CN104301037A - 一种实现无源光网络光纤故障自动告警的方法及系统 - Google Patents

Abstract

本发明提供的一种实现无源光网络光纤故障自动告警的方法及系统，该方法包括：在无源光网络运营初期，测试得到光纤正常工作时的健康曲线，对所述健康曲线进行事件检测，保存为第一事件检测结果；在进行无源光网络维护时，测试光纤工作状态时的问题曲线；将所述问题曲线与所述健康曲线做差得到差分曲线，对所述差分曲线进行事件检测，得到第二事件检测结果；比较分析所述第一事件检测结果和所述第二事件检测结果，得到问题曲线上事件的变化情况，根据所述变化情况发出相应的告警信息。通过本发明可以减少虚警，为维修人员提供事件依据，缩短维护时间和维护的工作量。

Description

一种实现无源光网络光纤故障自动告警的方法及系统

技术领域

本发明涉及通信领域无源光网络系统，尤其涉及一种实现无源光网络光纤故障自动告警的方法及系统。

背景技术

无源光网络作为高速、高带宽、环保和节能的宽带接入技术，一定程度上解决了由于庞大的网络用户和各种网络应用带来的各种各样的网络问题，成为取代现有接入网络的最佳候选者。

PON（Passive Optical Network：无源光纤网络）是由一个光纤线路终端（OLT）通过主干光纤和光分配网络（ODN）的分光器连接多个分支光纤及相应的光网络单元（ONU）构成的点到多点的结构，如图1所示。PON全部由分光器（Splitter）等无源器件组成，不需要有源电子设备。PON网络的突出优点是消除了户外的有源设备，所有的信号处理功能均在交换机和用户宅内设备完成，而且这种接入方式的前期投资小，大部分资金要推迟到用户真正接入时才投入。它的传输距离比有源光纤系统的短，覆盖的范围较小，但它造价低，无须另设机房，维护容易，因此这种结构可以经济地为居家用户服务。

在无源光网络得到大量应用后，网络的管理和维护特别是光纤线路的检测和故障的定位也变得越来越重要。传统的方法是使用OTDR（光时域反射仪）对光纤线路进行测试，然后进行事件检测，检测出光纤上的反射事件和非反射事件，这些事件反应反映了光纤的工作状态，维护人员就可以根据这些信息进行相应的管理和维护。

采用上述传统的OTDR测试机制存在以下问题：

一、在无源光网络中，很多的器件和连接方式本身就会产生一些事件，这是它们本身的特性所决定的，如图2所示，活动连接器和机械固定接头（有时也称机械冷接子）会导致产生反射事件，熔接会导致产生非反射事件。另外分光器、ONU处会出现反射事件。显然这些事件不是因为光纤出现故障而造成的。因此当用传统的OTDR测试机制进行光纤测试时，检测出事件并不能说明一定是由于光纤出现故障造成的。如果将这些非故障引起的告警信息告知维护人员就会导致虚警，从而导致维护人员工作量增加，维护时间延长，大大浪费了人力和物力。

二、实际中，无源光网络并不会经常出现故障，因此用传统的OTDR测试机制进行光纤测试时，很多时候得到的事件信息是一样的，光纤工作状态并没有发生变化。虽然检测出光纤上的各种事件，但是这些事件是一直都有的，如上述由光网络中的器件和连接方式所导致的事件，那么就没有必要去关注这些事件。主要应该关注的是事件的增加、减少和事件幅度的变化等。如光纤出现断纤，则会增加新的反射事件。活动连接器松动就会导致反射增强，事件幅度变大。显然传统的OTDR测试机制并不能反映这些变化。

三、传统的OTDR测试机制非常依赖于事件检测算法的性能。由于光纤本身状态变化和各种噪声的影响，如果事件检测算法的性能不够，就会导致将一些非事件检测为事件，或者漏掉一些事件，这样就会产生很多虚警和漏警。

