CN108593260A - 光缆线路故障定位和检测方法及终端设备 - Google Patents
光缆线路故障定位和检测方法及终端设备 Download PDFInfo
- Publication number
- CN108593260A CN108593260A CN201810373263.5A CN201810373263A CN108593260A CN 108593260 A CN108593260 A CN 108593260A CN 201810373263 A CN201810373263 A CN 201810373263A CN 108593260 A CN108593260 A CN 108593260A
- Authority
- CN
- China
- Prior art keywords
- cable link
- lightguide cable
- reflected light
- light information
- fault location
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
- G01M11/30—Testing of optical devices, constituted by fibre optics or optical waveguides
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/071—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using a reflected signal, e.g. using optical time domain reflectometers [OTDR]
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optics & Photonics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
- Optical Communication System (AREA)
Abstract
本发明适用于光缆检测技术领域,提供了一种光缆线路故障定位和检测方法及终端设备。所述方法包括:根据反射光信息建立光缆线路故障反射光信息样本库;根据神经网络建立光缆线路故障定位及检测模型;确定样本库中的反射光信息对应的光缆线路故障位置理论结果;判断故障位置理论结果与反射光信息对应的光缆线路故障位置真实结果的第一差值是否超过预设第一阈值;若判定没有超过预设第一阈值,确定故障理论结果;判断故障理论结果与光缆线路故障真实结果的第二差值是否超过预设第二阈值;若判定没有超过预设第二阈值,检测待测光缆线路的故障情况。采用上述方案后,提高了光缆线路故障识别的准确率,实现了光缆线路故障的智能识别。
Description
技术领域
本发明属于光缆检测技术领域,尤其涉及一种光缆线路故障定位和检测方法及终端设备。
背景技术
随着我国通信光缆线路建设规模的扩大,以及已建光缆线路随时间推移发生老化现象的日益严重,光缆线路产生故障的可能性在不断增加,每年由于光缆线路中断而造成的直接经济损失也越来越多,对国民经济及国防通信造成的损失是也惊人的。
然后,现有的光缆线路维护方法中对光缆故障的损坏情况判断一般都是由巡检人员判断的,主观性非常强,判断的损坏情况标准也可能不一致,工作效率低,耗费大量的人力和物力。
发明内容
有鉴于此,本发明实施例提供了一种光缆线路故障定位和检测方法及终端设备,以解决现有技术中巡检人员判断的主观性非常强,判断的损坏情况标准也不一致,工作效率低,耗费了大量的人力和物力的问题。
本发明实施例的第一方面提供了一种光缆线路故障定位和检测方法,包括:
根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库;
根据神经网络建立光缆线路故障定位及检测模型;
根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果;
判断所述故障位置理论结果与所述样本库中的反射光信息对应的光缆线路故障位置真实结果的第一差值是否超过预设第一阈值;
若判定所述第一差值没有超过预设第一阈值,则根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障理论结果;
判断所述故障理论结果与所述样本库中的反射光信息对应的光缆线路故障真实结果的第二差值是否超过预设第二阈值;
若判定所述第二差值没有超过预设第二阈值,则根据所述光缆线路故障定位及检测模型检测待测光缆线路的故障情况。
作为进一步的技术方案,还包括:
若判定所述第一差值超过预设阈值,则根据预存的梯度下降法、所述光缆线路故障位置真实结果和所述神经网络,调整所述光缆线路故障定位及检测模型,并将调整后的光缆线路故障定位及检测模型作为新的光缆线路故障定位及检测模型,重新执行所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果的步骤。
作为进一步的技术方案,所述根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库包括:
采用布里渊光时域反射技术提取所述反射光信息的温度信息;
根据所述温度信息判断所述反射光信息是否有效;
若判定所述反射光信息有效,则根据所述反射光信息建立光缆线路故障反射光信息样本库。
作为进一步的技术方案,所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果包括:
根据所述光缆线路故障定位及检测模型获取所述样本库中反射光信息的一维时间序列信号;
根据预存的标准卷积神经网络,将所述一维时间序列信号映射成多维时间序列信号;
根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障位置特征;
将所述光缆线路故障位置特征转换成一维光缆线路故障位置特征,并从所述一维光缆线路故障位置特征中提取特征形成终特征;
将所述终特征转换为所述样本库中的反射光信息对应的光缆线路故障位置理论结果。
作为进一步的技术方案,所述根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障位置特征包括:
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度;
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行光缆线路故障位置特征提取。
本发明实施例的第二方面提供了一种光缆线路故障定位和检测装置,包括:
反射光信息样本库建立模块,用于根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库;
光缆线路故障定位及检测模型建立模块,用于根据神经网络建立光缆线路故障定位及检测模型;
故障位置理论结果确定模块,用于根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果;
故障位置理论结果判断模块,用于判断所述故障位置理论结果与所述样本库中的反射光信息对应的光缆线路故障位置真实结果的第一差值是否超过预设第一阈值;
故障理论结果确定模块,用于若判定所述第一差值没有超过预设第一阈值,则根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障理论结果;
故障理论结果判断模块,用于判断所述故障理论结果与所述样本库中的反射光信息对应的光缆线路故障真实结果的第二差值是否超过预设第二阈值;
故障情况检测模块,用于若判定所述第二差值没有超过预设第二阈值,则根据所述光缆线路故障定位及检测模型检测待测光缆线路的故障情况。
作为进一步的技术方案,所述故障理论结果确定模块还用于:
若判定所述第一差值超过预设阈值,则根据预存的梯度下降法、所述光缆线路故障位置真实结果和所述神经网络,调整所述光缆线路故障定位及检测模型,并将调整后的光缆线路故障定位及检测模型作为新的光缆线路故障定位及检测模型,重新执行所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果的步骤。
作为进一步的技术方案,所述反射光信息样本库建立模块还用于:
温度信息提取模块,用于采用布里渊光时域反射技术提取所述反射光信息的温度信息;
反射光信息有效性判断模块,用于根据所述温度信息判断所述反射光信息是否有效;
反射光信息样本库建立子模块,用于若判定所述反射光信息有效,则根据所述反射光信息建立光缆线路故障反射光信息样本库。
本发明实施例的第三方面提供了一种光缆线路故障定位和检测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的方法。
本发明实施例与现有技术相比存在的有益效果是:采用上述方案后,根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库,并利用神经网络建立光缆线路故障定位及检测模型,能够有效克服巡检人员判断的故障主观性非常强,判断的故障损坏情况标准不一致,统一了故障检验标准,提高了光缆线路故障识别的准确率和效率,实现了光缆线路故障的智能识别。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种光缆线路故障定位和检测方法的步骤流程图;
图2是本发明另一实施例提供的一种光缆线路故障定位和检测方法的步骤流程图;
图3是本发明另一实施例提供的一种光缆线路故障定位和检测装置的结构示意图;
图4是本发明实施例提供的一种光缆线路故障定位和检测终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
如图1所示,为本发明实施例提供的一种光缆线路故障定位和检测方法的步骤流程图,包括:
步骤S101,根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库。
具体的,通过现场试验,实验室检测和数据仿真等技术手段,获取光缆线路的反射光信息。采用布里渊光时域反射技术,判断反射光信息是否有效,进行数据筛选,然后对筛选后的数据建立标签库y,优选的,对于有故障的反射光信息,用特征1表示,即y=1,对于没有故障的反射光信息用0表示,即y=0,最终形成样本-标签库,即光缆线路故障反射光信息样本库,其他形式的数据表示形式也在本方案的保护范围之内。
步骤S102,根据神经网络建立光缆线路故障定位及检测模型。
具体的,根据神经网络建立光缆线路故障定位及检测模型,光缆线路故障定位及检测模型包括数据映射层,特征提取层和分类识别层三层。
步骤S103,根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果。
具体的,将样本库中的反射光信息代入到光缆线路故障定位及检测模型中,光缆线路故障定位及检测模型根据反射光信息首先计算得出对应的光缆线路故障位置理论结果。
步骤S104,判断所述故障位置理论结果与所述样本库中的反射光信息对应的光缆线路故障位置真实结果的第一差值是否超过预设第一阈值。
具体的,得出光缆线路故障位置理论结果后,计算光缆线路故障位置理论结果与样本库中的反射光信息对应的光缆线路故障位置真实结果的第一差值,第一差值可能为正值,也可能为负值,这里也可以取第一差值的绝对值,这样可以直接判断正值阈值,简化算法,第一阈值可以根据实际情况自行设定,并根据检测结果适当进行调整,优选的,选取样本库中的反射光信息样本量为N=500,样本库中的反射光信息i输出值为yi’,样本库中的反射光信息i在样本库中对应的值为yi,令当Δ/N<2%时,即1-98%=2%,停止迭代,即第一阈值为2%。当选择单个的反射光信息时,第一阈值可以设为2,该第一阈值为工作人员经过多次试验得出的,选择该第一阈值可以使得光缆线路故障定位及检测模型模拟的结果更加准确,提高模拟的成功率,使得工作人员能准确的掌握待光缆线路的故障情况。
步骤S105,若判定所述第一差值没有超过预设第一阈值,则根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障理论结果。
具体的,光缆线路故障定位及检测模型能够根据反射光信息首先计算得出对应的光缆线路故障位置理论结果,再根据故障位置理论结果与样本库中的反射光信息对应的光缆线路故障位置真实结果确定第一差值,然后再判断第一差值是否超过预设第一阈值,若判定第一差值没有超过预设第一阈值,优选的,若判定第一差值没有超过2,代表建立的光缆线路故障定位及检测模型检测出的光缆线路故障位置理论结果合格,需要再根据光缆线路故障定位及检测模型检测样本库中的反射光信息对应的光缆线路故障理论结果是否合格。
步骤S106,判断所述故障理论结果与所述样本库中的反射光信息对应的光缆线路故障真实结果的第二差值是否超过预设第二阈值。
具体的,根据光缆线路故障理论结果与样本库中的反射光信息对应的光缆线路故障真实结果得出第二差值,第二差值可能为正值,也可能为负值,这里也可以取第二差值的绝对值,这样可以直接判断正值第二阈值,简化算法,第二阈值可以根据实际情况自行设定,并根据检测结果适当进行调整,优选的,选取样本库中的反射光信息样本量为N=500,样本库中的反射光信息i输出值为yi’,样本库中的反射光信息i在样本库中对应的值为yi,令当Δ/N<2%时,即1-98%=2%,停止迭代,即第二阈值为2%。当选择单个的反射光信息时,第二阈值可以设为2,该第二阈值为工作人员经过多次试验得出的,选择该第二阈值可以使得光缆线路故障定位及检测模型模拟的结果更加准确,提高模拟的成功率,使得工作人员能准确的掌握待光缆线路的故障情况。
