CN117353807A - 一种基于人工智能的光缆远程监测系统及方法 - Google Patents
一种基于人工智能的光缆远程监测系统及方法 Download PDFInfo
- Publication number
- CN117353807A CN117353807A CN202311642545.8A CN202311642545A CN117353807A CN 117353807 A CN117353807 A CN 117353807A CN 202311642545 A CN202311642545 A CN 202311642545A CN 117353807 A CN117353807 A CN 117353807A
- Authority
- CN
- China
- Prior art keywords
- data
- optical fiber
- abnormal
- equipment
- monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000003287 optical effect Effects 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 122
- 238000000253 optical time-domain reflectometry Methods 0.000 claims abstract description 79
- 238000004458 analytical method Methods 0.000 claims abstract description 49
- 238000001514 detection method Methods 0.000 claims abstract description 36
- 238000012423 maintenance Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims abstract description 7
- 239000013307 optical fiber Substances 0.000 claims description 215
- 238000005299 abrasion Methods 0.000 claims description 102
- 230000005540 biological transmission Effects 0.000 claims description 77
- 238000012360 testing method Methods 0.000 claims description 33
- 239000000835 fiber Substances 0.000 claims description 28
- 238000004891 communication Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Classifications
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- H04B10/07953—Monitoring or measuring OSNR, BER or Q
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q11/00—Selecting arrangements for multiplex systems
- H04Q11/0001—Selecting arrangements for multiplex systems using optical switching
- H04Q11/0062—Network aspects
- H04Q2011/0079—Operation or maintenance aspects
- H04Q2011/0083—Testing; Monitoring
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Optical Communication System (AREA)
Abstract
本发明公开了一种基于人工智能的光缆远程监测系统及方法，属于OTDR远程检测技术领域；该系统包括设备管理模块、数据监测模块、智能分析模块、异常警报模块和云端数据库；所述设备管理模块用于为用户提供人机交互界面，对连接设备进行监测设置和操作；所述数据监测模块用于采集监测数据，并将采集的监测数据发送给智能分析模块；所述智能分析模块用于对监测数据进行分析处理，检测监测数据中的异常数据并确定故障设备；根据异常数据确定设备故障类型；所述异常警报模块用于对设备异常情况进行报警，将设备故障信息发送给管理人员，并记录设备异常情况和设备维修情况；所述云端数据库用于储存历史监测数据和历史OTDR检测数据。
Description
技术领域
本发明涉及OTDR远程检测技术领域，具体为一种基于人工智能的光缆远程监测系统及方法。
背景技术
OTDR指光时域反射仪，是通过对测量曲线的分析，了解光纤的均匀性、缺陷、断裂、接头耦合等若干性能的仪器；它根据光的后向散射与菲涅耳反向原理制作，利用光在光纤中传播时产生的后向散射光来获取衰减的信息，可用于测量光纤衰减、接头损耗、光纤故障点定位以及了解光纤沿长度的损耗分布情况等，是光缆施工、维护及监测中必不可少的工具。