发明内容

本发明要解决的技术问题是提供一种实现无源光网络光纤故障自动告警的方法及系统，以减少虚警，为维修人员提供事件依据，缩短维护时间和维护的工作量。

为了解决上述技术问题，本发明提供了一种实现无源光网络光纤故障自动告警的方法，包括：

在无源光网络运营初期，测试得到光纤正常工作时的健康曲线，对所述健康曲线进行事件检测，保存为第一事件检测结果；

在进行无源光网络维护时，测试光纤工作状态时的问题曲线；

将所述问题曲线与所述健康曲线做差得到差分曲线，对所述差分曲线进行事件检测，得到第二事件检测结果；

比较分析所述第一事件检测结果和所述第二事件检测结果，得到问题曲线上事件的变化情况，根据所述变化情况发出相应的告警信息。

进一步地，上述的方法还具有下面特点：所述进行事件检测包括：

利用事件检测算法分析测试出的曲线，检测出该曲线上的事件以及事件的位置。

进一步地，上述的方法还具有下面特点：所述事件检测算法包括以下的任一种：

基于小波模极大值事件检测算法；

基于斜率差事件检测算法。

进一步地，上述的方法还具有下面特点：所述基于小波模极大值事件检测算法进行检测包括：

读取测试得到的光纤工作状态曲线，对该曲线进行采样和末尾噪声处理；

选择指定的小波基利用小波变换对处理完的数据进行三层小波分解，选取三层的高频系数；

分别对所述三层的高频系数进行模极大值检测，得到三层的模极大值；

以所述模极大值划分事件段，根据事件处模极大值在各层小波系数上的变化规律和事件本身功率变化特性进行事件检测，确定检测出的每个事件的起点和终点，计算事件参数；

根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

进一步地，上述的方法还具有下面特点：所述基于斜率差事件检测算法进行检测包括：

读取测试得到的光纤工作状态曲线，对该曲线进行采样和末尾噪声处理；

对处理完的数据计算每个数据点处的斜率，根据每个数据点的斜率计算后一数据点相对于前一数据点的斜率差；

根据所述斜率差的变化情况得到候选事件、候选事件的起点和终点，根据所述起点和终点计算候选事件的事件参数；

根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

进一步地，上述的方法还具有下面特点：

所述事件参数包括：事件损耗和反射比，

所述事件损耗包括事件点前后的光功率水平之差，

所述反射比包括事件的反射光功率与入射光功率之比。

进一步地，上述的方法还具有下面特点：所述将所述问题曲线与所述健康曲线做差得到差分曲线之前还包括：

分别对所述健康曲线和所述问题曲线进行去噪处理。

为了解决上述问题，本发明还提供了一种实现无源光网络光纤故障自动告警的系统，包括：

第一测试模块，用于在无源光网络运营初期，测试得到光纤正常工作时的健康曲线；

第二测试模块，用于在进行无源光网络维护时，测试光纤工作状态时的问题曲线；

检测模块，用于对所述健康曲线进行事件检测，保存为第一事件检测结果；将所述问题曲线与所述健康曲线做差得到差分曲线，对所述差分曲线进行事件检测，得到第二事件检测结果；

告警模块，用于比较分析所述第一事件检测结果和所述第二事件检测结果，得到问题曲线上事件的变化情况，根据所述变化情况发出相应的告警信息。

进一步地，上述系统还具有下面特点：

所述检测模块，进行事件检测包括：利用事件检测算法分析测试出的曲线，检测出该曲线上的事件以及事件的位置。

进一步地，上述系统还具有下面特点：

所述检测模块，利用的事件检测算法包括以下的任一种：基于小波模极大值事件检测算法和基于斜率差事件检测算法。

进一步地，上述系统还具有下面特点：

所述检测模块，基于小波模极大值事件检测算法进行检测包括：读取测试得到的光纤工作状态曲线，对该曲线进行采样和末尾噪声处理；选择指定的小波基利用小波变换对处理完的数据进行三层小波分解，选取三层的高频系数；分别对所述三层的高频系数进行模极大值检测，得到三层的模极大值；以所述模极大值划分事件段，根据事件处模极大值在各层小波系数上的变化规律和事件本身功率变化特性进行事件检测，确定检测出的每个事件的起点和终点，计算事件参数；根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

进一步地，上述系统还具有下面特点：

所述检测模块，基于斜率差事件检测算法进行检测包括：读取测试得到的光纤工作状态曲线，对该曲线进行采样和末尾噪声处理；对处理完的数据计算每个数据点处的斜率，根据每个数据点的斜率计算后一数据点相对于前一数据点的斜率差；根据所述斜率差的变化情况得到候选事件、候选事件的起点和终点，根据所述起点和终点计算候选事件的事件参数；根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

进一步地，上述系统还具有下面特点：

所述检测模块，计算的事件参数包括：事件损耗和反射比，所述事件损耗包括事件点前后的光功率水平之差，所述反射比包括事件的反射光功率与入射光功率之比。

进一步地，上述系统还具有下面特点：

所述检测模块，将所述问题曲线与所述健康曲线做差得到差分曲线之前还用于：分别对所述健康曲线和所述问题曲线进行去噪处理。

综上，本发明提供的一种实现无源光网络光纤故障自动告警的方法及系统，可以减少虚警，为维修人员提供事件依据，缩短维护时间和维护的工作量。

附图说明

图1为现有技术的无源光网络的示意图；

图2为光纤上各事件的示意图；

图3为最小二乘法进行直线拟合的示意图；

图4为本发明实施例的计算事件参数的图解示意图；

图5为本发明实施例的计算斜率的图解示意图；

图6为本发明实施例的一种实现无源光网络光纤故障自动告警的方法的流程图；

图7为本发明实施例的一种实现无源光网络光纤故障自动告警的系统的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

鉴于上述传统的OTDR测试机制的不足，本发明提出一种无源光网络光纤故障自动告警的实现方法，如图6所示，包括如下步骤：

步骤101、在无源光网络搭建完成，正常运营初期，用OTDR测试得到光纤正常工作时的曲线，称为健康曲线，记为healthdata，并对健康曲线进行事件检测，保存事件检测结果health_detec。

之所以需要对健康曲线进行检测是由于：当问题曲线上既有增加或减少的事件，又有事件幅度急剧变化的事件时，将它与健康曲线做差后这两种情形会形成相似的“突起”，这样检测后就不能够判断该处事件是新增的事件还是幅度急剧变化的事件。因此需要原健康曲线的检测结果，当原健康曲线在某处没有事件，而在残差曲线的该处上检测出事件就说明问题曲线新增了事件。如果健康曲线某处原本有事件，而残差曲线在该处检测出事件，说明问题数据在该处事件的幅度发生急剧变化，甚至该处的事件已经消失。

