DAS مبتنی بر فاز: پیشرفته نظارت صوتی توزیع شده برای شناسایی زیرساخت های زمان واقعی

نظارت صوتی توزیع شده (DAS) به ابزاری حیاتی برای نظارت و حفاظت از زیرساخت در مقیاس تبدیل شده است. همانطور که استقرارها رشد می کنند، انتظارات برای حرکت فراتر از تشخیص ساده به سمت دقت بالاتر، شناسایی بهتر رویدادها و هشدارهای نادرست کمتر افزایش می یابد. این تکامل منجر به پذیرش DAS مبتنی بر فازمانند موردی که توسط VIAVI ثبت شده است فاز واقعی DASبه عنوان گام بعدی در فناوری DAS.

به جای جایگزینی رویکردهای DAS موجود، DAS مبتنی بر فاز بر روی آنها ساخته می‌شود و اطلاعات کمی دقیق‌تر را قادر می‌سازد که برنامه‌های کاربردی جدید و تصمیم‌گیری‌های عملیاتی مطمئن‌تری را هدایت کند.

DAS مبتنی بر فاز: تکامل فناوری DAS

DAS مبتنی بر فاز که DAS حساس به فاز، DAS فاز یا DAS کمی نیز نامیده می شود، دسته جدیدی از سنسورها نیست، اما پیشرفت تکنیک های سنتی DAS. در حالی که سیستم های DAS مبتنی بر شدت معمولی تغییرات در شدت نور پس پراکنده را تشخیص می دهند، اندازه گیری DAS مبتنی بر فاز فاز نوری سیگنال ریلی پس پراکنده.

VIAVI True-Phase DAS خواندن با کیفیت بالا را از طریق بازیابی فاز نوری با استفاده از تکنیک های اختصاصی مانند تداخل سنجی فاز مرحله ای امکان پذیر می کند.

بازیابی فاز نوری به سیستم اجازه می دهد تا فراتر از تشخیص تداخل ساده رفته و وارد آن شود اندازه گیری کمی. با DAS فاز واقعی، پارامترهای فیزیکی مانند کرنش، دامنه ارتعاش، فرکانس و توان صوتی واقعی را می توان به طور مستقیم اندازه گیری کرد. نتیجه داده‌هایی با دقت بالاتر است که در سراسر استقرار قابل تکرار، عینی و قابل مقایسه است.

چرا اندازه گیری مبتنی بر فاز اهمیت دارد؟

قابلیت بازیابی فاز نوری چندین مزیت مهم دارد:

• حساسیت بالاترکه امکان تشخیص سیگنال های صوتی کوچکتر را فراهم می کند
• محدوده فرکانس قابل استفاده گسترده ترپشتیبانی از انواع رویدادهای متنوع تر
• بهبود عملکرد در محیط های پر سر و صدابا مقاومت بیشتر در برابر نویز پس زمینه
• مکان یابی و ردیابی دقیق ترمخصوصاً برای رویدادهای متحرک یا با فاصله نزدیک

این ویژگی ها مستقیماً به نرخ تشخیص بالاتر با آلارم های کاذب کمتر– یک نیاز حیاتی برای سیستم های نظارتی در مقیاس بزرگ و همیشه روشن.

که گفت DAS مبتنی بر شدت هنوز نقش مهمی ایفا می کند. در محیط‌های دامنه بالاتر یا در موارد استفاده که فقط با تشخیص به جای شناسایی یا طبقه‌بندی هدایت می‌شوند، سیستم‌های مبتنی بر شدت می‌توانند انتخابی کارآمد و مقرون‌به‌صرفه باشند. DAS مبتنی بر فاز جعبه ابزار DAS را گسترش می‌دهد و برنامه‌هایی را که دقت، تبعیض و اطمینان در آنها اهمیت دارد، فعال می‌کند.

گسترش کاربردهای DAS در صنایع

تعداد برنامه های DAS در سال های اخیر به طور قابل توجهی افزایش یافته است. چیزی که اساساً به عنوان یک ابزار نظارت بر خطوط لوله و محیط شروع شد، اکنون طیف گسترده ای از موارد استفاده از زیرساخت ها را پوشش می دهد، از جمله:

• شناسایی تهدیدات مراکز داده و کابل های شبکه مخابراتی
• نظارت امنیتی بر مرزها و محیط های حساس
• نظارت بر زیرساخت های حیاتیاز تشخیص نشت خط لوله گرفته تا فرسودگی کابل برق زیر آب
• سلامت کابل، استرس پویا برای ارزیابی خستگی

مدل های کسب و کار جدید نیز در حال ظهور هستند. اپراتورهای مخابراتی سنتی به طور فزاینده ای به دنبال راه هایی برای انجام این کار هستند از دارایی های نوری موجود برای جریان های درآمد اضافی استفاده کنید. در برخی از استقرارهای DAS، داده‌های فیبرهای مخابراتی که در نزدیکی زیرساخت‌های شهری اجرا می‌شوند – مانند لوله‌های آب – برای شناسایی و مکان‌یابی نشت‌ها استفاده می‌شود و داده‌های حسگر به شرکت‌های برق نزدیک فروخته می‌شوند. این رویکرد به اپراتورها اجازه می دهد تا ارزش جدیدی را از فیبر موجود در زمین استخراج کنند.