随着网络数据通信量的急剧增长，作为信息高速公路的传输媒介，通信光缆的作用变得越来越重要；但是，随着通信光缆的不断增加和老化，光缆维护与故障处理的问题也日渐突出；由于传统的通信光缆线路维护管理模式存在故障定位困难、排障时间较长、故障无法预警等问题，每年因通信光缆故障而造成的经济损失是非常巨大的；因此，对多条通信光缆线路有效地监测与管理、及时发现和预报光缆隐患、缩短光缆的故障历时就显得至关重要。
发明内容
本发明的目的在于提供一种基于人工智能的光缆远程监测系统及方法，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的光缆远程监测系统，该系统包括设备管理模块、数据监测模块、智能分析模块、异常警报模块和云端数据库；
所述设备管理模块用于为用户提供人机交互界面，对连接设备进行监测设置和操作；所述数据监测模块用于采集监测数据，并将采集的监测数据发送给智能分析模块；所述智能分析模块用于对监测数据进行分析处理，检测监测数据中的异常数据并确定故障设备；根据异常数据确定设备故障类型；基于OTDR远程检测技术，检测光纤磨损程度，分析数据在不同光纤磨损程度下进行传输时的误码率；所述异常警报模块用于对设备异常情况进行报警，将设备故障信息发送给管理人员，并记录设备异常情况和设备维修情况；所述云端数据库用于储存历史监测数据和历史OTDR检测数据；
所述设备管理模块与所述智能分析模块相互连接；所述数据监测模块与所述智能分析模块相互连接；所述异常警报模块与所述智能分析模块相互连接；所述云端数据库与所述智能分析模块相互连接；所述设备管理模块与所述云端数据库相互连接；
其中，当光纤第一次被布置时，通过OTDR检测光纤的磨损程度，并将此次布置时检测的光纤磨损程度作为基准磨损程度；所述基准磨损程度表示光纤未经磨损时的光纤磨损程度；
测试光纤在基准磨损程度时，数据进行传输时的误码率数值，将测试的误码率数值作为基准误码率；所述基准误码率表示在光纤未经磨损时进行数据传输时的正常误码率。
根据上述技术方案，所述设备管理模块包含用户管理单元和通信管理单元；
所述用户管理单元用于显示实时监测数据和设备异常情况，并下达用户操作指令；
所述通信管理单元用于实现各设备之间的数据通信，并实现OTDR远程测试；根据发送激光脉冲功率与反射激光脉冲功率，生成OTDR测试曲线；分析OTDR测试曲线确定光纤衰减损耗。
根据上述技术方案，所述数据监测模块包含数据采集单元和数据发送单元；
所述数据采集单元用于采集监测数据；根据数据传输设备之间的距离确定异常数据进行传输时的光纤长度；
所述数据发送单元用于将采集的监测数据发送给智能分析模块进行分析，并将监测数据发送给设备管理模块进行显示。
根据上述技术方案，所述智能分析模块包含预处理单元、数据分析单元和智能控制单元；
所述预处理单元用于接收数据监测模块发送的监测数据，并对监测数据进行预处理；
所述数据分析单元用于对监测数据进行分析；根据历史OTDR检测数据得到异常数据进行数据传输光纤的基准磨损程度和基准误码率；确定光纤当前磨损程度；确定异常数据，并根据异常数据确定异常设备和设备异常情况；
所述智能控制单元用于根据分析后的监测数据向异常设备发送异常警报指令。
根据上述技术方案，所述异常警报模块包含警报管理单元和日志记录单元；
所述警报管理单元用于根据发送的异常警报指令控制相应设备进行报警；
所述日志记录单元用于记录设备异常情况和设备维修情况；
其中，管理人员通过用户管理单元实时查询当前光纤磨损程度和当前数据传输误码率，并将故障光纤实时维修情况记录在日志记录单元中。
一种基于人工智能的光缆远程监测方法，该方法包括以下步骤：
S10、对远程设备之间的传输数据进行监测，将监测数据发送给智能分析模块进行分析处理，并将监测数据发送给设备管理模块进行监测数据实时显示；所述智能分析模块用于对监测数据进行分析处理，检测监测数据中的异常数据并确定故障设备；根据异常数据确定设备故障类型；所述设备管理模块用于为用户提供人机交互界面，对连接设备进行监测设置和操作；
S20、智能分析模块根据历史监测数据判断当前监测数据是否存在异常；当存在异常数据时，执行步骤S30；当不存在异常数据时，重复执行步骤S20；
S30、智能分析模块基于历史监测数据和历史OTDR检测数据对异常数据进行分析；根据数据传输设备之间的距离确定异常数据进行传输时的光纤长度,根据历史OTDR检测数据得到异常数据进行数据传输光纤的基准磨损程度和基准误码率；确定光纤当前磨损程度，预测数据异常类型；并将异常数据信息发送给异常警报模块，所述异常警报模块用于对设备异常情况进行报警，将设备故障信息发送给管理人员，并记录设备异常情况和设备维修情况；
S40、将预测的数据异常类型发送给管理人员；
其中，所述数据异常类型分为光纤故障和网络波动；所述监测数据为数据传输误码率。
基于OTDR远程检测技术，检测光纤磨损程度，分析数据在不同光纤磨损程度下进行传输时的误码率；其中，检测光纤磨损程度的方法步骤为：
S101、将进行数据传输的设备之间的光纤连接到OTDR的测试端口并固定；
S102、启动测试，OTDR将功率大小为P1的激光脉冲发送至光纤，记录反射激光脉冲功率P2；
S103、根据发送激光脉冲功率P1与反射激光脉冲功率P2，生成OTDR测试曲线；分析OTDR测试曲线确定光纤衰减损耗A；A的计算公式如下：
；
S104、将光纤衰减损耗A作为光纤磨损程度。
当光纤第一次被布置时，通过OTDR检测光纤的磨损程度，并将此次布置时检测的光纤磨损程度作为基准磨损程度；所述基准磨损程度表示光纤未经磨损时的光纤磨损程度；
测试光纤在基准磨损程度时，数据进行传输时的误码率数值，将测试的误码率数值作为基准误码率；所述基准误码率表示在光纤未经磨损时进行数据传输时的正常误码率。