步骤S107,若判定所述第二差值没有超过预设第二阈值,则根据所述光缆线路故障定位及检测模型检测待测光缆线路的故障情况。
具体的,若判定第二差值没有超过预设第二阈值,优选的,若判定第二差值没有超过2,代表建立的光缆线路故障定位及检测模型检测出的光缆线路故障理论结果合格,即建立的光缆线路故障定位及检测模型可以直接进行模拟使用,收集待测光缆线路的反射光信息,输入到光缆线路故障定位及检测模型中,得到对应的光缆线路故障位置和损害情况,优选的,将实测待测光缆线路的反射光信息x’作为模型的输入,通过光缆线路故障定位及检测模型计算,得到输出值y’和故障位置,当输出y’=1时表示有损害,当输出y’=0时表示没有损害。优选的,故障位置可以以光缆端点为起始点,开始计算长度,端点到故障点的长度值即为故障位置。
采用上述方案后,根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库,并利用神经网络建立光缆线路故障定位及检测模型,先检测光缆线路的故障位置,再根据检测到的故障位置检测光缆线路的故障情况,一次可以检测多个位置,即可以检测多个地方的光缆线路的故障情况,不用分多次检测,且光缆大多长度非常长,显著提高了检测效率,能够有效克服巡检人员判断的故障主观性非常强,判断的故障损坏情况标准不一致,统一了故障检验标准,提高了光缆线路故障识别的准确率和效率,实现了光缆线路故障的智能识别。
此外,在一个具体事例中,光缆线路故障定位及检测模型采用布里渊光时域反射技术,提取反射光功率携带的位置信息和温度变化引起的布里渊频率的漂移携带的应变信息,结合控温装置和布里渊光时域反射仪,利用绝对定位和相对定位相结合的方法,逐次逼近最终达到精确定位。采用布里渊光时域反射技术,提取反射光携带的位置信息,初步确定光缆故障点M的大概位置;在接近光缆故障点M的位置处设置一段长度为0.50~10米的光缆S1作为已知点T1位置,将S1段放入控温箱中,测量出当前的光缆线路状态并将结果作为光缆线路原始状态记录下来;利用控温箱将S1段光缆加热至比原始温度高40~80℃,并保持S1段的温度在测量期间内平稳,测量出当前光缆线路的状态并将结果作为加热后状态记录下来;比较加热后的状态记录与原始状态记录,用加热后的光缆线路状态记录减去光缆线路原始状态记录,得到已知点T1位置离真实故障点M位置的大概距离;在已知点位T1置和真实故障点M位置之间靠近真实故障点M位置的方向上设置另一段光缆S2作为已知点T2位置;重复在接近光缆故障点M的位置处设置一段长度为0.50~10米的光缆S1作为已知点T1位置,将S1段放入控温箱中,测量出当前的光缆线路状态并将结果作为光缆线路原始状态记录下来步骤,直到加热的已知点位置被光缆真实故障点M的光反射信号所淹没,在加热后线路状态和原始线路状态的比较中找不出已知点的位置,此时已知点位置与光缆真实故障点M位置相重合,最终达到光缆故障点M的精确定位,即待光缆线路的故障点的准确位置。
此外,在一个具体事例中,所述方法还包括:若判定所述第二差值超过了预设第二阈值,表明光缆线路故障定位及检测模型还存在缺陷,检测的还不是很准确,调整光缆线路故障定位及检测模型,并将调整后的光缆线路故障定位及检测模型作为新的光缆线路故障定位及检测模型,重新执行所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果的步骤,优选的,选取样本库中的反射光信息样本量为N=500,样本库中的反射光信息i输出值为yi’,样本库中的反射光信息i在样本库中对应的值为yi,令当Δ/N<2%时,即1-98%=2%,停止迭代,代表轨道道岔板离缝病害识别模型训练完成,该迭代停止的条件为工作人员经过多次试验得出的,选择第二阈值可以使得光缆线路故障定位及检测模型模拟的结果更加准确,提高模拟的成功率,为工作人员对待测光缆线路的情况了解提供了可靠的依据。
此外,在一个具体事例中,所述方法还包括:
若判定所述第一差值超过预设第一阈值,则根据预存的梯度下降法、所述光缆线路故障位置真实结果和所述神经网络,调整所述光缆线路故障定位及检测模型,并将调整后的光缆线路故障定位及检测模型作为新的光缆线路故障定位及检测模型,重新执行所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果的步骤,优选的,选取样本库中的反射光信息样本量为N=500,样本库中的反射光信息i输出值为yi’,样本库中的反射光信息i在样本库中对应的值为yi,令当Δ/N<2%时,即1-98%=2%,停止迭代,代表轨道道岔板离缝病害识别模型训练完成,该迭代停止的条件为工作人员经过多次试验得出的,选择第一阈值可以使得光缆线路故障定位及检测模型模拟的结果更加准确,提高模拟的成功率,为工作人员对待测光缆线路的情况了解提供了可靠的依据。
此外,如图2所示,在一个具体事例中,所述根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库包括:
步骤S201,采用布里渊光时域反射技术提取所述反射光信息的温度信息。
步骤S202,根据所述温度信息判断所述反射光信息是否有效。
步骤S203,若判定所述反射光信息有效,则根据所述反射光信息建立光缆线路故障反射光信息样本库。
首先,利采用布里渊光时域反射技术提取反射光信息的温度信息,再根据该技术判断反射光信息的有效性,进行数据筛选,得出有效的反射光信息,其次,对筛选后的数据建立标签库,优选的,对于有故障的光缆线路处的反射光信息,用特征1表示,即y=1,同时记录该处的位置,对于没有故障的光缆线路处的反射光信息,用0表示,即y=0,同时记录该处的位置,最终形成光缆线路故障反射光信息样本库。
此外,在一个具体事例中,所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果包括:
根据所述光缆线路故障定位及检测模型获取所述样本库中反射光信息的一维时间序列信号。
根据预存的标准卷积神经网络,将所述一维时间序列信号映射成多维时间序列信号。
根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障位置特征。
将所述光缆线路故障位置特征转换成一维光缆线路故障位置特征,并从所述一维光缆线路故障位置特征中提取特征形成终特征。
将所述终特征转换为所述样本库中的反射光信息对应的光缆线路故障位置理论结果。
