CN113258996B - 基于人工智能的海缆生产和铺设过程中的光缆监测方法 - Google Patents

基于人工智能的海缆生产和铺设过程中的光缆监测方法 Download PDF

Info

Publication number
CN113258996B
CN113258996B CN202110758365.0A CN202110758365A CN113258996B CN 113258996 B CN113258996 B CN 113258996B CN 202110758365 A CN202110758365 A CN 202110758365A CN 113258996 B CN113258996 B CN 113258996B
Authority
CN
China
Prior art keywords
curve
noise
power
network
loss
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
CN202110758365.0A
Other languages
English (en)
Other versions
CN113258996A (zh
Inventor
夏海斌
朱孟达
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.)
Nanjing Huamai Technology Co Ltd
Original Assignee
Nanjing Huamai Technology 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 Nanjing Huamai Technology Co Ltd filed Critical Nanjing Huamai Technology Co Ltd
Priority to CN202110758365.0A priority Critical patent/CN113258996B/zh
Publication of CN113258996A publication Critical patent/CN113258996A/zh
Application granted granted Critical
Publication of CN113258996B publication Critical patent/CN113258996B/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
    • 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]
    • 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
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0791—Fault location on the transmission path
    • 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
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0795—Performance monitoring; Measurement of transmission parameters

Landscapes

  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)

Abstract

本发明提供了一种基于人工智能的海缆生产和铺设过程中的光缆监测方法。方法包括：从海缆的OTDR测试曲线中截取一段待处理曲线，将待处理曲线输入第一网络得到基准曲线和噪声曲线；将噪声曲线输入变分自编码器的编码端得到中间向量，将中间向量的功率维度数据变更为参考功率得到重构中间向量，将重构中间向量输入变分自编码器的解码端得到重构噪声曲线；根据基准曲线与重构噪声曲线得到低噪声功率曲线，对低噪声功率曲线进行分析得到海缆故障信息。本发明提高了监测响应速度以及故障检测分析的准确率。