步骤102、在进行无源光网络维护时，测试得到此时光纤工作状态曲线，称为问题曲线（problemdata）。

对健康曲线和问题曲线进行去噪处理，然后将问题曲线与健康曲线做差得到差分曲线。

不能直接将健康曲线与问题曲线相减，这是因为曲线上有很多噪声，特别是在曲线末尾处有比较强的噪声电平，这些噪声是随机的。将健康曲线与问题曲线直接相减，对噪声来说，它们变化不大。但是对事件来说，相减后它们的功率急剧下降，会使其淹没在噪声中而无法检测出来，因此需要对其进行去噪处理。

这里去噪处理主要是指去除末尾噪声。

对于末尾噪声采用均值滤噪的方法，末尾的噪声虽然较强但是相对于信号功率来讲还是比较小的，因此处理方法是：寻找一个功率阈值Th，将功率小于Th的点置零，功率大于Th的点减去Th，作为新的功率。

设曲线为p(i)，i表示第i个数据点，p(i)为第i个数据点处的功率值，p'(i)为处理后的曲线。功率的阈值为Th，在本算法中Th为所有点功率的平均值。则

$p^{\&prime;}\left(i\right)=\left\{\begin{array}{cc}p\left(i\right)-\mathrm{Th}& p\left(i\right)\&GreaterEqual;\mathrm{Th}\\ 0& p\left(i\right)<\mathrm{Th}\end{array}\right.$

采用上述方法得到去除末尾噪后的健康曲线和问题曲线，然后将健康曲线与问题曲线做差，得到差分曲线。minusdata表示差分曲线，healthdata表示健康曲线，problemdata表示问题曲线。

minusdata problemdata-healthdata

步骤103、对差分曲线minusdata进行事件检测，得到差分曲线的事件检测结果minus_detec。

步骤104、比较分析健康曲线healthdata的检测结果health_detec和差分曲线minusdata的检测结果minus_detec，得到问题曲线上事件的变化情况，并根据这些变化情况发出相应的告警信息。

这里事件的变化这要是指事件的增加、事件的减少、事件幅度变大、事件幅度减小。

判断事件的变化主要按以下步骤：

在minus_detec中某事件位置为X处，

一、如果health_detec中在X处没有事件，则表明X处新增加了事件。

二、如果health_detec中在X处也有事件，则有三种可能：

（1）如果minusdata在X处的事件功率等于healthdata在X处的事件功率的相反数，则表明在X处的事件消失

（2）如果minusdata在X处的事件功率小于0，且大于healthdata在X处的事件功率的相反数，则表明在X处有事件，且事件的功率值在减小，减小的幅度为minusdata在X处的事件功率值。

（3）如果minusdata在X处的事件功率大于0，则表明在X处有事件，且事件的功率值在变大，变大的幅度为minusdata在X处的事件功率值。

根据这些事件变化的情况就可以发出相应的告警信息，如对于情况一可以说明问题曲线新增事件X，该事件可能是由于断纤造成的，从而为维护人员提供依据，进而减少维护工作量、提高维护的效率、缩短维护的时间。

其中，所述用于进行事件检测的事件检测算法可以为以下两种：

基于小波模极大值事件检测算法。

基于斜率差事件检测算法。

其中，所述基于小波模极大值事件检测算法具体步骤如下：

步骤21、数据的读取和预处理；

首先读取OTDR测试得到的光纤工作状态曲线，根据数据的特性进行相应的预处理，这里的预处理主要是指采样和末尾噪声的处理。

(1)采样：如果测试的光纤线路很长、如3km以上，曲线上数据点会很多或者曲线噪声干扰比较严重，导致一些数据点异常，这样的情况下可以考虑进行降采样。如果测试光纤线路较短，数据点少或者有很多的密集事件。这样的情况下最好不要进行采样，因为采样后容易造成漏检。

（2）末尾噪声的预处理：是指光纤末端以后有很多的噪声电平，这些对检测没有作用可以提前处理掉，以便减少算法的计算量和降低虚警，如果在告警算法步骤中已经处理了末尾噪声，则这里不用处理。

对于末尾噪声采用均值滤噪的方法，末尾的噪声虽然较强但是相对于信号功率来讲还是比较小的，因此处理方法是：寻找一个功率阈值Th，将功率小于Th的点置零，功率大于Th的点减去Th，作为新的功率。

设曲线为p(i)，i表示第i个数据点，p(i)为第i个数据点处的功率值。p'(i)为处理后的曲线。功率的阈值为Th，在本算法中Th为所有点功率的平均值。则

$p^{\&prime;}\left(i\right)=\left\{\begin{array}{cc}p\left(i\right)-\mathrm{Th}& p\left(i\right)\&GreaterEqual;\mathrm{Th}\\ 0& p\left(i\right)<\mathrm{Th}\end{array}\right.$

步骤22、小波变换；

设{V_m}_m∈Z是一个小波多分辨率分析，φ(t)和ψ(t)分别是相应的尺度函数和小波函数，现在对一个函数或信号f(t)进行小波分解。由于任一信号都只具有有限的分辨率，不妨设f(t)∈V_m，为方便起见，取m＝0，因此对任一f(t)∈V₀，并设f(t)＝f₀(t)，则由可以把f(t)分解成V₁和W₁中的两个分量的正交和：

f(t)＝f₀(t)＝A₁f(t)+D₁f(t)

