CN111510205B - 一种基于深度学习的光缆故障定位方法、装置及设备 - Google Patents

一种基于深度学习的光缆故障定位方法、装置及设备 Download PDF

Info

Publication number
CN111510205B
CN111510205B CN202010317410.4A CN202010317410A CN111510205B CN 111510205 B CN111510205 B CN 111510205B CN 202010317410 A CN202010317410 A CN 202010317410A CN 111510205 B CN111510205 B CN 111510205B
Authority
CN
China
Prior art keywords
optical fiber
detected
frequency shift
shift information
brillouin frequency
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
Application number
CN202010317410.4A
Other languages
English (en)
Other versions
CN111510205A (zh
Inventor
赵永利
左颖敏
刘冬梅
张书林
丁正阳
王颖
吴海洋
丁士长
吴子辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Information and Telecommunication Co Ltd, Beijing University of Posts and Telecommunications, Information and Telecommunication Branch of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010317410.4A priority Critical patent/CN111510205B/zh
Publication of CN111510205A publication Critical patent/CN111510205A/zh
Application granted granted Critical
Publication of CN111510205B publication Critical patent/CN111510205B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Medical Informatics (AREA)
  • Optical Communication System (AREA)

Abstract

本说明书一个或多个实施例提供一种基于深度学习的光缆故障定位方法、装置及设备，包括：获取光缆的待测光纤；利用BOTDR设备，按照待测光纤的走线方向依次采集得到若干待测光纤的布里渊频移信息；将若干布里渊频移信息依次输入预先训练的故障检测模型，得到与若干布里渊频移信息对应的若干识别结果；若识别结果为待测光纤为熔断处，则定位杆塔位置；根据杆塔位置定位识别结果为待测光纤为熔断处的待测光纤。本发明能够自动识别BOTDR设备采集到的光线运行状态信息，减少人力成本，能够对光缆故障进行精确定位，故障检测模型可以识别出多种故障类型并定位故障。

Description

一种基于深度学习的光缆故障定位方法、装置及设备
技术领域
本说明书一个或多个实施例涉及电网安全技术领域，尤其涉及一种基于深度学习的光缆故障定位方法、装置及设备。
背景技术
光缆是电力系统输电的基础设施，实时对光缆进行检测，确定光缆的运行状态，对电网的安全稳定运行是必不可少的。光缆故障定位是光缆线路维护工作中的最关键组成部分，现有技术中光缆故障查找定位方式包括人工拉拽、在弯折光纤的条件下使用背向散射法(OTDR)手持设备、采用射频探测法测量查找定位、OTDR在采用用速冻液条件下使用OTDR手持设备测量等，采用以上方法查找定位光缆故障点，第一是人工成本高，设备消耗大，对于公司日常运营而言是一笔非常大的开销。第二，使用OTDR手持设备查找定位故障点，需要维护人员到现场中断通信线路，将光纤接入手持OTDR仪表才能进行测试，不仅费时费力，而且很可能会引起光纤损坏，造成二次故障，使用液氮辅助查找也容易引起用户反对。第三，上述方式需要维护人员具备较高的OTDR使用经验，这对公司的人员培训又提出了较高要求，客观上造成公司运营成本增加。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于深度学习的光缆故障定位方法、装置及设备，以解决现有技术人工成本高、设备消耗大、费时费力、精度低、引起二次故障和依赖维护人员的工作经验的问题。
基于上述目的，本说明书一个或多个实施例提供了一种基于深度学习的光缆故障定位方法，其特征在于，包括：
获取光缆的待测光纤；
利用BOTDR设备，按照所述待测光纤的走线方向依次采集得到若干所述待测光纤的布里渊频移信息；
将所述若干布里渊频移信息依次输入预先训练的故障检测模型，得到与所述若干布里渊频移信息对应的若干识别结果；所述故障检测模型基于光缆故障检测数据集训练得到；所述光缆故障检测数据集包括：光纤熔接处的布里渊频移信息、光纤断纤处的布里渊频移信息和光纤处在正常运行状态时的布里渊频移信息；所述识别结果包括：所述待测光纤正常、所述待测光纤为熔接处和所述待测光纤为熔断处；
若任一所述识别结果为所述待测光纤为熔断处，则确定上一处被识别为熔接处的所述待测光纤的布里渊频移信息和下一处被识别为所述熔接处的所述待测光纤的布里渊频移信息，并将所述熔接处的所述待测光纤定位为杆塔位置；
根据所述杆塔位置定位所述识别结果为所述待测光纤为熔断处的所述待测光纤。
可选的，还包括：
利用所述BOTDR设备进行采集操作前，进行测试操作和自动参数配置；
根据所述测试操作的结果调整所述BOTDR设备以优化采集操作的效果。
可选的，所述利用BOTDR设备，按照所述待测光纤的走线方向依次采集得到若干所述待测光纤的布里渊频移信息，包括：
利用所述BOTDR设备分布式采集所述待测光纤上各个点的温度和应变信息；
采用滑动窗口法分段截取所述待测光纤的布里渊频移信息。
可选的，所述滑动窗口法，包括：
根据故障定位的精度，将滑动窗口的大小设置为档距的八分之一到四分之一之间，所述滑动窗口每次移动的距离为所述滑动窗口的大小的四分之一到二分之一之间。
可选的，所述故障检测模型基于光缆故障检测数据集训练得到，包括：
所述光缆故障检测数据集包括：训练集和测试集；
将所述训练集输入卷积神经网络；
所述卷积神经网络根据所述训练集判断光纤的运行状态，计算输出值的误差，通过所述误差反向传播以调整所述卷积神经网络的权重；
达到训练次数上限后，输入所述测试集以调整所述卷积神经网络的准确率，得到所述故障检测模型。
可选的，所述将所述若干布里渊频移信息依次输入预先训练的故障检测模型，得到与所述若干布里渊频移信息对应的若干识别结果，具体包括：
利用所述故障检测模型判断所述待测光纤的布里渊频移信息是否异常，如果不异常，则所述待测光纤的所述识别结果为所述待测光纤正常；如果异常，则进一步利用所述故障检测模型判断所述待测光纤的布里渊频移信息是否与所述光纤熔接处的布里渊频移信息相同。
可选的，如果所述故障检测模型判断所述待测光纤的布里渊频移信息异常，则进一步利用所述故障检测模型判断所述待测光纤的布里渊频移信息是否与所述光纤熔接处的布里渊频移信息相同，具体包括：
如果所述故障检测模型判断所述待测光纤的布里渊频移信息与所述光纤熔接处的布里渊频移信息相同，则所述待测光纤的所述识别结果为所述待测光纤为熔接处；