Description

基于人工智能的海缆生产和铺设过程中的光缆监测方法
技术领域
本发明涉及光缆监测、人工智能技术领域，具体涉及一种基于人工智能的海缆生产和铺设过程中的光缆监测方法。
背景技术
海缆监测现有的解决方案为：每4-6个小时用OTDR对每芯光缆进行测试，每芯光缆OTDR测试时间至少1分钟，对于72芯光缆测试时间需要1个多小时；现有OTDR测试中，对于噪声因素的处理通常为常规去噪方法。现有技术存在以下问题：第一，光缆监测不及时。每4-6小时测试一次，每次测试时间持续1个多小时，会导致光缆故障后，4-6小时才能发现故障。第二，需要投入大量人力。海缆生产需要24小时连续生产，需要投入大量人力进行持续测试。第三，监测质量有人为因素。每次监测需要重复接续光缆、OTDR测试，是否有故障需要凭经验人工来判断，有可能会出现漏判。第四，常规去噪方法泛化能力较差，而海缆在不同位置噪声功率不同，难以实现较好的去噪效果，从而更加精准的对故障程度和位置进行分析。
发明内容
本发明提供了一种基于人工智能的海缆生产和铺设过程中的光缆监测方法。
一种基于人工智能的海缆生产和铺设过程中的光缆监测方法，该方法包括：
从海缆的OTDR测试曲线中截取一段待处理曲线，将待处理曲线输入第一网络得到基准曲线和噪声曲线；
将噪声曲线输入变分自编码器的编码端得到中间向量，将中间向量的功率维度数据变更为参考功率得到重构中间向量，将重构中间向量输入变分自编码器的解码端得到重构噪声曲线；
根据基准曲线与重构噪声曲线得到低噪声功率曲线，对低噪声功率曲线进行分析得到海缆故障信息。
进一步地，将光源与光功率监测仪通过耦合器置于海缆的一端，在海缆的另一端部署反射器，以实现海缆通断的实时监测。
进一步地，所述第一网络为孪生生成网络的一支，孪生生成网络的输入为待处理曲线和从OTDR测试曲线中截取的参考曲线，输出包括待处理曲线、参考曲线对应的基准曲线和噪声曲线。
进一步地，所述孪生生成网络的损失包括：根据低噪声功率曲线与参考曲线的差异得到第一损失；根据待处理曲线、参考曲线对应的基准曲线差异得到第二损失；对基准曲线、噪声曲线进行重构得到重构曲线，根据重构曲线与输入曲线的差异得到第三损失；根据输入曲线与对应基准曲线的差异得到第四损失；第一、第二、第三、第四损失相加得到孪生生成网络的损失。
进一步地，所述方法还包括：构建回归网络，回归网络的输入为待处理曲线对应的噪声曲线，输出为功率采样点偏移量。
进一步地，所述将中间向量的功率维度数据变更为参考功率包括：将噪声曲线输入回归网络得到功率采样点偏移量，根据功率采样点偏移量将中间向量的功率维度数据变更为参考功率。
进一步地，所述回归网络包括编码器端与全连接层端，回归网络的损失包括：根据回归网络编码器端输出特征张量所在特征空间与变分自编码器功率维度特征空间的相似度得到第一监督损失；根据采样点偏移量输出值与真值之间的差异得到第二回归损失；第一监督损失与第二回归损失相加得到回归网络的损失。
进一步地，所述方法还包括：构建孪生判别网络，孪生判别网络的输入包括参考曲线、待处理曲线，输出为待处理曲线与参考曲线的相似度。
本发明的有益效果在于：
基于本发明的通断监测方法，相较于现有技术有益效果在于提高了监测响应速度，便于及时调用OTDR进行故障检测。
基于本发明的OTDR曲线优化方法，相较于现有技术有益效果在于将未知噪声功率的曲线自动生成较低噪声功率的曲线再进行去噪等后续处理，提高了后续故障检测分析的准确率。
附图说明
图1为本发明海缆通断检测模块的结构图。
图2为本发明海缆检测系统结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图以及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1：
本发明所针对的具体场景为：海缆生产场景，光缆类别包括36芯、72芯、108芯以及更多数量的光纤；默认已获取OTDR的出厂测试数据。
OTDR向光纤中发送周期性光脉冲并测试反射信号，就可得到后向散射曲线。它不仅显示了由于光纤内在特性造成的衰减，而且包括光纤特性的突变。这种突变（即事件）通常由连接器、接续点、连接头、弯曲或其它类似的事件引起；OTDR通过测试光波的反射时间计算出事件的发生点与OTDR设备之间的距离。通过对曲线的检测，可获取当前路由的状况以及接续点、连接头的质量如何。
本实施例针对海缆的OTDR曲线进行优化，得到低噪声功率的OTDR曲线以提高OTDR测试的准确率，从而提高海缆的生产监测效率和质量。本实施例提供一种基于人工智能的海缆生产和铺设过程中的光缆监测方法，包括：从海缆的OTDR测试曲线中截取一段待处理曲线，将待处理曲线输入第一网络得到基准曲线和噪声曲线；将噪声曲线输入变分自编码器的编码端得到中间向量，将中间向量的功率维度数据变更为参考功率得到重构中间向量，将重构中间向量输入变分自编码器的解码端得到重构噪声曲线；根据基准曲线与重构噪声曲线得到低噪声功率曲线，对低噪声功率曲线进行分析得到海缆故障信息。OTDR曲线的具体优化过程如下：