其中： $D_{1}f\left(t\right)=\underset{n=-\&infin;}{\overset{+\&infin;}{\mathrm{\&Sigma;}}}{d}_n^1{\mathrm{\&psi;}}_{1,n}\left(t\right)$

利用上式可得：

对上面得到的A₁f(t)可继续进行分解，如果进行j次分解，则有：

$f\left(t\right)=A_{j}f\left(t\right)+\underset{m=1}{\overset{j}{\mathrm{\&Sigma;}}}{D}_{m}f\left(t\right)$

这里

$D_{m}f\left(t\right)=\underset{n=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{d}_n^m{\mathrm{\&psi;}}_{m,n}\left(t\right)$

其中，和可以通过下式递推计算得到：

$\left\{\begin{array}{c}{c}_n^m=\underset{k}{\mathrm{\&Sigma;}}{h}_{k-2n}{c}_k^{m-1}\\ d_n^m=\underset{k}{\mathrm{\&Sigma;}}{g}_{k-2n}{c}_k^{m-1}\end{array}\right.$

对处理完的数据进行小波变换，这里采用平稳离散小波变换（swt），进行三层小波分解，本实施例中选用的小波基是bior4.4小波，bior4.4小波是一种双正交小波基具有以下特性：紧支撑双正交性、对称性、双正交分解性、精确重构性。采用swt变换的原因是变换后小波系数的长度不变，各层小波系数的模极大值与事件发生的位置相对应，便于检测和定位。用swt对数据进行三层小波变换要求数据长度是8的整数倍，因此要根据数据长度适当在末尾补一些点。

(1)末尾补点；

设曲线f(i)中数据的个数为datalength，f(i)补点后记为g(i)，i表示第i个是据点，n＝datalength/8的整数部分，如果datalength能被8整除，则g(i)＝f(i)；如果datalength不能被8整除，则

$g\left(i\right)=\left\{\begin{array}{cc}f\left(i\right)& 1\&le;i\&le;\mathrm{datalength}\\ 0& \mathrm{datalength}<i\&le;(n+1)*8\end{array}\right.$

(2)小波变换；

对光纤工作状态曲线g(i)按上述方法用swt变换进行三层小波分解，分别记第一层的高频系数为layer1_high，第二层高频系数为layer2_high，第三层高频系数为layer3_high。

步骤23、模极大值检测；

OTDR信号波形上的突变点往往含有可供模式识别的丰富信息，因此，突变信号的检测具有重要意义。

突变信号可大体分为两类：边缘突变和峰值突变。其中，边缘突变可视为信号在突变时刻叠加了一个阶跃函数，而峰值突变可视为信号在突变时刻叠加了一个脉冲函数。我们称信号发生突变的时刻为信号的奇异点，数学上通常采用Lipschitz（利普希茨）指数来描述其特性，而小波变换模极大值通常对应着信号突变点，因此可用小波变换模极大值检测信号突变点。

因此当有事件发生时，经过小波变换后小波系数会有模极大值与之对应，即模极大值位置或模极大值附近位置（当某个事件的数据点比较多时，经过小变换后模极大值位置与事件的位置可能有一定的差距）可能有事件发生，因此先进行模极大值检测，找出所有的模极大值，然后根据模极大值来进行事件检测。

对第一层高频系数layer1_high，如果|layer1_high(i-1)|＜|layer1_high(i)|且|layer1_high(i)|＞|layer1_high(i+1)|，则认为layer1_high(i)是一个模极大值。

依次找出高频系数layer1_high、layer2_high、layer3_high上所有的模极大值分别记为wave_peak1、wave_peak2、wave_peak3。

步骤24、滤噪；

通过步骤23找到各层模极大值后，便可以以模极大值来划分事件段进行事件检测。

但是由于噪声的干扰，噪声也会产生很多模极大值。另外一些外界因素也可能对OTDR曲线产生影响而造成很多模极大值。但是这些模极大值的值一般都比较小，而与事件对应的模极大值都比较大，因此可以借鉴小波滤噪中的硬阈值法，对模极大值进行滤噪，经过滤噪后可以去掉一些非事件点导致的模极大值，从而提高事件检测性能。

硬阈值去噪时，阈值为T，T＝2σlogN。

其中，σ为噪声标准差；N为信号采样点数。实际上，该阈值在N过大时显得太大，在N较小时则过小，因此往往不采用因子2σlogN，而代之以一常数c，即：T＝cσ。

对于第一层的模极大值wave_peak1，进行硬阈值去噪，

$\mathrm{wave}\_\mathrm{peak}1\left(i\right)=\left\{\begin{array}{cc}\mathrm{wave}\_\mathrm{peak}1\left(i\right)& \mathrm{wave}\_\mathrm{peak}1\left(i\right)\&GreaterEqual;T\\ 0& \mathrm{wave}\_\mathrm{peak}1\left(i\right)<T\end{array}\right.$

对各层的模极大值进行硬阈值去噪得到去噪后的wave_peak1、wave_peak2、wave_peak3。

步骤25、事件判决，根据曲线小波变换后的高频模极大值的变化特征和事件处的功率变化特性可以判断出曲线上事件的类型。

下面首先分析小波变换模极大值的特征，模极大值与突变点，即奇异点相对应，而在数学上，常用Lipschitz指数来度量奇异点的奇异性。通过奇异性分析可知，在尺度1到2ⁿ上：