如果所述故障检测模型判断所述待测光纤的布里渊频移信息与所述光纤熔接处的布里渊频移信息不相同，则所述待测光纤的所述识别结果为所述待测光纤为熔断处。
可选的，还包括：根据所述识别结果为所述待测光纤为熔接处的所述待测光纤的布里渊频移信息，得到所述杆塔位置的信息、位置区间和所述待测光纤的编号。
基于同一发明构思，本说明书一个或多个实施例还提出了一种基于深度学习的光缆故障定位装置，包括：
获取模块，被配置为获取光缆的待测光纤；
采集模块，被配置为利用BOTDR设备，按照所述待测光纤的走线方向依次采集得到若干所述待测光纤的布里渊频移信息；
识别模块，被配置为将所述若干布里渊频移信息依次输入预先训练的故障检测模型，得到与所述若干布里渊频移信息对应的若干识别结果；所述故障检测模型基于光缆故障检测数据集训练得到；所述光缆故障检测数据集包括：光纤熔接处的布里渊频移信息、光纤断纤处的布里渊频移信息和光纤处在正常运行状态时的布里渊频移信息；所述识别结果包括：所述待测光纤正常、所述待测光纤为熔接处和所述待测光纤为熔断处；
第一定位模块，被配置为若任一所述识别结果为所述待测光纤为熔断处，则确定上一处被识别为熔接处的所述待测光纤的布里渊频移信息和下一处被识别为所述熔接处的所述待测光纤的布里渊频移信息，并将所述熔接处的所述待测光纤定位为杆塔位置；
第二定位模块，被配置为根据所述杆塔位置定位所述识别结果为所述待测光纤为熔断处的所述待测光纤。
基于同一发明构思，本说明书一个或多个实施例还提出了一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如上任意一中所述的方法。
从上面所述可以看出，本说明书一个或多个实施例提供的一种基于深度学习的光缆故障定位方法、装置及设备，由于根据故障光缆的光纤阻断情况，可将故障类型分为光缆全断、部分束管中断、单束管中的部分光纤中断三种。因此在不确定光缆中哪根光纤断纤的情况下，依次获取光缆的每一条光纤作为待测光纤分别检测，利用BOTDR设备采集所述待测光纤的布里渊频移信息，可以达到更高的检测精度和更长的检测距离，并且能够对运行状态下的光纤直接进行检测，既不影响系统正常的运行，不会引起二次故障，又能直接反映设备的状态，相比停止运行的离线检测更为有效，及时和可靠。通过构建故障检测模型，利用光缆故障检测数据集训练卷积神经网络，利用深度学习模型学习样本数据的内在规律和表示层次，使得故障检测模型可以像人一样具有分析学习能力，使得检测任务不再过度依赖检测人员的工作经验，降低人工成本和设备消耗，得到更高精度的检测结果。利用故障检测模型判断待测光纤的布里渊频移信息是否异常，以及判断待测光纤的布里渊频移信息是否与光纤熔接处的布里渊频移信息相同，从而得到更精确的识别结果，多次判断被检测光纤，得到更加详细和多样化的检测结果，输出分类更加详细的故障类型，通过按光纤的走线方向确定上一处被识别为熔接处的待测光纤的布里渊频移信息和下一处被识别为熔接处的待测光纤的布里渊频移信息，将熔接处的待测光纤定位为杆塔位置，再根据杆塔位置定位熔断处的待测光纤，能够得到更加精准的故障定位信息。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，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说明书一个或多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例中光缆故障定位方法的流程示意图；
图2为本说明书一个或多个实施例中滑动窗口法的示意图；
图3为本说明书一个或多个实施例中光缆故障示意图；
图4为本说明书一个或多个实施例中光缆故障定位示意图；
图5为本说明书一个或多个实施例中光缆故障定位装置示意图；
图6为本说明书一个或多个实施例中电子设备示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
本说明书一个或多个实施例提供了一种基于深度学习的光缆故障定位方法、装置及设备。
参考图1，发明人通过研究发现现有技术中光缆故障定位和检测都是基于OTDR技术实现的，采用基于OTDR技术对故障进行检测首先是精度不够高，二是检测时需要中断线路离线测量，会影响网络运行，而发明人研究发现采用BOTDR设备对光纤状态进行检测精度更高、检测的距离更长，并且能对运行状态下的光纤直接进行检测，既不影响系统正常的运行，又能直接反应设备的状态，比停止运行的离线检测更为有效，及时和可靠，而利用深度学习模型对学习样本的学习，使得对光缆故障定位和检测的精度进一步提高，人工成本的降低以及检测速度的提升。因此本说明书一个或多个实施例提供的方法，包括以下步骤：
S101获取光缆的待测光纤。
本实施例中，由于根据故障光缆的光纤阻断情况，故障类型包括：光缆全断、部分束管中断和单束管中的部分光纤，因此在不确定光缆中哪根光纤断纤的情况下，依次选择光缆的每根光纤作为待测光纤分别进行检测。
S102利用BOTDR设备，按照所述待测光纤的走线方向依次采集得到若干所述待测光纤的布里渊频移信息。
本实施例中，首先在待测光缆的通信机房内放置BOTDR设备，接通BOTDR电源，打开控制软件；其次在利用BOTDR设备进行采集操作前，进行测试操作和自动参数配置；最后根据测试操作的结果调整BOTDR设备以优化采集操作的效果。利用BOTDR设备采集所述待测光纤的布里渊频移信息，具体包括：
将待测光纤与BOTDR设备连接，待测光纤的一端接到BOTDR设备上；
利用BOTDR设备分布式采集待测光纤上各个点的温度和应变信息；
采用滑动窗口法分段截取待测光纤的布里渊频移信息。
本实施例中，参考图2，采用滑动窗口法按照光纤的走线方向分段截取待测光纤的布里渊频移信息，将光缆故障定位到杆塔附近，光缆杆塔之间的档距为100米至500米之间，作为一个可选的实施例，按照故障定位的精度需要，将滑动窗口的大小设置为档距的八分之一到四分之一之间，滑动窗口每次移动的距离为滑动窗口的大小的四分之一到二分之一之间。
S103将所述若干布里渊频移信息依次输入预先训练的故障检测模型，得到与所述若干布里渊频移信息对应的若干识别结果；所述故障检测模型基于光缆故障检测数据集训练得到；所述光缆故障检测数据集包括：光纤熔接处的布里渊频移信息、光纤断纤处的布里渊频移信息和光纤处在正常运行状态时的布里渊频移信息；所述识别结果包括：所述待测光纤正常、所述待测光纤为熔接处和所述待测光纤为熔断处。
本实施例中，构建故障检测模型，故障检测模型基于光缆故障检测数据集训练得到，具体包括：
光缆故障检测数据集包括：训练集和测试集；
将训练集输入卷积神经网络；
卷积神经网络根据训练集判断光纤的运行状态，计算输出值的误差，通过误差反向传播以调整卷积神经网络的权重；
达到训练次数上限后，输入测试集以调整卷积神经网络的准确率，得到故障检测模型。
本实施例中，首先需要构建光缆故障检测数据集，作为一个可选的实施例，可以在通信机房内利用BOTDR设备采集光纤的布里渊频移信息，由于在光纤熔接处、光纤断纤和光纤老化时，布里渊频移会发生异常，其中在光纤熔接处布里渊频移的图像会呈现阶跃的特点，所以分别采集光纤熔接处的布里渊频移信息、光纤断纤处的布里渊频移信息和光纤处在正常运行状态时的布里渊频移信息，构成光缆故障检测数据集。利用训练集训练卷积神经网络时，如果没有达到训练次数则继续训练，直至达到训练次数上限。
本实施例中，将利用滑动窗口法分段截取的每一段待测光纤的布里渊频移信息依次输入到故障检测模型中，将每一段待测光纤的布里渊频移信息按照光纤的走线方向排列可以在定位杆塔位置时精准找到上一处识别结果为待测光纤为熔接处的待测光纤，以及下一处识别结果为待测光纤为熔接处的待测光纤，故障检测模型根据待测光纤的布里渊频移信息中的图像特征进行后续故障识别和故障定位。
本实施例中，故障检测模型判断待测光纤的布里渊频移信息是否异常，如果判断结果为不异常，则证明待测光纤的运行状态正常，输出的识别结果为待测光纤正常，将下一根待测光纤的布里渊频移信息输入至故障检测模型中，重复利用故障检测模型判断待测光纤的布里渊频移信息是否异常的步骤；如果判断结果为异常，则需要进一步利用故障检测模型判断待测光纤的布里渊频移信息是否与光纤熔接处的布里渊频移信息相同。如果判断结果为不相同，则故障检测模型输出的识别结果为待测光纤为熔断处，作为一个可选的实施例，根据故障检测模型学习的样本集不同，故障检测模型可以学习到不同的故障类型，则当如果判断结果为不相同，故障检测模型输出的识别结果为其他故障类型，例如断纤，光线老化等故障类型；如果判断结果为相同，则说明待测光纤为光纤熔接处，则故障检测模型输出的识别结果为待测光纤为熔接处。