a)设置固定曲线截取长度，从OTDR曲线中截取任意一段作为待处理曲线
Figure DEST_PATH_IMAGE002
,截取近端曲线作为参考曲线
Figure DEST_PATH_IMAGE004
，曲线的数据形式为坐标序列，坐标对应的轴分别代表时间和相对光功率。
b)第一网络为孪生生成网络的一支。构建孪生生成网络，架构为Encoder-Decoder，两分支的输入分别为
Figure 590832DEST_PATH_IMAGE002
和
Figure 304710DEST_PATH_IMAGE004
，输出为输入曲线对应的基准曲线
Figure DEST_PATH_IMAGE006
、
Figure DEST_PATH_IMAGE008
和噪声曲线
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE012
，实际信号曲线为原始信号与噪声信号卷积叠加获取得到。需要说明的是，由于所述生成网络为孪生网络形式，两分支的编码器和解码器参数一致；采用多个随机截取的
Figure 645299DEST_PATH_IMAGE002
曲线作为训练集，无需人为标注，损失函数为
Figure DEST_PATH_IMAGE014
，其中，
Figure DEST_PATH_IMAGE016
为低噪声功率曲线与
Figure 306088DEST_PATH_IMAGE004
差异的损失，即第一损失，采用后续步骤c)所述孪生判别网络对参考曲线
Figure 120460DEST_PATH_IMAGE004
和低噪声功率曲线
Figure DEST_PATH_IMAGE018
的相似性进行衡量，曲线
Figure 474081DEST_PATH_IMAGE018
生成方式由步骤d)给出，
Figure DEST_PATH_IMAGE020
为两基准线
Figure 272273DEST_PATH_IMAGE006
、
Figure 267910DEST_PATH_IMAGE008
差异的损失，即第二损失，采用余弦相似度衡量；
Figure DEST_PATH_IMAGE022
为重构曲线与初始输入曲线差异的损失，即第三损失，采用欧式距离度量，重构曲线直接通过
Figure 671210DEST_PATH_IMAGE008
与
Figure 461311DEST_PATH_IMAGE012
卷积叠加、
Figure 950062DEST_PATH_IMAGE006
与
Figure 483811DEST_PATH_IMAGE010
卷积叠加获取；
Figure DEST_PATH_IMAGE024
为生成基准曲线与输入曲线的差异损失，即第四损失，同样采用欧式距离度量，将度量值经指数函数映射，以确保输入信号中的突变等信息不被分离为噪声。
c)构建孪生判别网络，架构为Encoder-FC,两分支输入为分别为
Figure 538355DEST_PATH_IMAGE002
和
Figure 702620DEST_PATH_IMAGE004
，输出为是否为同类曲线，即是否均为近端曲线；同样采用多个随机截取的
Figure 242448DEST_PATH_IMAGE002
曲线作为训练集，通过人为标注是否为同类曲线作为标签，损失函数采用对比损失函数，采用两分支FC输出张量的欧式距离作为步骤b)所述
Figure 251992DEST_PATH_IMAGE016
。
d)构建变分自编码器，架构为Encoder-Decoder，输入为噪声曲线
Figure 895463DEST_PATH_IMAGE010
，变分自编码器输出为隐变量
Figure DEST_PATH_IMAGE026
，隐变量可包含多个维度，不同维度代表输入数据的不同高维特征，选择其中用于确定噪声功率大小的维度，在该维度上进行采样，通过解码器恢复数据，即可获取不同噪声功率的噪声曲线。控制噪声功率的维度可通过对各维度采样数据进行遍历，判断所控制维度对应的解码器输出是否表征噪声功率大小获得。通过噪声曲线
Figure 761788DEST_PATH_IMAGE010
对应的采样点结合后续步骤e)所述回归网络输出的采样点偏移量确定重构采样点（接近于参考采样点），恢复出噪声曲线
Figure DEST_PATH_IMAGE028
，噪声曲线
Figure 21868DEST_PATH_IMAGE028
与基准曲线
Figure 897420DEST_PATH_IMAGE006
经过叠加卷积获取降噪后的曲线
Figure 129818DEST_PATH_IMAGE018
；采用多个不同位置的噪声曲线作为训练数据集，采用自监督方式，以
