CN111814954B - 一种光纤质量分析方法、装置、电子设备及存储介质 - Google Patents

一种光纤质量分析方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111814954B
CN111814954B CN202010566395.7A CN202010566395A CN111814954B CN 111814954 B CN111814954 B CN 111814954B CN 202010566395 A CN202010566395 A CN 202010566395A CN 111814954 B CN111814954 B CN 111814954B
Authority
CN
China
Prior art keywords
optical fiber
fault
event
information
data
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
CN202010566395.7A
Other languages
English (en)
Other versions
CN111814954A (zh
Inventor
张小娇
陈星云
余磊
周治柱
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.)
Accelink Technologies Co Ltd
Original Assignee
Accelink Technologies 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 Accelink Technologies Co Ltd filed Critical Accelink Technologies Co Ltd
Priority to CN202010566395.7A priority Critical patent/CN111814954B/zh
Publication of CN111814954A publication Critical patent/CN111814954A/zh
Application granted granted Critical
Publication of CN111814954B publication Critical patent/CN111814954B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G01M11/02—Testing optical properties
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Optical Communication System (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

本发明提供了一种光纤质量分析方法、装置、电子设备及存储介质；方法包括：获取所述光纤的事件数据和历史故障维护数据；将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的质量评分信息和故障预警信息，其中，所述故障预警信息，至少用于指示所述光纤发生故障的位置；所述质量评分信息，用于提供是否对光纤维护提供参考依据。