（1）当信号的奇异指数α＞0时，其小波变换模极大值随尺度s的增加而增大。

（2）当奇异指数α＜0时，小波变换模极大值随尺度s的增加而减少。

（3）当奇异指数α＝0时，小波变换模极大值不随尺度s的改变而变化。

边缘突变相当于在原信号上叠加了一个阶跃信号，阶跃信号的Lipschitz指数α＝0，所以它的各个尺度上的小波变换的模极大值的幅度是基本上没有变化的，而峰值突变相当于在原信号上叠加了一个脉冲信号，脉冲信号的Lipschitz指数α＜0，它的各个尺度上的小波变换的模极大值的幅度是随着尺度的增加而减小的。

盲区是一个峰值突变，各个尺度上的小波变换的系数表现为一个正的模极大值，且随着尺度增大而减小。非反射事件是一个边缘突变，各个尺度上的小波变换的系数无明显变化。反射事件是一个峰值突变，各个尺度上的小波变换的系数表现为一个正的模极大值，且随着尺度增大而减小。

此外，由上面的说明可以看出模极大值与突变点相对应，当模极大值出现就说明模极大值处或其附近有事件发生。在完成小波分解得到其模极大值后，接下来以相邻的模极大值划分事件段。每个事件段中可能有事件发生。在原OTDR曲线中，对于每个事件段范围，找到光功率最大值点和其位置，如果其光功率满足设定的阈值，就将其作为候选事件点。对于每个候选事件点，在一个范围内，

（1）如果它比左边和右边的点的光功率都大，且满足反射事件模极大值在各层上的变化规律，即小波变换模极大值随尺度s的增加而减少，那么就认为该处发生了反射事件，如果该事件是第一个事件则该事件为盲区。

（2）如果其光功率比左边的点小，比右边的点大，且满足非反射事件模极大值在各层上的变化规律，即各个尺度上的小波变换的模极大值无明显变化，那么就认为发生非反射事件。

步骤26、确定检测出的各事件的起点和终点，计算事件参数；

本实施例中采用直线拟合的方法，对于反射事件，其理论模型为两条相交的直线，因此可以在事件点的左边和右边各取一些数据点进行直线拟合，在拟合的直线与OTDR曲线的交点中选择合适的点作为事件的起点和终点。对于非反射事件，其理论模型为一条负斜率的直线，于是在事件点右侧选着数据进行直线拟合，在拟合的直线与OTDR曲线的交点中选择合适的点作为事件的起点和终点。

直线拟合采用最小二乘法，如图3所示，设(x₁,y₁),(x₂,y₂),…,(x_n,y_n)是平面直角坐标系下给出的一组数据，若x₁＜x₂＜…＜x_n，也可以把这组数据看作是一个离散的函数。根据观察，如果这组数据图像“很像”一条直线（而不是直线），确定一条直线y＝bx+a使它能“最好”地反映出这组数据的变化。最小二乘法拟合的结果为：

$b=\frac{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_k{y}_k-\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_k\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_k}{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_k^2-\frac{1}{n}{\left(\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_k\right)}^2}$

$a=\frac{1}{n}(\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_k-b\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_k)=\stackrel{\&OverBar;}{y}-b\stackrel{\&OverBar;}{x}$

得到事件的起点和终点后，就可以根据相应的计算公式计算事件参数。

事件参数主要是事件损耗和反射比，如图4所示。对反射事件需要计算事件损耗和反射比，对于非反射事件只需要计算事件损耗。

图4中z₁为反射事件的起点，p₁为该处的光功率，p₂为反射事件峰值的光功率。z₃为反射事件终点的位置，同时它也在正常衰减曲线上，p₃为该处的光功率。z₄为正常衰减曲线上的一点，p₄为该处的光功率。

（1）事件损耗的计算

事件损耗为事件点前后光功率水平之差，进行粗略计算时可以认为：

Loss＝p₁-p₃

但是即使从z₁起没有发生反射事件，光纤从z₁到z₃光功率也会衰减，这是由光纤的正常衰减导致的，所以上式是粗略计算，准确的计算还有减去从z₁到z₃光功率的正常衰减量，所以要拟合出正常衰减曲线的直线方程，从而计算出从z₁到z₃光功率的正常衰减量，则事件损耗的计算公式为：

$\mathrm{Loss}=p_1-p_3-\frac{(p_3-p_4)(z_3-z_1)}{z_4-z_3}$

反射事件和非反射事件都可由该公式计算事件损耗。

（2）反射比的计算

反射比是指事件的反射光功率与入射光功率之比，但是不可能说把光纤剪断，然后去测入射光功率和反射光功率，利用OTDR曲线计算反射比的公式如下，先计算H，再计算反射比（R）。

H＝p₂-p₁

$R=B+10\mathrm{lo}{g}_{10}\left[({10}^{\frac{H}{S}}-1)D\right]$

上式中B是指光纤衰减系数，单位为db，D是光脉冲周期单位为ns或ms。在本算法中B取-80db，D取100ns。

步骤27、根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果；

通过上述方法得到的检测方法会有一些虚警和重复定位，因此需要进行一些处理得到最终的检测结果。

对于每一个事件检测结果检查事件的光功率和事件之间的距离，以及该事件处的事件参数，去掉光功率和事件参数小于阈值的事件，当某两个事件相距很近，小于距离阈值时，则认为其为一个事件，对于重复的事件，保留一个即可。

