CN117674993A - 光纤网络的运行状态检测系统及方法 - Google Patents
光纤网络的运行状态检测系统及方法 Download PDFInfo
- Publication number
- CN117674993A CN117674993A CN202311493775.2A CN202311493775A CN117674993A CN 117674993 A CN117674993 A CN 117674993A CN 202311493775 A CN202311493775 A CN 202311493775A CN 117674993 A CN117674993 A CN 117674993A
- Authority
- CN
- China
- Prior art keywords
- data
- frequency
- abnormal
- optical signal
- optical fiber
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 137
- 238000001514 detection method Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 495
- 230000003287 optical effect Effects 0.000 claims abstract description 244
- 238000004458 analytical method Methods 0.000 claims abstract description 107
- 238000005070 sampling Methods 0.000 claims abstract description 74
- 230000005540 biological transmission Effects 0.000 claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000010586 diagram Methods 0.000 claims abstract description 33
- 238000012098 association analyses Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 61
- 125000004122 cyclic group Chemical group 0.000 claims description 42
- 230000002441 reversible effect Effects 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 28
- 230000008859 change Effects 0.000 claims description 28
- 238000000926 separation method Methods 0.000 claims description 27
- 230000001052 transient effect Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000001174 ascending effect Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 11
- 230000010363 phase shift Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000010356 wave oscillation Effects 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 7
- 230000001965 increasing effect Effects 0.000 description 26
- 238000012423 maintenance Methods 0.000 description 14
- 230000010355 oscillation Effects 0.000 description 13
- 230000002349 favourable effect Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 239000000835 fiber Substances 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000011897 real-time detection Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004807 localization Effects 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 238000011524 similarity measure Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- H04B10/075—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
-
- 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
- H04B10/07957—Monitoring or measuring wavelength
Landscapes
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及光纤运行状态检测技术领域,尤其涉及一种光纤网络的运行状态检测系统及方法。所述方法包括以下步骤:对光纤网络进行传输信号收集并进行脉冲特性分析,得到光信号脉冲特性数据并进行相位空间轨迹分析并进行光信号稳定性检测并进行异常状态检测,得到光信号异常状态数据;对光信号异常状态数据进行指数分布特征抽样并对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集;对异常频率数据集进行数据循环单元连接并进行循环单元关联分析并进行模型训练,得到光纤网络异常频率故障识别模型并嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。本发明通过对光纤网络检测技术的优化使得光纤网络检测过程更加精确。
Description
技术领域
本发明涉及光纤运行状态检测技术领域,尤其涉及一种光纤网络的运行状态检测系统及方法。
背景技术
在现代通信和网络领域,光纤网络作为一种高速、高带宽、低延迟的通信传输方式得到广泛应用,光纤网络通过光信号在光纤中的传输,具有抗干扰性强、传输距离远、信息传输速度快特点,因此被广泛用于互联网、电话网络、有线电视等通信和数据传输领域。然而,传统的光纤运行状态检测方法存在着检测精度低,实时性差的问题。
发明内容
基于此,有必要提供一种光纤网络的运行状态检测系统及方法,以解决至少一个上述技术问题。
为实现上述目的,一种光纤网络的运行状态检测方法,所述方法包括以下步骤:
步骤S1:对光纤网络进行传输信号收集,得到初始传输光信号;根据初始传输光信号进行脉冲特性分析,得到光信号脉冲特性数据;
步骤S2:对光信号脉冲特性数据进行相位空间轨迹分析,得到相位空间复杂度数据;根据相位空间复杂度数据进行光信号稳定性检测,得到光信号稳定性数据;对光信号稳定性数据进行异常状态检测,得到光信号异常状态数据;
步骤S3:对光信号异常状态数据进行指数分布特征抽样,得到异常状态特征抽样频域图;对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集;
步骤S4:对异常频率数据集进行数据循环单元连接,得到异常频率循环连接数据;根据异常频率循环连接数据进行循环单元关联分析,得到故障循环连接数据;对异常频率故障循环连接数据进行模型训练,得到光纤网络异常频率故障识别模型;将光纤网络异常频率故障识别模型嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。
本发明通过对光纤网络进行传输信号的收集,可以获取实时的数据,包括光信号的强度、频率、相位信息,这些数据是进行后续分析的基础,通过对初始传输光信号进行脉冲特性分析,可以检测到潜在的问题和异常,例如,可能会发现光信号的强度下降、相位偏移或脉冲形状异常问题,这有助于及早发现潜在的故障或性能问题,通过脉冲特性分析,可以建立光信号的基准,以便与未来的数据进行比较,如果光信号的特性与基准不匹配,表明存在问题;相位空间轨迹分析可以提供更详细的信号特性信息,包括信号的相位变化和波动情况,这有助于更全面地了解光信号的性质;通过相位空间复杂度数据进行光信号稳定性检测,可以识别信号的不稳定性或波动,这可能是由于故障、噪声或其他问题引起的,这有助于维护人员确定网络中的稳定性问题;光信号异常状态数据的生成允许检测可能的异常或故障情况,异常状态可能表明潜在的问题,如信号丢失、串扰、光纤断裂或连接问题,通过检测稳定性问题和异常状态,可以采取预测性维护措施,从而减少故障风险,提高网络的可靠性;指数分布特征抽样允许将大量异常状态数据降维为更具代表性的特征数据,这有助于减少数据的复杂性,同时保留关键信息,生成异常状态特征抽样频域图后,可以进行频域分析,以更好地理解异常状态数据的频率特征,这有助于揭示可能的频率相关问题,如振荡或干扰;通过异常频率检索,可以识别出光信号中存在的异常频率成分,这有助于确定异常的性质和根本原因,例如振荡频率、干扰频率或其他频率相关问题;异常频率数据集的生成和分析有助于快速定位光纤网络中的频率相关故障,这可以减少维修时间和提高网络的可用性;将异常频率数据集进行循环单元连接,可以帮助保持数据的时序特性,确保数据在时间上的连续性,这对于分析光纤网络状态的变化趋势非常重要;通过分析异常频率循环连接数据,可以识别出不同循环单元之间的关联性,这有助于理解数据之间的内在关系,可能揭示出异常发生的模式或规律;将异常频率故障循环连接数据用于训练模型,可以利用机器学习算法或深度学习技术构建出光纤网络异常频率故障识别模型,这个模型可以根据输入的异常频率数据,识别出网络中可能存在的故障或异常情况,将训练好的异常频率故障识别模型嵌入至接收端传感器中,实现光纤网络状态的实时检测,这样,系统可以自动监测光纤网络的运行状态,及时发现异常情况,有助于快速响应问题,减少网络中断时间,提高服务质量,通过实时监测光纤网络的运行状态,系统可以在出现异常情况时自动采取预防或修复措施,提高了系统的可靠性和稳定性。因此本发明光纤网络的运行状态检测系统及方法是对传统的光纤运行状态检测方法做出的优化处理,解决了传统光纤运行状态检测方法存在的检测精度低,实时性差的问题,提高了检测的精确度,提高了检测的实时性能力。
