CN117478527A - 一种光缆运行故障监测定位方法、装置、设备及存储介质 - Google Patents
一种光缆运行故障监测定位方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117478527A CN117478527A CN202311824938.0A CN202311824938A CN117478527A CN 117478527 A CN117478527 A CN 117478527A CN 202311824938 A CN202311824938 A CN 202311824938A CN 117478527 A CN117478527 A CN 117478527A
- Authority
- CN
- China
- Prior art keywords
- future
- optical cable
- fault
- obtaining
- echo 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.)
- Pending
Links
- 230000003287 optical effect Effects 0.000 title claims abstract description 210
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 70
- 238000012423 maintenance Methods 0.000 claims abstract description 45
- 239000000835 fiber Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/149—Network analysis or design for prediction of maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Physics & Mathematics (AREA)
- Algebra (AREA)
- Electromagnetism (AREA)
- Optical Communication System (AREA)
Abstract
本发明提供一种光缆运行故障监测定位方法、装置、设备及存储介质，涉及光缆监测技术领域，光缆运行故障监测定位方法包括：获取光缆的光学特性数据和辅助数据，从而得到光学特性数据的当前变化分布；根据光缆的类型、使用年限、维修记录以及当前变化分布，得到在预设未来时间段内光学特性数据的未来变化分布；进而得到所述光缆的未来信号衰减以及未来回波损失；根据未来信号衰减以及未来回波损失，判断光缆是否存在故障事件；若是，则根据未来信号衰减以及回波损失，得到故障事件出现在光缆的多个位置上的故障概率；根据故障概率，得到光缆在预设未来时间段内的故障位置。本发明使得故障定位更为精确，并且减少了不必要的巡检范围。
Description
技术领域
本发明涉及光缆监测技术领域，具体而言，涉及一种光缆运行故障监测定位方法、装置、设备及存储介质。
背景技术
光缆通常用于传输光信号，在电信、有线电视、高速公路等领域得到广泛应用。然而，在光缆的使用过程中，由于各种原因（如老化、损坏、破坏、操作失误等），会出现光缆故障，影响其正常的使用。
在传统的光缆故障监测定位技术中，由于受到技术限制制约，对于存在多个潜在故障点的光缆或距离较长的光缆，通常使用传统的传感器进行测量，并结合实时的测量数据进行粗略定位，导致定位与实际故障位置出现较大误差，从而降低光缆故障维护的效率。
发明内容
本发明解决的问题是如何提高光缆故障定位的精度。
为解决上述问题，本发明提供一种光缆运行故障监测定位方法、装置、设备及存储介质。
第一方面，本发明提供一种光缆运行故障监测定位方法，包括：
获取光缆的光学特性数据和辅助数据，其中，所述光学特性数据包括信号衰减以及回波损失，所述辅助数据包括所述光缆的类型、使用年限以及维修记录；
根据所述信号衰减和所述回波损失，得到所述光学特性数据的当前变化分布；
根据所述光缆的类型、使用年限、维修记录以及所述当前变化分布，得到在预设未来时间段内所述光学特性数据的未来变化分布；
根据所述未来变化分布，得到所述光缆的未来信号衰减以及未来回波损失；
根据所述未来信号衰减以及所述未来回波损失，判断所述光缆是否存在故障事件；