Description

一种光纤质量分析方法、装置、电子设备及存储介质
技术领域
本发明涉及光缆质量分析技术领域，尤其涉及一种光纤质量分析方法、装置、电子设备及存储介质。
背景技术
OTDR(Optical Time Domain Reflectometer，光时域反射仪)即光时域反射仪，通过发射光脉冲到光纤内，利用瑞利散射和菲涅尔反射，在OTDR端口接收返回的曲线信息对链路状态进行监测。当光脉冲在光纤内传输时，会由于光纤本身的性质、连接器、接合点、弯曲或其它类似的事件而产生散射、反射。OTDR被广泛应用于光缆维护行业，维护人员通过采集OTDR测试曲线，来分析光纤质量情况。
通常的分析方式是通过OTDR测试空余光纤，搜集测试曲线，把测试曲线导入至专业分析软件，解析曲线的长度、平均衰耗、全程衰耗及事件点损耗，根据以上测试结果分析光纤质量好坏。一条缆段包含多条纤芯，判定缆段质量状况，需要分析多条纤芯，由维护人员在excel中记录多个纤芯测试结果，然后人工分析。光缆数据量庞大，上千万的光缆数据，靠人工分析，做到准确详细，几乎是不可能的。
近年来，有厂家开发了配套的OTDR管理软件，可以通过软件的固定算法来替代部分人工分析，但是通常软件只能分析厂家自己生产的OTDR设备采集的曲线，不能在市场形成通用。
由上可见，当前的光缆质量分析方式主要依靠人工或单一的软件公式分析，效率低下、准确率低，且无法分析出光缆质量发展趋势和预测光缆未来故障发生概率。
发明内容
本发明实施例提供一种光纤质量分析方法、装置、电子设备及存储介质。
本发明实施例的技术方案是这样实现的：
本发明实施例提供一种光纤质量分析方法，包括：
获取所述光纤的事件数据和历史故障维护数据；
将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的质量评分信息和故障预警信息，其中，所述故障预警信息，至少用于指示所述光纤发生故障的位置；所述质量评分信息，用于提供是否对光纤维护提供参考依据。
上述方案中，将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的质量评分信息，包括：
将所述光纤的事件数据和历史故障维护数据输入到第一神经网络，确定所述光纤的质量评分信息。
上述方案中，所述将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的故障预警信息，包括：
将所述事件数据和所述历史故障维护数据输入到支持向量机模型中，得到所述光纤的故障率；
将所述光纤的故障率输入到第二神经网络，确定所述光纤的故障预警信息。
上述方案中，所述将所述事件数据和所述历史故障维护数据输入到支持向量机模型中，得到所述光纤的故障率，包括：
所述支持向量机模型根据所述事件数据中的位置信息和所述历史故障维护数据中的历史故障位置信息，分段确定所述光纤的各个分段的故障率；
所述将所述光纤的故障率输入到第二神经网络，确定所述光纤的故障预警信息，包括：
将各个分段的故障率输入到所述第二神经网络，得到所述光纤的故障预警信息。
上述方案中，所述将所述光纤的故障率输入到第二神经网络，确定所述光纤的故障预警信息，包括：
将所述各个分段的故障率输入到第二神将网络，得到故障率大于预设故障率阈值的各个光纤分段的故障预警信息。
上述方案中，所述方法还包括：
获取光时域反射仪输出不同测试时刻监测到的测试数据；
对所述测试数据进行分析，得到所述光纤的事件数据，其中，所述事件数据至少包括：
损耗事件信息，其中，所述损耗事件信息包括损耗值大于预设损耗阈值的损耗事件对应的插入损耗值和发生损耗事件的光纤位置的位置信息，
反射事件信息，其中，所述反射事件信息包括：反射率大于预设反射率阈值和/或损耗值大于所述预设损耗阈值的反射事件对应的反射率、插入损耗值和所述光纤上发生反射事件的光纤位置的位置信息。
上述方案中，所述历史故障维护数据至少包括：所述光纤历史发生故障的故障位置信息、故障的类型和故障造成的损失及维修成本。
本发明实施例还提供一种光纤质量分析装置，包括：
获取模块，用于获取所述光纤的事件数据和历史故障维护数据；
质量评分模块，用于将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的质量评分信息，其中，所述质量评分信息，用于提供是否对光纤维护提供参考依据；
故障预警模块，用于将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的故障预警信息，其中，所述故障预警信息，至少用于指示所述光纤发生故障的位置。
上述方案中，所述质量评分模块，具体用于将所述光纤的事件数据和历史故障维护数据输入到第一神经网络，确定所述光纤的质量评分信息；
所述故障预警模块包括：故障率计算模块，用于将所述事件数据和所述历史故障维护数据输入到支持向量机模型中，得到所述光纤的故障率；
故障分析模块，用于将所述光纤的故障率输入到第二神经网络，确定所述光纤的故障预警信息。
上述方案中，所述故障率计算模块，具体用于利用所述支持向量机模型根据所述事件数据中的位置信息和所述历史故障维护数据中的历史故障位置信息，分段确定所述光纤的各个分段的故障率；
所述故障分析模块，具体用于将所述各个分段的故障率输入到所述第二神经网络，得到所述光纤的故障预警信息；
所述故障分析模块，具体用于将各个分段的故障率输入到第二神将网络，得到故障率大于预设故障率阈值的各个光纤分段的故障预警信息。
上述方案中，所述装置还包括：
事件分析模块，用于获取光时域反射仪输出不同测试时刻监测到的测试数据；对所述测试数据进行分析，得到所述光纤的事件数据，其中，所述事件数据至少包括：
损耗事件信息，其中，所述损耗事件信息包括：损耗值大于预设损耗阈值的损耗事件对应的插入损耗值和发生损耗事件的光纤位置的位置信息，
反射事件信息，其中，所述反射事件信息包括：反射率大于预设反射率阈值和/或损耗值大于所述预设损耗阈值的反射事件对应的反射率、插入损耗值和所述光纤上发生反射事件的光纤位置的位置信息。
本发明实施例还提供一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本发明实施例提供的一种光纤质量分析方法。
本发明实施例还提供一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，实现本发明实施例提供的一种光纤质量分析方法。
本发明实施例通过获取光纤的事件数据，并基于机器学习，结合光纤的历史故障功能维护信息，实现了光纤质量发展趋势的智能分析和光缆故障发生位置的预测，且质量评分信息还为光缆维护带来参考依据，为维护人员争取了光缆的维护时间，使维护人员能快速定位光缆的可能发生故障的位置并进行维护，提高了光缆维护的效率，极大降低光缆中断现象。
附图说明
图1是本发明实施例提供的一种光纤质量分析方法的流程示意图；
图2是本发明实施例提供的一种基于机器学习的光纤质量分析方法的原理示意图；
图3是本发明实施例提供的一种基于机器学习的光纤质量分析方法的流程示意图；
图4是本发明实施例提供的一种光纤质量分析装置的结构示意图；