具体的,具体的,光缆线路故障定位及检测模型包括数据映射层,特征提取层和分类识别层三层,数据映射层利用卷积神经网络,根据反射光信息的反射频率和反射光信息的温度信息,将反射光信息的一维时间序列信号映射成多维时间序列信号,优选的,可以建立1000个尺寸为1*100卷积核,将反射光信息的一维时间序列信号映射成1000维时间序列信号,其中卷积核的卷积步长为1;为了使卷积后的数据长度保持不变,卷积时采用了在反射光信息的一维时间序列信号前后加0的“SAME”的卷积模式,在一维时间序列信号前后添加零的个数均为100-1=99个;卷积核的数据大小为1*100,其初值设置为0.01(1/100),最终值是通过梯度下降(Gradient Decent Algorithm,GDA)最优估计方法得到。
特征提取层包括建立深度神经网络(Deep Neural Network,DNN),并利用池化(pooling)和丢弃(dropout)等机制,从多维时间序列信号中提取光缆线路故障位置特征,其中,池化是为了降低数据维度,池化核的大小为3x3,为了锐化突出数据特征,采用最大池化的方法,即取3x3模块中的最大值,丢弃(dropout)是为了防止过拟合,增加系统的鲁棒性,优选的,丢弃(dropout)的概率采用0.8,特征提取层共17层,该结果为工作人员经过数次试验得出的最理想的数据。
分类识别层包括建立全连接层(fully connected layer)和逻辑回归等降维输出层结合标签库标签,实现光缆线路损坏分类识别,其中全连接层为三层,第一层作用是将特征输出层的多维数据变成一维数据,第二层和第三层的作用是进一步光缆线路故障位置特征提取,逻辑回归层是将全连接层的输出转化为0,1两个值,优选的,可以用y’表示,当输出y’=1时表示光缆线路故障位置特征提取的准确,当输出y’=0时表示光缆线路故障位置特征提取的不准确。
此外,在一个具体事例中,所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障理论结果包括:
根据所述光缆线路故障定位及检测模型获取所述样本库中反射光信息的一维时间序列信号。
根据预存的标准卷积神经网络,将所述一维时间序列信号映射成多维时间序列信号。
根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障特征。
将所述光缆线路故障特征转换成一维光缆线路故障特征,并从所述一维光缆线路故障特征中提取特征形成终特征。
将所述终特征转换为所述样本库中的反射光信息对应的光缆线路故障理论结果。
此外,在一个具体事例中,所述根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障位置特征包括:
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行光缆线路故障位置特征提取。
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行光缆线路故障位置特征提取。池化是为了降低数据维度,池化核的大小为3x3,为了锐化突出数据特征,采用最大池化的方法,即取3x3模块中的最大值,丢弃(dropout)是为了防止过拟合,增加系统的鲁棒性,优选的,丢弃(dropout)的概率采用0.8,特征提取层共17层,该结果为工作人员经过数次试验得出的最理想的数据。
此外,在一个具体事例中,所述根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障特征包括:
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行光缆线路故障特征提取。
此外,在一个具体事例中,所述根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障位置特征包括:
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行光缆线路故障位置特征提取。
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行光缆线路故障位置特征提取。池化是为了降低数据维度,池化核的大小为3x3,为了锐化突出数据特征,采用最大池化的方法,即取3x3模块中的最大值,丢弃(dropout)是为了防止过拟合,增加系统的鲁棒性,优选的,丢弃(dropout)的概率采用0.8,特征提取层共17层,该结果为工作人员经过数次试验得出的最理想的数据。
此外,在一个具体事例中,所述根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障特征包括:
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行光缆线路故障特征提取。
如图3所示,为本发明实施例提供的一种光缆线路故障定位和检测装置的结构示意图,包括:
反射光信息样本库建立模块301,用于根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库;
光缆线路故障定位及检测模型建立模块302,用于根据神经网络建立光缆线路故障定位及检测模型;
故障位置理论结果确定模块303,用于根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果;
故障位置理论结果判断模块304,用于判断所述故障位置理论结果与所述样本库中的反射光信息对应的光缆线路故障位置真实结果的第一差值是否超过预设第一阈值;
故障理论结果确定模块305,用于若判定所述第一差值没有超过预设第一阈值,则根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障理论结果;
故障理论结果判断模块306,用于判断所述故障理论结果与所述样本库中的反射光信息对应的光缆线路故障真实结果的第二差值是否超过预设第二阈值;
故障情况检测模块307,用于若判定所述第二差值没有超过预设第二阈值,则根据所述光缆线路故障定位及检测模型检测待测光缆线路的故障情况。
采用上述方案后,根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库,并利用神经网络建立光缆线路故障定位及检测模型,能够有效克服巡检人员判断的故障主观性非常强,判断的故障损坏情况标准不一致,统一了故障检验标准,提高了光缆线路故障识别的准确率和效率,实现了光缆线路故障的智能识别。
此外,在一个具体事例中,所述故障理论结果确定模块305还用于:
若判定所述第一差值超过预设阈值,则根据预存的梯度下降法、所述光缆线路故障位置真实结果和所述神经网络,调整所述光缆线路故障定位及检测模型,并将调整后的光缆线路故障定位及检测模型作为新的光缆线路故障定位及检测模型,重新执行所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果的步骤。
此外,在一个具体事例中,所述反射光信息样本库建立模块301还包括:
温度信息提取模块,用于采用布里渊光时域反射技术提取所述反射光信息的温度信息;
反射光信息有效性判断模块,用于根据所述温度信息判断所述反射光信息是否有效;
反射光信息样本库建立子模块,用于若判定所述反射光信息有效,则根据所述反射光信息建立光缆线路故障反射光信息样本库。
此外,在一个具体事例中,所述故障位置理论结果确定模块303包括:
一维信号获取模块,用于根据所述光缆线路故障定位及检测模型获取所述样本库中反射光信息的一维时间序列信号。
一维信号映射模块,用于根据预存的标准卷积神经网络,将所述一维时间序列信号映射成多维时间序列信号。
故障特征提取模块,用于根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障位置特征。
终特征形成模块,用于将所述光缆线路故障位置特征转换成一维光缆线路故障位置特征,并从所述一维光缆线路故障位置特征中提取特征形成终特征。
理论结果转换模块,用于将所述终特征转换为所述样本库中的反射光信息对应的光缆线路故障位置理论结果。
此外,在一个具体事例中,所述故障特征提取模块包括:
多维信号维度降低模块,用于根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。
故障特征提取子模块,用于根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行光缆线路故障位置特征提取。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4是本发明实施例提供的一种光缆线路故障定位和检测终端设备的示意图,该终端设备4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42,例如光缆线路故障定位及检测程序。所述处理器40执行所述计算机程序42时实现上述各个光缆线路故障定位及检测方法实施例中的步骤,例如图1所示的步骤101至107。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块301至307的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述光缆线路故障定位及检测终端设备4中的执行过程。例如,所述计算机程序42可以被分割成同步模块、汇总模块、获取模块、返回模块(虚拟装置中的模块),各模块具体功能如下:
根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库。
根据神经网络建立光缆线路故障定位及检测模型。
根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果。
判断所述故障位置理论结果与所述样本库中的反射光信息对应的光缆线路故障位置真实结果的第一差值是否超过预设第一阈值。
若判定所述第一差值没有超过预设第一阈值,则根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障理论结果。
判断所述故障理论结果与所述样本库中的反射光信息对应的光缆线路故障真实结果的第二差值是否超过预设第二阈值。
若判定所述第二差值没有超过预设第二阈值,则根据所述光缆线路故障定位及检测模型检测待测光缆线路的故障情况。
若判定所述第一差值超过预设阈值,则根据预存的梯度下降法、所述光缆线路故障位置真实结果和所述神经网络,调整所述光缆线路故障定位及检测模型,并将调整后的光缆线路故障定位及检测模型作为新的光缆线路故障定位及检测模型,重新执行所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果的步骤。
采用布里渊光时域反射技术提取所述反射光信息的温度信息。
根据所述温度信息判断所述反射光信息是否有效。
若判定所述反射光信息有效,则根据所述反射光信息建立光缆线路故障反射光信息样本库。
根据所述光缆线路故障定位及检测模型获取所述样本库中反射光信息的一维时间序列信号。
根据预存的标准卷积神经网络,将所述一维时间序列信号映射成多维时间序列信号。
根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障位置特征。
将所述光缆线路故障位置特征转换成一维光缆线路故障位置特征,并从所述一维光缆线路故障位置特征中提取特征形成终特征。
将所述终特征转换为所述样本库中的反射光信息对应的光缆线路故障位置理论结果。
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度。
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行光缆线路故障位置特征提取。
所述光缆线路故障定位及检测终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述光缆线路故障定位及检测终端设备可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是光缆线路故障定位及检测终端设备4的示例,并不构成对光缆线路故障定位及检测终端设备4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述光缆线路故障定位及检测终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述光缆线路故障定位及检测终端设备4的内部存储单元,例如光缆线路故障定位及检测终端设备4的硬盘或内存。所述存储器41也可以是所述光缆线路故障定位及检测终端设备4的外部存储设备,例如所述光缆线路故障定位及检测终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述光缆线路故障定位及检测终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述光缆线路故障定位及检测终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光缆线路故障定位和检测方法,其特征在于,包括:
根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库;
根据神经网络建立光缆线路故障定位及检测模型;
根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果;
判断所述故障位置理论结果与所述样本库中的反射光信息对应的光缆线路故障位置真实结果的第一差值是否超过预设第一阈值;
若判定所述第一差值没有超过预设第一阈值,则根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障理论结果;