若是，则根据所述未来信号衰减以及所述未来回波损失，得到所述故障事件出现在所述光缆的不同位置上的故障概率；
根据所述故障概率，得到所述光缆在所述预设未来时间段内的故障位置。
可选地，所述根据所述信号衰减和所述回波损失，得到所述光学特性数据的当前变化分布，包括：
根据所述信号衰减和所述回波损失，通过预设统计方法，得到信号变化趋势和回波损失趋势；
根据所述信号变化趋势和所述回波损失趋势，通过变化点检测算法，得到所述信号变化趋势和所述回波损失趋势的多个重要点；
根据所述重要点，得到所述光学特性数据的所述当前变化分布。
可选地，所述根据所述信号变化趋势和所述回波损失趋势，通过变化点检测算法，得到所述信号变化趋势和所述回波损失趋势的多个重要点，包括：
根据所述信号变化趋势和所述回波损失趋势，得到所述信号衰减和所述回波损失的时间序列数据；
根据所述时间序列数据的统计特性，得到所述时间序列数据中变化波动大于预设阈值的变化点；
将所述变化点作为所述信号变化趋势和所述回波损失趋势的所述重要点。
可选地，所述根据所述光缆的类型、使用年限、维修记录以及所述当前变化分布，得到在预设未来时间段内所述光学特性数据的未来变化分布，包括：
将所述光缆的类型转化为所述光缆的编码特征；
将所述光缆的使用年限和维修记录转化为数值特征；
根据所述编码特征和所述数值特征，得到所述辅助数据的特征向量；
根据所述特征向量和所述当前变化分布输入预测网络，并根据所述预测网络的输出得到所述预设未来时间段内所述光学特性数据的所述未来变化分布。
可选地，所述根据所述未来信号衰减以及所述未来回波损失，判断所述光缆是否存在故障事件，包括：
判断所述未来信号衰减是否超过预设衰减阈值以及所述未来回波损失超过预设损失阈值；
若所述未来信号衰减大于或等于所述预设衰减阈值或所述未来回波损失大于或等于所述预设损失阈值，则判定所述光缆存在所述故障事件；
若所述未来信号衰减小于所述预设衰减阈值且所述未来回波损失小于所述预设损失阈值，则判定所述光缆不存在所述故障事件。
可选地，所述根据所述未来信号衰减以及所述未来回波损失，得到所述故障事件出现在所述光缆的不同位置上的故障概率，包括：
根据所述未来信号衰减以及所述未来回波损失，通过异常检测算法，得到所述未来信号衰减以及所述未来回波损失的正态分布图像；
根据所述正态分布图像，得到所述光缆的多个故障点；
根据概率密度函数，得到所述故障点对应的所述故障概率。
可选地，所述根据所述故障概率，得到所述光缆在所述预设未来时间段内的故障位置，包括：
将所述故障概率大于预设概率阈值的位置，作为所述光缆在所述预设未来时间段内的故障位置。
第二方面，本发明提供一种光缆运行故障监测定位装置，包括：
监测单元，用于获取光缆的光学特性数据和辅助数据，其中，所述光学特性数据包括信号衰减以及回波损失，所述辅助数据包括所述光缆的类型、使用年限以及维修记录；
处理单元，用于根据所述信号衰减和所述回波损失，得到所述光学特性数据的当前变化分布；
预测单元，用于根据所述光缆的类型、使用年限、维修记录以及所述当前变化分布，得到在预设未来时间段内所述光学特性数据的未来变化分布；
所述处理单元，还用于根据所述未来变化分布，得到所述光缆的未来信号衰减以及未来回波损失；
故障监测单元，用于根据所述未来信号衰减以及所述未来回波损失，判断所述光缆是否存在故障事件；
定位单元，用于若是，则根据所述未来信号衰减以及所述未来回波损失，得到所述故障事件出现在所述光缆的不同位置上的故障概率；
根据所述故障概率，得到所述光缆在所述预设未来时间段内的故障位置。
第三方面，本发明提供一种计算机设备，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计算机程序时实现上述所述的光缆运行故障监测定位方法。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的光缆运行故障监测定位方法。
本发明的光缆运行故障监测定位方法、装置、设备及存储介质，通过获取信号衰减和回波损失数据，提供了光缆当前的运行状况。再根据信号衰减和回波损失，得到光学特性数据的当前变化分布，确定光缆的当前状态，找出光缆存在的即时问题或潜在风险点。并结合光缆类型、使用年限和维修记录来预测未来的光学特性变化。利用光学特性变化结合确定的正常运行参数范围，判断光缆是否存在故障事件，以实现对故障的监测。对于预测结果显示的潜在故障，进一步评估其出现在光缆上的多个位置的故障概率，将生成的故障概率与光缆具体位置关联，确定预设未来时间段内的具体故障位置。本发明通过整合传统的光学特性和辅助数据，提供更全面的光缆健康状况视图，通过趋势分析和预测方法可增加对未来潜在故障的了解，为预防性维护提供信息，对于可能出现故障的各个位置的故障概率估计，使得运维工作能有针对性地安排，资源和注意力可集中在最可能发生故障的区域，从而提高了故障预测的精确性。通过映射概率到具体位置，使得故障定位更为精确，减少了不必要的巡检范围，降低了维护成本。