其中，所述基于斜率差事件检测算法具体步骤如下：

步骤31、数据的读取和预处理；

首先读取OTDR测试得到的光纤工作状态曲线，根据数据的特性进行相应的预处理。这里说的预处理主要是指采样和末尾噪声的处理。

(1)采样：如果测试的光纤线路很长、如3km以上，曲线上数据点会很多或者曲线噪声干扰比较严重，导致一些数据点异常，这样的情况下可以考虑进行降采样。如果测试光纤线路较短，数据点少或者有很多的密集事件。这样的情况下最好不要进行采样，因为采样后容易造成漏检。

（2）末尾噪声的预处理：是指光纤末端以后有很多的噪声电平，这些对检测没有作用可以提前处理掉，以便减少算法的计算量和降低虚警，如果在告警算法步骤中已经处理了末尾噪声，则这里不用处理。

对于末尾噪声采用均值滤噪的方法，末尾的噪声虽然较强但是相对于信号功率来讲还是比较小的，因此处理方法是：寻找一个功率阈值Th，将功率小于Th的点置零，功率大于Th的点减去Th，作为新的功率。

设曲线为p(i)，i表示第i个数据点，p(i)为第i个数据点处的功率值。p'(i)为处理后的曲线，功率的阈值为Th，在本算法中Th为所有点功率的平均值，则

$p^{\&prime;}\left(i\right)=\left\{\begin{array}{cc}p\left(i\right)-\mathrm{Th}& p\left(i\right)\&GreaterEqual;\mathrm{Th}\\ 0& p\left(i\right)<\mathrm{Th}\end{array}\right.$

步骤32、计算斜率；

如图5所示，对于曲线上的数据点(x_i,y_i)，和该点之前相邻数据点(x_i-1,y_i-1)，求出纵坐标的差dy＝y_i-y_i-1，然后求出该相邻数据点的横坐标（光纤位置）的差dx＝x_i-x_i-1，则该数据点(x_i,y_i)和前一相邻数据点(x_i-1,y_i-1)在曲线上两点间的斜率将该斜率作为点(x_i,y_i)处的斜率。将起始点的斜率置为0，则可通过此方法依次计算出曲线上各数据点处的斜率，将斜率存入一维数组中，记为linear_slope，其中linear_slope(i)表示第i点的斜率，设曲线的长度为datalength，

$\mathrm{linear}\_\mathrm{slo\; pe}\left(i\right)=\left\{\begin{array}{cc}0& i=1\\ \frac{y_i-y_{i-1}}{x_i-x_{i-1}}& 1<i\&le;\mathrm{datalength}\end{array}\right.$

步骤33、计算斜率差；

根据每个数据点的斜率计算后一数据点相对于前一数据点的斜率变化，将斜率差存入一维数组中，记为minus_slope，其中minus_slope(i)表示第i点处的斜率差，设曲线的长度为datalength，

步骤34、事件判决，得到候选事件点；

判决方法如下：

首先确定候选事件点，设斜率的阈值为T，在本方法中T取10，|minus_slope(i)|＞T，则将该处的数据点作为候选事件点。

通过斜率差阈值的方法得到的候选事件点中包含了事件的起点和终点。这是因为对于反射事件，起点和终点处斜率会突然变大，对于非反射事件起点处的斜率会突然变小，终点处斜率突然变大，所以这些候选事件点中包含了事件的起点和终点，每一对起点和终点对应着一个事件。由于噪声的干扰，可能导致起点和终点并不对应，即中间可能有一些噪声点，选择距离阈值TP，当起点和终点之间的距离大于TP，则这二者是一对起点和终点，从而定位整个事件。

接下来判断事件类型，对于每一个事件，如果其起点处的斜率差小于零则该事件是非反射事件，否则该事件是反射事件。OTDR对光链路进行测试，得到OTDR曲线，OTDR曲线上的事件主要有反射和衰减；关链路上不同的器件或不同的故障类型，其反射和衰减的不同。反之，根据OTDR曲线上的事件反射和衰减的幅度来判断实际链路上是什么情况引起了该事件，判断事件类型，有利于维护人员判断是光纤链路是否正常。

步骤35、计算事件参数；

在步骤34事件检测中得到事件的起点和终点后，就可以根据相应的计算公式计算事件参数。

事件参数主要是事件损耗和反射比，如图4所示，对反射事件需要计算事件损耗和反射比，对于非反射事件只需要计算事件损耗。

图4中z₁为反射事件的起点，p₁为该处的光功率，p₂为反射事件峰值的光功率。z₃为反射事件终点的位置，同时它也在正常衰减曲线上，p₃为该处的光功率。z₄为正常衰减曲线上的一点，p₄为该处的光功率。

（1）事件损耗的计算

事件损耗为事件点前后光功率水平之差，进行粗略计算时可以认为：

Loss＝p₁-p₃

但是即使从z₁起没有发生反射事件，光纤从z₁到z₃光功率也会衰减，这是由光纤的正常衰减导致的，所以上式是粗略计算，准确的计算还有减去从z₁到z₃光功率的正常衰减量，所以要拟合出正常衰减曲线的直线方程，从而计算出从z₁到z₃光功率的正常衰减量，则事件损耗的计算公式为：