判断所述故障理论结果与所述样本库中的反射光信息对应的光缆线路故障真实结果的第二差值是否超过预设第二阈值;
若判定所述第二差值没有超过预设第二阈值,则根据所述光缆线路故障定位及检测模型检测待测光缆线路的故障情况。
2.如权利要求1所述的光缆线路故障定位和检测方法,其特征在于,还包括:
若判定所述第一差值超过预设阈值,则根据预存的梯度下降法、所述光缆线路故障位置真实结果和所述神经网络,调整所述光缆线路故障定位及检测模型,并将调整后的光缆线路故障定位及检测模型作为新的光缆线路故障定位及检测模型,重新执行所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果的步骤。
3.如权利要求1所述的光缆线路故障定位和检测方法,其特征在于,所述根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库包括:
采用布里渊光时域反射技术提取所述反射光信息的温度信息;
根据所述温度信息判断所述反射光信息是否有效;
若判定所述反射光信息有效,则根据所述反射光信息建立光缆线路故障反射光信息样本库。
4.如权利要求1所述的光缆线路故障定位和检测方法,其特征在于,所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果包括:
根据所述光缆线路故障定位及检测模型获取所述样本库中反射光信息的一维时间序列信号;
根据预存的标准卷积神经网络,将所述一维时间序列信号映射成多维时间序列信号;
根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障位置特征;
将所述光缆线路故障位置特征转换成一维光缆线路故障位置特征,并从所述一维光缆线路故障位置特征中提取特征形成终特征;
将所述终特征转换为所述样本库中的反射光信息对应的光缆线路故障位置理论结果。
5.如权利要求4所述的光缆线路故障定位和检测方法,其特征在于,所述根据预存的深度神经网络从所述多维时间序列信号中提取光缆线路故障位置特征包括:
根据预存的深度神经网络并利用池化机制降低所述多维时间序列信号的维度;
根据预存的深度神经网络并利用丢弃机制对降低维度的多维时间序列信号进行光缆线路故障位置特征提取。
6.一种光缆线路故障定位和检测装置,其特征在于,包括:
反射光信息样本库建立模块,用于根据光缆线路的反射光信息建立光缆线路故障反射光信息样本库;
光缆线路故障定位及检测模型建立模块,用于根据神经网络建立光缆线路故障定位及检测模型;
故障位置理论结果确定模块,用于根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果;
故障位置理论结果判断模块,用于判断所述故障位置理论结果与所述样本库中的反射光信息对应的光缆线路故障位置真实结果的第一差值是否超过预设第一阈值;
故障理论结果确定模块,用于若判定所述第一差值没有超过预设第一阈值,则根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障理论结果;
故障理论结果判断模块,用于判断所述故障理论结果与所述样本库中的反射光信息对应的光缆线路故障真实结果的第二差值是否超过预设第二阈值;
故障情况检测模块,用于若判定所述第二差值没有超过预设第二阈值,则根据所述光缆线路故障定位及检测模型检测待测光缆线路的故障情况。
7.如权利要求6所述的光缆线路故障定位和检测装置,其特征在于,所述故障理论结果确定模块还用于:
若判定所述第一差值超过预设阈值,则根据预存的梯度下降法、所述光缆线路故障位置真实结果和所述神经网络,调整所述光缆线路故障定位及检测模型,并将调整后的光缆线路故障定位及检测模型作为新的光缆线路故障定位及检测模型,重新执行所述根据所述光缆线路故障定位及检测模型确定所述样本库中的反射光信息对应的光缆线路故障位置理论结果的步骤。
8.如权利要求6所述的光缆线路故障定位和检测装置,其特征在于,所述反射光信息样本库建立模块还用于:
温度信息提取模块,用于采用布里渊光时域反射技术提取所述反射光信息的温度信息;
反射光信息有效性判断模块,用于根据所述温度信息判断所述反射光信息是否有效;
反射光信息样本库建立子模块,用于若判定所述反射光信息有效,则根据所述反射光信息建立光缆线路故障反射光信息样本库。
9.一种光缆线路故障定位和检测终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810373263.5A CN108593260B (zh) | 2018-04-24 | 2018-04-24 | 光缆线路故障定位和检测方法及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810373263.5A CN108593260B (zh) | 2018-04-24 | 2018-04-24 | 光缆线路故障定位和检测方法及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108593260A true CN108593260A (zh) | 2018-09-28 |
CN108593260B CN108593260B (zh) | 2020-01-31 |
Family
ID=63614354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810373263.5A Active CN108593260B (zh) | 2018-04-24 | 2018-04-24 | 光缆线路故障定位和检测方法及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108593260B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143053A (zh) * | 2018-08-23 | 2019-01-04 | 国网河北省电力有限公司沧州供电分公司 | 温度补偿校验方法及终端设备 |
CN109474333A (zh) * | 2018-12-27 | 2019-03-15 | 国网山西省电力公司晋中供电公司 | 一种基于深度学习的电力光缆实时监测保护系统 |
CN110011729A (zh) * | 2019-03-15 | 2019-07-12 | 国网北京市电力公司 | 一种干扰的检测方法、装置、存储介质及电子装置 |
CN110322582A (zh) * | 2019-07-31 | 2019-10-11 | 国网河北省电力有限公司邢台供电分公司 | 光缆线路巡检方法、装置及终端设备 |
CN110838940A (zh) * | 2019-10-29 | 2020-02-25 | 湖南国奥电力设备有限公司 | 地下电缆巡检任务配置方法和装置 |
CN111130634A (zh) * | 2019-12-13 | 2020-05-08 | 国网西藏电力有限公司 | 一种opgw中损耗事件的识别方法及系统 |
CN111352195A (zh) * | 2020-02-24 | 2020-06-30 | 柳州达迪通信技术股份有限公司 | 一种用于光缆保护的智能光缆监测系统 |
CN113009212A (zh) * | 2021-01-29 | 2021-06-22 | 上海工程技术大学 | 一种基于物联网智能监测配电网避雷器状态的系统及方法 |
CN113447880A (zh) * | 2021-05-28 | 2021-09-28 | 国网河北省电力有限公司营销服务中心 | 一种电能表的故障诊断方法、装置及终端设备 |
CN113514713A (zh) * | 2020-04-10 | 2021-10-19 | 中车唐山机车车辆有限公司 | 动车组牵引变流器性能检测方法、装置及终端设备 |
CN113541785A (zh) * | 2021-06-15 | 2021-10-22 | 上海飞旋通信工程有限公司 | 维持光缆信号不中断的方法、系统、设备及存储介质 |
CN113810102A (zh) * | 2020-06-12 | 2021-12-17 | 中国联合网络通信集团有限公司 | 光缆检测设备、系统及方法 |
CN114039658A (zh) * | 2021-11-12 | 2022-02-11 | 国网河南省电力公司邓州市供电公司 | 基于相干光的智能光纤监测系统 |
CN114142923A (zh) * | 2020-09-03 | 2022-03-04 | 中国移动通信集团安徽有限公司 | 光缆故障定位方法、装置、设备及可读介质 |
CN115453227A (zh) * | 2022-08-08 | 2022-12-09 | 西南交通大学 | 道岔转辙机故障诊断方法、装置、设备及可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05133839A (ja) * | 1991-11-15 | 1993-05-28 | Toshiba Corp | レピータ用光ケーブル不具合検出装置 |
JPH0868722A (ja) * | 1994-08-31 | 1996-03-12 | Nippon Telegr & Teleph Corp <Ntt> | 光線路特性の自動解析方法 |
JPH08247897A (ja) * | 1995-03-09 | 1996-09-27 | Nippon Telegr & Teleph Corp <Ntt> | 光線路特性の自動解析方法 |
CN101360984A (zh) * | 2006-02-03 | 2009-02-04 | 株式会社藤仓 | 光线路监视装置和光线路监视方法 |
CN101753207A (zh) * | 2008-12-16 | 2010-06-23 | 华为技术有限公司 | 光纤链路故障识别方法、装置及系统 |
CN103065409A (zh) * | 2012-12-14 | 2013-04-24 | 广州供电局有限公司 | 输电线监测预警系统 |
CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
CN107508632A (zh) * | 2016-06-14 | 2017-12-22 | 中国移动通信集团广东有限公司 | 一种同路由光缆故障定位方法和装置 |
-
2018
- 2018-04-24 CN CN201810373263.5A patent/CN108593260B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05133839A (ja) * | 1991-11-15 | 1993-05-28 | Toshiba Corp | レピータ用光ケーブル不具合検出装置 |
JPH0868722A (ja) * | 1994-08-31 | 1996-03-12 | Nippon Telegr & Teleph Corp <Ntt> | 光線路特性の自動解析方法 |
JPH08247897A (ja) * | 1995-03-09 | 1996-09-27 | Nippon Telegr & Teleph Corp <Ntt> | 光線路特性の自動解析方法 |
CN101360984A (zh) * | 2006-02-03 | 2009-02-04 | 株式会社藤仓 | 光线路监视装置和光线路监视方法 |
CN101753207A (zh) * | 2008-12-16 | 2010-06-23 | 华为技术有限公司 | 光纤链路故障识别方法、装置及系统 |
CN103065409A (zh) * | 2012-12-14 | 2013-04-24 | 广州供电局有限公司 | 输电线监测预警系统 |
CN107508632A (zh) * | 2016-06-14 | 2017-12-22 | 中国移动通信集团广东有限公司 | 一种同路由光缆故障定位方法和装置 |
CN106127747A (zh) * | 2016-06-17 | 2016-11-16 | 史方 | 基于深度学习的汽车表面损伤分类方法及装置 |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143053A (zh) * | 2018-08-23 | 2019-01-04 | 国网河北省电力有限公司沧州供电分公司 | 温度补偿校验方法及终端设备 |
CN109143053B (zh) * | 2018-08-23 | 2020-12-01 | 国网河北省电力有限公司沧州供电分公司 | 温度补偿校验方法及终端设备 |
CN109474333A (zh) * | 2018-12-27 | 2019-03-15 | 国网山西省电力公司晋中供电公司 | 一种基于深度学习的电力光缆实时监测保护系统 |
CN109474333B (zh) * | 2018-12-27 | 2021-03-23 | 国网山西省电力公司晋中供电公司 | 一种基于深度学习的电力光缆实时监测保护系统 |
CN110011729A (zh) * | 2019-03-15 | 2019-07-12 | 国网北京市电力公司 | 一种干扰的检测方法、装置、存储介质及电子装置 |
CN110322582A (zh) * | 2019-07-31 | 2019-10-11 | 国网河北省电力有限公司邢台供电分公司 | 光缆线路巡检方法、装置及终端设备 |