通过历史监测数据和历史OTDR检测数据分析光纤磨损程度对数据传输误码率的影响，方法步骤为：
S201、分析历史OTDR检测数据得到OTDR进行检测的不同光纤H1、H2、...、Hm；确定检测的不同光纤对应的光纤长度L1、L2、...、Lm；确定检测的不同光纤对应的基准磨损程度A1、A2、...、Am；并得到历史OTDR分别检测的光纤HI时的不同磨损程度D1、D2、...、Dn；计算光纤HI不同磨损程度的光纤损耗率Ci；Ci的计算公式如下：
；
通过计算光纤损耗率Ci，可以得到信号在光纤长度内单位衰减量，用来评估光纤通信中信号的传输质量；
其中，I=1、2、...、m；m表示OTDR进行检测的不同光纤数量；i=1、2、...、n；n表示检测的光纤HI不同磨损程度数量；
S202、根据历史监测数据得到光纤HI的基准误码率BI，并得到光纤HI在对应光纤损耗率为Ci时，数据进行传输时的误码率Ei；
S203、分析光纤不同光纤损耗率对于数据传输误码率的影响；以Ci为自变量，Ei-BI为因变量，拟合关于光纤损耗率和数据传输误码率的方程曲线模型；
通过拟合关于光纤损耗率Ei-BI数据传输误码率Ci的方程曲线模型，可以有效的找到当光纤损耗率发生改变时，对于数据传输误码率的影响，通过分析两者的关系，从而确定当前监测的传输数据误码率发生改变时，光纤的损耗率是否发生改变。
在步骤S30中，判断数据异常类型的方法步骤为：
S301、分析历史监测数据中光纤故障时OTDR检测的光纤磨损程度，得到光纤故障时光纤磨损程度值集合F；将集合F划分为训练集f1和验证集f2，采用神经网络模型对训练集f1进行训练，并将验证集f2与训练后的神经网络模型进行交叉验证，根据交叉验证的结果作为评估指标，确定光纤故障时的光纤磨损程度阈值K；
S302、根据数据传输设备之间的距离确定异常数据进行传输时的光纤长度Lx；根据历史OTDR检测数据得到异常数据进行数据传输光纤的基准磨损程度Ax和基准误码率Bx；
S303、分析监测数据得到当前数据传输误码率Ex，将Ex-Bx代入关于光纤损耗率和数据传输误码率的方程曲线模型中，计算出因变量当前光纤损耗率Cx；并确定当前磨损程度Dx；Dx的计算公式如下：
；
将当前监测数据中的数据传输误码代入到光纤损耗率和数据传输误码率的方程曲线模型中，找到当前监测的传输数据误码率发生改变时，光纤的损耗率的变化情况，将光纤的损耗率的变化情况与光纤故障时的光纤磨损程度阈值做比较，从而判断是否是光纤故障对数据的异常造成影响。
S304、将Dx与K作比较；当Dx＞K时，预测异常数据为光纤故障；当Dx≤K时，预测异常数据为网络波动；
其中，管理人员通过用户管理单元实时查询当前光纤磨损程度和当前数据传输误码率，并将故障光纤实时维修情况记录在日志记录单元中；所述用户管理单元用于显示实时监测数据和设备异常情况，并下达用户操作指令；所述日志记录单元用于记录设备异常情况和设备维修情况。
与现有技术相比，本发明所达到的有益效果是：提供了一种基于人工智能的光缆远程监测系统及方法，基于OTDR远程检测技术，通过分析光纤损耗率对数据传输误码率的影响，对光纤的磨损程度进行提前预测，实现了光纤故障的提前预警；管理人员通过平台能实时监测数据传输效率和光缆磨损程度，方便了管理人员对光纤故障路段进行排查，提高了工作效率；通过记录设备异常情况和设备维修情况，管理人员可随时查看各路段光纤管理情况，提高了对多条光纤通信路段管理效率。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明一种基于人工智能的光缆远程监测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供技术方案：一种基于人工智能的光缆远程监测系统，该系统包括设备管理模块、数据监测模块、智能分析模块、异常警报模块和云端数据库；
所述设备管理模块用于为用户提供人机交互界面，对连接设备进行监测设置和操作；所述数据监测模块用于采集监测数据，并将采集的监测数据发送给智能分析模块；所述智能分析模块用于对监测数据进行分析处理，检测监测数据中的异常数据并确定故障设备；根据异常数据确定设备故障类型；基于OTDR远程检测技术，检测光纤磨损程度，分析数据在不同光纤磨损程度下进行传输时的误码率；所述异常警报模块用于对设备异常情况进行报警，将设备故障信息发送给管理人员，并记录设备异常情况和设备维修情况；所述云端数据库用于储存历史监测数据和历史OTDR检测数据；
所述设备管理模块与所述智能分析模块相互连接；所述数据监测模块与所述智能分析模块相互连接；所述异常警报模块与所述智能分析模块相互连接；所述云端数据库与所述智能分析模块相互连接；所述设备管理模块与所述云端数据库相互连接；
其中，当光纤第一次被布置时，通过OTDR检测光纤的磨损程度，并将此次布置时检测的光纤磨损程度作为基准磨损程度；所述基准磨损程度表示光纤未经磨损时的光纤磨损程度；
测试光纤在基准磨损程度时，数据进行传输时的误码率数值，将测试的误码率数值作为基准误码率；所述基准误码率表示在光纤未经磨损时进行数据传输时的正常误码率。
所述设备管理模块包含用户管理单元和通信管理单元；
所述用户管理单元用于显示实时监测数据和设备异常情况，并下达用户操作指令；
所述通信管理单元用于实现各设备之间的数据通信，并实现OTDR远程测试；根据发送激光脉冲功率与反射激光脉冲功率，生成OTDR测试曲线；分析OTDR测试曲线确定光纤衰减损耗。
所述数据监测模块包含数据采集单元和数据发送单元；
所述数据采集单元用于采集监测数据；根据数据传输设备之间的距离确定异常数据进行传输时的光纤长度；
所述数据发送单元用于将采集的监测数据发送给智能分析模块进行分析，并将监测数据发送给设备管理模块进行显示。