附图说明
图1为本发明的光缆运行故障监测定位方法的流程图之一；
图2为本发明的光缆运行故障监测定位方法的流程图之二；
图3为本发明的光缆运行故障监测定位方法的流程图之三；
图4为本发明的光缆运行故障监测定位方法的流程图之四；
图5为本发明的光缆运行故障监测定位方法的流程图之五；
图6为本发明的光缆运行故障监测定位方法的流程图之六。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
结合图1所示，本发明实施例的一种光缆运行故障监测定位方法，包括：
获取光缆的光学特性数据和辅助数据，其中，所述光学特性数据包括信号衰减以及回波损失，所述辅助数据包括所述光缆的类型、使用年限以及维修记录。
具体地，在光纤通信系统中，通过信号衰减可以得到在传输过程中强度的逐渐减弱。衰减可以由光纤本身的物质属性、光纤长度、连接器损耗以及其他因素引起。衰减过高可能暗示光缆有故障或品质下降。通过回波损失得到反射损耗，过高的回波损失通常暗示连接处存在问题，并结合辅助数据，进行分析，其中，不同类型的光缆有不同的光学特性和适用环境。随着使用年限增加，光缆可能因为自然老化或环境因素而逐渐表现出性能下降。维修记录反映了光缆的历史问题和维护活动，可以帮助分析光缆当前状态和未来潜在的故障风险。
根据所述信号衰减和所述回波损失，得到所述光学特性数据的当前变化分布。
具体地，在一些实施例中，可以使用如光时域反射仪或类似的测试工具来测量光缆的信号衰减和回波损失，将收集到的数据进行清洗，如滤除噪声、校正期间的仪器误差、标定数据以确保读数的准确性，分析得到的测量数据以确定信号衰减和回波损失的模式，其中包括计算数据的统计指标，如均值、中位数、标准偏差等，还可以包括创建信号损耗图或热点图以可视化数据。通过分析不同时间点上的测量数据来获得当前的变化分布。
根据所述光缆的类型、使用年限、维修记录以及所述当前变化分布，得到在预设未来时间段内所述光学特性数据的未来变化分布。
具体地，将光缆的类型、使用年限、维修记录与光学特性的当前变化数据（信号衰减和回波损失）合并在一起。将光缆的类型、使用年限、维修记录与光学特性的当前变化数据（信号衰减和回波损失）合并在一起。预测得到的数据可直接表现为对未来信号衰减和回波损失的量化预测。
根据所述未来变化分布，得到所述光缆的未来信号衰减以及未来回波损失。
具体地，将未来变化分布的结果转化为关于信号衰减和回波损失的具体预测，其中涉及按时间点或时间段提取预测值，识别出在何时何地可能出现明显的信号衰减或回波损失增加，从而提醒潜在的故障位置。将预测的未来信号衰减和回波损失的数据与光缆正常运行的标准进行对比，以识别可能的性能下降或故障点，并且可以利用这些信息指导或制定光缆的维护和预防性维修计划，以避免未来潜在的损失。
根据所述未来信号衰减以及所述未来回波损失，判断所述光缆是否存在故障事件。
具体地，如果未来信号衰减或未来回波损失超过了预设阈值，则可以认为该光缆存在故障事件。其中，这些阈值可以根据历史数据和光缆类型等因素进行调整，以适应不同的网络环境和需求。如使用统计学方法（如卡方检验）来比较实际信号衰减和回波损失与预期值的差异，从而确定是否存在故障事件，若差异超过了预设阈值，则认为光缆存在故障事件。
若是，则根据所述未来信号衰减以及所述未来回波损失，得到所述故障事件出现在所述光缆的不同位置上的故障概率。
具体地，首先分析预测数据，并识别异常读数，即超过正常信号变化区间的衰减或损失增加的点；将这些异常点与特定光缆的物理位置相对应，以估计各自位置的故障概率，该概率可由模型输出的异常值的严重程度和频率决定；最终，得出的预测概率可以帮助指导对光缆网络的维护决策，如决定哪些区段可能需要近期检查或预防性维护，以此优化资源分配和减少潜在的服务中断风险。
根据所述故障概率，得到所述光缆在所述预设未来时间段内的故障位置。