CN110838940B (zh) * | 2019-10-29 | 2022-09-30 | 湖南国奥电力设备有限公司 | 地下电缆巡检任务配置方法和装置 |
CN110838940A (zh) * | 2019-10-29 | 2020-02-25 | 湖南国奥电力设备有限公司 | 地下电缆巡检任务配置方法和装置 |
CN111130634A (zh) * | 2019-12-13 | 2020-05-08 | 国网西藏电力有限公司 | 一种opgw中损耗事件的识别方法及系统 |
CN111352195A (zh) * | 2020-02-24 | 2020-06-30 | 柳州达迪通信技术股份有限公司 | 一种用于光缆保护的智能光缆监测系统 |
CN113514713B (zh) * | 2020-04-10 | 2022-12-20 | 中车唐山机车车辆有限公司 | 动车组牵引变流器性能检测方法、装置及终端设备 |
CN113514713A (zh) * | 2020-04-10 | 2021-10-19 | 中车唐山机车车辆有限公司 | 动车组牵引变流器性能检测方法、装置及终端设备 |
CN113810102A (zh) * | 2020-06-12 | 2021-12-17 | 中国联合网络通信集团有限公司 | 光缆检测设备、系统及方法 |
CN114142923B (zh) * | 2020-09-03 | 2023-08-15 | 中国移动通信集团安徽有限公司 | 光缆故障定位方法、装置、设备及可读介质 |
CN114142923A (zh) * | 2020-09-03 | 2022-03-04 | 中国移动通信集团安徽有限公司 | 光缆故障定位方法、装置、设备及可读介质 |
CN113009212B (zh) * | 2021-01-29 | 2023-02-03 | 上海工程技术大学 | 一种基于物联网智能监测配电网避雷器状态的系统及方法 |
CN113009212A (zh) * | 2021-01-29 | 2021-06-22 | 上海工程技术大学 | 一种基于物联网智能监测配电网避雷器状态的系统及方法 |
CN113447880A (zh) * | 2021-05-28 | 2021-09-28 | 国网河北省电力有限公司营销服务中心 | 一种电能表的故障诊断方法、装置及终端设备 |
CN113447880B (zh) * | 2021-05-28 | 2022-07-22 | 国网河北省电力有限公司营销服务中心 | 一种电能表的故障诊断方法、装置及终端设备 |
CN113541785B (zh) * | 2021-06-15 | 2022-07-12 | 上海飞旋通信工程有限公司 | 维持光缆信号不中断的方法、系统、设备及存储介质 |
CN113541785A (zh) * | 2021-06-15 | 2021-10-22 | 上海飞旋通信工程有限公司 | 维持光缆信号不中断的方法、系统、设备及存储介质 |
CN114039658A (zh) * | 2021-11-12 | 2022-02-11 | 国网河南省电力公司邓州市供电公司 | 基于相干光的智能光纤监测系统 |
CN114039658B (zh) * | 2021-11-12 | 2024-02-09 | 国网河南省电力公司邓州市供电公司 | 基于相干光的智能光纤监测系统 |
CN115453227A (zh) * | 2022-08-08 | 2022-12-09 | 西南交通大学 | 道岔转辙机故障诊断方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108593260B (zh) | 2020-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108593260A (zh) | 光缆线路故障定位和检测方法及终端设备 | |
CN110231528B (zh) | 基于负荷特征模型库的变压器户变异常识别方法及装置 | |
CN110348441A (zh) | 增值税发票识别方法、装置、计算机设备及存储介质 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN108198408B (zh) | 一种基于用电信息采集系统的自适应反窃电监控方法及系统 | |
CN104052612A (zh) | 一种电信业务的故障识别与定位的方法及系统 | |
CN109034490A (zh) | 一种电力负荷预测方法、装置、设备及存储介质 | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
CN117290679A (zh) | 电流互感器的运行状态检测方法、装置及电子设备 | |
CN109242165A (zh) | 一种模型训练及基于模型训练的预测方法及装置 | |
CN116383727A (zh) | 一种电厂系统测量粗大误差识别方法、系统、设备及介质 | |
CN115511002A (zh) | 一种电力缺失数据补全方法 | |
CN102156641A (zh) | 一种软件成本置信区间预测方法及系统 | |
CN110222098A (zh) | 基于流数据聚类算法的电力大数据流异常检测 | |
CN116910573B (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
CN117331017A (zh) | 一种三相四线电能表错接线研判方法及系统 | |
CN116561659A (zh) | 窃电行为检测方法、装置及系统 | |
CN104123469B (zh) | 一种普适计算环境上下文一致性检测调度系统及方法 | |
CN108198173B (zh) | 一种混凝土裂缝区域的在线检测方法、装置及终端设备 | |
CN110210677A (zh) | 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置 | |
CN108269004A (zh) | 产品寿命分析方法及终端设备 | |
CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
Kaur | Impact of training function based neural network on reusable software modules | |
CN106407274A (zh) | 评估模型方法和装置 | |
CN117012425A (zh) | 机组调试阶段设备健康状态监测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |