为需要双端接入的受激布里渊散射和仅需单端接入的自发布里渊散射，前者测量距离长但断纤即失效，后者具备故障容错能力。
3 Selected Optical Fiber Sensors for Railways and Pipelines Infrastructure Monitoring
3.1 Multipoint and Quasi-Distributed Fiber Monitoring
3.1.1 Railways Monitoring
铁路监测中，FBG的安装主要分为直接粘贴于轨腰裸光纤与封装后夹持于轨底两种形式。研究表明，矩形花环式FBG阵列可有效评估热焊钢轨接头的多向应变，识别出由于材料不均或缺陷导致的高应力区。基于FBG的动态称重系统（WIM）通过模型驱动优化传感器布局，实现了对货车轴重、总重及运行状态的精准监测，且具备电磁免疫优势。为解决裸光纤脆弱性问题，封装型FBG传感器被开发用于轨底，集成了称重与车轮冲击载荷检测（WIM-WILD）功能，不仅能精确计量轮重，还能通过分析动态分量识别缺陷车轮。此外，针对传统轨面安装易受损的问题，新型方案将FBG植入扣件铁垫板底部，利用结构弯曲变形间接测量扣件反力，实现了隐蔽式长期监测。在铁路安防领域，集成于橡胶垫的FBG阵列可有效感知入侵者的踩踏荷载，实现周界实时报警。
3.1.2 Pipelines Monitoring
在管道监测中，针对传统负压波法需破坏管壁安装的局限，研究人员利用FBG应变传感器监测管道环向应变来捕捉泄漏引发的负压波，实验证明其信噪比优于传统压力传感器。针对常温液体微小泄漏检测，蒸发增强型FBG测温法（EETS-FBG）利用湿球纱布的蒸发致冷效应产生温差，实现了高灵敏度识别，但存在难以定位及受雨水干扰的问题。为提高准确性，弱光纤布拉格光栅（wFBG）阵列构建了温度-振动复合光缆，通过双参数融合有效降低了误报率。在信号处理层面，基于图像旋转的角点自动识别算法与经验模态分解技术，显著提升了FBG对负压波信号的提取精度与泄漏定位自动化水平，定位误差可控制在1米以内。
3.2 Distributed Fiber Monitoring
3.2.1 Railways Monitoring
分布式监测方面，DAS技术最早被用于通过埋设光缆提取列车通过的振动信号，计算列车位置与速度。为克服瑞利散射信号弱的问题，微结构散射增强光纤被引入，实现了轨道缺陷的实时检测与定位。基于布里渊散射的BOTDR/BOTDA技术则用于铁路围栏入侵监测与轨道应变分布测量。特别是动态布里渊光时域反射仪（Dy-BOTDR）通过瞬时频率分析，将测量时间缩短至2.06秒，相比传统算法效率提升百倍以上，实现了轨道动静变形的同步高频监测。此外，将传感光缆铺设于路基的DAS方案，实现了超过20公里的全天候路基振动监测。
3.2.2 Pipelines Monitoring
管道领域的分布式应用同样广泛。DAS成功应用于预应力钢筒混凝土管（PCCP）的断丝监测，通过分析断丝瞬间的声发射信号特征，实现了对突发性结构失效的预警。BOTDA技术则用于测量大直径PCCP在内水压下的环向应变分布，揭示了应变与水压的线性关系及滞后效应。DAS还被用于非侵入式监测管道流量，基于湍流振动原理建立了相位变化与流速的二次方关系。为提升微弱泄漏信号的捕获能力，螺旋缠绕铺设与散射增强光纤技术被证实可将最小可检泄漏率降低至0.14%体积流量，甚至识别0.5毫米的微泄漏。OFDR技术凭借毫米级空间分辨率，在高精度管道腐蚀成像、冻胀变形重构及表面裂缝监测中表现出色。此外，基于拉曼散射的分布式温度传感（RDTS）通过主动加热光纤（AHFO）增强热对流效应，有效解决了微小渗漏引起的微弱温差检测难题。
4 AI-Assisted Optical Fiber Linear Infrastructure Monitoring Technologies
4.1 Traditional Signal Processing and Foundational Neural Networks
