CN110212975B - 一种基于微分进化神经网络的otdr故障特征判断方法 - Google Patents
一种基于微分进化神经网络的otdr故障特征判断方法 Download PDFInfo
- Publication number
- CN110212975B CN110212975B CN201910362524.8A CN201910362524A CN110212975B CN 110212975 B CN110212975 B CN 110212975B CN 201910362524 A CN201910362524 A CN 201910362524A CN 110212975 B CN110212975 B CN 110212975B
- Authority
- CN
- China
- Prior art keywords
- neural network
- otdr
- fault
- data set
- differential evolution
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000253 optical time-domain reflectometry Methods 0.000 title abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010008 shearing Methods 0.000 claims abstract 2
- 238000012360 testing method Methods 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000013307 optical fiber Substances 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 4
- 238000003909 pattern recognition Methods 0.000 abstract description 4
- 239000000835 fiber Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- 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)
- Image Analysis (AREA)
- Optical Communication System (AREA)
Abstract
本申请涉及一种基于微分进化神经网络的OTDR故障特征判断方法，先采集充分多的OTDR故障特征诊断数据，对诊断数据进行去噪并剪断操作处理后，输入神经网络中进行训练，训练好的神经网络即可以应用到对OTDR的故障点判断。本申请的方法将OTDR的故障点判断问题转换为神经网络的模式识别，利用神经网络的模式识别优势，高精度地判断故障点的位置和类型。
Description
技术领域
本发明提供一种基于微分进化神经网络的OTDR故障特征判断方法，有别于传统的故障判断方法，能高精度的判断OTDR故障类型，属于电力通信测试领域。
背景技术
目前,光纤通信中广泛使用光时域反射仪(OTDR)对光纤断裂等故障进行判断，其原理是通过往光纤中注入高强度光脉冲，利用光的瑞利散射和菲涅耳反射，对散射信号进行抽样和量化处理，形成原始的数据曲线。并通过自动判断算法，从曲线中找到光纤故障点。
当前广泛使用的故障判断算法有最小二乘法、五点法、小波算法等。其中最小二乘法和五点法实现起来较为容易，但是精度不高；而利用小波算法来进行处理，需要针对每个曲线找到合适的阈值，用来分离低频分量，不适合实际工程应用，当前主要用小波算法来对数据进行滤波处理等操作。
神经网络具有并行处理、信息综合、优化计算、自学习和非线性映射等能力，目前已广泛应用于诸如图像识别、短期预测、故障诊断等各领域。神经网络的性能主要取决于神经网络的权值训练和结构优化。而微分进化算法具有鲁棒性好，控制参数少，全局搜索能力强等特点，适合用来训练神经网络，以求得权值最优解。
基于此，本发明提供了一种基于微分进化神经网络的光时域反射仪(OTDR)的故障特征判断方法，能够基于智能算法训练神经网络，以智能识别光纤故障点，提高故障识别精度。
发明内容
本发明要解决的技术问题是：为解决现有技术中的不足，从而提供一种用于对对光时域反射仪(OTDR)所测量的数据信息进行智能判断光纤故障点的基于微分进化神经网络的OTDR故障特征判断方法。
本发明解决其技术问题所采用的技术方案是：
一种基于微分进化神经网络的OTDR故障特征判断方法，包括以下步骤：
S1：构建特征数据集，使用OTDR对多条种类的光纤进行测试，每个测试包含多条测试原始数据，形成初始原始数据集N1；对初始原始数据集N1进行分析，获得每条测试原始数据对应的故障类型，去除噪声数据后形成特征数据集N2；
S2：将特征数据集N2进行剪断，对每条特征数据集N2，每隔M个点来进行剪断，建立子样本矩阵[ai1,ai2……ain]，其中i～1-X，X为特征数据集N2的总条数，将每个子样本矩阵与故障类型进行对应，故障类型为剪断前测试原始数据的故障类型，共形成N2/M个数据样本；
S3：对数据样本进行归一化处理，形成测试数据集；
S4：形成测试数据集之后，使用训练算法和测试数据集来对人工神经网络进行训练；
S5：利用微分进化算法对神经网络进行结构优化和权值训练，权值训练和结构优化同时进行；
S6：获取待判断的OTDR测试数据，对OTDR测试数据以每隔M个点对待判断的OTDR测试数据进行剪断，建立子样本矩阵[ai1,ai2……ain]，将每个建立子样本矩阵[ai1,ai2……ain]中的数据进行S3步骤中的归一化操作后输入到S5步骤中训练好的神经网络中；