Figure DEST_PATH_IMAGE030
作为损失函数，其中
Figure DEST_PATH_IMAGE032
为隐变量分布与正态分布的KL散度，
Figure DEST_PATH_IMAGE034
为变分自编码器的重构损失。
e)构建回归网络，架构为Encoder-FC,输入为噪声曲线
Figure 229361DEST_PATH_IMAGE010
，经过编码器编码输出第一特征张量，第一特征张量送入全连接层，输出为功率采样点偏移量；同样采用多个不同位置的噪声曲线作为训练数据集，损失函数采用
Figure DEST_PATH_IMAGE036
，其中，
Figure DEST_PATH_IMAGE038
为中间信息监督即第一监督损失，获取步骤d)中所选择的维度空间作为参考空间，以第一特征张量所在特征空间与参考空间的相似性作为监督，空间相似度计算方法采用
Figure DEST_PATH_IMAGE040
空间距离进行度量。
Figure DEST_PATH_IMAGE042
和
Figure DEST_PATH_IMAGE044
为噪声曲线
Figure 976738DEST_PATH_IMAGE010
、
Figure 166234DEST_PATH_IMAGE012
在自编码器的隐变量分布上对应的功率采样点，
Figure DEST_PATH_IMAGE046
为功率采样点偏移量真实值，作为回归网络的输出监督，
Figure DEST_PATH_IMAGE048
为FC输出的采样点偏移量预测值，两者差异即为第二回归损失。回归网络可以避免端到端训练时误差反向传播时中断，导致孪生生成网络参数无法更新，置换操作由于梯度原因无法参与端到端训练，因此构建该回归网络辅助训练，尽可能使模型从原始输入到最终输出，给模型更多学习空间，增加模型整体契合度。
f)上述网络的训练顺序为，首先训练变分自编码器，其中训练集通过根据实际采集位置选择对应的噪声分离方式即可获取噪声曲线；然后进行回归网络和孪生判别网络的训练；最终进行孪生生成网络的训练。孪生生成网络的训练可采用两种训练方式：1.端到端训练方式，需结合上述e)步骤所述回归网络和预训练好的变分自编码器、孪生判别网络进行训练；2.采用分离训练方式，通过将孪生生成网络输出的噪声曲线
Figure 49877DEST_PATH_IMAGE010
送入预训练好的自编码器网络中通过替换操作变更后结合基准曲线生成低噪声功率曲线，再利用低噪声功率曲线进行孪生生成网络的训练。
g)需要说明的是，在实际使用过程中，实施者仅需将待处理曲线
Figure 726846DEST_PATH_IMAGE002
送入孪生生成网络，输出基准曲线
Figure 961518DEST_PATH_IMAGE006
和噪声曲线
Figure 116556DEST_PATH_IMAGE010
。噪声曲线
Figure 385863DEST_PATH_IMAGE010
包含两种处理方式，1.送入回归网络，输出采样点偏移量；噪声曲线
Figure 233734DEST_PATH_IMAGE010
送入变分自编码器，确定其恢复为
Figure 955702DEST_PATH_IMAGE010
自身的采样点，结合采样点偏移量获取重构采样点；2.送入变分自编码器，确定其恢复为
Figure 180010DEST_PATH_IMAGE010
自身的采样点，将功率维度替换为
Figure 975928DEST_PATH_IMAGE044
的对应维度数据，获取重构采样点。将重构采样点送入变分自编码器的解码器层，输出噪声曲线
Figure 57016DEST_PATH_IMAGE028
；噪声曲线
Figure 203964DEST_PATH_IMAGE028
与基准曲线
Figure 28700DEST_PATH_IMAGE006
经过卷积获取降噪后的
Figure 944704DEST_PATH_IMAGE018
即为低噪声功率曲线。
h)基于上述网络，可在无需OTDR曲线采集位置及对应噪声功率的情况下，将OTDR曲线均重构为低噪声功率情况下的曲线，进而可获取较为准确的OTDR曲线以实现故障分析。
通过上述分析可以得到低噪声功率的OTDR曲线，对低噪声功率的OTDR曲线进行故障分析。故障分析具体为：对上述网络输出的优化后的低噪声功率OTDR曲线进行分析，通过曲线波动类型确定其故障类别，根据对应时间确定其故障位置，根据波动幅度确定其故障程度，构成故障信息。
针对故障信息，进行故障的及时告警，便于工作人员获取故障信息。所述故障信息具体包括故障类型、故障位置和故障程度；告警方式具体为网管实时与监测设备进行通信，发现告警立即通过声音、告警弹窗、也可以通过短信息进行告警（需定制）。
实施例2：
本实施例提供一种基于人工智能的海缆生产和铺设过程中的光缆监测方法，在实施例1的基础上能够实现快速测光纤通断监测，无需投入大量人力测试。
具体地，将光源和光功率监测仪器（光功率计）通过耦合器在单根光纤的单端放置，在另一端部署反射器，以实现光纤通断的实时监测，光缆通断快速监测模块的结构如图1所示。可以同时监测36芯、72芯、108芯以及更多数量光纤的全程损耗毫秒级别实时监测，当任何一芯光纤的全程损耗异常时，可以在5秒内将告警上传到网管；相较于现有方法，无需投入大量人力进行OTDR测试，可实现全自动实时光缆通断检测。
本发明中实施基于人工智能的海缆生产和铺设过程中的光缆监测方法的设备或系统如图2所示，包括：光缆通断快速监测模块、光缆故障监测模块、电源模块、备用充电模块，其中光缆故障监测模块，用于从海缆的OTDR测试曲线中截取一段待处理曲线段，将待处理曲线输入第一网络得到基准曲线和噪声曲线；将噪声曲线输入变分自编码器的编码端得到中间向量，将中间向量的功率维度数据变更为参考功率得到重构中间向量，将重构中间向量输入变分自编码器的解码端得到重构噪声曲线；根据基准曲线与重构噪声曲线得到低噪声功率曲线，对低噪声功率曲线进行分析得到海缆故障信息。设备还包括通信模块。
监测设备采用的电源模块采用通信用磷酸铁锂集成式电池，可以实现24小时的设备供电；采用备用充电模块给设备电源供电的模式，实现在线给电池充电，而不是采用更换电池模式；通信模块采用WIFI方式组网，在设备机箱内安装WIFI交换机，网管服务器通过WIFI与监测设备和OTDR进行网络连接，网管服务器采用市电供电，不放在监测机箱内耗费电池电量，而且也方便部署服务器安装在需要的位置。
以上实施例仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能的海缆生产和铺设过程中的光缆监测方法，其特征在于，该方法包括：
从海缆的OTDR测试曲线中截取一段待处理曲线，将待处理曲线输入第一网络得到基准曲线和噪声曲线；所述第一网络为孪生生成网络的一支，孪生生成网络的输入为待处理曲线和从OTDR测试曲线中截取的参考曲线，输出包括待处理曲线、参考曲线对应的基准曲线和噪声曲线；
将噪声曲线输入变分自编码器的编码端得到中间向量，将中间向量的功率维度数据变更为参考功率得到重构中间向量，将重构中间向量输入变分自编码器的解码端得到重构噪声曲线；
根据基准曲线与重构噪声曲线得到低噪声功率曲线，对低噪声功率曲线进行分析得到海缆故障信息。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：将光源与光功率监测仪通过耦合器置于海缆的一端，在海缆的另一端部署反射器，以实现海缆通断的实时监测。
3.如权利要求1所述的方法，其特征在于，所述孪生生成网络的损失包括：根据低噪声功率曲线与参考曲线的差异得到第一损失；根据待处理曲线、参考曲线对应的基准曲线差异得到第二损失；对基准曲线、噪声曲线进行重构得到重构曲线，根据重构曲线与输入曲线的差异得到第三损失；根据输入曲线与对应基准曲线的差异得到第四损失；第一、第二、第三、第四损失相加得到孪生生成网络的损失。
4.如权利要求1所述的方法，其特征在于，所述方法还包括：构建回归网络，回归网络的输入为待处理曲线对应的噪声曲线，输出为功率采样点偏移量。
5.如权利要求4所述的方法，其特征在于，所述将中间向量的功率维度数据变更为参考功率包括：将噪声曲线输入回归网络得到功率采样点偏移量，根据功率采样点偏移量将中间向量的功率维度数据变更为参考功率。
6.如权利要求4所述的方法，其特征在于，所述回归网络包括编码器端与全连接层端，回归网络的损失包括：根据回归网络编码器端输出特征张量所在特征空间与变分自编码器功率维度特征空间的相似度得到第一监督损失；根据采样点偏移量输出值与真值之间的差异得到第二回归损失；第一监督损失与第二回归损失相加得到回归网络的损失。
7.如权利要求3所述的方法，其特征在于，所述方法还包括：构建孪生判别网络，孪生判别网络的输入包括参考曲线、待处理曲线，输出为待处理曲线与参考曲线的相似度。
CN202110758365.0A 2021-07-05 2021-07-05 基于人工智能的海缆生产和铺设过程中的光缆监测方法 Active CN113258996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110758365.0A CN113258996B (zh) 2021-07-05 2021-07-05 基于人工智能的海缆生产和铺设过程中的光缆监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110758365.0A CN113258996B (zh) 2021-07-05 2021-07-05 基于人工智能的海缆生产和铺设过程中的光缆监测方法