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本领域的技术人员能够理解，尽管以下的说明涉及到有关本发明的实施例的很多技术细节，但这仅为用来说明本发明的原理的示例、而不意味着任何限制。本发明能够适用于不同于以下例举的技术细节之外的场合，只要它们不背离本发明的原理和精神即可。
另外，为了避免使本说明书的描述限于冗繁，在本说明书中的描述中，可能对可在现有技术资料中获得的部分技术细节进行了省略、简化、变通等处理，这对于本领域的技术人员来说是可以理解的，并且这不会影响本说明书的公开充分性。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
在以下的描述中，所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本发明实施例的目的，不是旨在限制本发明。
下面说明本发明实施例提供的一种光纤质量分析方法。参见图1，图1是本发明实施例提供的一种光纤质量分析方法的流程示意图；本发明实施例提供的一种光纤质量分析方法，可以应用于OLM(Optical Link Module，光纤链接模块)设备，包括：
步骤101：获取所述光纤的事件数据和历史故障维护数据；
步骤102：将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的质量评分信息和故障预警信息，其中，所述故障预警信息，至少用于指示所述光纤发生故障的位置；所述质量评分信息，用于提供是否对光纤维护提供参考依据。
在本发明公开实施例中，光纤主要包括：纤芯和表层部分，该表层部分包覆在纤芯的外表面，包括但不限于低折射率的玻璃或塑料。
单根纤芯的质量分析是通过先获取纤芯的事件数据和历史故障维护数据，然后将该纤芯的事件数据和历史故障维护数据输入机器学习模型，得到该纤芯的质量评分信息和故障预警信息。
一根光缆通常包含多根纤芯。在对每根光缆进行质量分析时，首先针对光缆中的每根纤芯作上述的质量分析处理，得到每根光纤的质量评分信息和故障预警信息，然后对光缆中所有纤芯的质量评分信息和故障预警信息进行统计，得到光缆的质量评分信息和故障预警信息。例如，将一根光缆中所有纤芯的质量评分的平均值作为该光缆的质量评分，将所有纤芯的故障预警信息作为该光缆的故障预警信息。
在本实施例的步骤101中，所述光纤的事件数据至少包括：损耗事件的信息和反射事件信息，其中，损耗事件信息至少包括损耗事件的插入损耗值和发生损耗事件的光纤位置的位置信息，反射事件信息至少包括反射事件的反射率、插入损耗值和位置。
在另一个实施例中，步骤101获取的所述光纤的损耗事件的信息至少包括损耗值大于预设损耗阈值的损耗事件所对应的插入损耗值和发生损耗事件的光纤位置的位置信息；获取的所述光纤的反射事件信息至少包括：反射率大于预设反射率阈值和/或损耗值大于所述预设损耗阈值的反射事件对应的反射率、插入损耗值和所述光纤上发生反射事件的光纤位置的位置信息。
在本实施例的步骤102中，所述故障预警信息至少包括：预测的所述光纤将发生故障的类型、预测的所述光纤将发生故障的位置信息和发生故障的概率。
具体的，光纤的质量评分反应了光纤当前的质量状况。光纤的质量评分越高，则表示光纤当前的质量状况越好，光纤当前越不可能发生故障。当所述光纤的质量评分大于预设的质量评分阈值时，则表示所述光纤的质量状况良好，暂时不需要进行维护，当所述光纤的质量评分小于或等于预设的质量评分阈值时，则表示所述光纤的质量状况不好，可能会导致通信中断等故障，此时可以根据所述光纤的故障预警信息对光纤进行维护。为了保证光纤的正常通信，在本实施中，预设的质量评分阈值通常设置为80分。
在一些实施例中，所述光纤的历史故障维护数据至少包括：所述光纤历史发生故障的故障位置信息、故障的类型和故障造成的损失及维修成本。其中所述故障的类型包括但不限于光纤中断和光纤衰减过大。
在一些实施例中，光纤的事件数据和故障维护数据可以存储在光纤的网管系统的系统运维数据库中，其中故障维护数据至少包括：所述光纤上发生故障的故障位置信息、故障的类型和故障造成的损失及维修成本。
本实施例中采用系统运维数据库存储光纤的历史测试数据结果和故障维护数据，有利于对光缆质量相关的数据的集中管理和分析。光纤的测试数据结果包括但不限于光纤的测试长度值、事件数据以及所述光纤对应的故障维护数据信息。
在一些实施例中，将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的质量评分信息，包括：
将所述光纤的事件数据和历史故障维护数据输入到第一神经网络，确定所述光纤的质量评分信息。
具体的，所述将所述光纤的事件数据和历史故障维护数据输入到第一神经网络，确定所述光纤的质量评分信息，包括：根据事件数据中的位置信息和所述历史故障维护数据中的历史故障位置信息，分段确定所述光纤的各个分段对应的事件数据；将各个分段对应的事件数据和历史故障维护数据输入到第一神经网络，得到所述光纤各个分段的质量评分的平均值。
在一些实施例中，将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的故障预警信息，包括：
将所述事件数据和所述历史故障维护数据输入到支持向量机模型中，得到所述光纤的故障率。
将所述光纤的故障率输入到第二神经网络，确定所述光纤的故障预警信息。
具体的，将所述事件数据和所述历史故障维护数据输入到支持向量机模型中，得到所述光纤的故障率，包括：
所述支持向量机模型根据所述事件数据中的位置信息和所述历史故障维护数据中的历史故障位置信息，分段确定所述光纤的各个分段的故障率；
具体的，光纤的每个分段至少存在一个事件或者历史故障，将各个分段所对应的事件数据和历史故障维护数据输入支持向量机模型，预测各个分段当前的故障率。
所述将所述光纤的故障率输入到第二神经网络，确定所述光纤的故障预警信息，包括：
将各个分段的故障率输入到所述第二神经网络，得到所述光纤的故障预警信息。
本实施例通过将光纤分段进行故障的分析，使各个分段都包含可能引起光纤故障的因素。一方面，通过分段进行光纤故障的分析，可以实现将光纤的故障位置定位到具体的光纤分段上，从而提高了故障定位的准确性。另一方面，通过分段，减少了光纤单次故障分析的数据量，提升了光纤故障定位的效率。在涉及到多个参数的复杂计算时，相比于人工的计算分析，使用支持向量机模型能够更加准确和高效的计算出故障发生的概率，从而提高了第二神经网路的输入数据的准确性和第二神经网络的训练效率，进而提高输出预警信息的准确率和效率。
在一些实施例中，所述将各个分段的故障率输入到所述第二神经网络，得到所述光纤的故障预警信息，包括：
将各个分段的故障率输入到所述第二神经网络，得到故障率大于预设故障率阈值的各个光纤分段的故障预警信息。
在本实施例中，所述故障预警信息包括但不限于：所述光纤发生故障的故障位置信息、故障的类型和故障造成的损失及维修成本。丰富的故障预警信息有助于运维人员对故障的维护。预设故障率阈值可以设置为50％、60％、70％、80％等，优选的，预设故障率阈值设置为50％。故障率大于50％时，光纤产生故障的可能性比较大，将预设故障率阈值设置为50％，可以实现减少光纤无用的检测维护，并在减轻运维负担的同时实现对光纤比较全面的故障排查，减少因为故障的漏检而导致光纤出现故障的情况。