具体地，通过将预测出的未来信号衰减和回波损失数据与统计模型结合，可以估计光缆在未来某个时间段内各个位置的故障概率，在本发明的优选实施例中，根据每个位置的故障概率，可以得到光缆故障概率地图，此地图高亮显示出高风险区域，提供关键信息以用来指导维护团队优先检查和维护这些高风险段落，从而在更广的网络覆盖范围内实施有效的故障监测和定位，提前采取预防或修复措施来减少潜在的故障导致的中断风险，确保光缆网络的稳定运行。
在本实施例中，通过获取信号衰减和回波损失数据，提供了光缆当前的运行状况。再根据信号衰减和回波损失，得到光学特性数据的当前变化分布，确定光缆的当前状态，找出光缆存在的即时问题或潜在风险点。并结合光缆类型、使用年限和维修记录来预测未来的光学特性变化。利用光学特性变化结合确定的正常运行参数范围，判断光缆是否存在故障事件，以实现对故障的监测。对于预测结果显示的潜在故障，进一步评估其出现在光缆上的多个位置的故障概率，将计算出的故障概率与光缆具体位置关联，确定预设未来时间段内的具体故障位置。本发明通过整合传统的光学特性和辅助数据，提供更全面的光缆健康状况视图，通过趋势分析和预测方法可增加对未来潜在故障的了解，为预防性维护提供信息，对于可能出现故障的各个位置的故障概率估计，使得运维工作能有针对性地安排，资源和注意力可集中在最可能发生故障的区域，从而提高了故障预测的精确性。通过映射概率到具体位置，使得故障定位更为精确，减少了不必要的巡检范围，降低了维护成本。
可选地，结合图2所示，所述根据所述信号衰减和所述回波损失，得到所述光学特性数据的当前变化分布，包括：
根据所述信号衰减和所述回波损失，通过预设统计方法，得到信号变化趋势和回波损失趋势；
根据所述信号变化趋势和所述回波损失趋势，通过变化点检测算法，得到所述信号变化趋势和所述回波损失趋势的多个重要点；
根据所述重要点，得到所述光学特性数据的所述当前变化分布。
具体地，首先，通过应用预设的统计方法，如时间序列分析、移动平均或趋势线分析等，从监测设备收集的信号衰减和回波损失数据中计算出信号变化趋势和回波损失趋势；然后利用变化点检测算法，比如CUMSUM（累积和控制图）或贝叶斯变化点分析等，从趋势中识别出有统计意义的突变点或重要点，突变点或重要点用于表示光缆性能的显著变化或潜在缺陷，这些重要点反映了在光缆路径上可能发生光学特性改变的关键区域，每个点可能代表了潜在的故障，或者一个光缆性能可能发生较大变化的区域；最后，根据这些重要点，描绘出光学特性数据的当前变化分布，可将其可视化为图表或图像，以详细展示光缆沿线各段的光学性能状态。
在本实施例中，提供了高分辨率的光缆当前数据，及时、精确地监测和定位光缆潜在问题，从而减少了系统故障的风险并提升了维护的效率和响应速度。
可选地，结合图3所示，所述根据所述信号变化趋势和所述回波损失趋势，通过变化点检测算法，得到所述信号变化趋势和所述回波损失趋势的多个重要点，包括：
根据所述信号变化趋势和所述回波损失趋势，得到所述信号衰减和所述回波损失的时间序列数据；
根据所述时间序列数据的统计特性，得到所述时间序列数据中变化波动大于预设阈值的变化点；
将所述变化点作为所述信号变化趋势和所述回波损失趋势的所述重要点。
具体地，通过收集信号衰减和回波损失的时间序列数据，可得到信号的变化趋势和回波损失趋势；然后，运用统计分析方法，如标准差分析、滑动窗口技术来识别变化波动大于预设阈值的时间点，这些时间点在数据的统计特性中显著，表明了信号或回波损失的显著变化；将这些变化波动较大的时间点标记为重要点，其代表光缆系统中的潜在问题或性能下降的关键位置。
在本实施例中，通过上述技术手段，能够快速突出和聚焦于那些最有可能表现出故障特征的光缆区段，从而加速故障诊断和修复流程，并大幅度提高光缆维护的效率和有效性。不仅能提前预防未来的故障，还能减少因故障导致的网络停机时间和维护成本。
可选地，结合图4所示，所述根据所述光缆的类型、使用年限、维修记录以及所述当前变化分布，得到在预设未来时间段内所述光学特性数据的未来变化分布，包括：
将所述光缆的类型转化为所述光缆的编码特征；
将所述光缆的使用年限和维修记录转化为数值特征；
根据所述编码特征和所述数值特征，得到所述辅助数据的特征向量；
根据所述特征向量和所述当前变化分布输入预测网络，并根据所述预测网络的输出得到所述预设未来时间段内所述光学特性数据的所述未来变化分布。