所述智能分析模块包含预处理单元、数据分析单元和智能控制单元；
所述预处理单元用于接收数据监测模块发送的监测数据，并对监测数据进行预处理；
所述数据分析单元用于对监测数据进行分析；根据历史OTDR检测数据得到异常数据进行数据传输光纤的基准磨损程度和基准误码率；确定光纤当前磨损程度；确定异常数据，并根据异常数据确定异常设备和设备异常情况；
所述智能控制单元用于根据分析后的监测数据向异常设备发送异常警报指令。
所述异常警报模块包含警报管理单元和日志记录单元；
所述警报管理单元用于根据发送的异常警报指令控制相应设备进行报警；
所述日志记录单元用于记录设备异常情况和设备维修情况；
其中，管理人员通过用户管理单元实时查询当前光纤磨损程度和当前数据传输误码率，并将故障光纤实时维修情况记录在日志记录单元中。
一种基于人工智能的光缆远程监测方法，该方法包括以下步骤：
S10、对远程设备之间的传输数据进行监测，将监测数据发送给智能分析模块进行分析处理，并将监测数据发送给设备管理模块进行监测数据实时显示；所述智能分析模块用于对监测数据进行分析处理，检测监测数据中的异常数据并确定故障设备；根据异常数据确定设备故障类型；所述设备管理模块用于为用户提供人机交互界面，对连接设备进行监测设置和操作；
S20、智能分析模块根据历史监测数据判断当前监测数据是否存在异常；当存在异常数据时，执行步骤S30；当不存在异常数据时，重复执行步骤S20；
S30、智能分析模块基于历史监测数据和历史OTDR检测数据对异常数据进行分析；根据数据传输设备之间的距离确定异常数据进行传输时的光纤长度,根据历史OTDR检测数据得到异常数据进行数据传输光纤的基准磨损程度和基准误码率；确定光纤当前磨损程度，预测数据异常类型；并将异常数据信息发送给异常警报模块，所述异常警报模块用于对设备异常情况进行报警，将设备故障信息发送给管理人员，并记录设备异常情况和设备维修情况；
S40、将预测的数据异常类型发送给管理人员；
其中，所述数据异常类型分为光纤故障和网络波动；所述监测数据为数据传输误码率。
基于OTDR远程检测技术，检测光纤磨损程度，分析数据在不同光纤磨损程度下进行传输时的误码率；其中，检测光纤磨损程度的方法步骤为：
S101、将进行数据传输的设备之间的光纤连接到OTDR的测试端口并固定；
S102、启动测试，OTDR将功率大小为P1的激光脉冲发送至光纤，记录反射激光脉冲功率P2；
S103、根据发送激光脉冲功率P1与反射激光脉冲功率P2，生成OTDR测试曲线；分析OTDR测试曲线确定光纤衰减损耗A；A的计算公式如下：
；
S104、将光纤衰减损耗A作为光纤磨损程度。
当光纤第一次被布置时，通过OTDR检测光纤的磨损程度，并将此次布置时检测的光纤磨损程度作为基准磨损程度；所述基准磨损程度表示光纤未经磨损时的光纤磨损程度；
测试光纤在基准磨损程度时，数据进行传输时的误码率数值，将测试的误码率数值作为基准误码率；所述基准误码率表示在光纤未经磨损时进行数据传输时的正常误码率。
通过历史监测数据和历史OTDR检测数据分析光纤磨损程度对数据传输误码率的影响，方法步骤为：
S201、分析历史OTDR检测数据得到OTDR进行检测的不同光纤H1、H2、...、Hm；确定检测的不同光纤对应的光纤长度L1、L2、...、Lm；确定检测的不同光纤对应的基准磨损程度A1、A2、...、Am；并得到历史OTDR分别检测的光纤HI时的不同磨损程度D1、D2、...、Dn；计算光纤HI不同磨损程度的光纤损耗率Ci；Ci的计算公式如下：
；
其中，I=1、2、...、m；m表示OTDR进行检测的不同光纤数量；i=1、2、...、n；n表示检测的光纤HI不同磨损程度数量；
S202、根据历史监测数据得到光纤HI的基准误码率BI，并得到光纤HI在对应光纤损耗率为Ci时，数据进行传输时的误码率Ei；
S203、分析光纤不同光纤损耗率对于数据传输误码率的影响；以Ci为自变量，Ei-BI为因变量，拟合关于光纤损耗率和数据传输误码率的方程曲线模型。
在步骤S30中，判断数据异常类型的方法步骤为：
S301、分析历史监测数据中光纤故障时OTDR检测的光纤磨损程度，得到光纤故障时光纤磨损程度值集合F；将集合F划分为训练集f1和验证集f2，采用神经网络模型对训练集f1进行训练，并将验证集f2与训练后的神经网络模型进行交叉验证，根据交叉验证的结果作为评估指标，确定光纤故障时的光纤磨损程度阈值K；
S302、根据数据传输设备之间的距离确定异常数据进行传输时的光纤长度Lx；根据历史OTDR检测数据得到异常数据进行数据传输光纤的基准磨损程度Ax和基准误码率Bx；
S303、分析监测数据得到当前数据传输误码率Ex，将Ex-Bx代入关于光纤损耗率和数据传输误码率的方程曲线模型中，计算出因变量当前光纤损耗率Cx；并确定当前磨损程度Dx；Dx的计算公式如下：
；
S304、将Dx与K作比较；当Dx＞K时，预测异常数据为光纤故障；当Dx≤K时，预测异常数据为网络波动；
其中，管理人员通过用户管理单元实时查询当前光纤磨损程度和当前数据传输误码率，并将故障光纤实时维修情况记录在日志记录单元中；所述用户管理单元用于显示实时监测数据和设备异常情况，并下达用户操作指令；所述日志记录单元用于记录设备异常情况和设备维修情况。
在本实施例中：
该系统具体为一种多模光纤远程监测系统；在该系统中，历史OTDR检测数据中OTDR进行检测的不同光纤数量m=100；
分析历史监测数据中光纤故障时OTDR检测的光纤磨损程度，得到光纤故障时光纤磨损程度值集合F；其中，F={0.1，0.1，0.09,0.11,0.1,0.1,0.1,0.11}；将集合F划分为训练集f1和验证集f2，采用神经网络模型对训练集f1进行训练，并将验证集f2与训练后的神经网络模型进行交叉验证，根据交叉验证的结果作为评估指标，确定光纤故障时的光纤磨损程度阈值K=0.1；