在一些实施例中，第一神经网络和第二神经网络的输入参数均至少包括：光纤损耗事件的位置信息、损耗事件的插入损耗值、反射事件的反射率、反射事件的插入损耗值、反射事件的位置信息，历史故障发生的位置信息、历史故障的类型、历史故障造成的损失以及历史故障的维修成本。通过对光纤故障因子的全面分析，可以使光纤的质量评分和故障预测更为全面和准确。第一神经网络和第二神经网络的网络结构的输入层和输出层之间，至少包括3个中间层，且靠近输入层的第一中间层包括至少15个神经网络节点，从而使神经网络能适用于具有多个输入的数据分析处理，提高分析结果的准确率。
在一些实施例中，在获取所述光纤的事件数据之前，所述方法还包括：
获取光时域反射仪输出不同测试时刻监测到的测试数据；
对所述测试数据进行分析，得到所述光纤的事件数据。
在本实施例中，光时域反射仪输出不同测试时刻监测到的测试数据可以是光时域反射仪中模数转换器输出的原始数据，也可以是经过光时域反射仪处理后的上报网管的数据。所述测试数据的获取支持通过网管直接获取光时域反射仪输出的所述测试数据，也可以通过导入的方式导入光时域输出的测试数据，以兼容市场上各种光时域反射仪型号，不需要限定网管配套仪表型号，实现了质量分析方法的通用性。
具体的，采用事件分析算法对光时域反射仪输出的测试数据进行分析，得到光纤的事件数据，实现了对光时域反射仪输出的测试数据的自动分析，减轻了人工分析的负担，提高了数据分析的准确率和处理效率。
本发明实施例提供一种光纤质量分析方法，对光纤的光时域反射仪测试数据进行采集，自动分析测试数据，利用机器学习模型对分析过的测试数据进行处理，可快速并准确的获得光纤的质量评分信息，并对光纤可能发生的故障进行预警，为光缆维护提供重要的参考依据，实现光缆故障的快速排查，预防并降低了光缆的故障发生率，为维护人员争取了光缆抢修的时间，有效提高了运维效率。
结合本发明上述实施例，下面将说明本发明实施例在一个实际的应用场景中的示例性应用。
本示例提供了一种基于机器学习的光纤质量分析方法，图2为本示例提供的一种基于机器学习的光纤质量分析方法的原理图，该方法实现了对光纤的质量进行评分及故障点位置的预测，可以将该方法应用于光纤的网管系统中，其基本步骤如附图3所示：
步骤301，获取光时域反射仪输出的光纤的测试曲线。
光时域反射仪通过发射光脉冲到光纤内，该脉冲在光纤内传输时会发生瑞利散射，其中部分散射信号逆光纤返回，即后向散射信号。光时域反射仪将返回的散射信号进行采样、量化处理，绘制出被测光纤反向散射曲线，该曲线反应了光功率随光纤长度的变化。光时域反射仪的光脉冲在光纤内传输时，会由于光纤本身的性质、连接器、接合点、弯曲或其它类似的事件会产生散射、反射，反应在反向散射曲线上会有较大的突变。光时域反射仪输出曲线模块即用于输出该被测光纤反向散射曲线，用于后续分析。
具体的，本示例中获取的光纤测试曲线可以是光时域反射仪中模数转换器输出的原始数据，也可以是经过光时域反射仪处理后的上报网管的数据。获取测试曲线的方式支持通过网管直接获取光时域反射仪输出的曲线数据，也可以通过导入的方式导入光时域反射仪曲线文件，以兼容市场上各种光时域反射仪型号，不对网管配套仪表型号进行限定。
步骤302，采用事件分析算法对测试曲线进行分析，得到光纤的事件数据。
具体的，光纤的事件数据包括：损耗事件信息和反射事件信息。其中，损耗事件信息包括：损耗事件的插入位置信息和插入损耗值，反射事件信息包括：反射事件的反射率、插入损耗值和位置信息。将事件分析算法分析得到的事件信息存储到系统运维数据库中，用于机器学习模型的训练。
步骤303，输入需要进行质量评估的光纤的事件数据和历史故障运维信息，通过机器学习模型自动对光纤质量进行评分，并输出光纤可能发生故障的类型、故障位置信息和故障概率。
具体的，所述机器学习模型至少包括：
质量评分神经网络，用于对光纤的质量进行评分，
故障预测神经网络，用于对光纤可能发生故障的位置进行预测。
本示例中，质量评分神经网络和故障预测神经网络的输入层和输出层之间至少包含3个以上的中间层，且靠近输入层的第一中间层的节点数大于15个。
在使用机器学习模型对光纤质量进行评分和预测光纤的故障位置之前，还需要对机器学习模型进行训练，具体的，包括：
对质量评分神经网络进行训练得到训练后的质量评分神经网络，包括：获取系统运维数据库中光纤对应的事件信息，并人工对光纤评分进行标签设置，将光纤中损耗事件的插入损耗值和位置信息，反射事件的反射率、插入损耗值和位置信息，以及系统运维数据库中的光纤历史发生故障的位置信息、类型、造成的损失及维修成本作为输入参数，输入至质量评分神经网络进行模型训练得到训练后的质量评分神经网络。
对故障预测神经网络进行训练得到训练后的故障预测神经网络，包括：分段计算所述光纤的故障概率，并将各个分段的故障概率输入到故障预测神经网络，训练故障预测神经网络得到训练后的故障预测神经网络。具体的，为了提高故障预测神经网络模型的准确率及训练效率，在故障预测神经网络前加入故障率支持向量机模型，故障率支持向量机模型用于预测光纤的故障率。将光纤中损耗事件的插入损耗值和位置信息，反射事件的反射率、插入损耗值和位置信息，光纤的历史故障的位置信息、故障类型、造成的损失及维修成本，共9个参数作为故障率支持向量机模型的输入，故障率支持向量机根据损耗事件的位置信息、反射事件的位置信息以及光纤的历史故障的位置信息对光纤进行分段计算，对每一段光纤在未来一定时间内发生故障的概率进行评估。然后将每一段光纤的故障率作为故障预测神经网络的输入，进行故障预测神经网络模型的训练。
具体的，神经网络训练数据的构建包括：通过网管采集光时域反射仪输出的曲线数据，利用事件分析算法定位出光纤测试曲线对应的损耗事件及反射事件，其中反射事件包括起点反射、终点反射等事件，同时分析出事件的位置信息、损耗值和反射率等指标。将经过事件分析算法解析后的曲线数据存储于指定数据库中，作为质量评分神经网络和故障预测神经网络的训练集的基础数据。
网管系统运行过程中，光纤的配置数据、历史测试数据及故障维护信息存储在系统运维数据库中，光纤配置数据具体内容包括但不限于光缆名称、长度、纤芯数、所属区域、光缆纤芯数、纤芯参考曲线及告警阈值等。在光纤通过光时域反射仪完成测试后，通过事件分析算法对光时域反射仪输出的测试数据进行解析，得到光纤的测试结果，该测试结果包括但不限于光纤的测试长度和事件的类型信息、位置信息、损耗值以及反射率。将得到的测试结果与网管系统预先设定的参考曲线及告警阈值进行比较分析，定位出光纤的故障位置和故障原因。具体的，施工人员对光纤割接完成之后通过光时域反射仪测试，确定测试曲线达到验收标准后，在网管上把当前测试曲线设置为该纤芯的参考曲线，同时网管把参考曲线的测试结果自动设置为告警阈值，告警阈值包括但不限于：光缆中断告警阈值、全程衰耗告警阈值以及人工在网管上设置该光缆的衰耗点告警阈值、反射率告警阈值。后续对纤芯进行例行测试，将网管得到测试结果自动与参考曲线进行比较分析，若超过告警阈值，则计算出故障点位置信息，并存储告警信息和故障点信息。故障点信息包括：故障点位置信息、类型、告警可能原因及处理建议等。告警信息包括：告警原因、故障造成的损失及维护成本等。维护团队收到告警信息后，对告警进行修复，并且完善告警原因、故障造成的损失及维护成本，最终形成闭环。