具体地，首先对光缆的类型进行编码处理，以便将其转换为适合模型输入的编码特征，这些特征可以为离散组别的数据点，同时，将光缆的使用年限和维修记录等连续或离散的辅助数据转换成数值特征，这些特征可以直接用于计算；再结合这些编码特征和数值特征形成一个综合的特征向量，其中，特征向量用于体现光缆的重要属性和历史表现；将这个特征向量与当前变化分布的数据输入到训练好的预测网络，如深度学习模型或其他机器学习模型，预测网络根据输入的特征输出未来一段时间内光缆的光学特性数据的可能变化分布；最终，利用这个预测可制定更有针对性的维护计划，并提前应对潜在的问题。
在本实施例中，通过预测可制定更有针对性的维护计划，并提前应对潜在的问题，使得光缆的管理与维护变得更加数据驱动和前瞻性，能够减少由于光缆老化或损坏引起的意外停机，优化运营效率。
可选地，结合图5所示，所述根据所述未来信号衰减以及所述未来回波损失，判断所述光缆是否存在故障事件，包括：
判断所述未来信号衰减是否超过预设衰减阈值以及所述未来回波损失超过预设损失阈值；
若所述未来信号衰减大于或等于所述预设衰减阈值或所述未来回波损失大于或等于所述预设损失阈值，则判定所述光缆存在所述故障事件；
若所述未来信号衰减小于所述预设衰减阈值且所述未来回波损失小于所述预设损失阈值，则判定所述光缆不存在所述故障事件。
具体地，首先利用对未来信号衰减和回波损失的预测数据进行评估，比较这些预测值是否达到或超过预先设定的衰减阈值和损失阈值；其中，这些阈值通常是基于历史性能数据、制造商的规格、安全标准或经验法则设定的，可以指示光缆运行是否超出了正常工作状态；如果未来的信号衰减预测值大于或等于预设的衰减阈值，或者回波损失的预测值大于或等于预设的损失阈值，系统将判断光缆可能将发生故障事件；相反，如果预测值均低于对应的阈值，则系统将认为光缆不太可能出现故障。
在本实施例中，通过提前识别潜在故障并提前采取措施，从而预防故障发生或减轻其影响，确保网络的稳定运行，并提高用户满意度和信任度。
可选地，结合图6所示，所述根据所述未来信号衰减以及所述未来回波损失，得到所述故障事件出现在所述光缆的不同位置上的故障概率，包括：
根据所述未来信号衰减以及所述未来回波损失，通过异常检测算法，得到所述未来信号衰减以及所述未来回波损失的正态分布图像；
根据所述正态分布图像，得到所述光缆的多个故障点；
根据概率密度函数，得到所述故障点对应的所述故障概率。
具体地，首先使用异常检测算法处理预测得到的未来信号衰减和回波损失数据，从而得到数据中偏离正常模式的异常值，并将这些异常值以正态分布图像的形式呈现；然后，通过分析正态分布图像，以确定光缆上多个可能的故障点，这些点表示了信号的异常变化较大的位置；最后，利用概率密度函数（PDF），对每个故障点的故障概率进行量化，关联到具体的光缆位置上，这样就能够估计各个位置的故障概率。
在本发明的优选实施例中，概率密度函数可以为：
f(x | μ, σ²) = (1 /) * e^(-(x - μ)² / (2σ²))；
其中，x是概率密度，μ是分布的均值，表示该分布的中心位置，σ² 是分布的方差，表示数据的分散程度，π是数学常数，e是自然对数的底数。
在本实施例中，通过将复杂数据转化为明确的故障预测信息，从而为运维决策提供定量的依据，准确性高，有利于优化维护资源分配，提前对潜在的故障进行干预，降低修复成本，并最小化因故障导致的业务中断风险。
可选地，所述根据所述故障概率，得到所述光缆在所述预设未来时间段内的故障位置，包括：
将所述故障概率大于预设概率阈值的位置，作为所述光缆在所述预设未来时间段内的故障位置。
具体地，首先设定一个预设概率阈值，以区分那些故障概率较高，即被认为具有较大故障风险的光缆位置；任何一个具有高于此预设概率阈值的故障概率的位置都将被识别为未来特定时间段内可能的故障位置；通过这种方法，可以精准地聚焦于那些最有可能出现问题的光缆段落，从而进行针对性维护或加强监测。
在本实施例中，通过提前的风险评估与故障预测，减少了不必要的检查与修理工作，以及提前对高风险区域采取适当的预防措施，从而最大程度地减少了因故障导致的潜在停机时间和业务影响。
本发明另一实施例的一种光缆运行故障监测定位装置，包括：
监测单元，用于获取光缆的光学特性数据和辅助数据，其中，所述光学特性数据包括信号衰减以及回波损失，所述辅助数据包括所述光缆的类型、使用年限以及维修记录；
处理单元，用于根据所述信号衰减和所述回波损失，得到所述光学特性数据的当前变化分布；
预测单元，用于根据所述光缆的类型、使用年限、维修记录以及所述当前变化分布，得到在预设未来时间段内所述光学特性数据的未来变化分布；
所述处理单元，还用于根据所述未来变化分布，得到所述光缆的未来信号衰减以及未来回波损失；
故障监测单元，用于根据所述未来信号衰减以及所述未来回波损失，判断所述光缆是否存在故障事件；
定位单元，用于若是，则根据所述未来信号衰减以及所述未来回波损失，得到所述故障事件出现在所述光缆的不同位置上的故障概率；
根据所述故障概率，得到所述光缆在所述预设未来时间段内的故障位置。
本发明另一实施例的一种计算机设备，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计算机程序时实现上述所述的光缆运行故障监测定位方法。
本发明另一实施例的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的光缆运行故障监测定位方法。
虽然本发明披露如上，但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本发明的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种光缆运行故障监测定位方法，其特征在于，包括：
获取光缆的光学特性数据和辅助数据，其中，所述光学特性数据包括信号衰减以及回波损失，所述辅助数据包括所述光缆的类型、使用年限以及维修记录；
根据所述信号衰减和所述回波损失，得到所述光学特性数据的当前变化分布；
根据所述光缆的类型、使用年限、维修记录以及所述当前变化分布，得到在预设未来时间段内所述光学特性数据的未来变化分布；
根据所述未来变化分布，得到所述光缆的未来信号衰减以及未来回波损失；
根据所述未来信号衰减以及所述未来回波损失，判断所述光缆是否存在故障事件；
若是，则根据所述未来信号衰减以及所述未来回波损失，得到所述故障事件出现在所述光缆的不同位置上的故障概率；
根据所述故障概率，得到所述光缆在所述预设未来时间段内的故障位置。
2.根据权利要求1所述的光缆运行故障监测定位方法，其特征在于，所述根据所述信号衰减和所述回波损失，得到所述光学特性数据的当前变化分布，包括：
根据所述信号衰减和所述回波损失，通过预设统计方法，得到信号变化趋势和回波损失趋势；
根据所述信号变化趋势和所述回波损失趋势，通过变化点检测算法，得到所述信号变化趋势和所述回波损失趋势的多个重要点；
根据所述重要点，得到所述光学特性数据的所述当前变化分布。
3.根据权利要求2所述的光缆运行故障监测定位方法，其特征在于，所述根据所述信号变化趋势和所述回波损失趋势，通过变化点检测算法，得到所述信号变化趋势和所述回波损失趋势的多个重要点，包括：
根据所述信号变化趋势和所述回波损失趋势，得到所述信号衰减和所述回波损失的时间序列数据；
根据所述时间序列数据的统计特性，得到所述时间序列数据中变化波动大于预设阈值的变化点；
将所述变化点作为所述信号变化趋势和所述回波损失趋势的所述重要点。
4.根据权利要求1所述的光缆运行故障监测定位方法，其特征在于，所述根据所述光缆的类型、使用年限、维修记录以及所述当前变化分布，得到在预设未来时间段内所述光学特性数据的未来变化分布，包括：
将所述光缆的类型转化为所述光缆的编码特征；
将所述光缆的使用年限和维修记录转化为数值特征；
根据所述编码特征和所述数值特征，得到所述辅助数据的特征向量；
根据所述特征向量和所述当前变化分布输入预测网络，并根据所述预测网络的输出得到所述预设未来时间段内所述光学特性数据的所述未来变化分布。
5.根据权利要求1所述的光缆运行故障监测定位方法，其特征在于，所述根据所述未来信号衰减以及所述未来回波损失，判断所述光缆是否存在故障事件，包括：
判断所述未来信号衰减是否超过预设衰减阈值以及所述未来回波损失超过预设损失阈值；
若所述未来信号衰减大于或等于所述预设衰减阈值或所述未来回波损失大于或等于所述预设损失阈值，则判定所述光缆存在所述故障事件；
若所述未来信号衰减小于所述预设衰减阈值且所述未来回波损失小于所述预设损失阈值，则判定所述光缆不存在所述故障事件。
6.根据权利要求1所述的光缆运行故障监测定位方法，其特征在于，所述根据所述未来信号衰减以及所述未来回波损失，得到所述故障事件出现在所述光缆的不同位置上的故障概率，包括：
根据所述未来信号衰减以及所述未来回波损失，通过异常检测算法，得到所述未来信号衰减以及所述未来回波损失的正态分布图像；
根据所述正态分布图像，得到所述光缆的多个故障点；
根据概率密度函数，得到所述故障点对应的所述故障概率。
7.根据权利要求1所述的光缆运行故障监测定位方法，其特征在于，所述根据所述故障概率，得到所述光缆在所述预设未来时间段内的故障位置，包括：
将所述故障概率大于预设概率阈值的位置，作为所述光缆在所述预设未来时间段内的故障位置。
