DE112022002097T5

DE112022002097T5 - Lokalisierung gefährlicher ereignisse an versorgungsmasten

Info

Publication number: DE112022002097T5
Application number: DE112022002097.0T
Authority: DE
Inventors: Yangmin DING; Yuanda XU; Sarper Ozhahar; Yue Tian; Ting Wang
Original assignee: NEC Laboratories America Inc
Current assignee: NEC Laboratories America Inc
Priority date: 2021-04-12
Filing date: 2022-04-11
Publication date: 2024-02-15
Also published as: WO2022221214A1; US20220329068A1; JP2024514865A

Abstract

Verteilte faseroptische Abtastung (DFOS) und künstliche Intelligenz (KI) - Systeme und Verfahren zur Lokalisierung von gefährlichen Ereignissen an Versorgungsmasten, die vorteilhaft einen Versorgungsmast identifizieren, der einem gefährlichen Ereignis ausgesetzt war, wie z. B. einem Zusammenstoß mit einem Auto oder einem anderen erkennbaren Aufprall. Systeme und Verfahren gemäß den Aspekten der vorliegenden Offenlegung verwenden Methoden des maschinellen Lernens, um einen betroffenen Versorgungsmast aus einer Vielzahl von Masten eindeutig zu identifizieren. Unsere Systeme und Methoden sammeln Daten mit DFOS-Techniken in Telekommunikations-Glasfaserkabeln und verwenden eine KI-Engine, um die gesammelten Daten für die Ereignisidentifikation zu analysieren. Die KI-Engine erkennt verschiedene Vibrationsmuster, wenn ein Ereignis eintritt, und lokalisiert das Ereignis mit hoher Genauigkeit auf einen bestimmten Mast und eine bestimmte Stelle des Mastes. Die KI-Engine ermöglicht die Analyse von Ereignissen in Echtzeit mit einer Genauigkeit von mehr als 90 %.

Description

TECHNISCHES GEBIET
Diese Offenbarung bezieht sich allgemein auf verteilte faseroptische Erfassungssysteme (DFOS), Verfahren und Strukturen. Insbesondere beschreibt es DFOS und künstliche Intelligenz (KI)-Systeme und -Verfahren für die Ortung gefährlicher Ereignisse, die an Versorgungsmasten auftreten, die Freiluft-Drähte / -Kabel tragen oder stützen.
HINTERGRUND
Wie Fachleute wissen, haben sich verteilte faseroptische Messsysteme und -verfahren als sehr nützlich erwiesen und bieten eine Reihe nützlicher Dienste, wie z. B. die Messung verschiedener physikalischer Parameter wie Temperatur, Vibration, Dehnung usw., wodurch eine neue Ära der Infrastrukturüberwachung ermöglicht wird.
Versorgungsmasten sind in der heutigen Gesellschaft gut bekannt und erkennbar. Sie sind in der Regel mit der Aufhängung von Telekommunikations-, Strom- und anderen Infrastruktureinrichtungen verbunden und sorgen so für eine effiziente Verteilung des Telekommunikationsverkehrs und der elektrischen Energie. In Anbetracht ihrer Bedeutung für die heutige Gesellschaft ist es von entscheidender Bedeutung, dass bei einer Anomalie in Bezug auf die Telekommunikations- oder Stromversorgungseinrichtungen eine schnelle Identifizierung und Meldung des anomalen Zustands an eine geeignete Stelle erfolgt.
ZUSAMMENFASSUNG
Ein Fortschritt in der Technik ist gemäß den Aspekten der vorliegenden Offenbarung, die sich auf DFOS- und KI-Systeme und -Methoden für die Durchführung der Lokalisierung von gefährlichen Ereignissen an Versorgungsmasten bezieht, gegeben.