将光纤的历史测试结果，和故障信息都存储在系统运维数据库中，作为训练集的数据，用于神经网络的训练。其中，历史测试结果包括但不限于：光纤测试长度、事件位置、类型、损耗、反射率等。故障信息包括但不限于：故障点位置信息、故障类型、造成的损失、维修成本等。
本示例提供的一种基于机器学习的光纤质量分析方法，在完成机器学习模型的训练后，将光纤的光时域反射仪测试曲线数据采集至本系统，可快速并准确的获得光纤的质量评分，并对光纤未来发生故障的类型、位置及故障概率进行预测，为光缆维护提供重要的参考依据，大大预防并降低故障发生率，有效提高了运维效率。
下面继续说明本发明实施例提供的一种光纤质量分析装置40，在一些实施例中，一种光纤质量分析装置可采用软件模块的方式实现。参见图4，图4是本发明实施例提供的一种光纤质量分析装置40的结构示意图，本发明实施例提供的一种光纤质量分析装置40包括：
获取模块410，用于获取所述光纤的事件数据和历史故障维护数据；
质量评分模块420，用于将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的质量评分信息，其中，所述质量评分信息，用于提供是否对光纤维护提供参考依据；
故障预警模块430，用于将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的故障预警信息，其中，所述故障预警信息，至少用于指示所述光纤发生故障的位置。
在一些实施例中，质量评分模块420，具体用于将所述光纤的事件数据和历史故障维护数据输入到第一神经网络，确定所述光纤的质量评分信息；
故障预警模块430包括：故障率计算模块，用于将所述事件数据和所述历史故障维护数据输入到支持向量机模型中，得到所述光纤的故障率；故障分析模块，用于将所述光纤的故障率输入到第二神经网络，确定所述光纤的故障预警信息。
在一些实施例中，所述故障率计算模块，具体用于利用所述支持向量机模型根据所述事件数据中的位置信息和所述历史故障维护数据中的历史故障位置信息，分段确定所述光纤的各个分段的故障率；所述故障分析模块，具体用于将所述各个分段的故障率输入到所述第二神经网络，得到所述光纤的故障预警信息。
在一些实施例中，所述故障分析模块，具体用于将各个分段的故障率输入到第二神将网络，得到故障率大于预设故障率阈值的各个光纤分段的故障预警信息。
在一些实施例中，所述装置40还包括：
事件分析模块，用于获取光时域反射仪输出不同测试时刻监测到的测试数据；对所述测试数据进行分析，得到所述光纤的事件数据，其中，所述事件数据至少包括：
损耗事件信息，其中，所述损耗事件信息包括损耗值大于预设损耗阈值的损耗事件对应的插入损耗值和发生损耗事件的光纤位置的位置信息；
反射事件信息，其中，所述反射事件信息包括：反射率大于预设反射率阈值和/或损耗值大于所述预设损耗阈值的反射事件对应的反射率、插入损耗值和所述光纤上发生反射事件的光纤位置的位置信息。
在一些实施例中，所述装置40还包括：
存储模块，用于存储经过事件分析模块处理后的光纤的测试数据以及光纤的故障维护数据；机器学习模块，用于对机器学习模型进行训练，得到训练后的机器学习模型。本实施例通过存储模块可以实现对测试数据的统一存储和管理，提高光纤质量评分和故障预测的效率。
本实施例提供了一种光纤质量分析装置，实现了对光时域反射仪输出的测试数据的自动化分析，并基于机器学习实现了对光纤质量发展趋势和光纤发生故障几率的自动且准确的分析和预测，为光缆维护带来参考依据，大大提高维护效率，极大降低光缆中断现象。
本发明实施例还提供一种电子设备，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现本发明实施例提供的一种光纤质量分析方法。
下面对本发明实施例提供的一种光纤质量分析方法的电子设备的硬件结构做详细说明，电子设备包括但不限于服务器或终端。参见图5，图5是本发明实施例提供的电子设备的结构示意图，该光纤质量分析设备50包括：至少一个处理器501、存储器502，可选的，目标数量估算设备50还可进一步包括至少一个通信接口503，目标数量估算设备50中的各个组件通过总线系统504耦合在一起，可理解，总线系统504用于实现这些组件之间的连接通信。总线系统504除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图5中将各种总线都标为总线系统504。
可以理解，存储器502可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random AccessMemory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，SynchronousDynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random Access Memory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random Access Memory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本发明实施例描述的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
本发明实施例中的存储器502用于存储各种类型的数据以支持光纤质量分析装置40的操作。这些数据的示例包括：用于在光纤质量分析装置40上操作的任何计算机程序，如存储的样本数据、预测模型等，实现本发明实施例方法的程序可以包含在存储器502中。
上述本发明实施例揭示的方法可以应用于处理器501中，或者由处理器501实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP，Digital Signal Processor)，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。处理器可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成前述方法的步骤。
在示例性实施例中，光纤质量分析设备50可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，用于执行上述方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，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全部单元来实现本实施例方案的目的。另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本发明实施例还提供一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，实现本发明实施例提供的一种光纤质量分析方法。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
以上所述，仅为本发明的实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和范围之内所作的任何修改、等同替换和改进等，均包含在本发明的保护范围之内。