优选地,步骤S1包括以下步骤:
步骤S11:对光纤网络进行传输信号收集,得到初始传输光信号;
步骤S12:对初始传输光信号进行信号增强处理,得到增强传输光信号;
步骤S13:对增强传输光信号进行波长分离,得到波长分离数据集;
步骤S14:对波长分离数据集进行时延测量,得到光信号时延数据;
步骤S15:根据波长分离数据集以及光信号时延数据进行脉冲特性分析,得到光信号脉冲特性数据。
本发明通过对光纤网络进行传输信号的收集,可以获得初始传输光信号数据,这为后续处理提供了起点数据,提供了对网络运行状态的初始了解;对初始传输光信号进行增强处理,可以改善信号质量、提高信号的清晰度和稳定性,这有助于减少信号传输过程中的损耗和噪声,提升数据的可靠性和可用性;波长分离可将不同波长的光信号分隔开来,形成一个波长分离数据集,这有助于同时传输多路信号而不相互干扰,提高了光纤网络的通信容量和效率;通过对波长分离数据集进行时延测量,获得光信号在传输过程中的时延数据,这对于检测潜在的延迟问题或者信号传输中出现的时序偏移具有重要意义;基于波长分离数据和时延数据,进行脉冲特性分析,能够提取信号的特征信息,这有助于发现信号中的特定模式或者特征,可能反映光纤网络中的异常或特殊情况。
优选地,步骤S15包括以下步骤:
步骤S151:根据波长分离数据集进行光信号波形提取,得到光信号波形数据;对光信号波形数据进行基准对齐,得到光信号波形基准数据;
步骤S152:基于光信号波形基准数据对光信号波形数据进行波形宽度测量,得到波形宽度基准数据;
步骤S153:对波形宽度基准数据进行相位分析,得到波形相位偏移数据;基于光信号时延数据对波形相位偏移数据进行相位延迟分析,得到波形相位延迟数据;
步骤S154:根据波形相位延迟数据进行波形包络特性分析,得到波形包络特性数据;
步骤S155:根据波形相位延迟数据以及波形包络特性数据对光信号波形数据进行瞬态脉冲信号提取,得到脉冲信号瞬态数据;
步骤S156:利用脉冲信号强度算法对脉冲信号瞬态数据进行脉冲能量计算,得到脉冲信号能量数据;
步骤S157:基于脉冲信号能量数据以及波形包络特性数据进行脉冲特性分析,得到光信号脉冲特性数据。
本发明通过提取光信号波形数据并进行基准对齐,可提高数据的准确性和可靠性,确保后续分析的基础准确,测量光信号波形的宽度,有助于理解波形特征,可能为分析过程提供重要特征和参考数据,通过对波形宽度基准数据进行相位分析及相位延迟分析,有助于提取信号的相位偏移和延迟情况,进一步理解光信号的时序特性,分析波形相位延迟数据,以获取光信号波形的包络特性,这有助于更全面地了解信号的形态和特点,通过对波形相位延迟数据和波形包络特性数据进行瞬态脉冲信号提取,可以识别和提取出脉冲信号的瞬态特征,对于识别特定事件或异常具有重要意义,利用脉冲信号强度算法对脉冲信号瞬态数据进行能量计算,可用于量化脉冲信号的强度和对比不同信号之间的能量差异,基于脉冲信号能量数据及波形包络特性数据进行脉冲特性分析,有助于识别和理解光信号中的脉冲特性,揭示潜在问题或提供关键信息。
优选地,步骤S156中的脉冲信号强度算法如下所示:
其中,S表示脉冲信号的能量结果值,R表示脉冲信号的最大振幅值,t表示脉冲信号的持续时间值,a表示脉冲信号的指数增长速率值,b表示脉冲信号在时间上的衰减速度值,c表示脉冲信号瞬态数据的权重系数,表示脉冲信号在时间上的余弦波振荡系数值,x表示脉冲波动幅度区间系数,g表示脉冲波动的相位偏移值,/>表示脉冲信号强度算法的误差调整值。
本发明构建了一个脉冲信号强度算法,该算法能够很好的计算脉冲信号能量值。该算法充分考虑了脉冲信号的最大振幅值R,该参数表示脉冲信号的振幅大小,较大的振幅值意味着更强的信号能量,因此可以增加脉冲信号的强度;脉冲信号的持续时间值t,该参数表示脉冲信号的持续时间,较长的持续时间可以使脉冲信号在时间上更长久地传播,从而增加信号的能量;脉冲信号的指数增长速率值a,该参数表示脉冲信号的增长速率,较大的增长速率可以使脉冲信号迅速增强,从而增加信号的强度;脉冲信号在时间上的衰减速度值b,脉冲信号瞬态数据的权重系数c,该参数表示脉冲信号瞬态数据的权重,较大的权重可以增加瞬态数据对信号强度的贡献,从而增强信号的强度;脉冲信号在时间上的余弦波振荡系数值该参数表示脉冲信号的余弦波振荡系数,较大的振荡系数可以使信号在时间上产生更多的振荡,从而增加信号的强度;脉冲波动幅度区间系数x,该参数表示脉冲波动的幅度区间系数,较大的幅度区间系数可以增加脉冲信号的波动范围,从而增强信号的强度;脉冲波动的相位偏移值g,该参数表示脉冲波动的相位偏移,相位偏移可以改变信号的相位特性,从而增加信号的强度;脉冲信号强度算法的误差调整值/>该参数表示脉冲信号强度算法的误差调整,通过适当调整误差值,可以对脉冲信号的强度进行修正。
优选地,步骤S2包括以下步骤:
步骤S21:对光信号脉冲特性数据进行相位空间重构转换,得到光信号相位空间数据;
步骤S22:对光信号相位空间数据进行相位空间轨迹分析,得到相位空间复杂度数据;
步骤S23:对光信号相位空间数据进行重构参数选择,得到相位空间重构参数;
步骤S24:根据相位空间重构参数以及相位空间复杂度数据进行光信号稳定性检测,得到光信号稳定性数据;
步骤S25:根据预设的信号状态识别模型对光信号稳定性数据进行异常状态检测,得到光信号异常状态数据。
本发明通过相位空间重构转换,将光信号脉冲特性数据转换为相位空间数据,这有助于更好地理解信号的相位特性和空间分布,对光信号相位空间数据进行分析,可以揭示信号在相位空间中的轨迹和变化,提供关于信号行为的进一步见解,选择适当的相位空间重构参数,可以优化数据的表示,有助于更好地捕捉信号的特性和变化,基于相位空间重构参数和相位空间复杂度数据,对光信号的稳定性进行检测,这可以用于发现信号的稳定性问题,例如波动或不稳定性,有助于维护和优化系统的性能,利用预设的信号状态识别模型,对光信号稳定性数据进行分析,以检测异常状态,这可以帮助系统及时发现问题,采取措施解决潜在的故障或异常情况,提高系统的可靠性和稳定性。
优选地,步骤S3包括以下步骤:
步骤S31:对光信号异常状态数据进行分类处理,得到异常状态分类数据;对异常状态分类数据进行标签注入,得到异常状态标签分类数据;
步骤S32:对异常状态标签分类数据进行聚类计算,得到异常状态聚类簇;
步骤S33:对异常状态聚类簇进行频域转换,得到异常状态标签分类频域图集;对异常状态标签分类频域图进行信号频率波形时间对齐,得到标准异常状态频域图集;
步骤S34:对标准异常状态频域图集进行指数分布特征抽样,得到异常状态特征抽样频域图;
步骤S35:对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集。
本发明通过对光信号异常状态数据进行分类处理,可以根据不同类型的异常将数据进行整理和分组,为分类后的异常状态数据添加标签,这有助于更容易地识别和区分不同类型的异常状态;对异常状态标签分类数据进行聚类计算,以识别具有相似特征的异常状态簇,将异常状态簇的数据进行频域转换,以分析它们在频域上的特征,同时,对异常状态的频域图进行时间对齐,以便进行比较和进一步分析;对标准异常状态频域图集进行指数分布特征抽样,这有助于提取异常状态的关键特征,以便更好地进行异常检测;利用已提取的异常状态特征,对异常状态数据集进行检索可以对异常状态特征进行详细分析,有助于识别出异常频率数据集。
优选地,步骤S35包括以下步骤:
步骤S351:对异常状态特征抽样频域图进行频率边界提取,得到异常状态频率边界数据;
步骤S352:对异常状态特征抽样频域图进行频率趋势分析,得到频率趋势走向数据;当频率趋势走向数据处于上升趋势时,对异常状态特征抽样频域图进行频率趋势反向检索,当上升趋势处于转折点时则停止反向检索,生成频率反向检索数据;
步骤S353:当频率趋势走向数据处于下降趋势时,对异常状态特征抽样频域图进行频率趋势正向检索,当下降趋势处于转折点时则停止正向检索,生成频率正向检索数据;
步骤S354:根据异常状态频率边界数据对频率反向检索数据以及频率正向检索数据进行频率标准差值计算,得到频率标准差数据;
步骤S355:对频率反向检索数据以及频率正向检索数据进行线性回归分析,得到异常频率关联数据;
步骤S356:根据频率标准差数据以及异常频率关联数据进行异常频率分析,得到异常频率数据集。
本发明通过分析频域图,可以提取异常状态的频率边界数据,这有助于确定异常状态的频率范围,从而更好地理解异常状态的性质,通过分析频率趋势,可以获得异常状态的趋势走向数据,这可以帮助监测异常状态是否在逐渐上升或下降,有助于预测可能的未来变化,有助于更准确地定位异常状态的发生和趋势变化,当检测到上升趋势或下降趋势时,系统执行反向或正向检索,以了解趋势变化的情况,这有助于确定趋势的变化点,从而更精确地分析异常状态的演变,根据异常状态频率边界数据,计算频率反向检索数据和频率正向检索数据的频率标准差,这可以提供有关异常状态频率变化的离散度信息,通过对频率反向检索数据和频率正向检索数据进行线性回归分析,可以识别异常状态之间的线性关联,这有助于理解异常状态之间的相互关系,从而更好地预测和识别问题,根据频率标准差数据和异常频率关联数据,进行综合的异常频率分析,这可以帮助系统操作员或分析师更好地理解异常状态的复杂性和趋势,以便采取适当的纠正措施。
优选地,步骤S4包括以下步骤:
步骤S41:对异常频率数据集进行序列化处理,得到异常频率序列数据;
步骤S42:将异常频率序列数据输入至循环神经网络中进行递归训练,得到异常频率递归数据;
步骤S43:利用异常频率复杂度算法对异常频率递归数据进行复杂度计算,得到异常频率递归复杂度数据;
步骤S44:根据异常频率递归复杂度数据进行循环神经网络层数适配,得到异常频率网络层数数据;基于异常频率网络层数数据进行节点数关联,得到网络层节点数数据;
步骤S45:根据异常频率网络层数数据以及网络层节点数数据对异常频率递归数据进行数据循环单元连接,得到异常频率循环连接数据;
步骤S46:获取光纤网络历史故障数据;
步骤S47:根据光纤网络历史故障数据对异常频率循环连接数据进行循环单元关联分析,得到故障循环连接数据;
步骤S48:利用Teacher Forcing算法对故障循环连接数据进行模型训练,得到光纤网络故障识别模型;