$\mathrm{Loss}=p_1-p_3-\frac{(p_3-p_4)(z_3-z_1)}{z_4-z_3}$

反射事件和非反射事件都可由该公式计算事件损耗。

（2）反射比的计算

反射比是指事件的反射光功率与入射光功率之比，但是不可能说把光纤剪断，然后去测入射光功率和反射光功率，利用OTDR曲线计算反射比的公式如下，先计算H，再计算反射比（R）。

H＝p₂-p₁

$R=B+10\mathrm{lo}{g}_{10}\left[({10}^{\frac{H}{S}}-1)D\right]$

上式中B是指光纤衰减系数，单位为db，D是光脉冲周期单位为ns或ms。在本算法中B取-80db，D取100ns。

步骤36、根据事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

通过上述方法得到的检测方法会有一些虚警，因此需要进行一些处理得到最终的检测结果。

对于每一个事件检测结果检查事件的光功率和事件之间的距离，以及该事件处的事件参数，去掉光功率和事件参数小于阈值的事件。当某两个事件相距很近，小于距离阈值时，则认为其为一个事件。

综上所述，本实施例的方法采样对健康曲线和问题曲线进行差分运算的方式，将健康曲线和问题曲线上共有的部分抵消掉，将事件的变化突显出来，从而将传统的OTDR测试机制中对完整的光纤工作曲线的检测转化为对差分曲线的检测。通过本实施例的方法能够更好的反应事件的变化，从而能更好的发出相应的告警信息来指导光纤的维护工作，大大缩短了光纤维护的时间。

本实施例的方法能够很好的解决传统的OTDR测试机制中三个问题。本实施例的方法采用曲线差分的方法，关注的是事件的变化，由光网络中的器件和连接方式等所导致的事件在光纤测试中一直存在，通过差分运算后，这些事件都被抵消掉，从而不会对它们发出告警信息。曲线上事件的变化在差分后突显出来。此外在相同的事件检测算法性能下，本实施例的方法能够降低虚警和漏警率，这是由于健康曲线和问题曲线所共有的事件相互抵消，因此事件的检测与这些事件无关，从而避免由于对这些事件检测不当造成的虚警，同时作差后有幅度变化的事件更加明显，更易于检测，这是因为无关信息都已经抵消掉，从而可以减少漏警。

图7为本发明实施例的一种实现无源光网络光纤故障自动告警的系统的示意图，如图7所示，本实施例的系统可以包括：

第一测试模块，用于在无源光网络运营初期，测试得到光纤正常工作时的健康曲线；

第二测试模块，用于在进行无源光网络维护时，测试光纤工作状态时的问题曲线；

检测模块，用于对所述健康曲线进行事件检测，保存为第一事件检测结果；将所述问题曲线与所述健康曲线做差得到差分曲线，对所述差分曲线进行事件检测，得到第二事件检测结果；

告警模块，用于比较分析所述第一事件检测结果和所述第二事件检测结果，得到问题曲线上事件的变化情况，根据所述变化情况发出相应的告警信息。

其中，所述检测模块，进行事件检测包括：利用事件检测算法分析测试出的曲线，检测出该曲线上的事件以及事件的位置。

其中，所述检测模块，利用的事件检测算法包括以下的任一种：基于小波模极大值事件检测算法和基于斜率差事件检测算法。

在一优选实施例中，所述检测模块，基于小波模极大值事件检测算法进行检测包括：读取测试得到的光纤工作状态曲线，对该曲线进行采样和末尾噪声处理；选择指定的小波基利用小波变换对处理完的数据进行三层小波分解，选取三层的高频系数；分别对所述三层的高频系数进行模极大值检测，得到三层的模极大值；以所述模极大值划分事件段，根据事件处模极大值在各层小波系数上的变化规律和事件本身功率变化特性进行事件检测，确定检测出的每个事件的起点和终点，计算事件参数；根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

在一优选实施例中，所述检测模块，基于斜率差事件检测算法进行检测包括：读取测试得到的光纤工作状态曲线，对该曲线进行采样和末尾噪声处理；对处理完的数据计算每个数据点处的斜率，根据每个数据点的斜率计算后一数据点相对于前一数据点的斜率差；根据所述斜率差的变化情况进行事件类型判断，得到候选事件点及每个事件的起点和终点，根据每个事件的起点和终点计算事件参数；根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

其中，所述检测模块，计算的事件参数包括：事件损耗和反射比，所述事件损耗包括事件点前后的光功率水平之差，所述反射比包括事件的反射光功率与入射光功率之比。

在一优选实施例中，所述检测模块，将所述问题曲线与所述健康曲线做差得到差分曲线之前还用于：分别对所述健康曲线和所述问题曲线进行去噪处理。

在无源光网络搭建完成，正常运营初期，用OTDR测试得到光纤正常工作时的健康曲线并对健康曲线进行事件检测，保存事件检测结果。在进行无源光网络维护时，测试得到此时光纤工作状态曲线，即问题曲线。对健康曲线和问题曲线进行去噪处理，去掉末尾噪声电平和曲线上的噪声，然后将去噪后的问题曲线与健康曲线做差得到差分曲线，再对差分曲线进行事件检测，得到差分曲线的事件检测结果，比较分析健康曲线的检测结果和差分曲线的检测结果，得到问题曲线上事件的变化情况，并根据这些变化情况发出相应的告警信息，从而实现对光纤故障的自动告警。