S104若任一所述识别结果为所述待测光纤为熔断处，则确定上一处被识别为熔接处的所述待测光纤的布里渊频移信息和下一处被识别为所述熔接处的所述待测光纤的布里渊频移信息，并将所述熔接处的所述待测光纤定位为杆塔位置。
本实施例中，如果故障检测模型输出的识别结果为待测光纤为熔断处，则故障检测模型检测到了故障，如果想定位此处故障，则需要定位杆塔位置，将此处故障处于的待测光纤的杆塔区间找到，由于步骤S103中将待测光纤的布里渊频移信息按光纤的走向方向输入故障检测模型，所以可以按照光纤的走线方向确定上一处被识别为熔接处的待测光纤的布里渊频移信息和下一处被识别为熔接处的待测光纤的布里渊频移信息，而杆塔位置的光纤为熔接处，所以当确定了上一处被识别为熔接处的待测光纤和下一处被识别为熔接处的待测光纤，则就是定位了两处杆塔位置，定位了杆塔位置后，可以得到杆塔信息、位置区间和故障光纤的编号，便于后续步骤中对故障位置的光纤具体定位。
S105根据所述杆塔位置定位所述识别结果为所述待测光纤为熔断处的所述待测光纤。
本实施例中，当得到了光纤熔断处前后两个相邻的杆塔位置后，便初步定位了光纤熔断处处于前后两个相邻的杆塔位置之间，再根据杆塔信息、位置区间和故障光纤的编号，以及被识别为待测光纤为熔断处的待测光纤的布里渊频移信息，进一步定位光纤熔断处，并记录光纤熔断处的位置信息，工作人员将根据光纤熔断处的位置做进一步的故障修复工作。
作为一个可选的实施例，参考图3，杆塔之间的档距为200米，光缆在杆塔2和杆塔3之间发生了断纤故障，利用本说明书一个或多个实施例提供的方法进行光缆故障定位，包括：
选择光缆的待测光纤，在本实施例中并不知道光缆的哪根光纤发生了断纤，因此第一次任选一根光纤进行检测，之后依次对其他光纤进行检测，每次检测都需要记录当前被测光纤的编号；
在光缆任意一端的通信站点机房内放置BOTDR设备，选择一根待测光纤与BOTDR设备相连；
利用BOTDR设备采集待测光纤的布里渊频移信息，作为一个可选的实施例，采用RP4000型分布式布里渊光纤温度和应变分析仪，采用单端工作模式，将待测光纤的一端接到BOTDR设备上；
BOTDR设备输出光纤沿线的布里渊频移信息的图像，滑动窗口设置为档距的八分之一，即每次截取25米长的光纤的布里渊频移信息的图像。滑动窗口每次移动的距离为滑动窗口长度的四分之一，即每次沿图像横轴水平移动6.25米的刻度；
将每次截取到的布里渊频移信息的图像按光纤的走线方向输入至预先训练好的故障检测模型；
故障检测模型首先判断该待测光纤的布里渊频移信息是否异常，如果正常，则故障检测模型输出的识别结果为待测光纤正常，滑动窗口继续向前滑动；如果异常，则进一步判断该待测光纤的布里渊频移信息是否与光纤熔接处的布里渊频移信息相同，如果相同，则故障检测模型输出的识别结果为待测光纤为熔接处；
如果滑动窗口移动到图像的最后都没有检测到故障，则更换光纤进行检测；
如果布里渊频移信息为异常，且不是光纤熔接处，则故障检测模型输出的识别结果为待测光纤对应的故障类型，然后按光纤的走线方向确定上一处被识别为熔接处的待测光纤的布里渊频移信息和下一处被识别为熔接处的待测光纤的布里渊频移信息，将熔接处的待测光纤定位为杆塔位置，作为一个可选的实施例，参考图4，滑动窗口移动到异常区域，截取包含异常区域的图像输入到故障检测模型中，故障检测模型可识别出故障类型，按照光纤的走向方向找到上一处被识别为熔接处的待测光纤，利用滑动窗口定位了杆塔2的位置，按照光纤的走线方向找到下一处被识别为熔接处的待测光纤，利用滑动窗口定位了杆塔3的位置，则异常区域位于杆塔2和杆塔3之间，再根据此时滑动窗口所处的位置，输出异常区域为杆塔2与杆塔3之间的具体位置，故障定位结束。