Claims (13)

1.一种光纤质量分析方法，其特征在于，包括：
获取所述光纤的事件数据和历史故障维护数据；其中，所述事件数据至少包括：损耗事件的信息和反射事件信息，其中，损耗事件信息至少包括损耗事件的插入损耗值和发生损耗事件的光纤位置的位置信息，反射事件信息至少包括反射事件的反射率、插入损耗值和位置；
将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的质量评分信息和故障预警信息，其中，所述故障预警信息至少包括：预测的所述光纤将发生故障的类型、预测的所述光纤将发生故障的位置信息和发生故障的概率；所述故障预警信息，至少用于指示所述光纤发生故障的位置；所述质量评分信息，用于提供是否对光纤维护提供参考依据。
2.根据权利要求1所述的光纤质量分析方法，其特征在于，将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的质量评分信息，包括：
将所述光纤的事件数据和历史故障维护数据输入到第一神经网络，确定所述光纤的质量评分信息。
3.根据权利要求1所述的光纤质量分析方法，其特征在于，所述将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的故障预警信息，包括：
将所述事件数据和所述历史故障维护数据输入到支持向量机模型中，得到所述光纤的故障率；
将所述光纤的故障率输入到第二神经网络，确定所述光纤的故障预警信息。
4.根据权利要求3所述的光纤质量分析方法，其特征在于，所述将所述事件数据和所述历史故障维护数据输入到支持向量机模型中，得到所述光纤的故障率，包括：
所述支持向量机模型根据所述事件数据中的位置信息和所述历史故障维护数据中的历史故障位置信息，分段确定所述光纤的各个分段的故障率；
所述将所述光纤的故障率输入到第二神经网络，确定所述光纤的故障预警信息，包括：
将所述光纤的各个分段的故障率输入到所述第二神经网络，得到所述光纤的故障预警信息。
5.根据权利要求4所述的光纤质量分析方法，其特征在于，所述将所述光纤的各个分段的故障率输入到所述第二神经网络，确定所述光纤的故障预警信息，包括：
将所述光纤的各个分段的故障率输入到第二神经网络，得到故障率大于预设故障率阈值的所述各个分段的故障预警信息。
6.根据权利要求1所述的光纤质量分析方法，其特征在于，在获取所述光纤的事件数据之前，所述方法还包括：
获取光时域反射仪输出不同测试时刻监测到的测试数据；
对所述测试数据进行分析，得到所述光纤的事件数据，其中，所述事件数据至少包括：
损耗事件信息，其中，所述损耗事件信息包括：损耗值大于预设损耗阈值的损耗事件对应的插入损耗值和发生损耗事件的光纤位置的位置信息；
反射事件信息，其中，所述反射事件信息包括：反射率大于预设反射率阈值和/或损耗值大于所述预设损耗阈值的反射事件对应的反射率、插入损耗值和所述光纤上发生反射事件的光纤位置的位置信息。
7.根据权利要求1所述的光纤质量分析方法，其特征在于，所述历史故障维护数据至少包括：所述光纤历史发生故障的故障位置信息、故障的类型和故障造成的损失及维修成本。
8.一种光纤质量分析装置，其特征在于，包括：
获取模块，用于获取所述光纤的事件数据和历史故障维护数据；其中，所述事件数据至少包括：损耗事件的信息和反射事件信息，其中，损耗事件信息至少包括损耗事件的插入损耗值和发生损耗事件的光纤位置的位置信息，反射事件信息至少包括反射事件的反射率、插入损耗值和位置；
质量评分模块，用于将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的质量评分信息，其中，所述质量评分信息，用于提供是否对光纤维护提供参考依据；
故障预警模块，用于将所述事件数据和所述历史故障维护数据输入机器学习模型，得到所述光纤的故障预警信息，其中，所述故障预警信息至少包括：预测的所述光纤将发生故障的类型、预测的所述光纤将发生故障的位置信息和发生故障的概率；所述故障预警信息，至少用于指示所述光纤发生故障的位置。
9.根据权利要求8所述的光纤质量分析装置，其特征在于，
所述质量评分模块，具体用于将所述光纤的事件数据和历史故障维护数据输入到第一神经网络，确定所述光纤的质量评分信息；
所述故障预警模块包括：
故障率计算模块，用于将所述事件数据和所述历史故障维护数据输入到支持向量机模型中，得到所述光纤的故障率；
故障分析模块，用于将所述光纤的故障率输入到第二神经网络，确定所述光纤的故障预警信息。
10.根据权利要求9所述的光纤质量分析装置，其特征在于，
所述故障率计算模块，具体用于利用所述支持向量机模型根据所述事件数据中的位置信息和所述历史故障维护数据中的历史故障位置信息，分段确定所述光纤的各个分段的故障率；
所述故障分析模块，具体用于将所述各个分段的故障率输入到所述第二神经网络，得到所述光纤的故障预警信息；
所述故障分析模块，具体用于将所述各个分段的故障率输入到第二神经网络，得到故障率大于预设故障率阈值的各个分段的故障预警信息。
11.根据权利要求8所述的光纤质量分析装置，其特征在于，所述装置还包括：
事件分析模块，用于获取光时域反射仪输出不同测试时刻监测到的测试数据；对所述测试数据进行分析，得到所述光纤的事件数据，其中，所述事件数据至少包括：
损耗事件信息，其中，所述损耗事件信息包括：损耗值大于预设损耗阈值的损耗事件对应的插入损耗值和发生损耗事件的光纤位置的位置信息；
反射事件信息，其中，所述反射事件信息包括：反射率大于预设反射率阈值和/或损耗值大于所述预设损耗阈值的反射事件对应的反射率、插入损耗值和所述光纤上发生反射事件的光纤位置的位置信息。
12.一种电子设备，包括：
存储器，用于存储可执行指令；
处理器，用于执行所述存储器中存储的可执行指令时，实现权利要求1-7任一项所述的方法。
13.一种计算机可读存储介质，存储有可执行指令，所述可执行指令被处理器执行时，实现权利要求1-7任一项所述的方法。
CN202010566395.7A 2020-06-19 2020-06-19 一种光纤质量分析方法、装置、电子设备及存储介质 Active CN111814954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010566395.7A CN111814954B (zh) 2020-06-19 2020-06-19 一种光纤质量分析方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010566395.7A CN111814954B (zh) 2020-06-19 2020-06-19 一种光纤质量分析方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111814954A CN111814954A (zh) 2020-10-23
CN111814954B true CN111814954B (zh) 2023-09-08