将进行数据传输的设备之间的光纤连接到OTDR的测试端口并固定；启动测试，OTDR将功率大小为P1的激光脉冲发送至光纤，记录反射激光脉冲功率P2；根据发送激光脉冲功率P1与反射激光脉冲功率P2，生成OTDR测试曲线；分析OTDR测试曲线确定光纤衰减损耗A；A的计算公式如下：
；
将光纤衰减损耗A作为光纤磨损程度；
分析100种不同长度的光纤在不同磨损程度下对于的数据传输误码率的影响，拟合自变量光纤单位磨损程度变化值和因变量数据传输误码率变化值的方程曲线模型(，得到的方程曲线模型公式为：
；
其中，a和b表示常数；
根据数据传输设备之间的距离确定异常数据进行传输时的光纤长度=5；根据历史OTDR检测数据得到异常数据进行数据传输光纤的基准磨损程度Ax数值为0.01，基准误码率Bx数值为0.001；其中，基准误码率Bx由光纤刚进行布置，还处于基准磨损程度状态下时，进行光纤通信时产生的通信数据误码率，此时，通过对光纤设备之间进行通信数据传输测试，得到基准误码率的测试数据集合：{0.001，0.001,0.0009,0.0011,0.001,0.001}，故选取0.001作为基准误码率Bx；
分析监测数据得到当前数据传输误码率Ex，将Ex-Bx代入关于光纤损耗率和数据传输误码率的方程曲线模型中，计算出因变量当前光纤损耗率Cx=0.02；并确定当前磨损程度Dx为0.11；
；
将 x与K作比较；/> x大于K，因此预测异常数据为光纤故障，将光纤故障信息发送给管理人员；当管理人员需要时，通过用户管理单元实时查询当前光纤磨损程度；日志记录单元实时记录设备异常情况和设备维修情况。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的光缆远程监测系统，其特征在于：该系统包括设备管理模块、数据监测模块、智能分析模块、异常警报模块和云端数据库；
所述设备管理模块用于为用户提供人机交互界面，对连接设备进行监测设置和操作；所述数据监测模块用于采集监测数据，并将采集的监测数据发送给智能分析模块；所述智能分析模块用于对监测数据进行分析处理，检测监测数据中的异常数据并确定故障设备；根据异常数据确定设备故障类型；基于OTDR远程检测技术，检测光纤磨损程度，分析数据在不同光纤磨损程度下进行传输时的误码率；所述异常警报模块用于对设备异常情况进行报警，将设备故障信息发送给管理人员，并记录设备异常情况和设备维修情况；所述云端数据库用于储存历史监测数据和历史OTDR检测数据；
所述设备管理模块与所述智能分析模块相互连接；所述数据监测模块与所述智能分析模块相互连接；所述异常警报模块与所述智能分析模块相互连接；所述云端数据库与所述智能分析模块相互连接；所述设备管理模块与所述云端数据库相互连接；
其中，当光纤第一次被布置时，通过OTDR检测光纤的磨损程度，并将此次布置时检测的光纤磨损程度作为基准磨损程度；所述基准磨损程度表示光纤未经磨损时的光纤磨损程度；
测试光纤在基准磨损程度时，数据进行传输时的误码率数值，将测试的误码率数值作为基准误码率；所述基准误码率表示在光纤未经磨损时进行数据传输时的正常误码率。
2.根据权利要求1所述的一种基于人工智能的光缆远程监测系统，其特征在于：所述设备管理模块包含用户管理单元和通信管理单元；
所述用户管理单元用于显示实时监测数据和设备异常情况，并下达用户操作指令；
所述通信管理单元用于实现各设备之间的数据通信，并实现OTDR远程测试；根据发送激光脉冲功率与反射激光脉冲功率，生成OTDR测试曲线；分析OTDR测试曲线确定光纤衰减损耗。
3.根据权利要求2所述的一种基于人工智能的光缆远程监测系统，其特征在于：所述数据监测模块包含数据采集单元和数据发送单元；
所述数据采集单元用于采集监测数据；根据数据传输设备之间的距离确定异常数据进行传输时的光纤长度；
所述数据发送单元用于将采集的监测数据发送给智能分析模块进行分析，并将监测数据发送给设备管理模块进行显示。
4.根据权利要求3所述的一种基于人工智能的光缆远程监测系统，其特征在于：所述智能分析模块包含预处理单元、数据分析单元和智能控制单元；
所述预处理单元用于接收数据监测模块发送的监测数据，并对监测数据进行预处理；
所述数据分析单元用于对监测数据进行分析；根据历史OTDR检测数据得到异常数据进行数据传输光纤的基准磨损程度和基准误码率；确定光纤当前磨损程度；确定异常数据，并根据异常数据确定异常设备和设备异常情况；
所述智能控制单元用于根据分析后的监测数据向异常设备发送异常警报指令。
5.根据权利要求4所述的一种基于人工智能的光缆远程监测系统，其特征在于：所述异常警报模块包含警报管理单元和日志记录单元；
所述警报管理单元用于根据发送的异常警报指令控制相应设备进行报警；
所述日志记录单元用于记录设备异常情况和设备维修情况；
其中，管理人员通过用户管理单元实时查询当前光纤磨损程度和当前数据传输误码率，并将故障光纤实时维修情况记录在日志记录单元中。
6.一种基于人工智能的光缆远程监测方法，其特征在于：该方法包括以下步骤：
S10、对远程设备之间的传输数据进行监测，将监测数据发送给智能分析模块进行分析处理，并将监测数据发送给设备管理模块进行监测数据实时显示；所述智能分析模块用于对监测数据进行分析处理，检测监测数据中的异常数据并确定故障设备；根据异常数据确定设备故障类型；所述设备管理模块用于为用户提供人机交互界面，对连接设备进行监测设置和操作；
S20、智能分析模块根据历史监测数据判断当前监测数据是否存在异常；当存在异常数据时，执行步骤S30；当不存在异常数据时，重复执行步骤S20；