从上面所述可以看出，本说明书一个或多个实施例提供的一种基于深度学习的光缆故障定位方法、装置及设备，由于根据故障光缆的光纤阻断情况，可将故障类型分为光缆全断、部分束管中断、单束管中的部分光纤中断三种。因此在不确定光缆中哪根光纤断纤的情况下，依次获取光缆的每一条光纤作为待测光纤分别检测，利用BOTDR设备采集所述待测光纤的布里渊频移信息，可以达到更高的检测精度和更长的检测距离，并且能够对运行状态下的光纤直接进行检测，既不影响系统正常的运行，不会引起二次故障，又能直接反映设备的状态，相比停止运行的离线检测更为有效，及时和可靠。通过构建故障检测模型，利用光缆故障检测数据集训练卷积神经网络，利用深度学习模型学习样本数据的内在规律和表示层次，使得故障检测模型可以像人一样具有分析学习能力，使得检测任务不再过度依赖检测人员的工作经验，降低人工成本和设备消耗，得到更高精度的检测结果。利用故障检测模型判断待测光纤的布里渊频移信息是否异常，以及判断待测光纤的布里渊频移信息是否与光纤熔接处的布里渊频移信息相同，从而得到更精确的识别结果，多次判断被检测光纤，得到更加详细和多样化的检测结果，输出分类更加详细的故障类型，通过按光纤的走线方向确定上一处被识别为熔接处的待测光纤的布里渊频移信息和下一处被识别为熔接处的待测光纤的布里渊频移信息，将熔接处的待测光纤定位为杆塔位置，再根据杆塔位置定位熔断处的待测光纤，能够得到更加精准的故障定位信息。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思，本说明书一个或多个实施例还提供了一种基于深度学习的光缆故障定位装置，包括：获取模块、采集模块、识别模块、第一定位模块和第二定位模块。
参考图5，本装置中包括：
获取模块，被配置为获取光缆的待测光纤；
采集模块，被配置为利用BOTDR设备，按照所述待测光纤的走线方向依次采集得到若干所述待测光纤的布里渊频移信息；
识别模块，被配置为将所述若干布里渊频移信息依次输入预先训练的故障检测模型，得到与所述若干布里渊频移信息对应的若干识别结果；所述故障检测模型基于光缆故障检测数据集训练得到；所述光缆故障检测数据集包括：光纤熔接处的布里渊频移信息、光纤断纤处的布里渊频移信息和光纤处在正常运行状态时的布里渊频移信息；所述识别结果包括：所述待测光纤正常、所述待测光纤为熔接处和所述待测光纤为熔断处；
第一定位模块，被配置为若任一所述识别结果为所述待测光纤为熔断处，则确定上一处被识别为熔接处的所述待测光纤的布里渊频移信息和下一处被识别为所述熔接处的所述待测光纤的布里渊频移信息，并将所述熔接处的所述待测光纤定位为杆塔位置；
第二定位模块，被配置为根据所述杆塔位置定位所述识别结果为所述待测光纤为熔断处的所述待测光纤。
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
基于同一发明构思，本说明书一个或多个实施例还提供了一种电子设备，该电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上任意一实施例所述的方法。
图6示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器601、存储器602、输入/输出接口603、通信接口604和总线605。其中处理器601、存储器602、输入/输出接口603和通信接口604通过总线605实现彼此之间在设备内部的通信连接。
处理器601可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器602可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器602可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器602中，并由处理器601来调用执行。
输入/输出接口603用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口604用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线605包括一通路，在设备的各个组件(例如处理器601、存储器602、输入/输出接口603和通信接口604)之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器601、存储器602、输入/输出接口603、通信接口604以及总线605，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (8)

