基于BP神經網絡的光纖通信故障信號智能診斷方法

李英華，楊利紅

（鄭州工商學院，河南 鄭州 451400）

0 引 言

光纖通信技術是一種將光波作為通信傳輸介質的通信技術，通信前端包括光纖發射器、光信號接收終端、傳輸指令發送器等。隨著5G 通信技術的快速發展，我國在相關通信領域取得了較為顯著的研究成果。相較于早期的通信方式，光纖通信技術在實際應用中具有支持遠程傳輸、有效承載量大、排除磁場干擾等優勢，因此，光纖通信技術在數字化傳輸行業中得以大規模的使用[1]。盡管此項技術在推廣應用中發揮的價值越來越大，但隨之而來的通信網絡維護、網絡安全問題也日益突出。通信過程中光纖終端結構之間存在著較為密切的耦合關系，根據大量的實踐研究可知，光纖通信過程會產生一定的損耗，同時元件老化、線路破損、線纜異常等現象都是無法避免的，這些問題會對光纖通信與數字化傳輸造成不利影響[2]。而光纖通信鏈路又具有復雜性的特點，一旦通信過程中出現異常或發射了故障信號，技術人員需要耗費大量的時間進行故障處理與隱患排查。基于此，有關單位已研發出針對光纖通信的故障識別與診斷技術，但此項技術在實際應用中的局限性較強，不僅存在對故障點定位偏差的問題，還存在對故障信號識別精度差的不足[3]。因此，本文將根據相關單位的研究情況，嘗試引進BP 神經網絡，設計一種通信過程中故障信號的診斷方法，引進可視化GHDP框架，將其與光纖鏈路通信對接，采集光纖通信鏈路異常信號；引進BP 神經網絡，在神經網絡的輸入層錄入信號，此時信號會在輸入層進行小波分解，分解后可以根據信號頻帶中局部能量值的差異進行故障應對決策；引進OTDR 光電一體化儀表，將光纖通信鏈路中的脈沖序列波添加到測試網絡中，實現對故障信號的識別與智能診斷。在完成方法的設計后，以華北某電力企業為試點單位，運用該方法執行某些操作任務，以此完成方法有效性的驗證。我們希望可以通過此種方式來提高光纖通信質量，精準定位故障信號，力爭為終端用戶提供高質量的通信服務。

1 光纖通信鏈路異常信號采集

為實現對光纖通信故障信號的智能診斷，便于相關研究的順利開展，應事先進行光纖通信鏈路中異常信號的采集。在此過程中，引進可視化GHDP 框架，將其與光纖鏈路通信對接[4]。同時，使用Matlab 函數對通信過程中信號的動態閾值進行描述，如式（1）所示：

其中：R表示光纖通信鏈路信號動態閾值；S表示可視化GHDP 處理工具；D表示信號可視化程度；T表示有效采集作業面；G表示通道閾值。根據信號動態閾值，建立信號分布空間，進行異常信號的識別。在識別異常信號的過程中，利用空間重構原理，對空間中不同信號的雙維邏輯進行分析，通過分析結果構建信號本體結構模型。將空間劃分為M×M個立體網格，對網格中的信號進行逐一的排查與篩選，對存在異常信號特征的網格進行二次劃分。按照此種方式，對網格的覆蓋面積進行縮小處理，輸出異常信號所對應的網格，此過程如式（2）所示：

其中：C表示光纖通信鏈路異常信號采集；i表示立體網格數量；j表示網格劃分次數；p表示網格中信號交互程度；Z表示信號本體結構模型；α表示重構信號。按照上述方式，完成對光纖通信鏈路中異常信號的采集。

2 基于BP 神經網絡的信號分解與處理

在完成對信號的采集后，結合BP 神經網絡進行采集信號的分解設計[5]，BP 神經網絡結構圖如圖1 所示。

圖1 BP 神經網絡結構圖

處理前，需要在網絡輸入層錄入信號，與此同時，對所錄入的信號進行小波分解，分解后可以根據信號頻帶中局部能量值的差異，進行故障的應對決策。對分解的過程進行描述，如式（3）所示：

其中：E表示光纖通信鏈路異常信號分解；S表示小波分解算法；N表示信號序列值；α表示信號幅度上限；b表示信號幅度下限。在此基礎上，為進一步實現對信號的處理，將分解后的信號傳輸到BP 神經網絡中的隱含層，在此結構層中的神經元節點位置，進行信號的類目劃分。通過此種方式，掌握前端錄入信號之間的關系，此過程如式（4）所示：

其中：μ表示信號類目；B表示隱含層神經元節點；A表示局部故障能量均值；k表示神經元節點數量；K表示信號分類執行條件。通過BP 神經網絡的輸出層輸出類目劃分結果，以此實現對所采集異常信號的分解處理。

3 基于OTDR 的故障信號識別與智能診斷

在上述研究的基礎上，本文引進OTDR光電一體化儀表，如圖2 所示，將光纖通信鏈路中的脈沖序列波添加到測試網絡中，在網絡的發射端進行北向散射信號的采集。

圖2 OTDR 光電一體化儀表實物圖

此時，脈沖信號在光纖通信鏈路中出現散射、反射等現象，反射的信息將被OTDR 主動采集，通過對所采集數據的分析，即可實現對光纖通信中故障信號的精準識別。設定光纖傳輸鏈路之間的脈沖為窄脈沖，對發射測試信號的描述可用以下公式來表示：

其中：F表示發射的測試信號；v表示測試信號在光纖通信鏈路中的傳輸速度；c表示信號衰減系數；n表示信號注入量。發射的信號以預設角度進入光纖通信鏈路后，散射波將發生折射，對折射信號的描述可用以下公式來表示：

其中：P表示折射信號；ε表示光速；E表示預設角度；λ表示折射率。根據OTDR 的作業需求，將光纖通信鏈路的一端注入窄端脈沖，接收背向發生散射行為的信號。將散射信號與通信過程進行適配，通過此種方式實現故障信號在通信鏈路上的定位，以此完成基于OTDR 的故障信號識別與智能診斷。

至此，完成基于BP 神經網絡的光纖通信故障信號智能診斷方法的設計。

4 對比實驗

在完成對光纖通信故障信號智能診斷方法的設計后，為驗證基于BP 神經網絡的光纖通信故障信號智能診斷方法的有效性，以華北某供電公司為例開展對比實驗。已知該公司的供電面積1 萬平方千米，線路總長279 千米，擁有500 千伏變電站5 座，是該區域內規模較大的供電公司。為確保實驗過程的可視化，在測試區域內搭建RTL81096AS 實驗平臺，在測試平臺中植入通信指令與診斷程序，并進行測試平臺的參數設計，如表1 所示。

表1 故障信號智能診斷平臺技術參數

完成對實驗環境的構建后，在數據庫中調用光纖通信數據，將數據按照通信時序錄入可視化平臺，對穩定狀態下的光纖通信信號傳輸過程進行描述，如圖3 所示。

圖3 穩定狀態下的光纖通信信號傳輸過程

圖3 中的實心黑點表示隨機插入的光纖通信故障信號。實驗中，先使用本文設計的方法進行光纖通信故障信號的智能診斷，在診斷過程中，采集光纖通信鏈路信息，識別其中存在異常的信號，同時引進BP 神經網絡，對采集的信號進行分解與處理，完成處理后，結合OTDR 進行反饋信號中故障信號的識別，定位異常信號在空間中的位置，并在終端進行故障信號的展示，以此實現對光纖通信故障信號的診斷。

此外，引進基于DSmT 融合決策的光纖通信故障信號智能診斷方法（文獻[5]方法），將此方法作為傳統方法。在使用傳統方法進行故障診斷時，完成鏈路通信信息的提取后需要構建信號模型，通過對信號模型的訓練與迭代處理，提取信號中的tSNE-ASC 特征。將訓練樣本與tSNE-ASC 特征進行匹配，與特征匹配度較低的信號將作為故障信號。同時，匹配識別的故障信號與空間時序，將識別的信息通過傳輸鏈路反饋到前端，實現基于傳統方法的光纖通信故障信號診斷。

完成對兩種方法診斷過程的分析后，將反饋的故障信號定位精度作為評價方法可行性的指標。根據終端識別的光纖通信故障信號位置與故障信號實際位置的偏差，判定本文方法在實際應用中的性能是否優于傳統方法。輸出兩種方法對存在故障信號的光纖通信鏈路診斷結果，如圖4、圖5 所示。

由如圖4、圖5 所示的實驗結果可以看出，本文方法可以實現對光纖通信鏈路中所有故障信號的精準識別，從而就通信過程中的故障給予準確的診斷結果。而傳統方法對于光纖通信鏈路中的故障信號識別存在偏差，無法將此方法診斷的結果作為故障決策依據。

圖4 本結果

圖5 傳統方法對存在故障信號的光纖通信鏈路診斷結果

在完成上述對比實驗后得出結論：相比傳統的診斷方法，本文設計的基于BP 神經網絡的光纖通信故障信號智能診斷方法，在實際應用中可以實現在診斷故障信號的同時，精準定位故障信號在通信鏈路中的位置。

5 結 論

為進一步提高光纖通信質量，本文從采集信號、信號處理、故障識別三個方面開展基于BP 神經網絡的光纖通信故障信號智能診斷方法的設計，并在完成設計后在華北某電力企業進行實際應用。通過對比實驗的方式，證明了此方法在電力企業中應用的可行性。但本文方法還存在一定的不足之處，例如，在實驗對比分析過程中未從多個維度對本文方法的有效性進行分析。為進一步優化此方法，我們將在后續的研究中，加大對實驗測試的投入，從不同維度進行方法可靠性的檢驗與測試，發現不足，彌補短板，以此實現對方法進行全面優化的目標。