S30、智能分析模块基于历史监测数据和历史OTDR检测数据对异常数据进行分析；根据数据传输设备之间的距离确定异常数据进行传输时的光纤长度,根据历史OTDR检测数据得到异常数据进行数据传输光纤的基准磨损程度和基准误码率；确定光纤当前磨损程度，预测数据异常类型；并将异常数据信息发送给异常警报模块，所述异常警报模块用于对设备异常情况进行报警，将设备故障信息发送给管理人员，并记录设备异常情况和设备维修情况；
S40、将预测的数据异常类型发送给管理人员；
其中，所述数据异常类型分为光纤故障和网络波动；所述监测数据为数据传输误码率。
7.根据权利要求6所述的一种基于人工智能的光缆远程监测方法，其特征在于：基于OTDR远程检测技术，检测光纤磨损程度，分析数据在不同光纤磨损程度下进行传输时的误码率；其中，检测光纤磨损程度的方法步骤为：
S101、将进行数据传输的设备之间的光纤连接到OTDR的测试端口并固定；
S102、启动测试，OTDR将功率大小为P1的激光脉冲发送至光纤，记录反射激光脉冲功率P2；
S103、根据发送激光脉冲功率P1与反射激光脉冲功率P2，生成OTDR测试曲线；分析OTDR测试曲线确定光纤衰减损耗A；A的计算公式如下：
；
S104、将光纤衰减损耗A作为光纤磨损程度。
8.根据权利要求7所述的一种基于人工智能的光缆远程监测方法，其特征在于：当光纤第一次被布置时，通过OTDR检测光纤的磨损程度，并将此次布置时检测的光纤磨损程度作为基准磨损程度；所述基准磨损程度表示光纤未经磨损时的光纤磨损程度；
测试光纤在基准磨损程度时，数据进行传输时的误码率数值，将测试的误码率数值作为基准误码率；所述基准误码率表示在光纤未经磨损时进行数据传输时的正常误码率。
9.根据权利要求8所述的一种基于人工智能的光缆远程监测方法，其特征在于：通过历史监测数据和历史OTDR检测数据分析光纤磨损程度对数据传输误码率的影响，方法步骤为：
S201、分析历史OTDR检测数据得到OTDR进行检测的不同光纤H1、H2、...、Hm；确定检测的不同光纤对应的光纤长度L1、L2、...、Lm；确定检测的不同光纤对应的基准磨损程度A1、A2、...、Am；并得到历史OTDR分别检测的光纤HI时的不同磨损程度D1、D2、...、Dn；计算光纤HI不同磨损程度的光纤损耗率Ci；Ci的计算公式如下：
；
其中，I=1、2、...、m；m表示OTDR进行检测的不同光纤数量；i=1、2、...、n；n表示检测的光纤HI不同磨损程度数量；
S202、根据历史监测数据得到光纤HI的基准误码率BI，并得到光纤HI在对应光纤损耗率为Ci时，数据进行传输时的误码率Ei；
S203、分析光纤不同光纤损耗率对于数据传输误码率的影响；以Ci为自变量，Ei-BI为因变量，拟合关于光纤损耗率和数据传输误码率的方程曲线模型。
10.根据权利要求9所述的一种基于人工智能的光缆远程监测方法，其特征在于：在步骤S30中，判断数据异常类型的方法步骤为：
S301、分析历史监测数据中光纤故障时OTDR检测的光纤磨损程度，得到光纤故障时光纤磨损程度值集合F；将集合F划分为训练集f1和验证集f2，采用神经网络模型对训练集f1进行训练，并将验证集f2与训练后的神经网络模型进行交叉验证，根据交叉验证的结果作为评估指标，确定光纤故障时的光纤磨损程度阈值K；
S302、根据数据传输设备之间的距离确定异常数据进行传输时的光纤长度Lx；根据历史OTDR检测数据得到异常数据进行数据传输光纤的基准磨损程度Ax和基准误码率Bx；
S303、分析监测数据得到当前数据传输误码率Ex，将Ex-Bx代入关于光纤损耗率和数据传输误码率的方程曲线模型中，计算出因变量当前光纤损耗率Cx；并确定当前磨损程度Dx；Dx的计算公式如下：
；
S304、将Dx与K作比较；当Dx＞K时，预测异常数据为光纤故障；当Dx≤K时，预测异常数据为网络波动；
其中，管理人员通过用户管理单元实时查询当前光纤磨损程度和当前数据传输误码率，并将故障光纤实时维修情况记录在日志记录单元中；所述用户管理单元用于显示实时监测数据和设备异常情况，并下达用户操作指令；所述日志记录单元用于记录设备异常情况和设备维修情况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642545.8A CN117353807B (zh) | 2023-12-04 | 2023-12-04 | 一种基于人工智能的光缆远程监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311642545.8A CN117353807B (zh) | 2023-12-04 | 2023-12-04 | 一种基于人工智能的光缆远程监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117353807A true CN117353807A (zh) | 2024-01-05 |
| CN117353807B CN117353807B (zh) | 2024-03-05 |
Family
ID=89367774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311642545.8A Active CN117353807B (zh) | 2023-12-04 | 2023-12-04 | 一种基于人工智能的光缆远程监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117353807B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1115380A (zh) * | 1994-07-21 | 1996-01-24 | 敦智科技股份有限公司 | 光纤自动测试及警报系统 |