在传统信号处理阶段，经典数字信号处理（DSP）与稀疏重构方法提供了基线。例如，改进Canny边缘检测算法有效提取了DAS中的列车振动信号；正交匹配追踪（OMP）算法成功从复杂超声导波中稀疏重构出裂纹反射波包。浅层神经网络方面，7层人工神经网络（ANN）将DAS信号处理速度提升了10倍；非线性自回归外生（NARX）神经网络结合FBG阵列，实现了对轨道损伤的高精度概率评估。
4.2 Convolutional Neural Networks for Spatio-Temporal Feature Extraction
鉴于DAS输出的时空二维特性，卷积神经网络（CNN）成为主流。研究人员利用CNN实现了DAS事件的分类与定量应变测量，准确率达98.5%。针对管道泄漏，将原始相位信号转换为梅尔频谱图（Mel spectrogram）输入CNN或ResNet18，在多泄漏点实验中分别达到了99.7%和99.5%的准确率，其中ResNet18展现了更强的泛化能力。三维卷积神经网络（3D-CNN）进一步融合了时空谱特征，在低误报率下实现了极小流量泄漏的检测。
4.3 Recurrent and Hybrid Networks
为捕捉时序依赖，长短时记忆网络（LSTM）被用于将OFDR应变数据高精度转换为管道挠度，最大相对误差仅为1.67%。CNN与LSTM的混合架构结合了空间特征提取与时序分析优势，实现了轨道异常97%的识别准确率。针对强干扰环境，基于S变换的抗噪网络（STNet）与基于二维多特征的TFF-CNN，在保证高精度的同时显著降低了时间消耗。
4.4 Advanced and Specialized Deep Learning Architectures
针对大规模异构节点，92层双路径网络（DPN92）利用多维信息实现了97%的分类准确率。协作多分类器网络（CMCN）通过自适应建模局部特征，有效解决了长距离分布式传感中信号异构性带来的定位难题，将列车定位误差控制在2.342米以内。
4.5 Matching Analysis of AI Models with Sensing Scenarios and Data Characteristics
AI模型的选择需匹配数据特性：针对FBG准静态时间序列数据，RNN/LSTM/NARX擅长捕捉长期依赖；针对DAS时空振动数据，CNN/ResNet在空域特征提取上表现优异；针对高噪声环境，TFF-CNN与STNet提供了轻量与鲁棒的解决方案；针对多模态异构信号，CMCN是实现自适应融合的关键。
5 Discussions
尽管技术应用广泛，仍存在七大挑战：（1）FBG的多参数交叉敏感（温度与应变解耦）及复用点数受限；（2）DAS/Φ-OTDR中的相干衰落问题，可通过散射增强（成本高、适合新建系统）、光学频率梳OFC（超高保真、适合超长距离）及啁啾脉冲（性价比平衡、适合常规基建）等技术缓解；（3）系统小型化需依赖光子集成，硅基（SOI）成熟但热稳定性差，薄膜铌酸锂（TFLN）调制性能优，氮化硅（Si3N4）损耗极低且热稳定性好；（4）OFDR中的非线性相位噪声（NPN）导致空间分辨率下降，需借助辅助干涉仪重采样或相位噪声补偿算法解决；（5）OFDR动态测量受限，需通过时分、谱配准、压缩感知或弱反射阵列等技术突破速度瓶颈；（6）蓝宝石光纤、光子晶体光纤（PCF）及反谐振空芯光纤（AR-HCF）等特种光纤在高温、应变去耦及低时延传感方面潜力巨大，但目前仍处于实验室阶段；（7）管道监测缺乏统一的传感光缆敷设标准与信号耦合机理研究。
6 Conclusion
综上所述，尽管光纤传感技术在线性基础设施监测中面临数据处理量大、光缆敷设难等挑战，但其在铁路与管道安全运维中的潜力巨大。随着传感设备性能提升、新型光缆研发、多模态技术突破及数据分析算法的进步，先进光纤传感技术必将在未来大型基础设施的安全保障中发挥越来越关键的作用。