در همان زمان، OTDR کلاسیک، دما، تغییر شکل و نظارت صوتی اکنون می تواند انجام شود درون یک هسته فیبریپشتیبانی از پیوندهای نوری تاریک و فعال این همگرایی استقرار را ساده می کند و در عین حال بینش را گسترش می دهد.

True-Phase DAS با هوش مصنوعی و ML در لبه شبکه ملاقات می کند

همانطور که سیستم های DAS توانمندتر می شوند، حجم و غنای داده هایی که تولید می کنند به طور چشمگیری افزایش می یابد. استخراج ارزش کامل از این داده ها به تجزیه و تحلیل پیشرفته نیاز دارد هوش مصنوعی و یادگیری ماشینی.

سیستم‌های DAS مبتنی بر فاز مدرن به طور فزاینده‌ای از AI و ML در برخی سطوح، معمولاً از طریق یک مدل متمرکز AI/ML استفاده می‌کنند. اگرچه امکان کسب اطلاعات اضافی را فراهم می کند، اما مستلزم انتقال داده های DAS خام است، تقاضاهای اضافی برای اتصالات شبکه (ظرفیت، تأخیر، زمان آپلود) و اساساً در یک مدل پس از پردازش عمل می کند که می تواند باعث ایجاد تاخیر در شناسایی رویداد و تولید زنگ هشدار شود، بدون اینکه به طولانی شدن زمان راه اندازی و راه اندازی سیستم اشاره کنیم.

پیاده سازی AI/ML به طور مستقیم در انتهای شبکه بنابراین، می‌تواند با استفاده از پردازش گرافیکی جاسازی شده و مدل‌های تعبیه‌شده که در زمان واقعی اجرا می‌شوند، برای افزایش استقلال و کاهش تأخیر، مزایایی به همراه داشته باشد. مدل‌های VIAVI که براساس دهه‌ها داده‌های تاریخی آموزش دیده‌اند، تشخیص، طبقه‌بندی و ردیابی خودکار رویدادها را بدون تکیه بر پردازش متمرکز یا مداخله دستی امکان‌پذیر می‌سازند.

استفاده از AI/ML در لبه شبکه همچنین الزامات انتقال داده را کاهش می دهد، محدودیت های اتصال را کاهش می دهد و زمان راه اندازی را تا 50 درصد به حداقل می رساند. مدل‌های فعال را می‌توان به‌طور خودکار به‌روزرسانی و تطبیق داد، با بهبود مستمر که از طریق اکوسیستم‌های ابری خصوصی یا مدیریت‌شده توسط VIAVI پشتیبانی می‌شود.

مقدار ترکیبی True-Phase DAS و AI/ML

ترکیبی از DAS فاز واقعی و AI/ML مبتنی بر لبه، مزایای عملیاتی ملموسی را به همراه دارد:

• تشخیص بهتر رویداد در برابر نویز پس زمینه
• تبعیض بهبود یافته از رویدادهای متعدد در مجاورت نزدیک
• طبقه بندی و برچسب گذاری دقیق تر رویدادها
• تولید زنگ و زمان پاسخ سریعتر
• دقت مکان بالاتر و ردیابی قابل اعتماد اهداف متحرک
• سازگاری خودکار با تغییرات فصلی و محیطی
• هشدارهای کاذب کمتر، هزینه های عملیاتی کمتر و تماس های موفق تر

این قابلیت ها با هم، DAS را فراتر از آگاهی معمولی می برد هوشمند عملی بلادرنگ.

همه را با هم جمع کردن

با ترکیب هوش مصنوعی روی دستگاه و یادگیری ماشین به همراه تکنیک اختصاصی فاز واقعی DAS، راه حل VIAVI DAS با FTH-DAS دقت اندازه گیری بهبود یافته و تفسیر مورد نیاز برای هوشمندی زیرساخت زمان واقعی را فراهم می کند. نتیجه اعتماد بالاتر، پاسخ سریعتر و پایه ای مقیاس پذیر برای برنامه های نظارتی نسل بعدی در زیرساخت های حیاتی است.

داگلاس کلاگ در حال حاضر مدیر راه حل های بازاریابی برای راه حل های فیبر نوری در VIAVI است. داگ دارای بیش از 20 سال تجربه در تست و اندازه گیری با تمرکز اصلی بر روی فناوری های فیبر نوری و کابل است که از صنعت مخابرات پشتیبانی می کند. قبل از VIAVI، داگ سمت‌هایی را به‌عنوان مهندس تولید، مهندس راه‌حل‌ها و مدیر توسعه تجارت داشت. داگ در پانل های صنعتی متعددی در زمینه گرایش های فناوری نوری و کابل شرکت کرده است. او در دانشگاه برونل لندن تحصیل کرد و با درجه ممتاز در رشته مهندسی برق و الکترونیک فارغ التحصیل شد.