8.一种光缆运行故障监测定位装置，其特征在于，包括：
监测单元，用于获取光缆的光学特性数据和辅助数据，其中，所述光学特性数据包括信号衰减以及回波损失，所述辅助数据包括所述光缆的类型、使用年限以及维修记录；
处理单元，用于根据所述信号衰减和所述回波损失，得到所述光学特性数据的当前变化分布；
预测单元，用于根据所述光缆的类型、使用年限、维修记录以及所述当前变化分布，得到在预设未来时间段内所述光学特性数据的未来变化分布；
所述处理单元，还用于根据所述未来变化分布，得到所述光缆的未来信号衰减以及未来回波损失；
故障监测单元，用于根据所述未来信号衰减以及所述未来回波损失，判断所述光缆是否存在故障事件；
定位单元，用于若是，则根据所述未来信号衰减以及所述未来回波损失，得到所述故障事件出现在所述光缆的不同位置上的故障概率；
根据所述故障概率，得到所述光缆在所述预设未来时间段内的故障位置。
9.一种计算机设备，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计算机程序时实现权利要求1至7中任一项所述的光缆运行故障监测定位方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7中任一项所述的光缆运行故障监测定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311824938.0A CN117478527A (zh) | 2023-12-28 | 2023-12-28 | 一种光缆运行故障监测定位方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311824938.0A CN117478527A (zh) | 2023-12-28 | 2023-12-28 | 一种光缆运行故障监测定位方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117478527A true CN117478527A (zh) | 2024-01-30 |
Family
ID=89640091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311824938.0A Pending CN117478527A (zh) | 2023-12-28 | 2023-12-28 | 一种光缆运行故障监测定位方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117478527A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814954A (zh) * | 2020-06-19 | 2020-10-23 | 武汉光迅科技股份有限公司 | 一种光纤质量分析方法、装置、电子设备及存储介质 |
| CN114039658A (zh) * | 2021-11-12 | 2022-02-11 | 国网河南省电力公司邓州市供电公司 | 基于相干光的智能光纤监测系统 |
-
2023
- 2023-12-28 CN CN202311824938.0A patent/CN117478527A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814954A (zh) * | 2020-06-19 | 2020-10-23 | 武汉光迅科技股份有限公司 | 一种光纤质量分析方法、装置、电子设备及存储介质 |
| CN114039658A (zh) * | 2021-11-12 | 2022-02-11 | 国网河南省电力公司邓州市供电公司 | 基于相干光的智能光纤监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7254514B2 (en) | Method and system for predicting remaining life for motors featuring on-line insulation condition monitor | |
| Alaswad et al. | A review on condition-based maintenance optimization models for stochastically deteriorating system | |
