聯河光子 × 上海交通大学｜Light: Science & Applications に掲載
ゼロショット物理インフォームドAIがDASの実用化課題を解決
朗報です！ 寧波聯河光子と上海交通大学・何祖源教授の研究チームが共同開発した、分布型光ファイバ音響センシング（Distributed Acoustic Sensing：DAS）向けのフルスタックAIソリューションが、Nature Portfolioの光学分野トップジャーナルである『Light: Science & Applications』に正式掲載されました。同誌はSCI一区に属し、インパクトファクター約23.4を有する、世界トップクラスの光学系学術誌です。
DASの産業化を長年阻んできた「現場における故障サンプルの不足」と「複雑な環境ノイズによる微弱信号の埋没」という2つの世界的課題に対し、研究チームは、PIGN（Physics-Informed Generative Network）生成ネットワークと専用デノイジングネットワークからなる、物理インフォームド・ニューラルネットワークの統合パラダイムを提案しました。アルゴリズムの学習プロセス全体で実際の現場故障サンプルを必要とせず、物理メカニズムと容易に取得可能な現場背景データのみを活用して、イベントの合成生成、背景ノイズの分離、異なる現場間での故障識別を一体的に実現します。炭鉱現場試験では故障診断精度91.8%を達成し、従来のデータ駆動型アルゴリズムを総合的に上回りました。これは、石油・ガス開発、鉱山、電力網、海底ケーブルなどの全域インテリジェントモニタリングに向けた新たな基盤技術となるものです。
『Light: Science & Applications』掲載の学術的意義
『Light: Science & Applications』はNature Portfolioと共同出版される国際的な光学系トップジャーナルであり、長年にわたり世界トップクラスの光学研究誌として高い評価を受けています。パラダイム革新や産業上のブレークスルーにつながる独創的研究を主に掲載する同誌に、今回のDAS向け物理インフォームドAIの統合体系が掲載されたことは、光ファイバ音響センシング分野における産学連携の重要な成果であり、学術面・産業面の双方で大きな意義を持ちます。
1分でわかるDAS
DASは、光ファイバ内部のレイリー後方散乱を利用する分布型センシング技術です。1本の光ファイバケーブルを数百万規模の連続的な微小センサとして機能させ、長距離にわたって死角なく振動や音響信号を検知できます。高耐圧性、耐腐食性を備え、既存の通信ケーブルとの共用も可能であることから、鉱山、長距離石油・ガスパイプライン、海底ケーブル、OPGW電力線、周界セキュリティなどの長期運用・保守に広く活用されています。
DASの産業化を阻む2つの世界的課題
❶ 実際の故障サンプルの極端な不足
パイプライン破損、ベルトコンベヤのローラー故障、不正侵入、微小地震などの異常事象は発生頻度が極めて低く、現場データの95%以上は意味のない背景ノイズです。故障サンプルの収集・ラベリングには多大な時間とコストがかかります。従来の深層学習アルゴリズムは十分な量のアノテーション付き故障データに大きく依存しており、サンプル不足は認識精度の大幅な低下を招き、大規模な商用展開の障壁となっていました。
❷ 複雑な環境における強いノイズによる微弱故障信号の埋没
鉱山、工場、海底、野外環境には、継続的な機械振動、水流、風などのノイズが存在します。微弱な故障信号はノイズに完全に埋もれる可能性があります。従来のデノイジングアルゴリズムや一般的なAIデノイジングネットワークは、クリーンでノイズのない基準信号を必要としますが、産業現場でそのようなデータを取得することは極めて困難です。その結果、見逃しや誤警報が増加し、設備の信頼性向上が制限されていました。
『Light』掲載の中核的独創技術：フルスタック物理インフォームドAIニューラルネットワーク
本研究は、膨大な現場実測データを用いてAIを学習させる従来の発想から脱却し、DAS専用の統合ニューラルネットワーク体系を構築しました。学習プロセス全体を通じて、対象現場の実測故障データを必要としません。
❶ PIGN（Physics-Informed Generative Network）— 独自の合成データ生成モジュール
従来のGANが実測データを必要とするのに対し、PIGNは、イベントの物理ダイナミクスモデルや業界知見に基づいて時空間特徴の制約関数を構築し、DAS装置のハードウェア特性および現場環境の制約条件と組み合わせることで、大量の標準イベントデータを自律的に生成します。
- 歩行、機械振動、ベルトコンベヤの各種ローラー故障などの時間領域・周波数領域信号を高精度に再現
- 位相ラッピングや信号飽和など、DAS固有の装置由来の歪み特性を自動的に再現
- 合成データの時間周波数特性を現場実測データに整合させ、実測故障データに代わる学習データセットとして活用
❷ DAS専用背景ノイズ除去ネットワーク — ノイズ分離モジュール
PIGNが生成したクリーンな故障信号と、容易に取得できる現場の正常時背景データを混合して学習するため、ノイズのない基準信号を必要としません。
- 鉱山や工場における強い連続的な機械背景ノイズを効果的に除去
- 故障固有のインパルス、狭帯域、広帯域の周波数特性を保持し、デノイジング後の故障信号振幅を最大6 dB向上
- デノイジング後のデータを分類ネットワークに入力することで、故障の見逃しや環境ノイズによる誤警報を大幅に低減
❸ ゼロショット学習：5ステップで展開
- 物理モデルや業界知見に基づき、PIGNを用いて各種故障の合成データを大量生成
- 現場で容易に取得できる正常時の背景光ファイバ信号を収集
- 合成故障データと実際の背景データを混合し、専用デノイジングネットワークを学習
- デノイジング後のクリーンなデータセットを用いてイベント分類ネットワークを学習
- 学習済みのネットワークを、故障サンプルを再収集することなく、新たな運用現場へ直接移行
図1 物理インフォームドDASニューラルネットワークの全体アーキテクチャ
3段階の検証：合成データで学習したモデルが従来の実測データベース方式を上回る
検証1：公開データセットにおける歩行・振動イベント識別
DASの公開時空間データセットを用い、PIGNの合成データのみでCNN、ResNet、CNN-BiLSTMなどの代表的なネットワークを学習しました。
- 合成データのみで学習したモデルの認識精度は安定して70%を超過
- 少量の現場サンプルでファインチューニングしたCNN-BiLSTMは86.2%の認識精度を達成
- 同一の学習条件において、少量の実故障データで学習した従来アルゴリズムを上回る性能を確認
図2 PIGN生成信号と実信号の比較、および複数モデルの分類混同行列
検証2：聯河光子自社開発コンベヤ試験台によるデノイジング効果検証
自社開発のixDAS-4000 Distributed Acoustic Sensing System（最大検知距離：60 km、最小空間分解能：3.6 m、自己ノイズレベル：10 pε/√Hz @ 20 Hz）を用いてコンベヤ試験プラットフォームを構築し、偏心、分割、亀裂という3種類の代表的なローラー故障を再現しました。
- 生信号では故障特徴がノイズに完全に埋もれていたが、デノイジング後には明瞭に確認可能
- デノイジングデータで学習したCNNの故障認識精度が8.4%向上
- ResNet、CNN-BiLSTMなどの主要ネットワークでも顕著な性能向上を確認
図3 コンベヤ生信号とデノイジング後信号の時間周波数特性比較
検証3：地下炭鉱における異なる現場間の産業実証試験（中核的な技術実装上のブレークスルー）
試験台のみで学習した完全なAIネットワークを、学習段階で炭鉱の故障データを一切使用することなく、実際の400 mの炭鉱ベルトコンベヤ現場へ直接移行しました。
- 少量の炭鉱故障サンプルで学習した従来のデータ駆動型モデル：3クラス分類精度71.3%
- 炭鉱故障データを学習に使用しない物理インフォームド方式：診断精度85.6%
- 少量の現場サンプルでファインチューニング後、故障二値早期警報精度91.8%
- 長期データに基づき手動調整した従来の時間周波数診断アルゴリズム（86.6%）を総合的に上回る性能を達成
図4 炭鉱現場を跨る移行試験フローと各アルゴリズムの精度比較
産学連携による共同研究開発
上海交通大学：物理メカニズムのモデリング、PIGNおよびデノイジングネットワークの独自アーキテクチャ設計、複数シナリオにおけるデータセット検証。
寧波聯河光子：ixDASシリーズDASデモジュレーションハードウェアの独自開発・供給、コンベヤ試験台の構築、炭鉱現場での実測、モジュール型アルゴリズムの最適化および企業顧客向けの実用化。
両者は、理論モデリング → アルゴリズムイノベーション → ハードウェア対応 → シミュレーション試験 → 鉱山現場検証という一貫した研究開発チェーンを構築し、最先端の学術成果を商用可能な産業用インテリジェントセンシングシステムへ迅速に転換しています。
主なアプリケーションシナリオ
- 石炭・廃材搬送コンベヤシステム：ローラーの摩耗、偏心、亀裂を早期警告し、停止損失を低減
- 長距離石油・ガスパイプライン：第三者による掘削や機械的衝撃に起因する微弱振動を高精度に識別
- 海底ケーブル・陸上基幹ケーブル：海底侵食、地盤沈下、不正施工を長期モニタリング
- 高圧OPGW電力線：着氷、鉄塔の異常振動、外部からの機械的損傷をオンラインで早期警告
- 周界セキュリティ、トンネル構造ヘルスモニタリング、広域微小地震センシング
論文情報
Yangyang Wan, Haotian Wang, Xuhui Yu, Jiageng Chen, Xinyu Fan, Zuyuan He
“Towards a physics-informed network paradigm with data generation and background noise removal for different distributed acoustic sensing applications”
Light: Science & Applications (2026) 15:281
DOI: 10.1038/s41377-026-02295
