一种基于微分进化神经网络的OTDR故障特征判断方法技术

本申请涉及一种基于微分进化神经网络的OTDR故障特征判断方法，先采集充分多的OTDR故障特征诊断数据，对诊断数据进行去噪并剪断操作处理后，输入神经网络中进行训练，训练好的神经网络即可以应用到对OTDR的故障点判断。本申请的方法将OTDR的故障点判断问题转换为神经网络的模式识别，利用神经网络的模式识别优势，高精度地判断故障点的位置和类型。

An OTDR Fault Feature Judgment Method Based on Differential Evolutionary Neural Network

【技术实现步骤摘要】
一种基于微分进化神经网络的OTDR故障特征判断方法
本专利技术提供一种基于微分进化神经网络的OTDR故障特征判断方法，有别于传统的故障判断方法，能高精度的判断OTDR故障类型，属于电力通信测试领域。
技术介绍
目前,光纤通信中广泛使用光时域反射仪(OTDR)对光纤断裂等故障进行判断，其原理是通过往光纤中注入高强度光脉冲，利用光的瑞利散射和菲涅耳反射，对散射信号进行抽样和量化处理，形成原始的数据曲线。并通过自动判断算法，从曲线中找到光纤故障点。当前广泛使用的故障判断算法有最小二乘法、五点法、小波算法等。其中最小二乘法和五点法实现起来较为容易，但是精度不高；而利用小波算法来进行处理，需要针对每个曲线找到合适的阈值，用来分离低频分量，不适合实际工程应用，当前主要用小波算法来对数据进行滤波处理等操作。神经网络具有并行处理、信息综合、优化计算、自学习和非线性映射等能力，目前已广泛应用于诸如图像识别、短期预测、故障诊断等各领域。神经网络的性能主要取决于神经网络的权值训练和结构优化。而微分进化算法具有鲁棒性好，控制参数少，全局搜索能力强等特点，适合用来训练神经网络，以求得权值最优解。基于此，本专利技术提供了一种基于微分进化神经网络的光时域反射仪(OTDR)的故障特征判断方法，能够基于智能算法训练神经网络，以智能识别光纤故障点，提高故障识别精度。
技术实现思路
本专利技术要解决的技术问题是：为解决现有技术中的不足，从而提供一种用于对对光时域反射仪(OTDR)所测量的数据信息进行智能判断光纤故障点的基于微分进化神经网络的OTDR故障特征判断方法。本专利技术解决其技术问题所采用的技术方案是：一种基于微分进化神经网络的OTDR故障特征判断方法，包括以下步骤：S1：构建特征数据集，使用OTDR对多条种类的光纤进行测试，每个测试包含多条测试原始数据，形成初始原始数据集N1；对初始原始数据集N1进行分析，获得每条测试原始数据对应的故障类型，去除噪声数据后形成特征数据集N2；S2：将特征数据集N2进行剪断，对每条特征数据集N2，每隔M个点来进行剪断，建立子样本矩阵[ai1,ai2……ain]，其中i～1-X，X为特征数据集N2的总条数，将每个子样本矩阵与故障类型进行对应，故障类型为剪断前测试原始数据的故障类型，共形成N2/M个数据样本；S3：对数据样本进行归一化处理，形成测试数据集；S4：形成测试数据集之后，使用训练算法和测试数据集来对人工神经网络进行训练；S5：利用微分进化算法对神经网络进行结构优化和权值训练，权值训练和结构优化同时进行；S6：获取待判断的OTDR测试数据，对OTDR测试数据以每隔M个点对待判断的OTDR测试数据进行剪断，建立子样本矩阵[ai1,ai2……ain]，将每个建立子样本矩阵[ai1,ai2……ain]中的数据进行S3步骤中的归一化操作后输入到S5步骤中训练好的神经网络中；S7：根据神经网络的输出值确定故障类型。优选地，本专利技术的基于微分进化神经网络的OTDR故障特征判断方法，S1步骤中噪声数据为测试结论为光纤末端的噪声数据和电磁的干扰数据，形成特征数据集N2。优选地，本专利技术的基于微分进化神经网络的OTDR故障特征判断方法，S2步骤中故障类型中0对应无故障，1对应反射事件，2对应非反射事件，3对应光纤末端；S7步骤中，输出结果为0时对应无故障，为1时故障类型为反射事件，为2时故障类型为非反射事件，为3时故障类型为光纤末端。优选地，本专利技术的基于微分进化神经网络的OTDR故障特征判断方法，S2和S6步骤中的M＝脉宽(ns)*100/采样分辨率。优选地，本专利技术的基于微分进化神经网络的OTDR故障特征判断方法，所述S3步骤中的归一化处理公式为：得到的处理后的测试数据集，其中i～1-x，m～1-n，aim为当前值，表示归一化之后的值，MIN(ai1,ai2……ain)表示(ai1,ai2……ain)中的最小值，MAX(ai1,ai2……ain)表示(ai1,ai2……ain)中的最大值。优选地，本专利技术的基于微分进化神经网络的OTDR故障特征判断方法，S4步骤中人工神经网络选取3层结构的BP神经网络，隐层中神经元个数p根据经验公式确定其中a和b分别是输入层和输出层的维数，θ是0～10之间的一个数。优选地，本专利技术的基于微分进化神经网络的OTDR故障特征判断方法，S3步骤中，训练算法为微分进化算法。优选地，本专利技术的基于微分进化神经网络的OTDR故障特征判断方法，S1步骤中，特征数据集N2中至少具有5000条以上的特征数据。本专利技术的有益效果是：1.本专利技术的基于微分进化神经网络的OTDR故障特征判断方法，先采集充分多的OTDR故障特征诊断数据，对诊断数据进行去噪并剪断操作处理后，输入神经网络中进行训练，训练好的神经网络即可以应用到对OTDR的故障点判断。本申请的方法将OTDR的故障点判断问题转换为神经网络的模式识别，利用神经网络的模式识别优势，高精度地判断故障点的位置和类型。2.利用微分进化算法来训练BP神经网络，相比于传统的算法，能够更快的找到极值点，提高神经网络的训练效率。附图说明下面结合附图和实施例对本申请的技术方案进一步说明。图1是本申请实施例基于微分进化神经网络的OTDR故障特征判断方法的流程图；具体实施方式需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请的技术方案。实施例本实施例提供一种基于微分进化神经网络的OTDR故障特征判断方法，如图1所示，包括以下步骤：S1：构建特征数据集，使用OTDR对多条种类的光纤进行测试，每个测试包含多条测试原始数据，形成初始原始数据集N1；对初始原始数据集N1进行分析，获得每条测试原始数据对应的故障类型，去掉测试结论为光纤末端的噪声数据和电磁的干扰数据，形成特征数据集N2，考虑到一般来说，OTDR的量程设置都大于实际光纤长度，所以需要去掉光纤末端的噪声数据，以提升测试数据集的质量，特征数据集N2中的特征数据应当充分多，一般来说至少具有5000条以上的特征数据；S2：将特征数据集N2进行剪断操作，对每条特征数据集N2，每隔M个点来进行剪断，(M＝脉宽(ns)*100/采样分辨率)，建立子样本矩阵[ai1,ai2……ain]，其中i～1-X，X为特征数据集N2的总条数，将每个子样本矩阵与故障类型进行对应，故障类型为剪断前测试原始数据的故障类型，其中0对应无故障，1对应反射事件，2对应非反射事件，3对应光纤末端，共形成N2/M个数据样本,数据样本集为：；S3：对数据样本进行归一化处理，由于数据样本集的数据值都较大，在后续的神经网络训练过程中会不断的加大，容易溢出，所以这里需要对数据样本集的数据值进行归一化处理，归一化处理公式为：得到的处理后的测试数据集，其中i～1-x，m～1-n，aim为当前值，表示归一化之后的值，MIN(ai1,ai2……ain)表示(ai1,ai2……ain)中的最小值，MAX(ai1,ai2......ain)表示(ai1,ai2……ain)中的最大值；S4：形成测试数据集之后，使用DE算法和测试数据集来对人工神经网络进行训练(归一化处理处理的数据作为人工神经网络的输入、故障类型作为人工神经网络的输本文档来自技高网...

【技术保护点】
1.一种基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，包括以下步骤：S1：构建特征数据集，使用OTDR对多条种类的光纤进行测试，每个测试包含多条测试原始数据，形成初始原始数据集N1；对初始原始数据集N1进行分析，获得每条测试原始数据对应的故障类型，去除噪声数据后形成特征数据集N2；S2：将特征数据集N2进行剪断，对每条特征数据集N2，每隔M个点来进行剪断，建立子样本矩阵[ai1,ai2……ain]，其中i～1‑X，X为特征数据集N2的总条数，将每个子样本矩阵与故障类型进行对应，故障类型为剪断前测试原始数据的故障类型，共形成N2/M个数据样本；S3：对数据样本进行归一化处理，形成测试数据集；S4：形成测试数据集之后，使用训练算法和测试数据集来对人工神经网络进行训练；S5：利用微分进化算法对神经网络进行结构优化和权值训练，权值训练和结构优化同时进行；S6：获取待判断的OTDR测试数据，对OTDR测试数据以每隔M个点对待判断的OTDR测试数据进行剪断，建立子样本矩阵[ai1,ai2……ain]，将每个建立子样本矩阵[ai1,ai2……ain]中的数据进行S3步骤中的归一化操作后输入到S5步骤中训练好的神经网络中；S7：根据神经网络的输出值确定故障类型。...

【技术特征摘要】
1.一种基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，包括以下步骤：S1：构建特征数据集，使用OTDR对多条种类的光纤进行测试，每个测试包含多条测试原始数据，形成初始原始数据集N1；对初始原始数据集N1进行分析，获得每条测试原始数据对应的故障类型，去除噪声数据后形成特征数据集N2；S2：将特征数据集N2进行剪断，对每条特征数据集N2，每隔M个点来进行剪断，建立子样本矩阵[ai1,ai2……ain]，其中i～1-X，X为特征数据集N2的总条数，将每个子样本矩阵与故障类型进行对应，故障类型为剪断前测试原始数据的故障类型，共形成N2/M个数据样本；S3：对数据样本进行归一化处理，形成测试数据集；S4：形成测试数据集之后，使用训练算法和测试数据集来对人工神经网络进行训练；S5：利用微分进化算法对神经网络进行结构优化和权值训练，权值训练和结构优化同时进行；S6：获取待判断的OTDR测试数据，对OTDR测试数据以每隔M个点对待判断的OTDR测试数据进行剪断，建立子样本矩阵[ai1,ai2……ain]，将每个建立子样本矩阵[ai1,ai2……ain]中的数据进行S3步骤中的归一化操作后输入到S5步骤中训练好的神经网络中；S7：根据神经网络的输出值确定故障类型。2.根据权利要求1所述的基于微分进化神经网络的OTDR故障特征判断方法，其特征在于，S1步骤中噪声数据为测试结论为光纤末端的噪声数据和电磁的干扰数据，形成特征数据集N2。3.根据权利要求1或2所述的基于微分进化神经网...

【专利技术属性】
技术研发人员：孔圣立，韩伟，张峰，李琼林，刘磊，时晨，乔利红，蔡得雨，吴春红，段文岩，黄中武，
申请(专利权)人：国网河南省电力公司电力科学研究院，郑州创展科技有限公司，国家电网有限公司，
类型：发明
国别省市：河南,41