步骤S49:将光纤网络故障识别模型嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。
本发明对异常频率数据进行序列化处理,这有助于将数据转换成序列形式,便于后续处理和分析,将异常频率序列数据输入到循环神经网络中进行递归训练,这有助于模型学习序列数据中的模式和关联性,以便更好地理解数据特征,利用异常频率复杂度算法对递归数据进行复杂度计算,可以提供有关异常频率变化模式的深入理解,有助于揭示潜在的规律和特征,根据异常频率递归复杂度数据进行循环神经网络层数的适配,以及根据网络层数数据进行节点数关联,可以优化模型的复杂度和性能,使模型更加精确和高效,对异常频率递归数据和光纤网络历史故障数据进行循环单元连接和关联分析,有助于识别异常频率数据与故障数据之间的关联性和共性,为故障识别提供更准确的依据,利用TeacherForcing算法对故障循环连接数据进行模型训练,可以建立一个准确可靠的光纤网络故障识别模型,用于预测和识别光纤网络可能出现的故障情况,将训练好的故障识别模型嵌入至接收端传感器中,实现光纤网络状态的实时监测和故障检测,确保光纤网络的运行状态和安全性。
优选地,步骤S43中的异常频率复杂度算法如下所示:
其中,f表示异常频率递归数据的复杂度结果值,n表示复杂度计算次数值,表示异常频率递归数据的递归训练次数值,/>表示异常频率的变化速率差值,z表示异常频率网络层的复杂系数,/>表示网络层节点数的结构关联系数,/>表示异常频率网络层的层级关联度,/>表示异常频率递归数据的递归区间值,/>表示异常频率递归数据的数据耦合度,ω表示异常频率复杂度算法的偏差修正值。
本发明构建了一个异常频率复杂度算法,该算法综合考虑了多个参数,包括递归训练次数、变化速率差值、复杂系数、结构关联系数、层级关联度、递归区间值和数据耦合度,通过综合考虑这些参数,可以更全面地评估异常频率数据的复杂度,并提供一个综合的复杂度结果。该算法充分考虑了复杂度计算次数值n,该参数表示复杂度计算的次数,较大的计算次数可以提高算法的精度,从而得到更准确的复杂度结果;异常频率递归数据的递归训练次数值该参数表示异常频率递归数据的递归训练次数,较大的递归训练次数可以增加数据的复杂性,从而增加复杂度结果值;异常频率的变化速率差值/>该参数表示异常频率的变化速率差值,较大的变化速率差值可以增加异常频率的不规律性,从而增加复杂度结果值;异常频率网络层的复杂系数z,该参数表示异常频率网络层的复杂系数,较大的复杂系数可以增加网络层的复杂性;网络层节点数的结构关联系数/>该参数表示网络层节点数的结构关联系数,较大的结构关联系数可以增加网络的复杂性,从而增加复杂度结果值;异常频率网络层的层级关联度/>参数表示异常频率网络层的层级关联度,较大的层级关联度可以增加网络层之间的关联性,从而能够更好的评估复杂度结果值;常频率递归数据的递归区间值/>该参数表示异常频率递归数据的递归区间值,较大的递归区间值可以增加递归数据的复杂性,从而增加复杂度结果值;异常频率递归数据的数据耦合度/>该参数表示异常频率递归数据的数据耦合度,较大的数据耦合度表示数据之间的关联性较强,从而增加复杂度结果值;异常频率复杂度算法的偏差修正值ω,该参数表示异常频率复杂度算法的偏差修正,通过调整偏差修正值,可以对复杂度结果进行修正,使其更加准确。
优选地,本发明还提供一种基于光纤网络的运行状态检测系统,用于执行如上所述的基于光纤网络的运行状态检测方法,该基于光纤网络的运行状态检测系统包括:
光信号脉冲特性分析模块,用于对光纤网络进行传输信号收集,得到初始传输光信号;根据初始传输光信号进行脉冲特性分析,得到光信号脉冲特性数据;
光信号异常状态检测模块,用于对光信号脉冲特性数据进行相位空间轨迹分析,得到相位空间复杂度数据;根据相位空间复杂度数据进行光信号稳定性检测,得到光信号稳定性数据;对光信号稳定性数据进行异常状态检测,得到光信号异常状态数据;
异常频率检索模块,用于对光信号异常状态数据进行指数分布特征抽样,得到异常状态特征抽样频域图;对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集;
光纤网络故障识别模块,用于对异常频率数据集进行数据循环单元连接,得到异常频率循环连接数据;根据异常频率循环连接数据进行循环单元关联分析,得到故障循环连接数据;对异常频率故障循环连接数据进行模型训练,得到光纤网络异常频率故障识别模型;将光纤网络异常频率故障识别模型嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。
本发明的有益效果,本发明通过对光纤网络进行传输信号的收集,可以获取实时的数据,包括光信号的强度、频率、相位信息,这些数据是进行后续分析的基础,通过对初始传输光信号进行脉冲特性分析,可以检测到潜在的问题和异常,例如,可能会发现光信号的强度下降、相位偏移或脉冲形状异常问题,这有助于及早发现潜在的故障或性能问题,通过脉冲特性分析,可以建立光信号的基准,以便与未来的数据进行比较,如果光信号的特性与基准不匹配,表明存在问题;相位空间轨迹分析可以提供更详细的信号特性信息,包括信号的相位变化和波动情况,这有助于更全面地了解光信号的性质;通过相位空间复杂度数据进行光信号稳定性检测,可以识别信号的不稳定性或波动,这可能是由于故障、噪声或其他问题引起的,这有助于维护人员确定网络中的稳定性问题;光信号异常状态数据的生成允许检测可能的异常或故障情况,异常状态可能表明潜在的问题,如信号丢失、串扰、光纤断裂或连接问题,通过检测稳定性问题和异常状态,可以采取预测性维护措施,从而减少故障风险,提高网络的可靠性;指数分布特征抽样允许将大量异常状态数据降维为更具代表性的特征数据,这有助于减少数据的复杂性,同时保留关键信息,生成异常状态特征抽样频域图后,可以进行频域分析,以更好地理解异常状态数据的频率特征,这有助于揭示可能的频率相关问题,如振荡或干扰;通过异常频率检索,可以识别出光信号中存在的异常频率成分,这有助于确定异常的性质和根本原因,例如振荡频率、干扰频率或其他频率相关问题;异常频率数据集的生成和分析有助于快速定位光纤网络中的频率相关故障,这可以减少维修时间和提高网络的可用性;将异常频率数据集进行循环单元连接,可以帮助保持数据的时序特性,确保数据在时间上的连续性,这对于分析光纤网络状态的变化趋势非常重要;通过分析异常频率循环连接数据,可以识别出不同循环单元之间的关联性,这有助于理解数据之间的内在关系,可能揭示出异常发生的模式或规律;将异常频率故障循环连接数据用于训练模型,可以利用机器学习算法或深度学习技术构建出光纤网络异常频率故障识别模型,这个模型可以根据输入的异常频率数据,识别出网络中可能存在的故障或异常情况,将训练好的异常频率故障识别模型嵌入至接收端传感器中,实现光纤网络状态的实时检测,这样,系统可以自动监测光纤网络的运行状态,及时发现异常情况,有助于快速响应问题,减少网络中断时间,提高服务质量,通过实时监测光纤网络的运行状态,系统可以在出现异常情况时自动采取预防或修复措施,提高了系统的可靠性和稳定性。因此本发明光纤网络的运行状态检测系统及方法是对传统的光纤运行状态检测方法做出的优化处理,解决了传统光纤运行状态检测方法存在的检测精度低,实时性差的问题,提高了检测的精确度,提高了检测的实时性能力。
附图说明
图1为本发明的光纤网络的运行状态检测方法的步骤流程示意图;
图2为图1中步骤S3的详细实施步骤流程示意图;
图3为图2中步骤S35的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图3,本发明提供一种光纤网络的运行状态检测方法,所述方法包括以下步骤:
步骤S1:对光纤网络进行传输信号收集,得到初始传输光信号;根据初始传输光信号进行脉冲特性分析,得到光信号脉冲特性数据;
步骤S2:对光信号脉冲特性数据进行相位空间轨迹分析,得到相位空间复杂度数据;根据相位空间复杂度数据进行光信号稳定性检测,得到光信号稳定性数据;对光信号稳定性数据进行异常状态检测,得到光信号异常状态数据;
步骤S3:对光信号异常状态数据进行指数分布特征抽样,得到异常状态特征抽样频域图;对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集;
步骤S4:对异常频率数据集进行数据循环单元连接,得到异常频率循环连接数据;根据异常频率循环连接数据进行循环单元关联分析,得到故障循环连接数据;对异常频率故障循环连接数据进行模型训练,得到光纤网络异常频率故障识别模型;将光纤网络异常频率故障识别模型嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。
本发明实施例中,参考图1所述,为本发明光纤网络的运行状态检测系统及方法的步骤流程示意图,在本实例中,所述光纤网络的运行状态检测方法包括以下步骤:
步骤S1:对光纤网络进行传输信号收集,得到初始传输光信号;根据初始传输光信号进行脉冲特性分析,得到光信号脉冲特性数据;
本发明实施例中,安装光纤传感器或光纤连接设备,以能够接收光信号,确保光纤网络与传感器或设备连接正确,使其能够接收网络中的传输信号,对采集到的传输信号进行预处理,以消除噪声和干扰,预处理操作包括滤波、降噪、信号放大,分析信号的振幅变化,以确定信号的脉冲幅度特性,测量脉冲的时间宽度,以确定信号的脉冲宽度特性,计算脉冲之间的时间间隔,以确定脉冲之间的时序特性。
步骤S2:对光信号脉冲特性数据进行相位空间轨迹分析,得到相位空间复杂度数据;根据相位空间复杂度数据进行光信号稳定性检测,得到光信号稳定性数据;对光信号稳定性数据进行异常状态检测,得到光信号异常状态数据;
本发明实施例中,使用脉冲特性数据中的相位信息,建立光信号的相位空间轨迹,进行信号插值或重采样,以获得平滑的相位空间轨迹,使用数学工具和算法,如傅立叶变换、小波变换、相位空间分析,来分析相位空间轨迹的特性,提取相位空间复杂度数据,这可能包括相位的频谱分析、相位变化的梯度分析,基于相位空间复杂度数据,评估光信号的稳定性,稳定性可以与相位空间轨迹的平滑性、周期性或其他特征相关,使用光信号稳定性数据,执行异常状态检测,以识别可能的异常情况。
步骤S3:对光信号异常状态数据进行指数分布特征抽样,得到异常状态特征抽样频域图;对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集;
本发明实施例中,获取光信号异常状态数据,这些数据可能是在步骤S2中检测到的异常状态的记录,利用指数分布模型来拟合这些数据,指数分布通常用于描述事件之间的时间间隔,它具有特定的概率分布函数,利用异常状态的指数分布特征,可以生成频域图,这通常涉及将时间域数据转换为频域数据,例如进行傅立叶变换,在频域图中,搜索并识别异常频率成分,这些频率成分可能是与异常状态相关的振动或波动,可以使用频率分析技术,如频谱分析或滤波方法,来检测和提取异常频率。