S7：根据神经网络的输出值确定故障类型。
优选地，本发明的基于微分进化神经网络的OTDR故障特征判断方法，S1步骤中噪声数据为测试结论为光纤末端的噪声数据和电磁的干扰数据，形成特征数据集N2。
优选地，本发明的基于微分进化神经网络的OTDR故障特征判断方法，S2步骤中故障类型中0对应无故障，1对应反射事件，2对应非反射事件，3对应光纤末端；
S7步骤中，输出结果为0时对应无故障，为1时故障类型为反射事件，为2时故障类型为非反射事件，为3时故障类型为光纤末端。
优选地，本发明的基于微分进化神经网络的OTDR故障特征判断方法，S2和S6步骤中的M＝脉宽(ns)*100/采样分辨率。
优选地，本发明的基于微分进化神经网络的OTDR故障特征判断方法，所述S3步骤中的归一化处理公式为：
优选地，本发明的基于微分进化神经网络的OTDR故障特征判断方法，S4步骤中人工神经网络选取3层结构的BP神经网络，隐层中神经元个数p根据经验公式确定
其中a和b分别是输入层和输出层的维数，θ是0～10之间的一个数。
优选地，本发明的基于微分进化神经网络的OTDR故障特征判断方法，S3步骤中，训练算法为微分进化算法。
优选地，本发明的基于微分进化神经网络的OTDR故障特征判断方法，S1步骤中，特征数据集N2中至少具有5000条以上的特征数据。
本发明的有益效果是：
1.本发明的基于微分进化神经网络的OTDR故障特征判断方法，先采集充分多的OTDR故障特征诊断数据，对诊断数据进行去噪并剪断操作处理后，输入神经网络中进行训练，训练好的神经网络即可以应用到对OTDR的故障点判断。本申请的方法将OTDR的故障点判断问题转换为神经网络的模式识别，利用神经网络的模式识别优势，高精度地判断故障点的位置和类型。
2.利用微分进化算法来训练BP神经网络，相比于传统的算法，能够更快的找到极值点，提高神经网络的训练效率。
附图说明
下面结合附图和实施例对本申请的技术方案进一步说明。
图1是本申请实施例基于微分进化神经网络的OTDR故障特征判断方法的流程图；
具体实施方式
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组合。
下面将参考附图并结合实施例来详细说明本申请的技术方案。
实施例
本实施例提供一种基于微分进化神经网络的OTDR故障特征判断方法，如图1所示，包括以下步骤：
S1：构建特征数据集，使用OTDR对多条种类的光纤进行测试，每个测试包含多条测试原始数据，形成初始原始数据集N1；对初始原始数据集N1进行分析，获得每条测试原始数据对应的故障类型，去掉测试结论为光纤末端的噪声数据和电磁的干扰数据，形成特征数据集N2，考虑到一般来说，OTDR的量程设置都大于实际光纤长度，所以需要去掉光纤末端的噪声数据，以提升测试数据集的质量，特征数据集N2中的特征数据应当充分多，一般来说至少具有5000条以上的特征数据；
S2：将特征数据集N2进行剪断操作，对每条特征数据集N2，每隔M个点来进行剪断，(M＝脉宽(ns)*100/采样分辨率)，建立子样本矩阵[ai1,ai2……ain]，其中i～1-X，X为特征数据集N2的总条数，将每个子样本矩阵与故障类型进行对应，故障类型为剪断前测试原始数据的故障类型，其中0对应无故障，1对应反射事件，2对应非反射事件，3对应光纤末端，共形成N2/M个数据样本,数据样本集为：
S3：对数据样本进行归一化处理，由于数据样本集的数据值都较大，在后续的神经网络训练过程中会不断的加大，容易溢出，所以这里需要对数据样本集的数据值进行归一化处理，归一化处理公式为：
得到的处理后的测试数据集，其中i～1-x，m～1-n，aim为当前值，
表示归一化之后的值，MIN(ai1,ai2......ain)表示(ai1,ai2......ain)中的最小值，MAX(ai1,ai2......ain)表示(ai1,ai2......ain)中的最大值；
S4：形成测试数据集之后，使用DE算法和测试数据集来对人工神经网络进行训练(归一化处理处理的数据作为人工神经网络的输入、故障类型作为人工神经网络的输出)，人工神经网络选取3层结构的BP神经网络，隐层中神经元个数p根据经验公式确定
其中a和b分别是输入层和输出层的维数，θ是0～10之间的一个数；
S5：利用微分进化算法对神经网络进行结构优化和权值训练，权值训练和结构优化同时进行，在对隐层节点数进行优化的同时也对网络权值进行训练；
S6：获取待判断的OTDR测试数据，对OTDR测试数据以每隔M个点对待判断的OTDR测试数据进行剪断，将每个剪断的数据链条进行S3步骤中的归一化操作后输入到S5步骤中训练好的神经网络中；
S7：根据神经网络的输出值确定故障类型，输出结果为0时对应无故障，为1时对应反射事件，为2时对应非反射事件，为3时对应光纤末端。
以上述依据本申请的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项申请技术思想的范围内，进行多样的变更以及修改。本项申请的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
Claims (8)
1.一种基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，包括以下步骤：
S1：构建特征数据集，使用OTDR对多条种类的光纤进行测试，每个测试包含多条测试原始数据，形成初始原始数据集N1；对初始原始数据集N1进行分析，获得每条测试原始数据对应的故障类型，去除噪声数据后形成特征数据集N2；
