基于神经网络识别的地下通信光缆故障定位研究

蓝 波，张均伟，黄嘉庚，谢晓华

（广西电网有限责任公司柳州供电局，广西 柳州 545000）

0 引 言

架空安装和地下安装是2种最常见的室外光缆安装方式，其中地下光缆直接埋在地下或放置在地下管道中，大多为长距离掩埋。在开展道路建设工程、道路扩建项目和其他开发项目的地区，通信光缆故障时有发生。地下通信光缆出现故障时，需要沿光缆传输路径进行某种形式的挖掘，以准确识别光缆切割点。由于跟踪和修复故障的延迟，这种情况会导致巨大的收入损失。近年来，机器学习（Machine Learning，ML）在光通信网络中的应用逐渐受到关注，特别是在非线性传输系统、光传输放大、故障检测以及故障识别等领域，使用机器学习技术来预测光网络性能具有较高的准确性[1]。目前，跟踪地下光网络故障的方法存在较大缺陷，例如光时域反射计（Optical Time-Domain Reflectometer，OTDR）的测量值与故障的实际距离不一致，在准确定位地表故障点时延迟过大，造成资源浪费和经济损失[2-4]。相关学者针对此类问题已经开发了许多解决方案，包括使用OTDR确定地下光传输系统中光缆切割的精确长度和应用ML跟踪光传输基础设施故障[5,6]。刘轲等人强调了实际测量OTDR方法的局限性和缺陷，使用光子探针故障定位器对地下光纤网络中的故障进行检测[7]。AMARI A等人建议将小型可插拔（Small Form Pluggable，SFP）模块上的嵌入式OTDR软件部署在磁场导向控制（Field Oriented Control，FOC）网络基础设施的端到端节点上，以监测和报告传输链路中的故障距离[8]。光网络生成大量不同的数据流，需要通过ML技术迅速对这些数据进行获取、处理和分析[9]。基于此，利用ML技术和简单的线性回归预测模型来预测地下通信光缆故障的实际位置，单层感知器（Single Layer Perceptron，SLP）神经网络（Neural Network，NN）结构的输入数据集采用Sigmoid激活函数，以合理的精度获得有用的输出值，大大减少修复成本。

1 地下通信光缆中的故障检测

地下通信光缆故障主要分为硬故障和软故障，其中硬故障是一种突发事件，如光纤切断、断电等；软故障是设备故障或过滤器未对准而导致的传输逐渐退化。光网络中的故障源不同，例如滤波器未对准、放大器故障、光纤弯曲等。在网络运行期间，软故障会影响信号质量，造成接收器的误码率增加，最终导致数据包丢失甚至服务中断。基于此，软故障检测、定位和识别技术至关重要。

1.1 OTDR

OTDR设备用于测量通信光缆的故障距离，其基本原理是瑞利散射和菲涅尔反射。信号通过光纤从OTDR发送高功率光脉冲，当光线到达光缆中故障点时会被反射回OTDR，由灵敏光学接收器将后向散射光转换为数字形式。通过所得信号的强弱变化、信号传输距离与时间的转换关系，求得长度和光功率衰减的对应关系。OTDR的工作原理如图1所示。

图1 OTDR工作原理

OTDR测量提供了许多有价值的信息，例如光功率损耗、衰减、应力等。菲涅尔反射是利用反向散射光的活动来确定距离。利用菲涅耳反射信息，OTDR可以预测光网络基础设施中的软故障和硬故障，测量地下光缆光源（光学发射器）到故障区域的距离。

1.2 机器学习

在通信光缆网络领域，光缆基础设施的持续迭代引入了大量可适应且相互依赖的系统参数，如路由、配置、调制、符号速率以及编码方案等，增加了系统的复杂性。ML在光网络中的应用能够实现流量预测、虚拟拓扑设计、故障检测、故障定位以及流量分类等。神经网络模型包含输入层、隐藏层和输出层，可通过全连接法将多个隐藏层连接起来，深度解决较为复杂的问题。随着对神经网络的不断研究，已经取得较大进展，特别是在分类预测方面表现优异的性能。本文在已知OTDR测量值的情况下，通过神经网络识别技术对地下通信光缆故障进行定位。

2 地下通信光缆故障定位

简单线性回归（Simple Linear Regression，SLR）模型能够使用一个或多个自变量来预测因变量，基于自变量对目标值进行建模。OTDR测量值xi与通信光缆故障的实际位置yi之间的线性关系为

式中：α0为截距；α1为xi的差别截距系数。

单层感知器神经网络（Single Layer Perceptron Neural Network，SLP-NN）模型有一个输入层和一个输出层，没有反馈连接层。用于线性回归预测的SLP-NN结构由2个输入单元组成，SLP的输入参数是光发射机和故障点之间的地下光缆的实际距离x1及其加权值w1、OTDR的测量值x2及其加权值α2，单个隐藏层将Sigmoid激活函数应用于距离预测。预测模型的SLP结构如图2所示。

图2 预测模型的SLP结构

线性回归预测模型输出的预测值为

通过对输入数据集进行筛选、数据清洗、归一化处理，去除异常值。应用回归分析，将数据整合到一个Sigmoid激活函数中，即

通过优化调整最佳拟合回归值，减小预测值与实际值之间的误差，提高结果的准确性。在数据预处理阶段，替换列中缺失值，并删除异常值。

3 现场验证与分析

选取广西电网柳州供电局的2 000条地下通信光缆信号数据组成数据集，将整个数据集划分为训练集和测试集，比例为4∶1，对地下通信光缆故障定位模型的有效性进行验证。通信光缆监测信号频率如图3所示。

图3 光缆故障信号频率曲线

由图3可知，与原始信号频率相比，通信光缆故障处的信号频率突变比较明显。使用回归方程预测地下通信光缆故障的实际位置，预测值和实际值如表1所示。

表1 断层距离的实际值和预测值

从表1可以看出，实际距离值随机波动不规则、相互独立，使用简单线性回归模型进行预测是有效且可行的，模型拟合度较高。通过改进α0和α1的值获得最佳成本函数，使均方误差（Mean Square Error，MSE）值稳定在最小。测试中获得的精度表明预测值与实际值的接近程度，简单线性回归预测的结果对地下缆故障跟踪具有一定的参考价值。尽管预测模型在输出端存在异常值，但部署的评估矩阵抑制了异常值对最终结果的残余影响。评估矩阵MSE和平均绝对误差（Mean Absolute Error，MAE）分别为0.060 678和0.079 342，表明该预测模型适用于地下光缆切割断层的精确距离预测。

通过对比监测数据与实际测量数据来验证通信光缆故障定位方法的精确性，监测效果如图4所示。

图4 光缆监测效果

由图4可知，光缆故障定位方法表现出了良好的监测效果，光缆监测数据的拟合度均高于90%。此外，将本文所提方法与文献[10]、文献[11]、文献[12]所提的方法进行对比，长度测试结果如图5所示。

图5 长度测试结果

本文所提方法的降噪性能变化相对稳定，能够实现较长距离内光缆故障的监测，进一步保证了长距离光缆故障的实时监测。不同方法的测量时间对比如表2所示。

表2 测量时间对比结果

本文提出的预测模型考虑了光传输链路中的腔室数量、盘绕的光缆、光发射机之间的腔室数量以及地下光纤网络中的故障点，经过优化调整，有效缩短了测量时间。光缆故障定位精度测试结果如图6所示。

图6 光缆故障定位精度测试结果

由图6可知，本文所提方法的定点精度均高于90%，克服了仅使用OTDR设备测量带来的延迟，通过不断修正误差准确识别地下通信光缆故障，显著降低修复故障的成本。

4 结 论

将基于SLP的神经网络技术应用于简单线性回归预测模型，以预测地下通信光缆故障的精确距离，使用MSE和MAE评估矩阵对预测精度进行评估。以柳州供电局通信数据集为例，对故障定位模型进行了验证。当地下光网络发生故障时，通过OTDR测量结合SLP-NN模型能够准确预测地下光缆的切割位置，减少故障跟踪所需的时间，从而减少故障跟踪和修复过程延迟而导致的损失。该方法不仅适用于地下光缆故障预测，还适用于其他地下传输基础设施的故障预测。