Publications (2)

Publication Number Publication Date
CN113258996A CN113258996A (zh) 2021-08-13
CN113258996B true CN113258996B (zh) 2021-09-17

Family

ID=77190844

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110758365.0A Active CN113258996B (zh) 2021-07-05 2021-07-05 基于人工智能的海缆生产和铺设过程中的光缆监测方法

Country Status (1)

Country Link
CN (1) CN113258996B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107493132B (zh) * 2017-09-27 2019-10-22 武汉光谷互连科技有限公司 光缆故障点精确定位方法及系统
CN108596958B (zh) * 2018-05-10 2021-06-04 安徽大学 一种基于困难正样本生成的目标跟踪方法
CN112069912B (zh) * 2020-08-13 2023-05-12 国家电网有限公司 一种基于φ-otdr的光缆通道施工威胁事件的识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN113258996A (zh) 2021-08-13

Similar Documents

Publication Publication Date Title
Wang et al. Data-driven optical fiber channel modeling: A deep learning approach
CN111509862B (zh) 基于数字孪生云的海上平台电力系统结构优化方法及系统
CN110147323B (zh) 一种基于生成对抗网络的变更智能检查方法及装置
CN112633421A (zh) 一种用户异常用电行为检测方法及装置
CN109474333B (zh) 一种基于深度学习的电力光缆实时监测保护系统
CN110969194B (zh) 基于改进型卷积神经网络的电缆早期故障定位方法
CN110034820A (zh) 用于光学传输系统中的元件的参数报告的系统和方法
CN113420290A (zh) 一种电力物联网设备的安全性检测方法及系统
CN113409166A (zh) 基于XGBoost模型的用户异常用电行为检测方法及装置
CN109510663A (zh) 一种基于智能光纤配线进行光缆监测及大数据分析的系统和方法
CN104615121A (zh) 一种列车故障诊断方法及系统
CN114866137B (zh) 电力光缆网的检测方法及装置
CN110429977A (zh) 一种基于光源光探测器阵列的光缆纤芯实时监测系统及方法
CN113258996B (zh) 基于人工智能的海缆生产和铺设过程中的光缆监测方法
CN110490132B (zh) 数据处理方法和装置
CN211452794U (zh) 定位光缆故障点的装置
CN112883521B (zh) 应用于海底观测网的海底光电复合缆外力入侵监测系统
CN114157023B (zh) 一种配变预警信息获取方法
Abdelli et al. Convolutional neural networks for reflective event detection and characterization in fiber optical links given noisy OTDR signals
CN112816179A (zh) 定位光缆故障点的装置及方法
CN117113157B (zh) 一种基于人工智能的台区用电故障检测系统
JP4728991B2 (ja) 光線路監視方法、光線路監視システム、および光線路監視装置とそのプログラム
US20230145781A1 (en) Telecommunications remote terminal field device monitoring using distributed fiber optic sensing
CN115442247B (zh) 一种采用人工智能数据处理运维箱
Linghua et al. Research on the algorithm model of predicting line loss diagnosis based on computer multiple linear regression

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