| CN110046453B (zh) | 一种激光雷达的寿命预测方法 | |
| CA2387934C (en) | A process for the monitoring and diagnostics of data from a remote asset | |
| US6834256B2 (en) | Method and system for determining motor reliability | |
| KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
| US7873581B2 (en) | Method and system for determining the reliability of a DC motor system | |
| JP2009099144A (ja) | Ａｃモータシステムの残存寿命を遠隔予測する方法及びシステム | |
| CN113614359A (zh) | 用于预测风力涡轮机齿轮箱组件中的可观察损坏的风险的方法和系统 | |
| Tiddens et al. | The adoption of prognostic technologies in maintenance decision making: a multiple case study | |
| US20230375441A1 (en) | Monitoring device and method for segmenting different times series of sensor data points | |
| CN110268425A (zh) | 用于分析机器数据的系统 | |
| CN102763047B (zh) | 用于诊断压缩机的方法和系统 | |
| US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
| US7996337B2 (en) | Method and system for remotely determining the reliability of a DC motor system | |
| Compare et al. | A general model for life-cycle cost analysis of Condition-Based Maintenance enabled by PHM capabilities | |
| CN117171366B (zh) | 用于电网调度运行态势的知识图谱构建方法及系统 | |
| KR20220132824A (ko) | 배전설비 상태 이상 개소 감시 시스템 및 방법 | |
| CN116500441B (zh) | 一种电机故障检测定位方法及系统 | |
| Abdelli et al. | Machine learning based data driven diagnostic and prognostic approach for laser reliability enhancement | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
| CN117478527A (zh) | 一种光缆运行故障监测定位方法、装置、设备及存储介质 | |
| Wagner et al. | An overview of useful data and analyzing techniques for improved multivariate diagnostics and prognostics in condition-based maintenance | |
| Chen et al. | BIM-and IoT-Based Data-Driven Decision Support System for Predictive Maintenance of Building Facilities | |
| Liu et al. | Machine health monitoring and prognostication via vibration information |
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 |