Family

ID=72846320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010566395.7A Active CN111814954B (zh) 2020-06-19 2020-06-19 一种光纤质量分析方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111814954B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112100475B (zh) * 2020-08-14 2023-10-03 武汉光迅科技股份有限公司 一种roadm设备维护方法、装置及计算机存储介质
CN114095077B (zh) * 2022-01-20 2022-05-06 高勘(广州)技术有限公司 光缆故障定位方法、装置、设备及存储介质
CN115242302B (zh) * 2022-07-27 2023-08-18 广东电网有限责任公司 一种光缆运行质量风险评估方法、装置、设备及存储介质
CN115833927A (zh) * 2022-10-08 2023-03-21 中国电信股份有限公司 一种纤芯的切换方法、装置、电子设备和存储介质
CN117478527A (zh) * 2023-12-28 2024-01-30 国网浙江省电力有限公司宁波供电公司 一种光缆运行故障监测定位方法、装置、设备及存储介质
CN118464377B (zh) * 2024-07-10 2024-09-06 国网浙江省电力有限公司宁波市鄞州区供电公司 一种光纤故障定位方法、装置、电子设备及存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US5712796A (en) * 1994-07-14 1998-01-27 Hitachi Cable, Ltd. Method for evaluating the faulted sections and states in a power transmission line
CN102098100A (zh) * 2010-12-29 2011-06-15 武汉光迅科技股份有限公司 光缆自动监测维护方法
CN104980212A (zh) * 2015-06-24 2015-10-14 国家电网公司 具有自学习功能的光纤故障检测系统和方法
CN108038300A (zh) * 2017-12-07 2018-05-15 长春理工大学 基于改进的隶属度函数结合神经网络的光纤状态评估方法
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
CN110032164A (zh) * 2018-01-09 2019-07-19 发那科株式会社 光纤激光装置以及机器学习装置
CN110212975A (zh) * 2019-04-30 2019-09-06 国网河南省电力公司电力科学研究院 一种基于微分进化神经网络的otdr故障特征判断方法
WO2019170873A1 (en) * 2018-03-08 2019-09-12 Politecnico Di Milano "method for monitoring an optical communications system"
WO2020001626A1 (zh) * 2018-06-28 2020-01-02 中兴通讯股份有限公司 光纤故障定位的方法、设备和存储介质
CN111008648A (zh) * 2019-11-12 2020-04-14 国网湖南省电力有限公司 一种纯光纤电子式电流互感器故障辨识方法、系统及介质
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

