[發(fā)明專利]一種基于微分進(jìn)化神經(jīng)網(wǎng)絡(luò)的OTDR故障特征判斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910362524.8
• 申請(qǐng)日: 2019-04-30
• 公開（公告）號(hào): CN110212975B
• 公開（公告）日: 2020-09-29
• 發(fā)明（設(shè)計(jì)）人: 韓偉;張峰;孔圣立;李瓊林;劉磊;時(shí)晨;喬利紅;蔡得雨;吳春紅;黨一奇;段文巖
• 申請(qǐng)（專利權(quán)）人: 國(guó)網(wǎng)河南省電力公司電力科學(xué)研究院;鄭州創(chuàng)展科技有限公司;國(guó)家電網(wǎng)有限公司
• 主分類號(hào): H04B10/071
• 分類號(hào): H04B10/071
• 代理公司: 蘇州知途知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32299
• 代理人: 張錦波

1.一種基于微分進(jìn)化神經(jīng)網(wǎng)絡(luò)的OTDR故障特征判斷方法，其特征在于，包括以下步驟：

S1：構(gòu)建特征數(shù)據(jù)集，使用OTDR對(duì)多條種類的光纖進(jìn)行測(cè)試，每個(gè)測(cè)試包含多條測(cè)試原始數(shù)據(jù)，形成初始原始數(shù)據(jù)集N1；對(duì)初始原始數(shù)據(jù)集N1進(jìn)行分析，獲得每條測(cè)試原始數(shù)據(jù)對(duì)應(yīng)的故障類型，去除噪聲數(shù)據(jù)后形成特征數(shù)據(jù)集N2；

S2：將特征數(shù)據(jù)集N2進(jìn)行剪斷，對(duì)每條特征數(shù)據(jù)集N2，每隔M個(gè)點(diǎn)來進(jìn)行剪斷，建立子樣本矩陣[a_i1,a_i2……a_in]，其中i～1-X，X為特征數(shù)據(jù)集N2的總條數(shù)，將每個(gè)子樣本矩陣與故障類型進(jìn)行對(duì)應(yīng)，故障類型為剪斷前測(cè)試原始數(shù)據(jù)的故障類型，共形成N2/M個(gè)數(shù)據(jù)樣本；

S3：對(duì)數(shù)據(jù)樣本進(jìn)行歸一化處理，形成測(cè)試數(shù)據(jù)集；

S4：形成測(cè)試數(shù)據(jù)集之后，使用訓(xùn)練算法和測(cè)試數(shù)據(jù)集來對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

S5：利用微分進(jìn)化算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)優(yōu)化和權(quán)值訓(xùn)練，權(quán)值訓(xùn)練和結(jié)構(gòu)優(yōu)化同時(shí)進(jìn)行；

S6：獲取待判斷的OTDR測(cè)試數(shù)據(jù)，對(duì)OTDR測(cè)試數(shù)據(jù)以每隔M個(gè)點(diǎn)對(duì)待判斷的OTDR測(cè)試數(shù)據(jù)進(jìn)行剪斷，建立子樣本矩陣[a_i1,a_i2……a_in]，將每個(gè)建立子樣本矩陣[a_i1,a_i2……a_in]中的數(shù)據(jù)進(jìn)行S3步驟中的歸一化操作后輸入到S5步驟中訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中；

S7：根據(jù)神經(jīng)網(wǎng)絡(luò)的輸出值確定故障類型。

2.根據(jù)權(quán)利要求1所述的基于微分進(jìn)化神經(jīng)網(wǎng)絡(luò)的OTDR故障特征判斷方法，其特征在于，S1步驟中噪聲數(shù)據(jù)為測(cè)試結(jié)論為光纖末端的噪聲數(shù)據(jù)和電磁的干擾數(shù)據(jù)，形成特征數(shù)據(jù)集N2。

3.根據(jù)權(quán)利要求1或2所述的基于微分進(jìn)化神經(jīng)網(wǎng)絡(luò)的OTDR故障特征判斷方法，其特征在于，S2步驟中故障類型中0對(duì)應(yīng)無故障，1對(duì)應(yīng)反射事件，2對(duì)應(yīng)非反射事件，3對(duì)應(yīng)光纖末端；

S7步驟中，輸出結(jié)果為0時(shí)對(duì)應(yīng)無故障，為1時(shí)故障類型為反射事件，為2時(shí)故障類型為非反射事件，為3時(shí)故障類型為光纖末端。

4.根據(jù)權(quán)利要求1所述的基于微分進(jìn)化神經(jīng)網(wǎng)絡(luò)的OTDR故障特征判斷方法，其特征在于，S2和S6步驟中的M＝脈寬(ns)*100/采樣分辨率。

5.根據(jù)權(quán)利要求1所述的基于微分進(jìn)化神經(jīng)網(wǎng)絡(luò)的OTDR故障特征判斷方法，其特征在于，所述S3步驟中的歸一化處理公式為：

得到的處理后的測(cè)試數(shù)據(jù)集，其中i～1-x，m～1-n，a_im為當(dāng)前值，表示歸一化之后的值，MIN(a_i1,a_i2......a_in)表示(a_i1,a_i2……a_in)中的最小值，MAX(a_i1,a_i2......a_in)表示(a_i1,a_i2......a_in)中的最大值。

6.根據(jù)權(quán)利要求1所述的基于微分進(jìn)化神經(jīng)網(wǎng)絡(luò)的OTDR故障特征判斷方法，其特征在于，S4步驟中人工神經(jīng)網(wǎng)絡(luò)選取3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，隱層中神經(jīng)元個(gè)數(shù)p根據(jù)經(jīng)驗(yàn)公式確定其中a和b分別是輸入層和輸出層的維數(shù)，θ是0～10之間的一個(gè)數(shù)。

7.根據(jù)權(quán)利要求1所述的基于微分進(jìn)化神經(jīng)網(wǎng)絡(luò)的OTDR故障特征判斷方法，其特征在于，S3步驟中，訓(xùn)練算法為微分進(jìn)化算法。

8.根據(jù)權(quán)利要求1所述的基于微分進(jìn)化神經(jīng)網(wǎng)絡(luò)的OTDR故障特征判斷方法，其特征在于，特征數(shù)據(jù)集N2中至少具有5000條以上的特征數(shù)據(jù)。