1.一种基于深度学习的光缆故障定位方法，其特征在于，包括：
获取光缆的待测光纤；
利用BOTDR设备，按照所述待测光纤的走线方向依次采集得到若干所述待测光纤的布里渊频移信息；所述利用BOTDR设备，按照所述待测光纤的走线方向依次采集得到若干所述待测光纤的布里渊频移信息，包括：
利用所述BOTDR设备分布式采集所述待测光纤上各个点的温度和应变信息；
采用滑动窗口法分段截取所述待测光纤的布里渊频移信息；
所述滑动窗口法，包括：
根据故障定位的精度，将滑动窗口的大小设置为档距的八分之一到四分之一之间，所述滑动窗口每次移动的距离为所述滑动窗口的大小的四分之一到二分之一之间；
将所述若干布里渊频移信息依次输入预先训练的故障检测模型，得到与所述若干布里渊频移信息对应的若干识别结果；所述故障检测模型基于光缆故障检测数据集训练得到；所述光缆故障检测数据集包括：光纤熔接处的布里渊频移信息、光纤断纤处的布里渊频移信息和光纤处在正常运行状态时的布里渊频移信息；所述识别结果包括：所述待测光纤正常、所述待测光纤为熔接处和所述待测光纤为熔断处；
若任一所述识别结果为所述待测光纤为熔断处，则确定上一处被识别为熔接处的所述待测光纤的布里渊频移信息和下一处被识别为所述熔接处的所述待测光纤的布里渊频移信息，并将所述熔接处的所述待测光纤定位为杆塔位置；
根据所述杆塔位置定位所述识别结果为所述待测光纤为熔断处的所述待测光纤；所述根据所述杆塔位置定位所述识别结果为所述待测光纤为熔断处的所述待测光纤，具体包括：
根据上一处被识别为熔接处的所述待测光纤的布里渊频移信息确定上一处杆塔位置；
根据下一处被识别为熔接处的所述待测光纤的布里渊频移信息确定下一处杆塔位置；
在所述上一处杆塔位置和所述下一处杆塔位置之间滑动所述滑动窗口以确定所述识别结果为所述待测光纤为熔断处的所述待测光纤的位置。
2.根据权利要求1所述的方法，其特征在于，还包括：
利用所述BOTDR设备进行采集操作前，进行测试操作和自动参数配置；
根据所述测试操作的结果调整所述BOTDR设备以优化采集操作的效果。
3.根据权利要求1所述的方法，其特征在于，所述故障检测模型基于光缆故障检测数据集训练得到，包括：
所述光缆故障检测数据集包括：训练集和测试集；
将所述训练集输入卷积神经网络；
所述卷积神经网络根据所述训练集判断光纤的运行状态，计算输出值的误差，通过所述误差反向传播以调整所述卷积神经网络的权重；
达到训练次数上限后，输入所述测试集以调整所述卷积神经网络的准确率，得到所述故障检测模型。
4.根据权利要求1所述的方法，其特征在于，所述将所述若干布里渊频移信息依次输入预先训练的故障检测模型，得到与所述若干布里渊频移信息对应的若干识别结果，具体包括：
利用所述故障检测模型判断所述待测光纤的布里渊频移信息是否异常，如果不异常，则所述待测光纤的所述识别结果为所述待测光纤正常；如果异常，则进一步利用所述故障检测模型判断所述待测光纤的布里渊频移信息是否与所述光纤熔接处的布里渊频移信息相同。
5.根据权利要求4所述的方法，其特征在于，如果所述故障检测模型判断所述待测光纤的布里渊频移信息异常，则进一步利用所述故障检测模型判断所述待测光纤的布里渊频移信息是否与所述光纤熔接处的布里渊频移信息相同，具体包括：
如果所述故障检测模型判断所述待测光纤的布里渊频移信息与所述光纤熔接处的布里渊频移信息相同，则所述待测光纤的所述识别结果为所述待测光纤为熔接处；
如果所述故障检测模型判断所述待测光纤的布里渊频移信息与所述光纤熔接处的布里渊频移信息不相同，则所述待测光纤的所述识别结果为所述待测光纤为熔断处。
6.根据权利要求1所述的方法，其特征在于，还包括：根据所述识别结果为所述待测光纤为熔接处的所述待测光纤的布里渊频移信息，得到所述杆塔位置的信息、位置区间和所述待测光纤的编号。
7.一种基于深度学习的光缆故障定位装置，包括：
获取模块，被配置为获取光缆的待测光纤；
采集模块，被配置为利用BOTDR设备，按照所述待测光纤的走线方向依次采集得到若干所述待测光纤的布里渊频移信息；所述利用BOTDR设备，按照所述待测光纤的走线方向依次采集得到若干所述待测光纤的布里渊频移信息，包括：
利用所述BOTDR设备分布式采集所述待测光纤上各个点的温度和应变信息；
采用滑动窗口法分段截取所述待测光纤的布里渊频移信息；
所述滑动窗口法，包括：
根据故障定位的精度，将滑动窗口的大小设置为档距的八分之一到四分之一之间，所述滑动窗口每次移动的距离为所述滑动窗口的大小的四分之一到二分之一之间；
识别模块，被配置为将所述若干布里渊频移信息依次输入预先训练的故障检测模型，得到与所述若干布里渊频移信息对应的若干识别结果；所述故障检测模型基于光缆故障检测数据集训练得到；所述光缆故障检测数据集包括：光纤熔接处的布里渊频移信息、光纤断纤处的布里渊频移信息和光纤处在正常运行状态时的布里渊频移信息；所述识别结果包括：所述待测光纤正常、所述待测光纤为熔接处和所述待测光纤为熔断处；
第一定位模块，被配置为若任一所述识别结果为所述待测光纤为熔断处，则确定上一处被识别为熔接处的所述待测光纤的布里渊频移信息和下一处被识别为所述熔接处的所述待测光纤的布里渊频移信息，并将所述熔接处的所述待测光纤定位为杆塔位置；
第二定位模块，被配置为根据所述杆塔位置定位所述识别结果为所述待测光纤为熔断处的所述待测光纤；所述根据所述杆塔位置定位所述识别结果为所述待测光纤为熔断处的所述待测光纤，具体包括：
根据上一处被识别为熔接处的所述待测光纤的布里渊频移信息确定上一处杆塔位置；
根据下一处被识别为熔接处的所述待测光纤的布里渊频移信息确定下一处杆塔位置；
在所述上一处杆塔位置和所述下一处杆塔位置之间滑动所述滑动窗口以确定所述识别结果为所述待测光纤为熔断处的所述待测光纤的位置。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至6任意一项所述的方法。
CN202010317410.4A 2020-04-21 2020-04-21 一种基于深度学习的光缆故障定位方法、装置及设备 Active CN111510205B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010317410.4A CN111510205B (zh) 2020-04-21 2020-04-21 一种基于深度学习的光缆故障定位方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010317410.4A CN111510205B (zh) 2020-04-21 2020-04-21 一种基于深度学习的光缆故障定位方法、装置及设备