Im Gegensatz zum Stand der Technik haben unsere erfindungsgemäßen Systeme und Verfahren gemäß den Aspekten der vorliegenden Offenbarung den Vorteil, dass sie einen Versorgungsmast identifizieren, der einem gefährlichen Ereignis ausgesetzt war, z. B. einem Zusammenstoß mit einem Auto oder einem anderen erkennbaren Aufprall. Darüber hinaus verwenden die Systeme und Verfahren gemäß den Aspekten der vorliegenden Offenlegung maschinelle Lernverfahren, um einen betroffenen Versorgungsmast aus einer Vielzahl von Masten und eine Stelle auf dem betroffenen Mast, die das gefährliche Ereignis betroffenhat, eindeutig zu identifizieren.
Unser erfinderischer Ansatz verwendet Daten, die mit DFOS über ein Telekommunikations-Glasfaserkabel gesammelt wurden. Eine KI-Engine wird eingesetzt, um die gesammelten Daten zu analysieren und das/die Ereignis(e) und ihren Standort auf dem Strommast zu identifizieren. Die KI-Engine analysiert die Ereignisse in Echtzeit mit einer hohen Genauigkeit (mehr als 90 %).
KURZBESCHREIBUNG DER ZEICHNUNG
Ein vollständigeres Verständnis der vorliegenden Offenbarung kann durch Bezugnahme auf die beiliegende Zeichnung erreicht werden, in der:

1 ist ein schematisches Diagramm eines verteilten faseroptischen Erfassungssystems gemäß den Aspekten der vorliegenden Offenbarung;
2 ist eine schematische Darstellung von Drähten/Kabeln, die an einem Versorgungsmast in der Luft aufgehängt/gestützt sind und ein gefährliches Ereignis gemäß den Aspekten der vorliegenden Offenbarung erleben;
3 ist ein schematisches Flussdiagramm, das die Bestimmung von gefährlichen Ereignissen an Versorgungsmasten gemäß den Aspekten der vorliegenden Offenbarung zeigt;
4 ist ein schematisches Flussdiagramm, das den Gesamtprozess gemäß den Aspekten der vorliegenden Offenbarung illustriert.

Die anschaulichen Ausführungsformen werden in den Abbildungen und der ausführlichen Beschreibung ausführlicher beschrieben. Ausführungsformen gemäß dieser Offenbarung können jedoch in verschiedenen Formen verkörpert werden und sind nicht auf die in der Zeichnung und der detaillierten Beschreibung beschriebenen spezifischen oder illustrativen Ausführungsformen beschränkt.
BESCHREIBUNG
Im Folgenden werden lediglich die Grundsätze der Offenbarung erläutert. Es wird daher anerkannt, dass Fachleute in der Lage sind, verschiedene Anordnungen zu entwickeln, die, obwohl sie hier nicht ausdrücklich beschrieben oder gezeigt werden, die Grundsätze der Offenbarung verkörpern und in deren Geist und Umfang enthalten sind.
Darüber hinaus sind alle hier angeführten Beispiele und bedingten Ausdrücke nur zu erklärenden Zwecken gedacht, um dem Leser das Verständnis der Grundsätze der Offenbarung und der von dem/den Erfinder(n) zur Förderung des Standes der Technik beigetragenen Konzepte zu erleichtern, und sind so auszulegen, dass sie keine Beschränkung auf diese speziell angeführten Beispiele und Bedingungen darstellen.
Außerdem sollen alle hierin enthaltenen Aussagen, die sich auf Prinzipien, Aspekte und Ausführungsformen der Offenbarung sowie auf spezifische Beispiele davon beziehen, sowohl strukturelle als auch funktionale Äquivalente davon einschließen. Darüber hinaus sollen solche Äquivalente sowohl derzeit bekannte Äquivalente als auch in der Zukunft entwickelte Äquivalente umfassen, d. h. alle entwickelten Elemente, die unabhängig von ihrer Struktur die gleiche Funktion erfüllen.
So werden beispielsweise Fachleute erkennen, dass alle hierin enthaltenen Blockdiagramme konzeptionelle Ansichten von Schaltkreisen darstellen, die die Prinzipien der Offenlegung verkörpern.
Sofern hier nicht ausdrücklich anders angegeben, sind die Figuren der Zeichnung nicht maßstabsgetreudargestellt.
Als zusätzlichen Hintergrund möchten wir anmerken, dass verteilte faseroptische Sensorsysteme opto-elektronische Integratoren mit einer optischen Faser (oder einem Kabel) verbinden und die Faser in eine Reihe von Sensoren verwandeln, die über die Länge der Faser verteilt sind. In der Tat wird die Faser zum Sensor, während der Interrogator Laserlichtenergie in die Faser einspeist und Ereignisse entlang der Faserlänge erfasst/ermittelt.
Wie Fachleute wissen und zu schätzen wissen, kann die DFOS-Technologie zur kontinuierlichen Überwachung von Fahrzeugbewegungen, Personenverkehr, Grabungsaktivitäten, seismischen Aktivitäten, Temperaturen, struktureller Integrität, Flüssigkeits- und Gaslecks und vielen anderen Bedingungen und Aktivitäten eingesetzt werden. Sie wird weltweit zur Überwachung von Kraftwerken, Telekommunikationsnetzen, Eisenbahnen, Straßen, Brücken, internationalen Grenzen, kritischen Infrastrukturen, terrestrischen und unterseeischen Stromleitungen und Pipelines sowie für Bohrlochanwendungen in der Öl- und Gasindustrie und für die verbesserte geothermische Stromerzeugung eingesetzt. Vorteilhaft ist, dass verteilte faseroptische Sensoren nicht durch die Sichtlinie oder den Zugang zu einer entfernten Stromversorgung eingeschränkt sind und - je nach Systemkonfiguration - in kontinuierlichen Längen von mehr als 30 Meilen mit Sensoren/Detektoren an jedem Punkt der Länge eingesetzt werden können. Daher können die Kosten pro Messpunkt über große Entfernungen von konkurrierenden Technologien in der Regel nicht erreicht werden.
Die faseroptische Sensorik misst Veränderungen in der „Rückstreuung“ von Licht, die in einer optischen Sensorfaser auftritt, wenn die Sensorfaser auf Vibrationen, Dehnungen oder Temperaturänderungen trifft. Wie bereits erwähnt, dient die Sensorfaser über ihre gesamte Länge als Sensor, der in Echtzeit Informationen über die physikalische Umgebung/Umgebung und die Integrität/Sicherheit der Faser liefert. Darüber hinaus ermöglichen die verteilten faseroptischen Messdaten eine genaue Lokalisierung von Ereignissen und Bedingungen, die an oder in der Nähe der Messfaser auftreten.
Ein schematisches Diagramm zur Veranschaulichung der allgemeinen Anordnung und des Betriebs eines verteilten faseroptischen Erfassungssystems, das eine Analyse mit künstlicher Intelligenz und eine Cloud-Speicherung/einen Cloud-Dienst umfasst, ist in 1 dargestellt. In 1 ist eine optische Erfassungsfaser zu sehen, die wiederum mit einem Abfragegerät verbunden ist. Wie bekannt, sind moderne Abfragesysteme Systeme, die ein Eingangssignal für die Faser erzeugen und reflektierte/gestreute und anschließend empfangene Signale erkennen/analysieren. Die Signale werden analysiert, und es wird ein Ausgangssignal erzeugt, das die Umgebungsbedingungen entlang der Faser angibt. Die auf diese Weise empfangenen Signale können aus Reflexionen in der Faser resultieren, z. B. Raman-Rückstreuung, Rayleigh-Rückstreuung und Brillion-Rückstreuung. Es kann sich auch um ein Signal in Vorwärtsrichtung handeln, das die Geschwindigkeitsdifferenz mehrerer Moden nutzt. Ohne die Allgemeingültigkeit zu verlieren, wird in der folgenden Beschreibung von einem reflektierten Signal ausgegangen, obwohl die gleichen Ansätze auch auf ein vorwärts gerichtetes Signal angewendet werden können.
Ein modernes DFOS-System besteht aus einem Abfragegerät, das periodisch optische Impulse (oder ein beliebiges kodiertes Signal) erzeugt und diese in eine optische Faser einspeist. Das eingespeiste optische Impulssignal wird entlang der optischen Faser übertragen.
An Stellen entlang der Faser wird ein kleiner Teil des Signals gestreut/reflektiert und an das Abfragesystem zurückgegeben. Das gestreute/reflektierte Signal enthält Informationen, die das Abfragesystem zur Erkennung verwendet, wie z. B. eine Änderung des Leistungspegels, die beispielsweise auf eine mechanische Vibration hinweist.
Das reflektierte Signal wird in den elektrischen Bereich umgewandelt und im Abfragegerät (Interrogator) verarbeitet. Anhand der Impulsinjektionszeit und der Zeit, zu der das Signal erkannt wird, bestimmt das Abfragegerät, an welcher Stelle entlang der Faser das Signal kommt, und kann so die Aktivität an jeder Stelle entlang der Faser erfassen.
Distributed Acoustic Sensing (DAS)/ Distributed Vibrational Sensing (DVS) Systeme detektieren Vibrationen und erfassen akustische Energie entlang der Länge der optischen Sensorfaser. Vorteilhafterweise können bestehende, verkehrsführende Glasfasernetze genutzt und in einen verteilten akustischen Sensor umgewandelt werden, der Echtzeitdaten erfasst. Klassifizierungsalgorithmen können zur Erkennung und Lokalisierung von Ereignissen wie Lecks, Kabelfehlern, Einbrüchen oder anderen abnormalen Ereignissen, einschließlich akustischer und/oder Vibrationen, verwendet werden.
Derzeit werden verschiedene DAS/DVS-Technologien eingesetzt, wobei die gängigste auf der kohärenten optischen Zeitbereichsreflektometrie (C-OTDR) basiert. C-OTDR nutzt die Rayleigh-Rückstreuung, so dass akustische Frequenzsignale über große Entfernungen erfasst werden können. Ein Abfragesystem sendet einen kohärenten Laserimpuls entlang einer optischen Sensorfaser (Kabel). Die Streustellen in der Faser bewirken, dass die Faser wie ein verteiltes Interferometer mit einer Messlänge, die der Pulslänge entspricht (z. B. 10 Meter), wirkt. Akustische Störungen, die auf die Sensorfaser einwirken, führen zu einer mikroskopisch kleinen Dehnung oder Stauchung der Faser (Mikrodehnung), was eine Änderung der Phasenlage und/oder der Amplitude der Lichtimpulse bewirkt, die die Faser durchlaufen.
Bevor ein nächster Laserpuls übertragen wird, muss ein vorheriger Puls Zeit gehabt haben, die gesamte Länge der Sensorfaser zu durchlaufen und seine Streuungen/Reflexionen zurückzugeben. Die maximale Pulsrate wird also durch die Länge der Faser bestimmt. Daher können akustische Signale gemessen werden, die mit Frequenzen bis zur Nyquist-Frequenz variieren, die in der Regel die Hälfte der Impulsrate beträgt. Da höhere Frequenzen sehr schnell abgeschwächt werden, liegen die meisten für die Erkennung und Klassifizierung von Ereignissen relevanten Frequenzen im unteren Bereich von 2 kHz.
2 ist eine schematische Darstellung von Drähten/Kabeln, die von einem Versorgungsmast gemäß den Aspekten der vorliegenden Offenbarung in der Luft aufgehängt/gestützt werden. Wie aus dieser Abbildung ersichtlich ist, enthalten Versorgungsmasten im Allgemeinen Telekommunikations-Freiluftkabel, einschließlich Telefon- und Kabelfernsehdrähte/-kabel.
Natürlich werden Fachleute leicht verstehen und zu schätzen wissen, dass Versorgungsmasten, wie die in der Abbildung gezeigten, weithin verwendet werden, um Drähte zu tragen, die Strom von einem Energieversorgungsunternehmen zu den Bewohnern bringen und das wachsende Netzwerk von Telefonen, Fernsehern und dem Internet ermöglichen. Solche Masten sind in der Regel aus Holz gebaut, und ihr Holzmaterial bietet wiederum große Flexibilität beim Austausch von Hardware und Kabelgeräten. Allerdings ist dieses Holzmaterial auch anfällig für äußere Gefahren, wie z. B. Schäden durch Schneepflüge im Winter (unterhalb des Telekommunikationskabels), Autounfälle (unterhalb des Telekommunikationskabels) oder Drohnenabstürze auf den Mast (oberhalb des Telekommunikationskabels) sowie Baumschäden (überall auf dem Mast). Diese gefährlichen Ereignisse, die am Mast auftreten, können den Mast unterschiedlich stark belasten und erfordern daher unterschiedliche Aufmerksamkeit.
Bekanntlich kann ein verteiltes faseroptisches Erfassungssystem ein vorhandenes Telekommunikations-Glasfaserkabel als verteilten Sensor verwenden, um Reaktionen des optischen Kabels zu erfassen, die aus mechanischen Stößen auf den Mast resultieren. Die derzeitigen verteilten Glasfasersysteme sind jedoch nicht dafür ausgelegt, diese Ereignisse (unterhalb oder oberhalb des Telekommunikationskabels) zu klassifizieren. In dieser Erfindung haben wir einen Algorithmus für maschinelles Lernen entwickelt, um diese Ereignisse auf der Grundlage der von verteilten Fasersensoren erfassten Vibrationsdaten zu lokalisieren.
Wie leicht zu erkennen ist, können die oben erwähnten Leitungen/Kabel, die an einem Strommast hängen, dynamischen Gefahren ausgesetzt sein, wie z. B. umstürzende Bäume, Aktivitäten von Tieren, Drohnen-/Drachenflug, Autounfälle, Wetter usw., die die aufgehängten Leitungen/Kabel beeinträchtigen. Wenn solche Gefahren nicht ordnungsgemäß beseitigt werden, kann es zu schwerwiegenden Versorgungsunterbrechungen und zur Gefährdung von Personen und Eigentum kommen.
Wie noch zu zeigen sein wird, ist bei Gefahren, die sich auf die an den Versorgungsmasten hängenden Drähte/Kabel auswirken, eine schnelle Identifizierung der betroffenen Drähte/Kabel und die Meldung des genauen Standorts des betroffenen Mastes für die Aufrechterhaltung/Wiederherstellung des Dienstes äußerst wichtig. Bei Versorgungsmasten in ländlichen Gebieten ist dies sogar noch wichtiger, da es für einen menschlichen Techniker sehr zeitaufwändig sein kann, betroffene/unterbrochene Masten/Drähte/Kabel - Abschnitt für Abschnitt - zu lokalisieren, ohne zunächst die Masten korrekt zu lokalisieren.
3 ist ein schematisches Flussdiagramm, das die allgemeine Bestimmung von gefährlichen Ereignissen an Versorgungsmasten gemäß den Aspekten der vorliegenden Offenbarung veranschaulicht. Wie in dieser Abbildung veranschaulicht, werden mechanische Einwirkungen auf einen Versorgungsmast als DFOS-Signale aus dem Betrieb des DFOS-Systems erfasst/gesammelt. Diese gesammelten Daten werden verarbeitet und zur Erstellung eines Modells verwendet, das anschließend zur Analyse/Bewertung/Vorhersage der Art der an dem/den Mast(en) vorgenommenen Stöße eingesetzt wird.
Wir weisen darauf hin, dass unser erfinderischer Ansatz Daten mit Hilfe von verteilter Faserabtastung im Telekommunikations-Glasfaserkabel sammelt. Wir verwenden eine KI-Engine zur Analyse der gesammelten Daten für die Identifizierung und Lokalisierung von Ereignissen. Vorteilhafterweise kann unsere KI-Engine unterschiedliche Vibrationsmuster erkennen, selbst wenn das Ereignis an verschiedenen Maststandorten auftritt, und das mit einer hohen Genauigkeit. Unsere KI-Engine hat den Vorteil, dass wir Ereignisse, die in Echtzeit stattfinden, mit hoher Genauigkeit (mehr als 90 %) analysieren können.
Wie bereits erwähnt, nutzen unsere erfinderischen Systeme und Methoden vorteilhaft die Sammlung hochwertiger Daten und maschineller Lernmodelle, um Muster zu erkennen
Für die Datenerfassung schließen wir den verteilten Fasersensor-Interrogator an das optische Sensorkabel an und erfassen das/die Dehnungssignal(e) entlang einer Zielstrecke, die vorteilhafterweise eine Vielzahl von Versorgungsmasten umfassen kann. Die Datenqualität wird überprüft, gefiltert und mit Fenstern versehen, um die Gültigkeit der Rohdaten zu bestätigen. Die Daten werden mit einem „Hammertest“ erfasst, bei dem ein mechanischer Schlag auf die Versorgungsmasten entlang der Strecke (z. B. mit einem Hammer) ausgeführt wird und während dieses Tests DFOS-Daten erfasst werden.
Bei Modellen des maschinellen Lernens wird der Prozess in eine Trainings- und eine Testphase unterteilt. Die Daten werden gesammelt und vorverarbeitet. In der Trainingsphase wird die Hälfte der gesammelten Daten verwendet, in der Testphase die Hälfte der gesammelten Daten. Das Modell verwendet 500 hundert Schätzer für Ensemble-Methoden.
Das maschinelle Lernmodell wird vorab trainiert und getestet. Insgesamt gibt es 1400 Datenpunkte, die wir zur Hälfte für das Training und zur Hälfte für die Tests verwenden. Wir verwenden baumbasierte Ensemble-Methoden und haben 500 Schätzer. Die Trainingsgenauigkeit liegt bei 100 % und die Testgenauigkeit bei 91 %.
Wie in der Abbildung dargestellt, können externe Ereignisse wie herabfallende Äste, Bäume, Drachen usw. die aufgehängten Drähte/Kabel beeinflussen oder anderweitig Anomalien verursachen. Wenn dies festgestellt wird, kann der Standort des Mastes ermittelt werden.
4 ist ein schematisches Flussdiagramm, das die Identifizierung eines bestimmten Drahttyps in Verbindung mit einer Anomalie für Drähte/Kabel, die an Versorgungsmasten aufgehängt sind, gemäß den Aspekten der vorliegenden Offenlegung veranschaulicht.
In dieser Abbildung ist zu erkennen, dass in Schritt 1 ein verteilter faseroptischer Abfragesensor an ein optisches Sensorkabel angeschlossen wird und das Dehnungssignal entlang der Zielstrecke erfasst. In diesem Schritt wird auch die Datenqualität überprüft, gefiltert und mit Fenstern versehen, um die Gültigkeit der Rohdaten zu bestätigen;
In Schritt 2 wird ein „Hammertest“ an Masten durchgeführt, um mechanische Aufprallereignisse auf die Masten zu simulieren. In diesem Schritt werden die Schwingungssignale (DFOS-Rücklaufsignale), die aus den mechanischen Stößen resultieren, vor, während und nach den mechanischen Stoßereignissen erfasst. Die Hammertestschläge werden auf die obere und untere Hälfte der Versorgungsmasten ausgeführt und haben daher unterschiedliche Auswirkungen auf die Schwingungssignale. Diese Hammertestsignale liefern Informationen für die KI-Engine zur Identifizierung nachfolgender Ereignisse und deren Lokalisierung in Bezug auf einzelne Masten und Standorte auf den Masten.
In Schritt 3 werden das DFOS-System und der Abfragesender an die betreffende optische Sensorfaserstrecke angeschlossen und beginnen, die Strecke kontinuierlich zu überwachen.
In Schritt 4 wird der Standort jedes der zahlreichen Versorgungsmasten identifiziert, der anschließend für die Aufzeichnung mechanischer Aufprallereignisse verwendet wird, die aus anomalen Aufprallereignissen resultieren.
In Schritt 5, wenn eine Anomalie auftritt, extrahiert das System automatisch die Rohdaten (DFOS-Vibrationssignal) an Stellen entlang der optischen Sensorfaser. Gleichzeitig werden die Schwingungsdatensätze an ein Cloud-Speichersystem übertragen. Nach der Vorverarbeitung der Daten werden Down-Sampling- und Akkumulationsoperationen durchgeführt, die zu einem stärkeren Signalmuster führen.
Schritt 6: Die extrahierten Rohdaten (DFOS-Vibrationssignale) werden verarbeitet und in ein maschinelles Lernmodell zur anschließenden Vorhersage eingespeist.
In Schritt 7 schließlich identifiziert das maschinelle Lernmodell, welcher Teil des Strommastes betroffen ist. Das System löst einen Alarm aus und sendet das Ereignis an die Cloud-Basis, wo es aufgezeichnet wird und den anschließenden Serviceeinsatz auslöst.
An dieser Stelle haben wir diese Offenbarung zwar anhand einiger spezifischer Beispiele dargestellt, doch wird der Fachmann erkennen, dass unsere Lehren nicht so beschränkt sind. Dementsprechend sollte diese Offenbarung nur durch den Umfang der beigefügten Ansprüche begrenzt werden.

Claims

Verfahren zur Lokalisierung von gefährlichen Ereignissen an Versorgungsmasten, das Folgendes umfasst: Bereitstellung eines verteilten faseroptischen Erfassungssystems (DFOS), wobei das System Folgendes umfasst eine optischen Freiluft-Sensor-Glasfaser mit einer Länge, wobei die optische Freiluft-Sensor-Glasfaser an einer Vielzahl von Versorgungsmasten aufgehängt ist; und einen DFOS-Abfragesender und -Analysator in optischer Kommunikation mit der Länge der Glasfaser; wobei jeder der mehreren Versorgungsmasten zusätzlich zu der Freiluft-Glasfaser weitere Versorgungsdrähte/-kabel einschließlich elektrischer Stromdrähte und Telekommunikationskabel aufhängt; Betrieb des DFOS-Systems und Erzeugung eines trainierten Modells als Reaktion auf die während des Betriebs empfangenen DFOS-Signale; und kontinuierlicher Betrieb des DFOS-Systems und bei Erkennung einer Anomalie Verwendung des trainierten Modells zur Bestimmung eines bestimmten Versorgungsmastes und des Ortes auf dem bestimmten, von der Anomalie betroffenen Versorgungsmast.
Das Verfahren nach Anspruch 1 umfassend ferner die Bestimmung, ob die Stelle auf dem betroffenen Versorgungsmast über oder unter einer Stelle auf dem betroffenen Mast liegt, an der die Sensorf-Glasaser an diesem Mast befestigt ist.
Das Verfahren nach Anspruch 3 umfasst ferner das Speichern von Informationen über die Anomalie in einer Cloud-Speichereinrichtung.
Verfahren nach Anspruch 4, wobei die Erzeugung eines trainierten Modells unter Verwendung von Daten erfolgt, die als Reaktion auf mechanische Stöße auf die mehreren Versorgungsmasten erzeugt wurden.
Verfahren nach Anspruch 6, bei dem die mechanischen Schläge auf die mehreren Versorgungsmasten oberhalb und unterhalb der Befestigungsstelle der optischen Sensorfaser an jedem der mehreren Versorgungsmasten ausgeführt werden.