基于深度学习的光通信网络电缆故障快速定位平台

贾娜娟，张海龙，李 博

（国网甘肃省电力公司平凉供电公司，甘肃 平凉 744000）

0 引言

在光通信网络与光传输网络快速发展的趋势下，网络通信业务大量增长[1]。受网络运行环境与运行条件等多项不确定因素的影响，网络电缆可能出现不同程度不同种类的故障，增加了光通信网络运行的安全风险[2]。采用相应的故障监测与诊断方法，能够避免电缆故障造成的严重后果[3]。国内有研究人员提出基于行波时差矩阵算法的网络电缆故障定位方法，构建电缆故障判定矩阵，根据双端行波定位原理实现电缆故障点的快速定位[4]。但是在实际应用的过程中，电缆故障定位的准确率较低，不利于光通信网络的稳定发展[5]。

深度学习的方法，能够通过建立光通信网络电缆监测节点与信令机制，全方位地检测电缆运行的状况[6]。基于此，引入深度学习方法，设计了一种全新的故障快速定位平台，为提高光通信网络运行的质量与效率提供保障。

1 光通信网络电缆故障快速定位平台硬 件设计

本文采用B/S硬件架构，故障测距仪采用型号为ZZTG21的仪器，测距精度较高。选取型号为OSFP800-2FR4-A2的光模块，其发射器类型为EML，发射光功率为-2.9～4.0 dBm，采用PAM4调制方式，能够在快速时间内发射和接收平台端内置CDR。平台的波分复用器设备采用CWDM波分复用器，其尺寸约为18 mm×80 mm×120 mm，RX波长在1290～1610 nm范围内，TX波长在1270～1590 nm范围内，相邻信道隔离度≥30 dB。平台运行的交换机采用S系列局域网接入的交换机，其交换容量为176 Gbps，光通信网络电缆输入电压为100～240 VAC，频率为50～60 Hz，电流为6.5 A，采用IEEE 802.3af/at的标准协议，内存大小为256 MB，闪存大小为16 MB，数据包缓冲区内存为0.5 MB，为平台硬件运行提供保障。

2 光通信网络电缆故障快速定位平台软件设计

基于上述光通信网络电缆故障快速定位平台硬件设计完毕后，接下来，引入深度学习方法，对平台内的软件及功能模块进行全方位设计，具体步骤如下文所示。

2.1 光通信网络故障数据采集模块设计

利用有限元分析软件，深入分析光通信网络的拓扑结构，提取网络拓扑结构的相关数据，将数据上传至故障信息记录数据库中[7]。对原始故障信息数据进行转换处理，将其转换为平台运行所需的数字信号，并获取数字信号对应的属性。在光通信网络故障数据中，存在部分缺失数据，因此当采用数据清理的方法过滤或处理缺失数据时，故障数据清理流程，如图1所示。

图1 故障数据清理流程

图1利用有限元分析软件，筛除故障数据中没有意义的数据，获取精度较高的光通信网络电缆故障数据，为后续的故障快速定位提供基础保障。

2.2 基于深度学习定位电缆故障

基于上述光通信网络采集故障数据结束后，接下来，采用深度学习方法，表征光通信网络电缆运行的故障特征信息，进而实现电缆故障定位的目标。

首先，设计平台深度学习的DNN网络结构，如图2所示。

图2 深度学习DNN网络结构

图2 为本文设计的电缆故障快速定位平台所使用的深度学习DNN网络结构。通过该网络结构，平台能够逐层挖掘出光通信网络电缆故障特征信息。利用深度学习方法，实时提取电缆故障数据的潜在特征，并将故障数据特征映射到平台终端，为故障监测人员提供信息。在此基础上，根据光通信网络电缆故障类型，将故障特征信息输入到集合中，生成能够表征故障特征的集合，表达式为

式中，表示光通信网络电缆故障特征集；表示电缆故障类型编码；表示电缆故障特征维数；表示电缆故障编码位数。利用故障定位模型，判别光通信网络电缆故障的输出类型与数量，结合电缆故障特征集，获取光通信网络故障定位的详细信息，实现故障快速定位的目标。

3 平台测试

为了进一步验证上述设计的故障快速定位平台的可行性，进行了如下文所示的平台测试。搭建本次平台测试所需的硬件运行环境。数据库服务器端软件采用MYSQL 5.1.4.8免安装版；服务器采用网络级管理系统界面Web服务器；平台总线类型采用USB2.0；存储器采用单条内存4G的DDR2存储器。在平台测试之前，采用场景分析法，测定平台运行的常见场景，进而验证光通信网络电缆故障定位平台设计的合理性。分别采用黑盒测试与白盒测试方法，对故障快速定位平台的功能模块与运行性能进行全面检测。光通信网络电缆故障快速定位平台功能模块测试结果，如表1所示。

表1 故障快速定位平台功能模块测试结果

根据表1的平台功能模块测试结果可知，本文设计的基于深度学习的光通信网络电缆故障快速定位平台，其各个功能模块运行状况均良好，测试结果与预期结果相符，符合平台测试的要求，平台功能能够达到预期设计需求。

在此基础上，笔者对该平台的运行性能做出全方位的测试。为了使测试结果更加清晰直观，笔者采用对比分析的方法，将上述本文设计的基于深度学习的光通信网络电缆故障快速定位平台，与文献[4]提出的基于行波时差矩阵算法的网络电缆故障定位方法进行对比。设定不同种类与数量的光通信网络电缆故障，利用MATLAB分析软件，分别测定两种平台在电缆故障迭代次数不断增加的情况下，故障快速定位的准确率，其结果如图3所示。

根据图3的准确率对比结果可知，在两种光通信网络电缆故障快速定位平台中，本文采用深度学习方法设计的平台，其在电缆故障迭代次数不断增加的趋势下，平台故障定位结果的准确率均在95%以上，最高可达到98%；而基于行波时差矩阵算法的网络电缆故障定位方法定位结果的准确率较低，且存在部分下降趋势。相比之下，证明本文设计的电缆故障快速定位平台定位的准确率较高，优势显著[8]。

图3 两种平台故障快速定位准确率对比

综合上述，本文从电缆故障快速定位平台功能模块与运行性能等两个方面，均有效地证明了本文设计平台的可行性与优势。

4 结束语

光通信网络在高速运行过程中，受到运行环境与运行条件等因素的影响，通信网络电缆容易出现不同程度的故障。为了改善传统光通信网络电缆故障定位平台定位速度较慢，且定位精度较低的问题。笔者在传统定位平台的基础上，引入深度学习原理，设计了一种全新的故障快速定位平台。该平台有效地提升了电缆故障定位的速度，能够在故障发生的第一时间内，诊断出故障的类型与所在位置，且定位准确率得到了显著提高，实现了光通信网络电缆故障快速、高精度定位的目标。