本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成，所述程序可以存储于计算机可读存储介质中，如只读存储器、磁盘或光盘等。可选地，上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地，上述实施例中的各模块/单元可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。本发明不限制于任何特定形式的硬件和软件的结合。

以上仅为本发明的优选实施例，当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (14)

1.一种实现无源光网络光纤故障自动告警的方法，包括：

在无源光网络运营初期，测试得到光纤正常工作时的健康曲线，对所述健康曲线进行事件检测，保存为第一事件检测结果；

在进行无源光网络维护时，测试光纤工作状态时的问题曲线；

将所述问题曲线与所述健康曲线做差得到差分曲线，对所述差分曲线进行事件检测，得到第二事件检测结果；

比较分析所述第一事件检测结果和所述第二事件检测结果，得到问题曲线上事件的变化情况，根据所述变化情况发出相应的告警信息。

2.如权利要求1所述的方法，其特征在于：所述进行事件检测包括：

利用事件检测算法分析测试出的曲线，检测出该曲线上的事件以及事件的位置。

3.如权利要求2所述的方法，其特征在于：所述事件检测算法包括以下的任一种：

基于小波模极大值事件检测算法；

基于斜率差事件检测算法。

4.如权利要求3所述的方法，其特征在于：所述基于小波模极大值事件检测算法进行检测包括：

读取测试得到的光纤工作状态曲线，对该曲线进行采样和末尾噪声处理；

选择指定的小波基利用小波变换对处理完的数据进行三层小波分解，选取三层的高频系数；

分别对所述三层的高频系数进行模极大值检测，得到三层的模极大值；

以所述模极大值划分事件段，根据事件处模极大值在各层小波系数上的变化规律和事件本身功率变化特性进行事件检测，确定检测出的每个事件的起点和终点，计算事件参数；

根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

5.如权利要求3所述的方法，其特征在于：所述基于斜率差事件检测算法进行检测包括：

读取测试得到的光纤工作状态曲线，对该曲线进行采样和末尾噪声处理；

对处理完的数据计算每个数据点处的斜率，根据每个数据点的斜率计算后一数据点相对于前一数据点的斜率差；

根据所述斜率差的变化情况得到候选事件、候选事件的起点和终点，根据所述起点和终点计算候选事件的事件参数；

根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

6.如权利要求4或5所述的方法，其特征在于：

所述事件参数包括：事件损耗和反射比，

所述事件损耗包括事件点前后的光功率水平之差，

所述反射比包括事件的反射光功率与入射光功率之比。

7.如权利要求1所述的方法，其特征在于：所述将所述问题曲线与所述健康曲线做差得到差分曲线之前还包括：

分别对所述健康曲线和所述问题曲线进行去噪处理。

8.一种实现无源光网络光纤故障自动告警的系统，包括：

第一测试模块，用于在无源光网络运营初期，测试得到光纤正常工作时的健康曲线；

第二测试模块，用于在进行无源光网络维护时，测试光纤工作状态时的问题曲线；

检测模块，用于对所述健康曲线进行事件检测，保存为第一事件检测结果；将所述问题曲线与所述健康曲线做差得到差分曲线，对所述差分曲线进行事件检测，得到第二事件检测结果；

告警模块，用于比较分析所述第一事件检测结果和所述第二事件检测结果，得到问题曲线上事件的变化情况，根据所述变化情况发出相应的告警信息。

9.如权利要求8所述的系统，其特征在于：

所述检测模块，进行事件检测包括：利用事件检测算法分析测试出的曲线，检测出该曲线上的事件以及事件的位置。

10.如权利要求9所述的系统，其特征在于：

所述检测模块，利用的事件检测算法包括以下的任一种：基于小波模极大值事件检测算法和基于斜率差事件检测算法。

11.如权利要求10所述的系统，其特征在于：

所述检测模块，基于小波模极大值事件检测算法进行检测包括：读取测试得到的光纤工作状态曲线，对该曲线进行采样和末尾噪声处理；选择指定的小波基利用小波变换对处理完的数据进行三层小波分解，选取三层的高频系数；分别对所述三层的高频系数进行模极大值检测，得到三层的模极大值；以所述模极大值划分事件段，根据事件处模极大值在各层小波系数上的变化规律和事件本身功率变化特性进行事件检测，确定检测出的每个事件的起点和终点，计算事件参数；根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

12.如权利要求10所述的系统，其特征在于：

所述检测模块，基于斜率差事件检测算法进行检测包括：读取测试得到的光纤工作状态曲线，对该曲线进行采样和末尾噪声处理；对处理完的数据计算每个数据点处的斜率，根据每个数据点的斜率计算后一数据点相对于前一数据点的斜率差；根据所述斜率差的变化情况得到候选事件、候选事件的起点和终点，根据所述起点和终点计算候选事件的事件参数；根据所述事件参数、事件的功率阈值和事件间距离阈值去除虚警，得到最后的检测结果。

13.如权利要求11或12所述的系统，其特征在于：

所述检测模块，计算的事件参数包括：事件损耗和反射比，所述事件损耗包括事件点前后的光功率水平之差，所述反射比包括事件的反射光功率与入射光功率之比。

14.如权利要求8所述的系统，其特征在于：

所述检测模块，将所述问题曲线与所述健康曲线做差得到差分曲线之前还用于：分别对所述健康曲线和所述问题曲线进行去噪处理。