| CN105790833A (zh) * | 2014-12-23 | 2016-07-20 | 中富通股份有限公司 | 一种基于gis技术的光网络动态监控系统 |
| US20160248499A1 (en) * | 2015-02-23 | 2016-08-25 | Exfo Inc. | Safe-mode otdr method |
| US20170264362A1 (en) * | 2014-05-09 | 2017-09-14 | Sikorsky Aircraft Corporation | Method and apparatus for condition based maintenance of fiber networks on vehicles |
| US20180234174A1 (en) * | 2017-02-14 | 2018-08-16 | The Boeing Company | System and method for optical time-domain reflectometry and design data wire testing |
| 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 |
| CN110492926A (zh) * | 2019-07-26 | 2019-11-22 | 北京光锁科技有限公司 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
| CN111082855A (zh) * | 2019-12-09 | 2020-04-28 | 国网山东省电力公司日照供电公司 | 一种基于otdr的光缆测试方法、系统、终端及存储介质 |
| CN111565068A (zh) * | 2020-05-14 | 2020-08-21 | 浪潮天元通信信息系统有限公司 | 一种基于otdr进行大数据分析的光缆故障定位及推送方法 |
| CN112380242A (zh) * | 2020-11-18 | 2021-02-19 | 中国电子科技集团公司第三十四研究所 | 一种基于otdr的光缆测试主动告警方法 |
| CN114003771A (zh) * | 2021-09-17 | 2022-02-01 | 中通服和信科技有限公司 | 基于物联网的特殊作业现场异常预警分析系统及方法 |
| CN115801121A (zh) * | 2022-12-05 | 2023-03-14 | 国网山东省电力公司平邑县供电公司 | 光缆设备异常检测方法及装置 |
| CN115882938A (zh) * | 2023-02-20 | 2023-03-31 | 中通服建设有限公司 | 一种光网故障监测系统 |
| CN116488721A (zh) * | 2023-05-08 | 2023-07-25 | 福州大学 | 一种光缆线路故障智能定位方法 |
| CN116647272A (zh) * | 2023-04-18 | 2023-08-25 | 桂林聚联科技有限公司 | 一种基于自主学习确定告警位置的方法 |
| CN116886186A (zh) * | 2023-08-21 | 2023-10-13 | 山邮数字科技(山东)有限公司 | 基于gis的光纤故障检测系统及其应用方法和电子设备 |
| CN117118508A (zh) * | 2023-07-25 | 2023-11-24 | 国家电网有限公司信息通信分公司 | 一种面向电力通信电缆的数字孪生系统及运行方法 |
-
2023
- 2023-12-04 CN CN202311642545.8A patent/CN117353807B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1115380A (zh) * | 1994-07-21 | 1996-01-24 | 敦智科技股份有限公司 | 光纤自动测试及警报系统 |
| US20170264362A1 (en) * | 2014-05-09 | 2017-09-14 | Sikorsky Aircraft Corporation | Method and apparatus for condition based maintenance of fiber networks on vehicles |
| CN105790833A (zh) * | 2014-12-23 | 2016-07-20 | 中富通股份有限公司 | 一种基于gis技术的光网络动态监控系统 |
| US20160248499A1 (en) * | 2015-02-23 | 2016-08-25 | Exfo Inc. | Safe-mode otdr method |
| US20180234174A1 (en) * | 2017-02-14 | 2018-08-16 | The Boeing Company | System and method for optical time-domain reflectometry and design data wire testing |
| 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 |