S2：将特征数据集N2进行剪断，对每条特征数据集N2，每隔M个点来进行剪断，建立子样本矩阵[ai1,ai2……ain]，其中i～1-X，X为特征数据集N2的总条数，将每个子样本矩阵与故障类型进行对应，故障类型为剪断前测试原始数据的故障类型，共形成N2/M个数据样本；
S3：对数据样本进行归一化处理，形成测试数据集；
S4：形成测试数据集之后，使用训练算法和测试数据集来对人工神经网络进行训练；
S5：利用微分进化算法对神经网络进行结构优化和权值训练，权值训练和结构优化同时进行；
S6：获取待判断的OTDR测试数据，对OTDR测试数据以每隔M个点对待判断的OTDR测试数据进行剪断，建立子样本矩阵[ai1,ai2……ain]，将每个建立子样本矩阵[ai1,ai2……ain]中的数据进行S3步骤中的归一化操作后输入到S5步骤中训练好的神经网络中；
S7：根据神经网络的输出值确定故障类型。
2.根据权利要求1所述的基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，S1步骤中噪声数据为测试结论为光纤末端的噪声数据和电磁的干扰数据，形成特征数据集N2。
3.根据权利要求1或2所述的基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，S2步骤中故障类型中0对应无故障，1对应反射事件，2对应非反射事件，3对应光纤末端；
S7步骤中，输出结果为0时对应无故障，为1时故障类型为反射事件，为2时故障类型为非反射事件，为3时故障类型为光纤末端。
4.根据权利要求1所述的基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，S2和S6步骤中的M＝脉宽(ns)*100/采样分辨率。
5.根据权利要求1所述的基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，所述S3步骤中的归一化处理公式为：
6.根据权利要求1所述的基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，S4步骤中人工神经网络选取3层结构的BP神经网络，隐层中神经元个数p根据经验公式确定
其中a和b分别是输入层和输出层的维数，θ是0～10之间的一个数。
7.根据权利要求1所述的基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，S3步骤中，训练算法为微分进化算法。
8.根据权利要求1所述的基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，特征数据集N2中至少具有5000条以上的特征数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910362524.8A CN110212975B (zh) | 2019-04-30 | 2019-04-30 | 一种基于微分进化神经网络的otdr故障特征判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910362524.8A CN110212975B (zh) | 2019-04-30 | 2019-04-30 | 一种基于微分进化神经网络的otdr故障特征判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110212975A CN110212975A (zh) | 2019-09-06 |
| CN110212975B true CN110212975B (zh) | 2020-09-29 |
Family
ID=67786754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910362524.8A Active CN110212975B (zh) | 2019-04-30 | 2019-04-30 | 一种基于微分进化神经网络的otdr故障特征判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110212975B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111130635A (zh) * | 2019-12-13 | 2020-05-08 | 国网西藏电力有限公司 | 一种区分光时域反射仪上光纤接头盒和鬼影的方法及系统 |
| 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 |
| CN111814954B (zh) * | 2020-06-19 | 2023-09-08 | 武汉光迅科技股份有限公司 | 一种光纤质量分析方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105323000A (zh) * | 2014-07-31 | 2016-02-10 | 贰陆股份公司 | 沿传播的光时域反射仪和使用该光时域反射仪的方法 |
| CN105591691A (zh) * | 2016-02-29 | 2016-05-18 | 国网河南省电力公司南阳供电公司 | 基于gis的通信光缆在线监测系统及其故障点定位方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5761235B2 (ja) * | 2013-03-06 | 2015-08-12 | 横河電機株式会社 | 光ファイバ温度分布測定装置 |