Publications (2)

Publication Number Publication Date
CN111510205A CN111510205A (zh) 2020-08-07
CN111510205B true CN111510205B (zh) 2022-07-12

Family

ID=71876258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010317410.4A Active CN111510205B (zh) 2020-04-21 2020-04-21 一种基于深度学习的光缆故障定位方法、装置及设备

Country Status (1)

Country Link
CN (1) CN111510205B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112781634B (zh) * 2021-04-12 2021-07-06 南京信息工程大学 一种基于YOLOv4卷积神经网络的BOTDR分布式光纤传感系统
CN113691307B (zh) * 2021-08-12 2022-10-11 哈尔滨工业大学 基于botdr和otdr的opgw故障定位及预警方法
CN113804762B (zh) * 2021-09-01 2023-11-21 国网内蒙古东部电力有限公司兴安供电公司 基于多光谱三合一图像的设备故障检测方法及系统
CN113902143A (zh) * 2021-09-27 2022-01-07 广东电网有限责任公司 一种电力光缆的运行态势感知方法及装置
CN114039656B (zh) * 2021-10-13 2023-04-25 哈尔滨工业大学 一种基于botdr和otdr的opgw故障定位方法及装置
CN113872024A (zh) * 2021-12-01 2021-12-31 中国工程物理研究院电子工程研究所 面向光纤激光系统多源物理监测量的智能故障诊断方法
CN115276780B (zh) * 2022-05-07 2023-09-22 北京邮电大学 光纤异常检测方法、装置、电子设备及存储介质
CN116405110B (zh) * 2023-06-06 2023-08-15 四川天中星航空科技有限公司 一种多芯光缆故障定位分析设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107179175A (zh) * 2017-05-17 2017-09-19 贵州电网有限责任公司电力科学研究院 一种输电线路opgw光缆断芯精确定位方法
CN108229553A (zh) * 2017-12-29 2018-06-29 国网吉林省电力有限公司信息通信公司 一种otdr曲线数据分析方法
CN110738168A (zh) * 2019-10-14 2020-01-31 长安大学 一种基于堆叠卷积自编码器的分布式应变微小裂缝检测系统及方法
US10591666B2 (en) * 2012-08-09 2020-03-17 Corning Incorporated Two-core optical fibers for distributed fiber sensors and systems
CN110927524A (zh) * 2019-12-03 2020-03-27 董永康 一种基于botdr技术的opgw光缆断芯原因分析与精确定位方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100494911C (zh) * 2007-10-15 2009-06-03 北京航空航天大学 适用于光纤分布式温度和应力传感装置的探测方法
CN107588926A (zh) * 2017-10-30 2018-01-16 中光华研电子科技有限公司 一种超长光缆的故障监测系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10591666B2 (en) * 2012-08-09 2020-03-17 Corning Incorporated Two-core optical fibers for distributed fiber sensors and systems
CN107179175A (zh) * 2017-05-17 2017-09-19 贵州电网有限责任公司电力科学研究院 一种输电线路opgw光缆断芯精确定位方法
CN108229553A (zh) * 2017-12-29 2018-06-29 国网吉林省电力有限公司信息通信公司 一种otdr曲线数据分析方法
CN110738168A (zh) * 2019-10-14 2020-01-31 长安大学 一种基于堆叠卷积自编码器的分布式应变微小裂缝检测系统及方法
CN110927524A (zh) * 2019-12-03 2020-03-27 董永康 一种基于botdr技术的opgw光缆断芯原因分析与精确定位方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BOTDR分布式光纤传感器及其在结构健康监测中的应用;张丹 等;《土木工程学报》;20031130;第83-87页 *
The study of temperature measurement on optical fiber in OPGW based on stimulated Brillouin scattering;Wan Dechun等;《2016 IEEE International Conference on Information and Automation (ICIA)》;20170202;page1753-1757 *

Also Published As

Publication number Publication date
CN111510205A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN111510205B (zh) 一种基于深度学习的光缆故障定位方法、装置及设备
CN108696313B (zh) 一种光缆故障精确定位方法
CN111654323B (zh) 智能光链路运维管理方法和装置
CN105760299A (zh) 一种基于智能变电站全自动脚本测试方法
CN111413596A (zh) 电缆局部放电定位方法及装置、电子设备及定位系统
CN112887017B (zh) 一种光缆接续杆塔的定位方法及定位系统
CN115371972B (zh) 光路功能检测方法、装置、设备及存储介质
CN102354199A (zh) 一种可编程的测试数据自动采集分析系统及方法
CN110285832B (zh) 光纤陀螺惯测产品的标定参数长期稳定性缺陷检测方法
CN110108219A (zh) 电缆截面结构的测算方法、系统、设备及可读存储介质
CN104980212A (zh) 具有自学习功能的光纤故障检测系统和方法
CN114189278A (zh) 一种便携式多用途光缆运维工具
CN102865826A (zh) 研磨棒直径检测装置及检测方法
CN102539113B (zh) 一种基于布里渊光时域分析仪botda的曲线分析方法
CN117606480A (zh) 一种数据中心巡检方法、装置、设备及存储介质
CN109660294B (zh) 一种光纤智能匹配系统、方法及装置
CN109217917B (zh) 故障光纤的位置确定方法及装置、存储介质、处理器
CN109682457A (zh) 基于角度检测的光纤事件识别方法
CN113810102B (zh) 光缆检测设备、系统及方法
CN105823431A (zh) 一种光纤过度弯曲的检测方法
CN202964282U (zh) 一种球头球心位置检测装置
CN111487919A (zh) 一种plc工业自动化控制系统及控制方法
CN221487722U (zh) 基于光时域反射仪的光缆普查定位系统
JP5992482B2 (ja) 芯線検査装置および芯線検査方法
CN105807215A (zh) 一种蓄能机组二次回路继电器测试设备及其测试方法

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
GR01 Patent grant
GR01 Patent grant