| CN110492926A (zh) * | 2019-07-26 | 2019-11-22 | 北京光锁科技有限公司 | 一种基于机器学习的光纤窃听定位方法、系统及电子设备 |
| CN111082855A (zh) * | 2019-12-09 | 2020-04-28 | 国网山东省电力公司日照供电公司 | 一种基于otdr的光缆测试方法、系统、终端及存储介质 |
| CN111565068A (zh) * | 2020-05-14 | 2020-08-21 | 浪潮天元通信信息系统有限公司 | 一种基于otdr进行大数据分析的光缆故障定位及推送方法 |
| CN112380242A (zh) * | 2020-11-18 | 2021-02-19 | 中国电子科技集团公司第三十四研究所 | 一种基于otdr的光缆测试主动告警方法 |
| CN114003771A (zh) * | 2021-09-17 | 2022-02-01 | 中通服和信科技有限公司 | 基于物联网的特殊作业现场异常预警分析系统及方法 |
| CN115801121A (zh) * | 2022-12-05 | 2023-03-14 | 国网山东省电力公司平邑县供电公司 | 光缆设备异常检测方法及装置 |
| CN115882938A (zh) * | 2023-02-20 | 2023-03-31 | 中通服建设有限公司 | 一种光网故障监测系统 |
| CN116647272A (zh) * | 2023-04-18 | 2023-08-25 | 桂林聚联科技有限公司 | 一种基于自主学习确定告警位置的方法 |
| CN116488721A (zh) * | 2023-05-08 | 2023-07-25 | 福州大学 | 一种光缆线路故障智能定位方法 |
| CN117118508A (zh) * | 2023-07-25 | 2023-11-24 | 国家电网有限公司信息通信分公司 | 一种面向电力通信电缆的数字孪生系统及运行方法 |
| CN116886186A (zh) * | 2023-08-21 | 2023-10-13 | 山邮数字科技(山东)有限公司 | 基于gis的光纤故障检测系统及其应用方法和电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 杨新华;: "通信光缆线路中故障点智能定位检测技术", 卫星电视与宽带多媒体, no. 07, 5 April 2020 (2020-04-05) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117353807B (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110977614B (zh) | 一种数控机床健康诊断方法 | |
| CN102523037B (zh) | 光缆资源集中监测及管理系统 | |
| CN104052542B (zh) | 在线模式下检测otdr曲线末端事件定位光纤断点的方法 | |
| US8570501B2 (en) | Fiber identification using mode field diameter profile | |
| CN114576566B (zh) | 燃气管道预警方法、装置、设备及存储介质 | |
| CN111262625B (zh) | 一种光缆路由快速查找及光缆故障快速定位系统 | |
| CN112134615B (zh) | 一种基于光纤链路的监测系统、方法、终端及可读存储介质 | |
| CN113438018A (zh) | 光缆故障检测方法及装置 | |
| CN115882938B (zh) | 一种光网故障监测系统 | |
| CN116089625A (zh) | 一种基于多维信息感知的电缆通道全景管控系统 | |
| JP2017507509A (ja) | 光ファイバ上で発生する障害のライフサイクル管理 | |
| CN114866137B (zh) | 电力光缆网的检测方法及装置 | |
| CN110361164B (zh) | 一种海底光缆断点位置和扰动位置分析方法及系统 | |
| 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 | |
| CN114842603A (zh) | 一种高压电缆防外破监测预警系统 | |
| CN117686021B (zh) | 一种基于数据分析的智能化管道线缆管控系统 | |
| CN117353807B (zh) | 一种基于人工智能的光缆远程监测系统及方法 | |
| CN117118508A (zh) | 一种面向电力通信电缆的数字孪生系统及运行方法 | |
| CN117278114A (zh) | 电力通信光缆网络运维方法、装置及非易失性存储介质 | |
| CN110034818B (zh) | 一种基于智能光纤配线系统进行光缆监测的装置和系统 | |
| CN116221625A (zh) | 基于光纤声波技术的天然气管道监测定位系统及方法 | |
| CN113052499B (zh) | 一种电力基础设施哑资源管理方法、装置、终端及介质 | |
| CN217469960U (zh) | 一种光时域反射仪和分布式光纤传感器获取光缆故障装置 | |
| JPH02130447A (ja) | 光ファイバ線路の監視システム | |
| CN118150124B (zh) | 基于深度学习的异常信号处理系统 |
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 |