步骤S4:对异常频率数据集进行数据循环单元连接,得到异常频率循环连接数据;根据异常频率循环连接数据进行循环单元关联分析,得到故障循环连接数据;对异常频率故障循环连接数据进行模型训练,得到光纤网络异常频率故障识别模型;将光纤网络异常频率故障识别模型嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。
本发明实施例中,将异常频率数据集中的数据按照一定的顺序进行循环单元连接,循环单元连接是指将数据集中的数据按照时间顺序或其他逻辑顺序连接起来,形成循环数据结构,这种连接方式可以帮助保留数据之间的时间关系和时序特性;对异常频率循环连接数据进行循环单元关联分析,这包括对循环连接数据中的特征进行统计分析、相关性分析,以便发现数据之间的关联规律和特征;利用循环连接数据,选择合适的机器学习算法(如深度学习模型、支持向量机)进行训练,训练的目标是构建一个能够识别光纤网络异常频率故障的预测模型;将训练好的异常频率故障识别模型嵌入至接收端传感器中,这可以通过软件编程的方式将模型集成到接收端传感器的控制系统中,或者利用专用的硬件模块来实现模型的嵌入,确保接收端传感器能够实时接收光信号数据,并将数据传输给嵌入的异常频率故障识别模型进行实时检测和分析,一旦异常频率故障识别模型嵌入至接收端传感器中,系统就可以实时监测光纤网络的状态,当接收到新的光信号数据时,传感器将数据输入到嵌入的模型中进行识别,如果模型检测到异常频率故障的存在,系统可以发出警报或采取相应的措施,如自动切换到备用网络或通知维护人员进行修复。
本发明通过对光纤网络进行传输信号的收集,可以获取实时的数据,包括光信号的强度、频率、相位信息,这些数据是进行后续分析的基础,通过对初始传输光信号进行脉冲特性分析,可以检测到潜在的问题和异常,例如,可能会发现光信号的强度下降、相位偏移或脉冲形状异常问题,这有助于及早发现潜在的故障或性能问题,通过脉冲特性分析,可以建立光信号的基准,以便与未来的数据进行比较,如果光信号的特性与基准不匹配,表明存在问题;相位空间轨迹分析可以提供更详细的信号特性信息,包括信号的相位变化和波动情况,这有助于更全面地了解光信号的性质;通过相位空间复杂度数据进行光信号稳定性检测,可以识别信号的不稳定性或波动,这可能是由于故障、噪声或其他问题引起的,这有助于维护人员确定网络中的稳定性问题;光信号异常状态数据的生成允许检测可能的异常或故障情况,异常状态可能表明潜在的问题,如信号丢失、串扰、光纤断裂或连接问题,通过检测稳定性问题和异常状态,可以采取预测性维护措施,从而减少故障风险,提高网络的可靠性;指数分布特征抽样允许将大量异常状态数据降维为更具代表性的特征数据,这有助于减少数据的复杂性,同时保留关键信息,生成异常状态特征抽样频域图后,可以进行频域分析,以更好地理解异常状态数据的频率特征,这有助于揭示可能的频率相关问题,如振荡或干扰;通过异常频率检索,可以识别出光信号中存在的异常频率成分,这有助于确定异常的性质和根本原因,例如振荡频率、干扰频率或其他频率相关问题;异常频率数据集的生成和分析有助于快速定位光纤网络中的频率相关故障,这可以减少维修时间和提高网络的可用性;将异常频率数据集进行循环单元连接,可以帮助保持数据的时序特性,确保数据在时间上的连续性,这对于分析光纤网络状态的变化趋势非常重要;通过分析异常频率循环连接数据,可以识别出不同循环单元之间的关联性,这有助于理解数据之间的内在关系,可能揭示出异常发生的模式或规律;将异常频率故障循环连接数据用于训练模型,可以利用机器学习算法或深度学习技术构建出光纤网络异常频率故障识别模型,这个模型可以根据输入的异常频率数据,识别出网络中可能存在的故障或异常情况,将训练好的异常频率故障识别模型嵌入至接收端传感器中,实现光纤网络状态的实时检测,这样,系统可以自动监测光纤网络的运行状态,及时发现异常情况,有助于快速响应问题,减少网络中断时间,提高服务质量,通过实时监测光纤网络的运行状态,系统可以在出现异常情况时自动采取预防或修复措施,提高了系统的可靠性和稳定性。因此本发明光纤网络的运行状态检测系统及方法是对传统的光纤运行状态检测方法做出的优化处理,解决了传统光纤运行状态检测方法存在的检测精度低,实时性差的问题,提高了检测的精确度,提高了检测的实时性能力。
优选地,步骤S1包括以下步骤:
步骤S11:对光纤网络进行传输信号收集,得到初始传输光信号;
步骤S12:对初始传输光信号进行信号增强处理,得到增强传输光信号;
步骤S13:对增强传输光信号进行波长分离,得到波长分离数据集;
步骤S14:对波长分离数据集进行时延测量,得到光信号时延数据;
步骤S15:根据波长分离数据集以及光信号时延数据进行脉冲特性分析,得到光信号脉冲特性数据。
本发明实施例中,在光纤网络中设置传感器或接收设备,以捕获光信号的原始数据,收集光信号数据,包括信号的强度、波长和时间信息,这可以通过使用光纤接收器、激光发射器或其他相关设备来实现;对初始传输光信号进行放大处理,使用放大器来增强信号的幅度,以确保它在后续处理阶段中具有足够的强度,以增强信号质量和清晰度,使用光谱分析设备,如分光仪或光栅,将增强光信号分离成不同波长的光信号,这一步骤的结果是得到一组波长分离数据,每个数据代表一个特定波长的光信号,安装适当的光学分光装置,例如分光仪、波分复用器(WDM)、光栅,以便将多个波长的光信号分离开,使用光学分光装置将多个波长的光信号分开,每个波长形成一个单独的输出光束,这可以通过反射、折射或光栅原理来实现,调整分光装置的参数,以便实现所需的波长分离效果,使用适当的时延测量设备或技术,例如光学干涉仪、光时域反射仪(OTDR)、光频域反射仪(OFDR)或其他时延测量设备,来测量信号的时延,如果数据集包含多个波长的信号,进行波长分辨以单独测量每个波长的时延,利用波长分离数据集和时延数据,对每个波长的光信号进行脉冲特性分析,脉冲特性分析可以包括测量脉冲宽度、脉冲幅度、脉冲形状特征,以帮助了解光信号的特性和性能。
本发明通过对光纤网络进行传输信号的收集,可以获得初始传输光信号数据,这为后续处理提供了起点数据,提供了对网络运行状态的初始了解;对初始传输光信号进行增强处理,可以改善信号质量、提高信号的清晰度和稳定性,这有助于减少信号传输过程中的损耗和噪声,提升数据的可靠性和可用性;波长分离可将不同波长的光信号分隔开来,形成一个波长分离数据集,这有助于同时传输多路信号而不相互干扰,提高了光纤网络的通信容量和效率;通过对波长分离数据集进行时延测量,获得光信号在传输过程中的时延数据,这对于检测潜在的延迟问题或者信号传输中出现的时序偏移具有重要意义;基于波长分离数据和时延数据,进行脉冲特性分析,能够提取信号的特征信息,这有助于发现信号中的特定模式或者特征,可能反映光纤网络中的异常或特殊情况。
优选地,步骤S15包括以下步骤:
步骤S151:根据波长分离数据集进行光信号波形提取,得到光信号波形数据;对光信号波形数据进行基准对齐,得到光信号波形基准数据;
步骤S152:基于光信号波形基准数据对光信号波形数据进行波形宽度测量,得到波形宽度基准数据;
步骤S153:对波形宽度基准数据进行相位分析,得到波形相位偏移数据;基于光信号时延数据对波形相位偏移数据进行相位延迟分析,得到波形相位延迟数据;
步骤S154:根据波形相位延迟数据进行波形包络特性分析,得到波形包络特性数据;
步骤S155:根据波形相位延迟数据以及波形包络特性数据对光信号波形数据进行瞬态脉冲信号提取,得到脉冲信号瞬态数据;
步骤S156:利用脉冲信号强度算法对脉冲信号瞬态数据进行脉冲能量计算,得到脉冲信号能量数据;
步骤S157:基于脉冲信号能量数据以及波形包络特性数据进行脉冲特性分析,得到光信号脉冲特性数据。
本发明实施例中,从波长分离数据集中提取光信号的波形数据,确保提取的波形包含关键信息,对光信号波形数据进行基准对齐,以确保后续的测量和分析是在相同的时间基准上进行的,使用适当的测量方法对光信号波形的宽度进行测量,涉及到峰值、半高全宽指标,使用快速傅里叶变换(FFT)或其他频谱分析方法将波形转换为频域,这将使您能够识别信号的频率成分,在频谱中检测主要频率成分,通常,这些频率成分与信号的主要周期或振荡特性相关,对于检测到的频率成分,计算其相位,相位通常以弧度或角度表示,获取与光信号相关的时延数据,这可以是来自其他测量设备或传感器的数据,用于将相位信息与时间对齐,使用光信号时延数据对波形的相位数据进行对齐,这是为了确保相位信息与时间同步,以便进行进一步的分析,计算对齐后的相位数据之间的相位差。这将给出相位随时间变化的信息,即波形的相位延迟;将原始波形与窗函数相乘,其中窗函数通常是一个较宽的高斯窗口或矩形窗口,然后,对结果进行平滑处理,以获取包络曲线,对原始波形进行希尔伯特变换,然后计算得到的解析信号的振幅,从包络曲线中提取特性,这可能包括振幅最大值、振幅最小值、包络峰峰值、包络均方根(RMS)特性;使用步骤S154中获得的波形相位延迟数据对波形数据进行相位校正,这可以涉及将波形数据按照相位延迟进行平移,以使信号在时间上对齐,利用步骤S154中得到的波形包络特性数据,以对波形数据进行包络调整。这可以通过将波形数据乘以包络函数或应用滤波器来实现,利用已调整的波形数据,检测和提取其中的瞬态脉冲信号,这可以采用各种信号处理技术,如阈值检测、滤波、峰值检测,利用选定的算法,对瞬态脉冲信号的数据进行处理,以计算脉冲信号的能量,基于波形包络特性数据和脉冲信号能量数据,进行脉冲特性分析,其中包括脉冲持续时间,脉冲频谱特性,脉冲幅度分布。
本发明通过提取光信号波形数据并进行基准对齐,可提高数据的准确性和可靠性,确保后续分析的基础准确,测量光信号波形的宽度,有助于理解波形特征,可能为分析过程提供重要特征和参考数据,通过对波形宽度基准数据进行相位分析及相位延迟分析,有助于提取信号的相位偏移和延迟情况,进一步理解光信号的时序特性,分析波形相位延迟数据,以获取光信号波形的包络特性,这有助于更全面地了解信号的形态和特点,通过对波形相位延迟数据和波形包络特性数据进行瞬态脉冲信号提取,可以识别和提取出脉冲信号的瞬态特征,对于识别特定事件或异常具有重要意义,利用脉冲信号强度算法对脉冲信号瞬态数据进行能量计算,可用于量化脉冲信号的强度和对比不同信号之间的能量差异,基于脉冲信号能量数据及波形包络特性数据进行脉冲特性分析,有助于识别和理解光信号中的脉冲特性,揭示潜在问题或提供关键信息。
优选地,步骤S156中的脉冲信号强度算法如下所示:
其中,S表示脉冲信号的能量结果值,R表示脉冲信号的最大振幅值,t表示脉冲信号的持续时间值,a表示脉冲信号的指数增长速率值,b表示脉冲信号在时间上的衰减速度值,c表示脉冲信号瞬态数据的权重系数,表示脉冲信号在时间上的余弦波振荡系数值,x表示脉冲波动幅度区间系数,g表示脉冲波动的相位偏移值,/>表示脉冲信号强度算法的误差调整值。
本发明构建了一个脉冲信号强度算法,该算法能够很好的计算脉冲信号能量值。该算法充分考虑了脉冲信号的最大振幅值R,该参数表示脉冲信号的振幅大小,较大的振幅值意味着更强的信号能量,因此可以增加脉冲信号的强度;脉冲信号的持续时间值t,该参数表示脉冲信号的持续时间,较长的持续时间可以使脉冲信号在时间上更长久地传播,从而增加信号的能量;脉冲信号的指数增长速率值a,该参数表示脉冲信号的增长速率,较大的增长速率可以使脉冲信号迅速增强,从而增加信号的强度;脉冲信号在时间上的衰减速度值b,脉冲信号瞬态数据的权重系数c,该参数表示脉冲信号瞬态数据的权重,较大的权重可以增加瞬态数据对信号强度的贡献,从而增强信号的强度;脉冲信号在时间上的余弦波振荡系数值该参数表示脉冲信号的余弦波振荡系数,较大的振荡系数可以使信号在时间上产生更多的振荡,从而增加信号的强度;脉冲波动幅度区间系数x,该参数表示脉冲波动的幅度区间系数,较大的幅度区间系数可以增加脉冲信号的波动范围,从而增强信号的强度;脉冲波动的相位偏移值g,该参数表示脉冲波动的相位偏移,相位偏移可以改变信号的相位特性,从而增加信号的强度;脉冲信号强度算法的误差调整值/>该参数表示脉冲信号强度算法的误差调整,通过适当调整误差值,可以对脉冲信号的强度进行修正。
优选地,步骤S2包括以下步骤:
步骤S21:对光信号脉冲特性数据进行相位空间重构转换,得到光信号相位空间数据;
步骤S22:对光信号相位空间数据进行相位空间轨迹分析,得到相位空间复杂度数据;
步骤S23:对光信号相位空间数据进行重构参数选择,得到相位空间重构参数;
步骤S24:根据相位空间重构参数以及相位空间复杂度数据进行光信号稳定性检测,得到光信号稳定性数据;
步骤S25:根据预设的信号状态识别模型对光信号稳定性数据进行异常状态检测,得到光信号异常状态数据。
本发明实施例中,利用信号处理技术,对脉冲特性数据进行相位空间重构转换,这可以包括傅里叶变换、小波变换或其他适用的数学变换,以将数据从时间域或频率域转换为相位空间数据,对相位空间数据进行轨迹分析,以获得相位空间复杂度数据,这可以包括寻找轨迹的形状、变化和稳定性方面的信息,根据特定的目标,选择适当的重构参数,以调整相位空间数据以满足后续的稳定性检测需求,这涉及到参数的优化、滤波或其他数据处理步骤,使用相位空间重构参数和复杂度数据,进行稳定性检测,这可以包括比较不同时间点的数据,检测相位空间轨迹的变化,以确定信号的稳定性,基于已知的正常和异常数据,建立一个信号状态识别模型,这可以是基于机器学习的模型,如支持向量机、神经网络、决策树,使用预设的信号状态识别模型,对光信号的稳定性数据进行异常状态检测,模型将帮助确定是否存在异常情况,其中。
本发明通过相位空间重构转换,将光信号脉冲特性数据转换为相位空间数据,这有助于更好地理解信号的相位特性和空间分布,对光信号相位空间数据进行分析,可以揭示信号在相位空间中的轨迹和变化,提供关于信号行为的进一步见解,选择适当的相位空间重构参数,可以优化数据的表示,有助于更好地捕捉信号的特性和变化,基于相位空间重构参数和相位空间复杂度数据,对光信号的稳定性进行检测,这可以用于发现信号的稳定性问题,例如波动或不稳定性,有助于维护和优化系统的性能,利用预设的信号状态识别模型,对光信号稳定性数据进行分析,以检测异常状态,这可以帮助系统及时发现问题,采取措施解决潜在的故障或异常情况,提高系统的可靠性和稳定性。
优选地,步骤S3包括以下步骤:
步骤S31:对光信号异常状态数据进行分类处理,得到异常状态分类数据;对异常状态分类数据进行标签注入,得到异常状态标签分类数据;
步骤S32:对异常状态标签分类数据进行聚类计算,得到异常状态聚类簇;
步骤S33:对异常状态聚类簇进行频域转换,得到异常状态标签分类频域图集;对异常状态标签分类频域图进行信号频率波形时间对齐,得到标准异常状态频域图集;
步骤S34:对标准异常状态频域图集进行指数分布特征抽样,得到异常状态特征抽样频域图;
步骤S35:对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S3包括:
步骤S31:对光信号异常状态数据进行分类处理,得到异常状态分类数据;对异常状态分类数据进行标签注入,得到异常状态标签分类数据;
本发明实施例中,将异常状态数据划分为不同的类别,这可以使用聚类算法,如K均值、层次聚类、DBSCAN,或者分类算法,如支持向量机、决策树、神经网络,为每个数据点(或数据点集合)添加标签,以描述数据所属的异常状态,标签可以是事先定义的,也可以是根据数据的特征自动分配的,最终获得异常状态分类数据集,其中每个数据点都被分类和标记,以便后续的分析和处理。
步骤S32:对异常状态标签分类数据进行聚类计算,得到异常状态聚类簇;
本发明实施例中,定义一个相似性度量来度量数据点之间的相似性,常见的相似性度量包括欧氏距离、余弦相似性、曼哈顿距离,选择适合数据的度量方法,选择适当的聚类算法来执行聚类计算,一些常见的聚类算法包括K均值聚类、层次聚类、DBSCAN、谱聚类,选择的算法应该根据数据的特性和需求来确定,根据所选的聚类算法,在数据上初始化聚类,通常需要指定簇的数量(K值)或使用算法自动确定簇的数量,使用选定的聚类算法对数据进行聚类计算,算法将根据相似性度量将数据点分配到不同的簇,对生成的聚类结果进行评估,可以使用内部指标(如轮廓系数、Davies-Bouldin指数)或外部指标(如兰德指数、NMI)来评估聚类的质量,这有助于确定聚类的合适性和有效性。
步骤S33:对异常状态聚类簇进行频域转换,得到异常状态标签分类频域图集;对异常状态标签分类频域图进行信号频率波形时间对齐,得到标准异常状态频域图集;
本发明实施例中,对每个异常状态聚类簇中的数据进行频域转换,通常使用傅里叶变换或其他适当的频域转换技术,将时域信号转换为频域表示,这将产生每个聚类簇的频域图;对异常状态标签分类频域图进行频率和时间对齐,以确保它们在频域上具有相似的特性,并且在时间上对齐以便于比较,可以使用插值、时频分析技术来进行时间对齐,频率对齐通常涉及调整频率分辨率,以便进行比较;对齐后的频域图可以被视为标准异常状态频域图集,这些图表现了在频域上相似的异常状态特性,可以用于进一步的分析和处理。
步骤S34:对标准异常状态频域图集进行指数分布特征抽样,得到异常状态特征抽样频域图;
本发明实施例中,获得标准异常状态频域图集,这通常是从先前的数据采集或记录中获得的,确定指数分布特征的抽样参数,例如抽样率或抽样间隔,遍历标准异常状态频域图集,对频域图进行指数分布特征抽样,具体步骤如下:a.选择一个起始点,可以是频谱中的某个频率或其他合适的特征。b.确定抽样间隔,通常采用指数增长,例如每次乘以一个固定的因子。c.从起始点开始,以指数增长的方式选择频域图中的频率成分。d.每次选择一个频率成分后,提取该频率成分的幅度和相位信息。e.重复步骤c和d直到覆盖整个频域图或达到所需的抽样点数,将抽样得到的频率成分的幅度和相位信息存储在一个特征向量中,这个特征向量代表了异常状态的特征抽样频域图,对标准异常状态频域图集中的每个频域图都执行上述特征抽样过程。
步骤S35:对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集。
本发明实施例中,获取异常状态特征抽样频域图集,这通常是在步骤S33中获得的,识别哪些频率成分被认为是异常的,这可以包括阈值检测、统计检测、机器学习模型方法,对于每个异常状态特征抽样频域图,记录检测到的异常频率信息,包括频率值、幅度、相位相关数据。
本发明通过对光信号异常状态数据进行分类处理,可以根据不同类型的异常将数据进行整理和分组,为分类后的异常状态数据添加标签,这有助于更容易地识别和区分不同类型的异常状态;对异常状态标签分类数据进行聚类计算,以识别具有相似特征的异常状态簇,将异常状态簇的数据进行频域转换,以分析它们在频域上的特征,同时,对异常状态的频域图进行时间对齐,以便进行比较和进一步分析;对标准异常状态频域图集进行指数分布特征抽样,这有助于提取异常状态的关键特征,以便更好地进行异常检测;利用已提取的异常状态特征,对异常状态数据集进行检索可以对异常状态特征进行详细分析,有助于识别出异常频率数据集。
优选地,步骤S35包括以下步骤:
步骤S351:对异常状态特征抽样频域图进行频率边界提取,得到异常状态频率边界数据;
步骤S352:对异常状态特征抽样频域图进行频率趋势分析,得到频率趋势走向数据;当频率趋势走向数据处于上升趋势时,对异常状态特征抽样频域图进行频率趋势反向检索,当上升趋势处于转折点时则停止反向检索,生成频率反向检索数据;
步骤S353:当频率趋势走向数据处于下降趋势时,对异常状态特征抽样频域图进行频率趋势正向检索,当下降趋势处于转折点时则停止正向检索,生成频率正向检索数据;
步骤S354:根据异常状态频率边界数据对频率反向检索数据以及频率正向检索数据进行频率标准差值计算,得到频率标准差数据;
步骤S355:对频率反向检索数据以及频率正向检索数据进行线性回归分析,得到异常频率关联数据;
步骤S356:根据频率标准差数据以及异常频率关联数据进行异常频率分析,得到异常频率数据集。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S35包括:
步骤S351:对异常状态特征抽样频域图进行频率边界提取,得到异常状态频率边界数据;
本发明实施例中,根据异常状态特征抽样频域图中的频率成分,确定频率范围的边界,可以是主要频率成分的边界或其他相关信息,以描述频率范围,将这些频率边界数据记录下来,以得到异常状态频率边界数据。
步骤S352:对异常状态特征抽样频域图进行频率趋势分析,得到频率趋势走向数据;当频率趋势走向数据处于上升趋势时,对异常状态特征抽样频域图进行频率趋势反向检索,当上升趋势处于转折点时则停止反向检索,生成频率反向检索数据;
本发明实施例中,获取异常状态特征抽样频域图集,对每个频域图执行频率趋势分析,确定频率成分的趋势走向,例如是否呈现上升、下降或保持稳定,当频率趋势数据处于上升趋势时,进行频率趋势反向检索,确认数据处于上升趋势,并记录相关数据点,从当前频域图或数据点开始,反向检索频率数据,逐步检查前面的频率数据点,寻找趋势反向的转折点或停止条件,可以使用斜率、变化率或相关统计量来检测转折点,当上升趋势处于转折点时,记录该点,并停止反向检索,将所记录的转折点或相关数据点的频率值汇总为频率反向检索数据。
步骤S353:当频率趋势走向数据处于下降趋势时,对异常状态特征抽样频域图进行频率趋势正向检索,当下降趋势处于转折点时则停止正向检索,生成频率正向检索数据;
本发明实施例中,获取异常状态特征抽样频域图集,对每个频域图执行频率趋势正向检索,当频率趋势数据处于下降趋势时,进行频率趋势正向检索,从当前频域图或数据点开始,正向检索频率数据,逐步检查后续的频率数据点,寻找趋势正向的转折点或停止条件,可以使用斜率、变化率或相关统计量来检测转折点,当下降趋势处于转折点时,记录该点,并停止正向检索,将所记录的转折点或相关数据点的频率值汇总为频率正向检索数据。
步骤S354:根据异常状态频率边界数据对频率反向检索数据以及频率正向检索数据进行频率标准差值计算,得到频率标准差数据;
本发明实施例中,针对频率反向检索数据集,计算其频率值的标准差,标准差是衡量数据分散度或离散程度的一种统计指标,将计算得到的频率反向检索数据的标准差值和频率正向检索数据的标准差值记录下来,以生成频率标准差数据。
步骤S355:对频率反向检索数据以及频率正向检索数据进行线性回归分析,得到异常频率关联数据;
本发明实施例中,获取频率反向检索数据和频率正向检索数据,这些数据应该包括频率值和可能与其相关的其他变量值,通常,线性回归分析用于探究两个或多个变量之间的关系,决定使用哪种线性回归模型,如简单线性回归(单一自变量)或多元线性回归(多个自变量),对于每个数据集(频率反向检索数据和频率正向检索数据),建立线性回归模型,利用回归分析工具,拟合数据,以确定截距(a)和回归系数(b)的值。这些值将用于建立线性关系模型,评估模型的拟合度和质量。可以使用统计指标如R方(决定系数)来评估模型的拟合度,通过将频率值带入模型,预测与异常状态相关的频率值,残差是实际观察值与回归模型预测值之间的差异,可用于评估异常状态,使用异常频率关联数据来分析异常状态,并评估其对系统或设备的影响,这涉及与异常状态频率边界数据的比较,以确定是否存在异常情况。
步骤S356:根据频率标准差数据以及异常频率关联数据进行异常频率分析,得到异常频率数据集。
本发明实施例中,获取频率标准差数据,这是用于度量频率数据的离散程度或波动性的统计指标,对频率数据集进行标准差计算,标准差表示数据的离散程度,如果标准差较高,说明数据的波动性较大,可能存在异常情况,确定用于定义异常频率的标准,可以是标准差的多少倍,通常,异常频率的标准是根据特定的领域知识或实际需求来设定的,比较频率数据的标准差与异常标准,标记超过异常标准的频率数据点为异常频率,这些数据点被认为是偏离了正常波动性的数据点,将被标记为异常的频率数据点从频率数据集中提取,形成异常频率数据集。
本发明通过分析频域图,可以提取异常状态的频率边界数据,这有助于确定异常状态的频率范围,从而更好地理解异常状态的性质,通过分析频率趋势,可以获得异常状态的趋势走向数据,这可以帮助监测异常状态是否在逐渐上升或下降,有助于预测可能的未来变化,有助于更准确地定位异常状态的发生和趋势变化,当检测到上升趋势或下降趋势时,系统执行反向或正向检索,以了解趋势变化的情况,这有助于确定趋势的变化点,从而更精确地分析异常状态的演变,根据异常状态频率边界数据,计算频率反向检索数据和频率正向检索数据的频率标准差,这可以提供有关异常状态频率变化的离散度信息,通过对频率反向检索数据和频率正向检索数据进行线性回归分析,可以识别异常状态之间的线性关联,这有助于理解异常状态之间的相互关系,从而更好地预测和识别问题,根据频率标准差数据和异常频率关联数据,进行综合的异常频率分析,这可以帮助系统操作员或分析师更好地理解异常状态的复杂性和趋势,以便采取适当的纠正措施。
优选地,步骤S4包括以下步骤:
步骤S41:对异常频率数据集进行序列化处理,得到异常频率序列数据;
步骤S42:将异常频率序列数据输入至循环神经网络中进行递归训练,得到异常频率递归数据;
步骤S43:利用异常频率复杂度算法对异常频率递归数据进行复杂度计算,得到异常频率递归复杂度数据;
步骤S44:根据异常频率递归复杂度数据进行循环神经网络层数适配,得到异常频率网络层数数据;基于异常频率网络层数数据进行节点数关联,得到网络层节点数数据;
步骤S45:根据异常频率网络层数数据以及网络层节点数数据对异常频率递归数据进行数据循环单元连接,得到异常频率循环连接数据;
步骤S46:获取光纤网络历史故障数据;
步骤S47:根据光纤网络历史故障数据对异常频率循环连接数据进行循环单元关联分析,得到故障循环连接数据;
步骤S48:利用Teacher Forcing算法对故障循环连接数据进行模型训练,得到光纤网络故障识别模型;
步骤S49:将光纤网络故障识别模型嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。
本发明实施例中,将异常频率数据集转化为时间序列数据,通常包括时间戳和频率值,创建循环神经网络(RNN)模型,可以使用LSTM(长短时记忆网络)或GRU(门控循环单元)架构,通过迭代训练RNN模型,使其学习异常频率数据的序列模式和时间依赖性,在每个时间步上,将异常频率序列数据输入到RNN中,然后使用损失函数进行模型训练,以减小预测误差,重复训练过程直到模型达到满意的性能水平,利用异常频率复杂度算法来度量RNN输出的异常频率递归数据的复杂性,根据复杂度数据,调整RNN模型的层数,增加或减少循环层,以使模型更适合异常频率数据的特性,根据调整后的RNN结构,重新构建模型并训练,以获取异常频率数据的新递归表示,收集光纤网络的历史故障数据,包括时间戳、故障类型、位置信息,使用历史故障数据,将异常频率循环连接数据与故障数据进行关联分析,以识别可能与故障相关的模式和特征,创建一个故障识别模型,可以使用深度学习模型,使用Teacher Forcing算法,将历史故障数据作为目标数据,将异常频率循环连接数据作为输入数据,通过训练模型来学习故障识别任务,对模型进行迭代训练,以使其能够准确识别光纤网络的故障,部署已训练的故障识别模型到接收端传感器或网络设备中,以实时监测光纤网络的状态,当模型检测到潜在的故障或异常时,可以触发警报或采取自动化操作来改善光纤网络的运行状态。
本发明对异常频率数据进行序列化处理,这有助于将数据转换成序列形式,便于后续处理和分析,将异常频率序列数据输入到循环神经网络中进行递归训练,这有助于模型学习序列数据中的模式和关联性,以便更好地理解数据特征,利用异常频率复杂度算法对递归数据进行复杂度计算,可以提供有关异常频率变化模式的深入理解,有助于揭示潜在的规律和特征,根据异常频率递归复杂度数据进行循环神经网络层数的适配,以及根据网络层数数据进行节点数关联,可以优化模型的复杂度和性能,使模型更加精确和高效,对异常频率递归数据和光纤网络历史故障数据进行循环单元连接和关联分析,有助于识别异常频率数据与故障数据之间的关联性和共性,为故障识别提供更准确的依据,利用TeacherForcing算法对故障循环连接数据进行模型训练,可以建立一个准确可靠的光纤网络故障识别模型,用于预测和识别光纤网络可能出现的故障情况,将训练好的故障识别模型嵌入至接收端传感器中,实现光纤网络状态的实时监测和故障检测,确保光纤网络的运行状态和安全性。
优选地,步骤S43中的异常频率复杂度算法如下所示:
/>
其中,f表示异常频率递归数据的复杂度结果值,n表示复杂度计算次数值,表示异常频率递归数据的递归训练次数值,/>表示异常频率的变化速率差值,z表示异常频率网络层的复杂系数,/>表示网络层节点数的结构关联系数,/>表示异常频率网络层的层级关联度,/>表示异常频率递归数据的递归区间值,/>表示异常频率递归数据的数据耦合度,ω表示异常频率复杂度算法的偏差修正值。
本发明构建了一个异常频率复杂度算法,该算法综合考虑了多个参数,包括递归训练次数、变化速率差值、复杂系数、结构关联系数、层级关联度、递归区间值和数据耦合度,通过综合考虑这些参数,可以更全面地评估异常频率数据的复杂度,并提供一个综合的复杂度结果。该算法充分考虑了复杂度计算次数值n,该参数表示复杂度计算的次数,较大的计算次数可以提高算法的精度,从而得到更准确的复杂度结果;异常频率递归数据的递归训练次数值该参数表示异常频率递归数据的递归训练次数,较大的递归训练次数可以增加数据的复杂性,从而增加复杂度结果值;异常频率的变化速率差值/>该参数表示异常频率的变化速率差值,较大的变化速率差值可以增加异常频率的不规律性,从而增加复杂度结果值;异常频率网络层的复杂系数z,该参数表示异常频率网络层的复杂系数,较大的复杂系数可以增加网络层的复杂性;网络层节点数的结构关联系数/>该参数表示网络层节点数的结构关联系数,较大的结构关联系数可以增加网络的复杂性,从而增加复杂度结果值;异常频率网络层的层级关联度/>参数表示异常频率网络层的层级关联度,较大的层级关联度可以增加网络层之间的关联性,从而能够更好的评估复杂度结果值;常频率递归数据的递归区间值/>该参数表示异常频率递归数据的递归区间值,较大的递归区间值可以增加递归数据的复杂性,从而增加复杂度结果值;异常频率递归数据的数据耦合度/>该参数表示异常频率递归数据的数据耦合度,较大的数据耦合度表示数据之间的关联性较强,从而增加复杂度结果值;异常频率复杂度算法的偏差修正值ω,该参数表示异常频率复杂度算法的偏差修正,通过调整偏差修正值,可以对复杂度结果进行修正,使其更加准确。
优选地,本发明还提供一种基于光纤网络的运行状态检测系统,用于执行如上所述基于光纤网络的运行状态检测方法,该基于光纤网络的运行状态检测系统包括:
光信号脉冲特性分析模块,用于对光纤网络进行传输信号收集,得到初始传输光信号;根据初始传输光信号进行脉冲特性分析,得到光信号脉冲特性数据;
光信号异常状态检测模块,用于对光信号脉冲特性数据进行相位空间轨迹分析,得到相位空间复杂度数据;根据相位空间复杂度数据进行光信号稳定性检测,得到光信号稳定性数据;对光信号稳定性数据进行异常状态检测,得到光信号异常状态数据;
异常频率检索模块,用于对光信号异常状态数据进行指数分布特征抽样,得到异常状态特征抽样频域图;对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集;
光纤网络故障识别模块,用于对异常频率数据集进行数据循环单元连接,得到异常频率循环连接数据;根据异常频率循环连接数据进行循环单元关联分析,得到故障循环连接数据;对异常频率故障循环连接数据进行模型训练,得到光纤网络异常频率故障识别模型;将光纤网络异常频率故障识别模型嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。
本发明通过对光纤网络进行传输信号的收集,可以获取实时的数据,包括光信号的强度、频率、相位信息,这些数据是进行后续分析的基础,通过对初始传输光信号进行脉冲特性分析,可以检测到潜在的问题和异常,例如,可能会发现光信号的强度下降、相位偏移或脉冲形状异常问题,这有助于及早发现潜在的故障或性能问题,通过脉冲特性分析,可以建立光信号的基准,以便与未来的数据进行比较,如果光信号的特性与基准不匹配,表明存在问题;相位空间轨迹分析可以提供更详细的信号特性信息,包括信号的相位变化和波动情况,这有助于更全面地了解光信号的性质;通过相位空间复杂度数据进行光信号稳定性检测,可以识别信号的不稳定性或波动,这可能是由于故障、噪声或其他问题引起的,这有助于维护人员确定网络中的稳定性问题;光信号异常状态数据的生成允许检测可能的异常或故障情况,异常状态可能表明潜在的问题,如信号丢失、串扰、光纤断裂或连接问题,通过检测稳定性问题和异常状态,可以采取预测性维护措施,从而减少故障风险,提高网络的可靠性;指数分布特征抽样允许将大量异常状态数据降维为更具代表性的特征数据,这有助于减少数据的复杂性,同时保留关键信息,生成异常状态特征抽样频域图后,可以进行频域分析,以更好地理解异常状态数据的频率特征,这有助于揭示可能的频率相关问题,如振荡或干扰;通过异常频率检索,可以识别出光信号中存在的异常频率成分,这有助于确定异常的性质和根本原因,例如振荡频率、干扰频率或其他频率相关问题;异常频率数据集的生成和分析有助于快速定位光纤网络中的频率相关故障,这可以减少维修时间和提高网络的可用性;将异常频率数据集进行循环单元连接,可以帮助保持数据的时序特性,确保数据在时间上的连续性,这对于分析光纤网络状态的变化趋势非常重要;通过分析异常频率循环连接数据,可以识别出不同循环单元之间的关联性,这有助于理解数据之间的内在关系,可能揭示出异常发生的模式或规律;将异常频率故障循环连接数据用于训练模型,可以利用机器学习算法或深度学习技术构建出光纤网络异常频率故障识别模型,这个模型可以根据输入的异常频率数据,识别出网络中可能存在的故障或异常情况,将训练好的异常频率故障识别模型嵌入至接收端传感器中,实现光纤网络状态的实时检测,这样,系统可以自动监测光纤网络的运行状态,及时发现异常情况,有助于快速响应问题,减少网络中断时间,提高服务质量,通过实时监测光纤网络的运行状态,系统可以在出现异常情况时自动采取预防或修复措施,提高了系统的可靠性和稳定性。因此本发明光纤网络的运行状态检测系统及方法是对传统的光纤运行状态检测方法做出的优化处理,解决了传统光纤运行状态检测方法存在的检测精度低,实时性差的问题,提高了检测的精确度,提高了检测的实时性能力。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种光纤网络的运行状态检测方法,其特征在于,包括以下步骤:
步骤S1:对光纤网络进行传输信号收集,得到初始传输光信号;根据初始传输光信号进行脉冲特性分析,得到光信号脉冲特性数据;
步骤S2:对光信号脉冲特性数据进行相位空间轨迹分析,得到相位空间复杂度数据;根据相位空间复杂度数据进行光信号稳定性检测,得到光信号稳定性数据;对光信号稳定性数据进行异常状态检测,得到光信号异常状态数据;
步骤S3:对光信号异常状态数据进行指数分布特征抽样,得到异常状态特征抽样频域图;对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集;
步骤S4:对异常频率数据集进行数据循环单元连接,得到异常频率循环连接数据;根据异常频率循环连接数据进行循环单元关联分析,得到故障循环连接数据;对异常频率故障循环连接数据进行模型训练,得到光纤网络异常频率故障识别模型;将光纤网络异常频率故障识别模型嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。
2.根据权利要求1所述的光纤网络的运行状态检测方法,其特征在于,步骤S1包括以下步骤:
步骤S11:对光纤网络进行传输信号收集,得到初始传输光信号;
步骤S12:对初始传输光信号进行信号增强处理,得到增强传输光信号;
步骤S13:对增强传输光信号进行波长分离,得到波长分离数据集;
步骤S14:对波长分离数据集进行时延测量,得到光信号时延数据;
步骤S15:根据波长分离数据集以及光信号时延数据进行脉冲特性分析,得到光信号脉冲特性数据。
3.根据权利要求2所述的光纤网络的运行状态检测方法,其特征在于,步骤S15包括以下步骤:
步骤S151:根据波长分离数据集进行光信号波形提取,得到光信号波形数据;对光信号波形数据进行基准对齐,得到光信号波形基准数据;
步骤S152:基于光信号波形基准数据对光信号波形数据进行波形宽度测量,得到波形宽度基准数据;
步骤S153:对波形宽度基准数据进行相位分析,得到波形相位偏移数据;基于光信号时延数据对波形相位偏移数据进行相位延迟分析,得到波形相位延迟数据;
步骤S154:根据波形相位延迟数据进行波形包络特性分析,得到波形包络特性数据;
步骤S155:根据波形相位延迟数据以及波形包络特性数据对光信号波形数据进行瞬态脉冲信号提取,得到脉冲信号瞬态数据;
步骤S156:利用脉冲信号强度算法对脉冲信号瞬态数据进行脉冲能量计算,得到脉冲信号能量数据;
步骤S157:基于脉冲信号能量数据以及波形包络特性数据进行脉冲特性分析,得到光信号脉冲特性数据。
4.根据权利要求3所述的光纤网络的运行状态检测方法,其特征在于,步骤S156中的脉冲信号强度算法如下所示:
其中,S表示脉冲信号的能量结果值,R表示脉冲信号的最大振幅值,t表示脉冲信号的持续时间值,a表示脉冲信号的指数增长速率值,b表示脉冲信号在时间上的衰减速度值,c表示脉冲信号瞬态数据的权重系数,表示脉冲信号在时间上的余弦波振荡系数值,x表示脉冲波动幅度区间系数,g表示脉冲波动的相位偏移值,/>表示脉冲信号强度算法的误差调整值。
5.根据权利要求1所述的光纤网络的运行状态检测方法,其特征在于,步骤S2包括以下步骤:
步骤S21:对光信号脉冲特性数据进行相位空间重构转换,得到光信号相位空间数据;
步骤S22:对光信号相位空间数据进行相位空间轨迹分析,得到相位空间复杂度数据;
步骤S23:对光信号相位空间数据进行重构参数选择,得到相位空间重构参数;
步骤S24:根据相位空间重构参数以及相位空间复杂度数据进行光信号稳定性检测,得到光信号稳定性数据;
步骤S25:根据预设的信号状态识别模型对光信号稳定性数据进行异常状态检测,得到光信号异常状态数据。
6.根据权利要求5所述的光纤网络的运行状态检测方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对光信号异常状态数据进行分类处理,得到异常状态分类数据;对异常状态分类数据进行标签注入,得到异常状态标签分类数据;
步骤S32:对异常状态标签分类数据进行聚类计算,得到异常状态聚类簇;
步骤S33:对异常状态聚类簇进行频域转换,得到异常状态标签分类频域图集;对异常状态标签分类频域图进行信号频率波形时间对齐,得到标准异常状态频域图集;
步骤S34:对标准异常状态频域图集进行指数分布特征抽样,得到异常状态特征抽样频域图;
步骤S35:对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集。
7.根据权利要求6所述的光纤网络的运行状态检测方法,其特征在于,步骤S35包括以下步骤:
步骤S351:对异常状态特征抽样频域图进行频率边界提取,得到异常状态频率边界数据;
步骤S352:对异常状态特征抽样频域图进行频率趋势分析,得到频率趋势走向数据;当频率趋势走向数据处于上升趋势时,对异常状态特征抽样频域图进行频率趋势反向检索,当上升趋势处于转折点时则停止反向检索,生成频率反向检索数据;
步骤S353:当频率趋势走向数据处于下降趋势时,对异常状态特征抽样频域图进行频率趋势正向检索,当下降趋势处于转折点时则停止正向检索,生成频率正向检索数据;
步骤S354:根据异常状态频率边界数据对频率反向检索数据以及频率正向检索数据进行频率标准差值计算,得到频率标准差数据;
步骤S355:对频率反向检索数据以及频率正向检索数据进行线性回归分析,得到异常频率关联数据;
步骤S356:根据频率标准差数据以及异常频率关联数据进行异常频率分析,得到异常频率数据集。
8.根据权利要求7所述的光纤网络的运行状态检测方法,其特征在于,步骤S4包括以下步骤:
步骤S41:对异常频率数据集进行序列化处理,得到异常频率序列数据;
步骤S42:将异常频率序列数据输入至循环神经网络中进行递归训练,得到异常频率递归数据;
步骤S43:利用异常频率复杂度算法对异常频率递归数据进行复杂度计算,得到异常频率递归复杂度数据;
步骤S44:根据异常频率递归复杂度数据进行循环神经网络层数适配,得到异常频率网络层数数据;基于异常频率网络层数数据进行节点数关联,得到网络层节点数数据;
步骤S45:根据异常频率网络层数数据以及网络层节点数数据对异常频率递归数据进行数据循环单元连接,得到异常频率循环连接数据;
步骤S46:获取光纤网络历史故障数据;
步骤S47:根据光纤网络历史故障数据对异常频率循环连接数据进行循环单元关联分析,得到故障循环连接数据;
步骤S48:利用Teacher Forcing算法对故障循环连接数据进行模型训练,得到光纤网络故障识别模型;
步骤S49:将光纤网络故障识别模型嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。
9.根据权利要求7所述的光纤网络的运行状态检测方法,其特征在于,步骤S43中的异常频率复杂度算法如下所示:
其中,f表示异常频率递归数据的复杂度结果值,n表示复杂度计算次数值,表示异常频率递归数据的递归训练次数值,/>表示异常频率的变化速率差值,z表示异常频率网络层的复杂系数,/>表示网络层节点数的结构关联系数,/>表示异常频率网络层的层级关联度,/>表示异常频率递归数据的递归区间值,/>表示异常频率递归数据的数据耦合度,ω表示异常频率复杂度算法的偏差修正值。
10.一种光纤网络的运行状态检测系统及方法,其特征在于,用于执行如权利要求1所述的光纤网络的运行状态检测方法,该基于光纤网络的运行状态检测系统包括:
光信号脉冲特性分析模块,用于对光纤网络进行传输信号收集,得到初始传输光信号;根据初始传输光信号进行脉冲特性分析,得到光信号脉冲特性数据;
光信号异常状态检测模块,用于对光信号脉冲特性数据进行相位空间轨迹分析,得到相位空间复杂度数据;根据相位空间复杂度数据进行光信号稳定性检测,得到光信号稳定性数据;对光信号稳定性数据进行异常状态检测,得到光信号异常状态数据;
异常频率检索模块,用于对光信号异常状态数据进行指数分布特征抽样,得到异常状态特征抽样频域图;对异常状态特征抽样频域图进行异常频率检索,得到异常频率数据集;
光纤网络故障识别模块,用于对异常频率数据集进行数据循环单元连接,得到异常频率循环连接数据;根据异常频率循环连接数据进行循环单元关联分析,得到故障循环连接数据;对异常频率故障循环连接数据进行模型训练,得到光纤网络异常频率故障识别模型;将光纤网络异常频率故障识别模型嵌入至接收端传感器中,以实现光纤网络状态的运行状态检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311493775.2A CN117674993B (zh) | 2023-11-09 | 2023-11-09 | 光纤网络的运行状态检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311493775.2A CN117674993B (zh) | 2023-11-09 | 2023-11-09 | 光纤网络的运行状态检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117674993A true CN117674993A (zh) | 2024-03-08 |
CN117674993B CN117674993B (zh) | 2024-04-26 |
Family
ID=90070439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311493775.2A Active CN117674993B (zh) | 2023-11-09 | 2023-11-09 | 光纤网络的运行状态检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117674993B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951610A (zh) * | 2024-03-26 | 2024-04-30 | 华南理工大学 | 基于特征数据分析的通信信号识别分类方法 |
CN118138129A (zh) * | 2024-05-08 | 2024-06-04 | 深圳百通玄武技术有限公司 | 应用于光纤传输下的信号连接强度提升方法及系统 |
CN118233002A (zh) * | 2024-05-24 | 2024-06-21 | 成都四威科技股份有限公司 | 一种光纤状态评估方法 |
CN118350650A (zh) * | 2024-06-18 | 2024-07-16 | 山东智奇环境技术有限公司 | 一种医疗垃圾的非燃烧处理流程的智能监测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5859695A (en) * | 1997-12-23 | 1999-01-12 | Honeywell Inc. | Method of and system for characterization of fiber optic connections in situ |
CN110081927A (zh) * | 2019-03-13 | 2019-08-02 | 中交广州航道局有限公司 | 船机设备故障预测方法、装置、系统和存储介质 |
KR102346885B1 (ko) * | 2021-07-28 | 2022-01-04 | 주식회사 아미크 | 기업정보시스템에 대한 이상행위 탐지 결과를 개화 줄기 형상으로 시각화하는 방법 및 시스템 |
CN116074180A (zh) * | 2023-02-20 | 2023-05-05 | 中国联合网络通信集团有限公司 | 故障定位方法、故障修复方法、装置及存储介质 |
CN116527136A (zh) * | 2023-07-03 | 2023-08-01 | 深圳市光网世纪科技有限公司 | 智能光纤网络在线监测系统及方法 |
CN116614177A (zh) * | 2023-05-08 | 2023-08-18 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测系统 |
-
2023
- 2023-11-09 CN CN202311493775.2A patent/CN117674993B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5859695A (en) * | 1997-12-23 | 1999-01-12 | Honeywell Inc. | Method of and system for characterization of fiber optic connections in situ |
CN110081927A (zh) * | 2019-03-13 | 2019-08-02 | 中交广州航道局有限公司 | 船机设备故障预测方法、装置、系统和存储介质 |
KR102346885B1 (ko) * | 2021-07-28 | 2022-01-04 | 주식회사 아미크 | 기업정보시스템에 대한 이상행위 탐지 결과를 개화 줄기 형상으로 시각화하는 방법 및 시스템 |
CN116074180A (zh) * | 2023-02-20 | 2023-05-05 | 中国联合网络通信集团有限公司 | 故障定位方法、故障修复方法、装置及存储介质 |
CN116614177A (zh) * | 2023-05-08 | 2023-08-18 | 湖北思极科技有限公司 | 一种光纤状态多维度参量监测系统 |
CN116527136A (zh) * | 2023-07-03 | 2023-08-01 | 深圳市光网世纪科技有限公司 | 智能光纤网络在线监测系统及方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117951610A (zh) * | 2024-03-26 | 2024-04-30 | 华南理工大学 | 基于特征数据分析的通信信号识别分类方法 |
CN117951610B (zh) * | 2024-03-26 | 2024-06-07 | 华南理工大学 | 基于特征数据分析的通信信号识别分类方法 |
CN118138129A (zh) * | 2024-05-08 | 2024-06-04 | 深圳百通玄武技术有限公司 | 应用于光纤传输下的信号连接强度提升方法及系统 |
CN118233002A (zh) * | 2024-05-24 | 2024-06-21 | 成都四威科技股份有限公司 | 一种光纤状态评估方法 |
CN118233002B (zh) * | 2024-05-24 | 2024-07-16 | 成都四威科技股份有限公司 | 一种光纤状态评估方法 |
CN118350650A (zh) * | 2024-06-18 | 2024-07-16 | 山东智奇环境技术有限公司 | 一种医疗垃圾的非燃烧处理流程的智能监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117674993B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117674993B (zh) | 光纤网络的运行状态检测系统及方法 | |
CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
Helbing et al. | Deep Learning for fault detection in wind turbines | |
CN113049084B (zh) | 一种基于注意力机制的Resnet的分布式光纤传感信号识别方法 | |
CN111442827B (zh) | 一种变压器绕组振动的光纤无源在线监测系统 | |
CN109344195B (zh) | 基于hmm模型的管道安全事件识别及知识挖掘方法 | |
CN114857504A (zh) | 基于分布式光纤传感器和深度学习的管道安全监测方法 | |
CN116361059B (zh) | 一种银行业务异常根因诊断方法及诊断系统 | |
CN116955936A (zh) | 企业大数据算法属性数据预测方法 | |
CN117606577B (zh) | 一种再生水和自来水切换流量实时监测方法及系统 | |
CN117147107B (zh) | 通讯模组检测系统和检测方法 | |
Zhang et al. | A Multi‐Index Generative Adversarial Network for Tool Wear Detection with Imbalanced Data | |
CN117555130A (zh) | 一种多芯光纤的串扰抑制方法 | |
CN117763316A (zh) | 一种基于机器学习的高维数据降维方法及降维系统 | |
CN117353811A (zh) | 一种电力光通信系统多工况状态监测及分析方法 | |
CN113627621B (zh) | 一种面向光网络传输质量回归估计的主动学习方法 | |
CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
CN116307269A (zh) | 一种基于人工智能的光伏发电功率预测方法及装置 | |
CN113591897A (zh) | 一种监控数据异常的检测方法、装置、设备及可读介质 | |
CN111654327A (zh) | 一种面向光缆纤芯远程管理控制的业务特征提取方法 | |
CN117875421B (zh) | 基于深度学习的光伏阵列故障诊断方法及系统 | |
KR102418118B1 (ko) | 주파수 합성을 이용한 딥러닝 기반 설비 진단 장치 및 방법 | |
CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、设备及介质 | |
CN116738259B (zh) | 基于多谐波的电磁泄漏辐射源指纹提取与识别方法及装置 | |
Ren et al. | A Two-Stage Adaptive Method for Predicting the Remaining Useful Life of Winders |
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 |