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013002692A1 (en) * 2011-06-30 2013-01-03 Telefonaktiebolaget Lm Ericsson (Publ) Otdr trace analysis in pon systems
ES2968291T3 (es) * 2016-11-11 2024-05-08 Carrier Corp Detección basada en fibra óptica de alta sensibilidad
TWI603210B (zh) * 2016-12-13 2017-10-21 財團法人工業技術研究院 機台零件之剩餘壽命的預測系統與預測方法
GB201621631D0 (en) * 2016-12-19 2017-02-01 Palantir Technologies Inc Predictive modelling
JP2019008675A (ja) * 2017-06-27 2019-01-17 ファナック株式会社 故障予測装置及び機械学習装置
JP7013802B2 (ja) * 2017-11-09 2022-02-15 日立金属株式会社 光ケーブル監視システム
US11042145B2 (en) * 2018-06-13 2021-06-22 Hitachi, Ltd. Automatic health indicator learning using reinforcement learning for predictive maintenance

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5712796A (en) * 1994-07-14 1998-01-27 Hitachi Cable, Ltd. Method for evaluating the faulted sections and states in a power transmission line
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
CN102098100A (zh) * 2010-12-29 2011-06-15 武汉光迅科技股份有限公司 光缆自动监测维护方法
CN104980212A (zh) * 2015-06-24 2015-10-14 国家电网公司 具有自学习功能的光纤故障检测系统和方法
CN108038300A (zh) * 2017-12-07 2018-05-15 长春理工大学 基于改进的隶属度函数结合神经网络的光纤状态评估方法
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
CN110032164A (zh) * 2018-01-09 2019-07-19 发那科株式会社 光纤激光装置以及机器学习装置
WO2019170873A1 (en) * 2018-03-08 2019-09-12 Politecnico Di Milano "method for monitoring an optical communications system"
WO2020001626A1 (zh) * 2018-06-28 2020-01-02 中兴通讯股份有限公司 光纤故障定位的方法、设备和存储介质
CN110661569A (zh) * 2018-06-28 2020-01-07 中兴通讯股份有限公司 光纤故障定位的方法、设备和存储介质
CN110212975A (zh) * 2019-04-30 2019-09-06 国网河南省电力公司电力科学研究院 一种基于微分进化神经网络的otdr故障特征判断方法
CN111008648A (zh) * 2019-11-12 2020-04-14 国网湖南省电力有限公司 一种纯光纤电子式电流互感器故障辨识方法、系统及介质
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
楼树美 ; 李淑玉 ; .神经网络在光纤故障预警系统中的应用仿真.计算机仿真.2012,(12),全文. *

Also Published As

Publication number Publication date
CN111814954A (zh) 2020-10-23

Similar Documents

Publication Publication Date Title
CN111814954B (zh) 一种光纤质量分析方法、装置、电子设备及存储介质
US20210064518A1 (en) Methods Circuits Devices Systems and Functionally Associated Machine Executable Code For Automatic Failure Cause Identification in Software Code Testing
US10102113B2 (en) Software test automation systems and methods
CN108804326B (zh) 一种软件代码自动检测方法
CN102053906A (zh) 用于收集程序运行时信息的系统和方法
CN102360335B (zh) 定量评估核电厂安全级dcs系统应用软件缺陷价值的方法
CN113837596A (zh) 一种故障确定方法、装置、电子设备及存储介质
US20210019253A1 (en) Methods Circuits Devices Systems and Functionally Associated Machine Executable Code For Enhanced Automated Software Code Testing
CN113282000A (zh) 数据中心的故障诊断方法、装置及动环监控系统
CN116994641A (zh) 一种半导体老化测试方法及其系统
CN116306806A (zh) 故障诊断模型确定方法、装置及非易失性存储介质
CN115952081A (zh) 一种软件测试方法、装置、存储介质及设备
KR102066868B1 (ko) 목표 신뢰성 지수를 만족하도록 전장용 소프트웨어 안전성을 시뮬레이션하는 방법 및 장치
CN117829816A (zh) 一种智能化的设备维修指导方法及系统
CN117591949A (zh) 一种设备异常识别方法、设备及介质
CN103226503B (zh) 一种模块建模与模型检测一体化自动检测方法
CN116820821A (zh) 磁盘故障检测方法、装置、电子设备及计算机可读存储介质
JP2015072644A (ja) 対話型設備不良予測方法
US11971802B2 (en) Method, electronic device, and computer program product for code defect detection
CN114298226A (zh) 一种核电厂故障诊断方法、装置及其介质
CN111311086A (zh) 一种容量监控方法、装置及计算机可读存储介质
CN117271350B (zh) 一种基于日志分析的软件质量评估系统及方法
CN118795866A (zh) 一种基于人工智能的整车控制器自动化测试方法和系统
Kasai et al. Fault-prone module prediction using a prediction model and manual inspection
CN118760143A (zh) 一种汽车mcu自动测试方法及系统

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