基于神經網絡識別的地下通信光纜故障定位研究

藍 波，張均偉，黃嘉庚，謝曉華

（廣西電網有限責任公司柳州供電局，廣西 柳州 545000）

0 引 言

架空安裝和地下安裝是2種最常見的室外光纜安裝方式，其中地下光纜直接埋在地下或放置在地下管道中，大多為長距離掩埋。在開展道路建設工程、道路擴建項目和其他開發項目的地區，通信光纜故障時有發生。地下通信光纜出現故障時，需要沿光纜傳輸路徑進行某種形式的挖掘，以準確識別光纜切割點。由于跟蹤和修復故障的延遲，這種情況會導致巨大的收入損失。近年來，機器學習（Machine Learning，ML）在光通信網絡中的應用逐漸受到關注，特別是在非線性傳輸系統、光傳輸放大、故障檢測以及故障識別等領域，使用機器學習技術來預測光網絡性能具有較高的準確性[1]。目前，跟蹤地下光網絡故障的方法存在較大缺陷，例如光時域反射計（Optical Time-Domain Reflectometer，OTDR）的測量值與故障的實際距離不一致，在準確定位地表故障點時延遲過大，造成資源浪費和經濟損失[2-4]。相關學者針對此類問題已經開發了許多解決方案，包括使用OTDR確定地下光傳輸系統中光纜切割的精確長度和應用ML跟蹤光傳輸基礎設施故障[5,6]。劉軻等人強調了實際測量OTDR方法的局限性和缺陷，使用光子探針故障定位器對地下光纖網絡中的故障進行檢測[7]。AMARI A等人建議將小型可插拔（Small Form Pluggable，SFP）模塊上的嵌入式OTDR軟件部署在磁場導向控制（Field Oriented Control，FOC）網絡基礎設施的端到端節點上，以監測和報告傳輸鏈路中的故障距離[8]。光網絡生成大量不同的數據流，需要通過ML技術迅速對這些數據進行獲取、處理和分析[9]。基于此，利用ML技術和簡單的線性回歸預測模型來預測地下通信光纜故障的實際位置，單層感知器（Single Layer Perceptron，SLP）神經網絡（Neural Network，NN）結構的輸入數據集采用Sigmoid激活函數，以合理的精度獲得有用的輸出值，大大減少修復成本。

1 地下通信光纜中的故障檢測

地下通信光纜故障主要分為硬故障和軟故障，其中硬故障是一種突發事件，如光纖切斷、斷電等；軟故障是設備故障或過濾器未對準而導致的傳輸逐漸退化。光網絡中的故障源不同，例如濾波器未對準、放大器故障、光纖彎曲等。在網絡運行期間，軟故障會影響信號質量，造成接收器的誤碼率增加，最終導致數據包丟失甚至服務中斷。基于此，軟故障檢測、定位和識別技術至關重要。

1.1 OTDR

OTDR設備用于測量通信光纜的故障距離，其基本原理是瑞利散射和菲涅爾反射。信號通過光纖從OTDR發送高功率光脈沖，當光線到達光纜中故障點時會被反射回OTDR，由靈敏光學接收器將后向散射光轉換為數字形式。通過所得信號的強弱變化、信號傳輸距離與時間的轉換關系，求得長度和光功率衰減的對應關系。OTDR的工作原理如圖1所示。

圖1 OTDR工作原理

OTDR測量提供了許多有價值的信息，例如光功率損耗、衰減、應力等。菲涅爾反射是利用反向散射光的活動來確定距離。利用菲涅耳反射信息，OTDR可以預測光網絡基礎設施中的軟故障和硬故障，測量地下光纜光源（光學發射器）到故障區域的距離。

1.2 機器學習

在通信光纜網絡領域，光纜基礎設施的持續迭代引入了大量可適應且相互依賴的系統參數，如路由、配置、調制、符號速率以及編碼方案等，增加了系統的復雜性。ML在光網絡中的應用能夠實現流量預測、虛擬拓撲設計、故障檢測、故障定位以及流量分類等。神經網絡模型包含輸入層、隱藏層和輸出層，可通過全連接法將多個隱藏層連接起來，深度解決較為復雜的問題。隨著對神經網絡的不斷研究，已經取得較大進展，特別是在分類預測方面表現優異的性能。本文在已知OTDR測量值的情況下，通過神經網絡識別技術對地下通信光纜故障進行定位。

2 地下通信光纜故障定位

簡單線性回歸（Simple Linear Regression，SLR）模型能夠使用一個或多個自變量來預測因變量，基于自變量對目標值進行建模。OTDR測量值xi與通信光纜故障的實際位置yi之間的線性關系為

式中：α0為截距；α1為xi的差別截距系數。

單層感知器神經網絡（Single Layer Perceptron Neural Network，SLP-NN）模型有一個輸入層和一個輸出層，沒有反饋連接層。用于線性回歸預測的SLP-NN結構由2個輸入單元組成，SLP的輸入參數是光發射機和故障點之間的地下光纜的實際距離x1及其加權值w1、OTDR的測量值x2及其加權值α2，單個隱藏層將Sigmoid激活函數應用于距離預測。預測模型的SLP結構如圖2所示。

圖2 預測模型的SLP結構

線性回歸預測模型輸出的預測值為

通過對輸入數據集進行篩選、數據清洗、歸一化處理，去除異常值。應用回歸分析，將數據整合到一個Sigmoid激活函數中，即

通過優化調整最佳擬合回歸值，減小預測值與實際值之間的誤差，提高結果的準確性。在數據預處理階段，替換列中缺失值，并刪除異常值。

3 現場驗證與分析

選取廣西電網柳州供電局的2 000條地下通信光纜信號數據組成數據集，將整個數據集劃分為訓練集和測試集，比例為4∶1，對地下通信光纜故障定位模型的有效性進行驗證。通信光纜監測信號頻率如圖3所示。

圖3 光纜故障信號頻率曲線

由圖3可知，與原始信號頻率相比，通信光纜故障處的信號頻率突變比較明顯。使用回歸方程預測地下通信光纜故障的實際位置，預測值和實際值如表1所示。

表1 斷層距離的實際值和預測值

從表1可以看出，實際距離值隨機波動不規則、相互獨立，使用簡單線性回歸模型進行預測是有效且可行的，模型擬合度較高。通過改進α0和α1的值獲得最佳成本函數，使均方誤差（Mean Square Error，MSE）值穩定在最小。測試中獲得的精度表明預測值與實際值的接近程度，簡單線性回歸預測的結果對地下纜故障跟蹤具有一定的參考價值。盡管預測模型在輸出端存在異常值，但部署的評估矩陣抑制了異常值對最終結果的殘余影響。評估矩陣MSE和平均絕對誤差（Mean Absolute Error，MAE）分別為0.060 678和0.079 342，表明該預測模型適用于地下光纜切割斷層的精確距離預測。

通過對比監測數據與實際測量數據來驗證通信光纜故障定位方法的精確性，監測效果如圖4所示。

圖4 光纜監測效果

由圖4可知，光纜故障定位方法表現出了良好的監測效果，光纜監測數據的擬合度均高于90%。此外，將本文所提方法與文獻[10]、文獻[11]、文獻[12]所提的方法進行對比，長度測試結果如圖5所示。

圖5 長度測試結果

本文所提方法的降噪性能變化相對穩定，能夠實現較長距離內光纜故障的監測，進一步保證了長距離光纜故障的實時監測。不同方法的測量時間對比如表2所示。

表2 測量時間對比結果

本文提出的預測模型考慮了光傳輸鏈路中的腔室數量、盤繞的光纜、光發射機之間的腔室數量以及地下光纖網絡中的故障點，經過優化調整，有效縮短了測量時間。光纜故障定位精度測試結果如圖6所示。

圖6 光纜故障定位精度測試結果

由圖6可知，本文所提方法的定點精度均高于90%，克服了僅使用OTDR設備測量帶來的延遲，通過不斷修正誤差準確識別地下通信光纜故障，顯著降低修復故障的成本。

4 結 論

將基于SLP的神經網絡技術應用于簡單線性回歸預測模型，以預測地下通信光纜故障的精確距離，使用MSE和MAE評估矩陣對預測精度進行評估。以柳州供電局通信數據集為例，對故障定位模型進行了驗證。當地下光網絡發生故障時，通過OTDR測量結合SLP-NN模型能夠準確預測地下光纜的切割位置，減少故障跟蹤所需的時間，從而減少故障跟蹤和修復過程延遲而導致的損失。該方法不僅適用于地下光纜故障預測，還適用于其他地下傳輸基礎設施的故障預測。