-
2019
- 2019-04-30 CN CN201910362524.8A patent/CN110212975B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105323000A (zh) * | 2014-07-31 | 2016-02-10 | 贰陆股份公司 | 沿传播的光时域反射仪和使用该光时域反射仪的方法 |
| CN105591691A (zh) * | 2016-02-29 | 2016-05-18 | 国网河南省电力公司南阳供电公司 | 基于gis的通信光缆在线监测系统及其故障点定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110212975A (zh) | 2019-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
| CN113305645B (zh) | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 | |
| CN110212975B (zh) | 一种基于微分进化神经网络的otdr故障特征判断方法 | |
| CN103786069B (zh) | 一种机械加工设备的颤振在线监测方法 | |
| CN109446189A (zh) | 一种工业参数离群点检测系统及方法 | |
| CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
| CN108304685A (zh) | 一种非线性退化设备剩余寿命预测方法及系统 | |
| CN115580445B (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
| CN104717106A (zh) | 一种基于多变量序贯分析的分布式网络流量异常检测方法 | |
| CN109409271B (zh) | 基于bp神经网络改进算法的铁磁材料硬度预测算法 | |
| CN113096088A (zh) | 一种基于深度学习的混凝土结构检测方法 | |
| CN116415127A (zh) | 用于造纸质量评估的方法、系统及介质 | |
| CN112603334A (zh) | 基于时序特征和堆叠Bi-LSTM网络的棘波检测方法 | |
| CN114178905A (zh) | 一种铣刀磨损量预测方法和系统 | |
| CN114487129A (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
| CN118114118A (zh) | 一种基于cndt的典型武器装备故障诊断方法 | |
| CN115169401A (zh) | 一种基于多尺度DenseNet-ResNet-GRU模型的刀具磨损量预测方法 | |
| CN115015719A (zh) | 一种基于光纤超声传感信号的套管局部放电识别算法 | |
| CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
| CN110033105B (zh) | 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 | |
| CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
| CN116361724A (zh) | 一种机械设备故障诊断方法、装置、设备及可读存储介质 | |
| CN116796615A (zh) | 一种基于随机子空间深度学习的结构模态参数识别方法 | |
| CN118520313B (zh) | 一种高速列车转向架故障识别及模型训练方法、装置 | |
| CN119457986A (zh) | 一种基于功率传感器的刀具磨损状态监测方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Han Wei Inventor after: Dang Yiqi Inventor after: Duan Wenyan Inventor after: Zhang Feng Inventor after: Kong Shengli Inventor after: Li Qionglin Inventor after: Liu Lei Inventor after: Shi Chen Inventor after: Qiao Lihong Inventor after: Cai Deyu Inventor after: Wu Chunhong Inventor before: Kong Shengli Inventor before: Duan Wenyan Inventor before: Huang Zhongwu Inventor before: Han Wei Inventor before: Zhang Feng Inventor before: Li Qionglin Inventor before: Liu Lei Inventor before: Shi Chen Inventor before: Qiao Lihong Inventor before: Cai Deyu Inventor before: Wu Chunhong |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |