一种光模块故障诊断和预警的方法、装置以及系统制造方法及图纸

本发明专利技术公开了一种光模块故障诊断和预警的方法、装置以及系统，用于解决现有技术中存在的无法给出光模块的故障概率以及使用静态阈值法判断光模块是否故障的模型适应能力有限的技术问题。所述方法包括：实时获取所述光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对所述第一周期的DDM数据进行处理，确定第一异常向量；根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断所述第一异常向量与所述样本频繁项集中的异常向量是否匹配；若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；若不匹配，则确定光模块在第一周期不存在故障。

【技术实现步骤摘要】
一种光模块故障诊断和预警的方法、装置以及系统
本专利技术涉及光通信
，特别涉及一种光模块故障诊断和预警的方法、装置以及系统。
技术介绍
光模块作为光通信网络的重要组成部分，主要负责通信过程中光信号与电信号的转换。长期以来，对于光模块的运维都是在感知通信业务受到影响后，由运维人员反查光模块故障进行替换或修复，这种被动运维方式导致通信业务受影响时间长，运维成本高。所以，实现光模块运维的自动化和智能化是十分必要的。目前，现有的光模块故障诊断和预警的方法主要有以下几种：(1)基于温度、使用时长以及电流：根据光模块的温度和使用时长估计正常电流大小，通过比较实时电流大小和正常电流大小，判断光模块是否故障；(2)基于累计统计参数：通过比较光模块的使用时长、总拔插次数、报警次数与预设阈值的大小，估计光模块所处的寿命阶段；(3)基于数字诊断检测(DigitalDiagnosticsMonitoring，DDM)参数：先对采集的DDM参数进行一定数学加工，如计算方差等，再通过比较参数与预设阈值大小，判断光模块是否故障。但是这些方法要么无法给出光模块的故障概率，要么无法进行光模块故障预警或者由于使用静态的故障阈值参数去判断会随着光模块生产厂商不同、运行的环境不同、使用强度不同而改变的参数，导致适应能力有限。可见，现有技术中存在无法给出光模块的故障概率以及使用静态阈值法判断光模块是否故障的模型适应能力有限的技术问题。
技术实现思路
本专利技术实施例提供一种光模块故障诊断和预警的方法、装置以及系统，用于解决现有技术中存在的无法准确给出光模块故障概率以及使用静态阈值法判断光模块是否故障的模型适应能力有限的技术问题。第一方面，为解决上述技术问题，本申请实施例提供一种光模块故障诊断和预警的方法，该方法的技术方案如下：实时获取所述光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对所述第一周期的DDM数据进行处理，确定第一异常向量；其中，所述异常检测模型为样本DDM数据及样本异常向量的函数关系模型，所述样本异常向量用于表示所述样本DDM数据是否异常；根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断所述第一异常向量与所述样本频繁项集中的异常向量是否匹配；其中，所述样本频繁项集是与端口故障数据同时出现的样本异常向量的集合，所述样本置信度集是与端口故障数据同时出现的样本异常向量对应的样本置信度的集合，所述样本置信度是样本异常向量与端口故障数据同时出现的概率；若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；若不匹配，则确定光模块在第一周期不存在故障。在本申请实施例中，可以实时获取光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对第一周期的DDM数据进行处理，确定第一异常向量，然后根据第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断第一异常向量样本频繁项集中的异常向量是否匹配，若匹配，则确定光模块在第一周期的故障概率为样本频繁项集中的异常向量相对应的样本置信度，若不匹配，则确定光模块在第一周期不存在故障，由于样本置信度为一个确切的概率，且异常检测模型是采用能够根据环境不同、厂商不同、使用频率不同而变化的故障阈值参数对多个DDM数据的参数进行异常诊断的模型，从而解决现有技术中无法准确给出光模块故障概率以及使用静态阈值法判断光模块是否故障的模型适应能力有限的技术问题，提高光模块的运维效率，减轻运维人员的工作负担。结合第一方面，在第一方面的第一种可选实施方式中，实时获取所述光模块的第一周期的数字诊断检测DDM数据之前，包括：获取异常检测模型的样本DDM数据集；其中，所述样本DDM数据集包括多个周期的DDM数据；根据所述多个周期的DDM数据，确定每个周期的DDM数据对应的异常检测参数集、异常检测方法集以及异常检测方法参数集；其中，所述异常检测方法参数集与异常检测方法集一一对应；根据所述异常检测参数集、异常检测方法集以及异常检测方法参数集，确定所述异常检测模型的样本异常向量集；其中，所述样本异常向量集包括多个周期的DDM数据对应的异常向量；根据所述样本异常向量集，生成所述异常检测模型。在本申请实施例中，可以获取异常检测模型的样本DDM数据集，根据样本DDM数据集，确定每个周期的DDM数据对应的异常检测参数集、异常检测方法集以及异常检测方法参数集，其中，异常检测方法参数集与异常检测方法集一一对应，然后根据异常检测参数集、异常检测方法集以及异常检测方法参数集，确定异常检测模型的样本异常向量集，然后根据样本异常向量集，生成异常检测模型，从而解决现有技术中因为使用会静态的故障阈值参数去判断会随着光模块生产厂商不同、运行的环境不同、使用强度不同而改变的参数，导致判断光模块是否故障的模型适应能力有限的技术问题。结合第一方面的第一种可选实施方式，在第一方面的第二种可选实施方式中，所述异常检测参数集为包括至少一个异常检测参数的集合；所述异常检测参数是对所述异常检测参数对应的一个周期的DDM数据的参数进行数学计算确定的数值，所述DDM数据的参数包括光模块的工作温度参数、工作电压参数、偏置电压参数、接收光功率参数、发射光功率参数中的至少一种。结合第一方面的第一种可选实施方式，在第一方面的第三种可选实施方式中，根据所述异常检测参数集、异常检测方法集以及异常检测方法参数集，确定样本异常向量集包括：根据一个周期的DDM数据所对应的异常检测方法集中的异常检测方法以及所述异常检测方法所对应的异常检测方法参数，确定所述周期的DDM数据所对应的异常检测参数集中的第一异常检测参数所对应的异常检测区间；判断所述第一异常检测参数是否在所述异常检测区间之内；若不在，则确定所述第一异常检测参数异常，所述第一异常检测参数对应的分量大小为第一预设阈值；若在，则确定所述第一异常检测参数不异常，所述第一异常检测参数对应的分量大小为第二预设阈值；根据所述分量大小，确定所述周期的DDM数据对应的异常向量。结合第一方面的第二种可选实施方式，在第一方面的第四种可选实施方式中，所述样本异常向量用于表示所述样本DDM数据是否异常，包括：所述样本异常向量包括多个向量；其中，不同的向量用于表示所述样本DDM数据的不同的异常检测参数是否异常；若所述分量大小为第一预设阈值，则所述分量表示对应的所述样本DDM数据的异常检测参数异常；若所述分量大小为第二预设阈值，则所述分量表示对应的所述样本DDM数据的异常检测参数不异常。结合第一方面的第一种可选实施方式，在第一方面的第五种可选实施方式中，根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集之前，还包括：获取所述样本DDM数据集对应的端口故障数据集；其中，一个周期的样本DDM数据对应一个端口故障数据；根据所述样本DDM数据集对应的样本异常向量集以及所述端口故障数本文档来自技高网...

【技术保护点】
1.一种光模块故障诊断和预警的方法，其特征在于，包括：/n实时获取所述光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对所述第一周期的DDM数据进行处理，确定第一异常向量；其中，所述异常检测模型为样本DDM数据及样本异常向量的函数关系模型，所述样本异常向量用于表示所述样本DDM数据是否异常；/n根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断所述第一异常向量与所述样本频繁项集中的异常向量是否匹配；其中，所述样本频繁项集是与端口故障数据同时出现的样本异常向量的集合，所述样本置信度集是与端口故障数据同时出现的样本异常向量对应的样本置信度的集合，所述样本置信度是样本异常向量与端口故障数据同时出现的概率；/n若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；/n若不匹配，则确定光模块在第一周期不存在故障。/n

【技术特征摘要】
1.一种光模块故障诊断和预警的方法，其特征在于，包括：
实时获取所述光模块的第一周期的数字诊断检测DDM数据，采用异常检测模型对所述第一周期的DDM数据进行处理，确定第一异常向量；其中，所述异常检测模型为样本DDM数据及样本异常向量的函数关系模型，所述样本异常向量用于表示所述样本DDM数据是否异常；
根据所述第一异常向量，调用异常检测模型的样本频繁项集以及对应的样本置信度集，判断所述第一异常向量与所述样本频繁项集中的异常向量是否匹配；其中，所述样本频繁项集是与端口故障数据同时出现的样本异常向量的集合，所述样本置信度集是与端口故障数据同时出现的样本异常向量对应的样本置信度的集合，所述样本置信度是样本异常向量与端口故障数据同时出现的概率；
若匹配，则确定光模块在第一周期的故障概率为所述样本频繁项集中的异常向量相对应的样本置信度；
若不匹配，则确定光模块在第一周期不存在故障。


2.如权利要求1所述的方法，其特征在于，实时获取所述光模块的第一周期的数字诊断检测DDM数据之前，包括：
获取异常检测模型的样本DDM数据集；其中，所述样本DDM数据集包括多个周期的DDM数据；
根据所述多个周期的DDM数据，确定每个周期的DDM数据对应的异常检测参数集、异常检测方法集以及异常检测方法参数集；其中，所述异常检测方法参数集与异常检测方法集一一对应；
根据所述异常检测参数集、异常检测方法集以及异常检测方法参数集，确定所述异常检测模型的样本异常向量集；其中，所述样本异常向量集包括多个周期的DDM数据对应的异常向量；
根据所述样本异常向量集，生成所述异常检测模型。


3.如权利要求2所述的方法，其特征在于，所述异常检测参数集为包括至少一个异常检测参数的集合；所述异常检测参数是对所述异常检测参数对应的一个周期的DDM数据的参数进行数学计算确定的数值，所述DDM数据的参数包括光模块的工作温度参数、工作电压参数、偏置电压参数、接收光功率参数、发射光功率参数中的至少一种。


4.如权利要求2所述的方法，其特征在于，根据所述异常检测参数集、异常检测方法集以及异常检测方法参数集，确定样本异常向量集包括：
根据一个周期的DDM数据所对应的异常检测方法集中的异常检测方法以及所述异常检测方法所对应的异常检测方法参数，确定所述周期的DDM数据所对应的异常检测参数集中的第一异常检测参数所对应的异常检测区间；
判断所述第一异常检测参数是否在所述异常检测区间之内；
若不在，则确定所述第一异常检测参数异常，所述第一异常检测参数对应的分量大小为第一预设阈值；
若在，则确定所述第一异常检测参数不异常，所述第一异常检测参数对应的分量大小为第二预设阈值；
根据所述分量大小，确定所述周期的DDM数据对应的异常向量。


5.如权利要求3所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：杜博远，
申请(专利权)人：锐捷网络股份有限公司，
类型：发明
国别省市：福建;35