一种基于机器学习的光模块损坏检测方法及系统技术方案

本发明专利技术提供一种基于机器学习的光模块损坏检测方法及系统，通过光模块的历史性能数据检测结果生成一个光模块检测模型，利用该光模块检测模型在预测坏光模块性能数据上有一定的作用，可作为辅助手段帮助排查坏光模块。同时，为了保证光模块检测模型的泛化能力，还可以在生成光模块检测模型后，利用大量真实坏光模块数据以及更多特征的进行挖掘探索。本发明专利技术通过对离线的正常及损坏光模块历史性能数据分析，不仅可以对实时光模块性能数据进行检测，还可以通过机器学习算法实时监测光模块性能情况，并预测光模块是否存在损坏趋势。本发明专利技术基于机器学习的光模块检测来代替人工检测光模块，大大提高了检测准确性并降低了时间及人力的耗费。人力的耗费。人力的耗费。

【技术实现步骤摘要】
一种基于机器学习的光模块损坏检测方法及系统


[0001]本专利技术涉及机器学习
，特别是涉及一种基于机器学习的光模块损坏检测方法及系统。

技术介绍

[0002]光模块是进行光电和电光转换的光电子器件。光模块的发送端把电信号转换为光信号，接收端把光信号转换为电信号。光模块在基站、光纤网卡、光纤路由器等方向有着广泛应用，是光纤通信系统中的核心产品。然而针对此种用途范围广，用量大的主流产品，在检测方式上则通过肉眼观察、接口对接等人工检测方式测试光模块工作是否正常。此种检测方式流程繁琐，耗费大量时间及人力并且准确率极低。

技术实现思路

[0003]鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于机器学习的光模块损坏检测方法及系统，用于解决现有技术中人工检测光模块流程繁琐、耗费时间多、准确率低的问题。
[0004]为实现上述目的及其他相关目的，本专利技术提供一种基于机器学习的光模块损坏检测方法，包括以下步骤：
[0005]获取正常光模块和非正常光模块的历史性能数据；
[0006]对所述正常光模块和非正常光模块的历史性能数据进行清洗和过滤；
[0007]选择目标特征，并通过信息增益算法计算每个目标特征对所述光模块的纯度影响，以及按照计算出的纯度影响进行排序，获取关键目标特征，用于模型的学习与训练；
[0008]获取历史性能数据中的正样本数据与负样本数据，并基于Smote过采样方式模拟非正常光模块的性能数据，使正样本数据与负样本数据的数量比例达到目标值；其中，正常光模块的性能数据为正样本数据，非正常光模块的性能数据为负样本数据；
[0009]基于分类算法人工神经网络和随机森林算法对数量比例达到目标值的样本性能数据进行训练学习，生成光模块检测模型；所述样本性能数据由正样本数据和负样本数据组成；
[0010]利用所述光模块检测模型检测一个或多个光模块，确定被检测的一个或多个光模块是否出现损坏。
[0011]可选地，在生成所述模块检测模型过程中，还包括：对所述随机森林算法进行调参优化，改变所述随机森林算法的训练参数；
[0012]基于改变训练参数后的随机森林算法对数量比例达到目标值的样本性能数据进行训练学习；并在生成光模块检测模型后检测所述光模块检测模块的召回率；
[0013]若所述光模块检测模型的召回率、检测准确率都高于预设阈值，则输出所述光模块检测模型，作为最终的光模块检测模型。
[0014]可选地，所述基于Smote过采样方式模拟非正常光模块的性能数据，使正样本数据
与负样本数据的数量比例达到目标值，包括：
[0015]基于Smote算法根据光模块历史性能数据中的正样本和负样本比例确定采样比例，并根据所述采样比例确定采样倍率；
[0016]获取正样本或负样本中数量较少的样本类别，从该样本类别中选择一个样本，以及从与该样本相邻的多个样本中随机选择一个或多个样本，并将选择出的一个或多个样本增加至数量较少的样本类别中，使正样本数据与负样本数据的数量比例达到目标值。
[0017]可选地，若目标值为1∶1，则有：
[0018]x
new
＝x+rand(0，1)*|x
‑
x
n
|；
[0019]式中，x
new
为对数量较少的样本类别增加样本后的新样本；
[0020]x为数量较少的样本类别中的样本；
[0021]x
n
表示与样本x相邻的多个样本。
[0022]可选地，所述正常光模块的历史性能数据为所述正常光模块在当前时刻前6个月的性能数据；
[0023]所述非正常光模块的历史性能数据为所述非正常光模块在当前时刻前6个月的性能数据；
[0024]其中，历史性能数据中正样本数据与负样本数据的比例为3000：1。
[0025]可选地，所述清洗包括剔除电流值、电压值、温度值、功率值中一个或多个值小于零的数据；
[0026]所述过滤包括对所述正常光模块和非正常光模块小于预设时间的历史性能数据进行过滤。
[0027]可选地，所述目标关键特征包括以下至少之一：
[0028]日电功率最大值、日电功率平均值、日电功率最小值、日电压最大值、日电压平均值、日电压最小值、日电流最大值、日电流平均值、日电流最小值、日温度最大值、日温度平均值、日温度最小值。
[0029]本专利技术还提供一种基于机器学习的光模块损坏检测系统，包括有：
[0030]采集单元，用于获取正常光模块和非正常光模块的历史性能数据；
[0031]清洗及过滤单元，用于对所述正常光模块和非正常光模块的历史性能数据进行清洗和过滤；
[0032]目标特征单元，用于选择目标特征，并通过信息增益算法计算每个目标特征对所述光模块的纯度影响，以及按照计算出的纯度影响进行排序，获取关键目标特征，用于模型的学习与训练；
[0033]样本比例调节单元，拥有获取历史性能数据中的正样本数据与负样本数据，并基于Smote过采样方式模拟非正常光模块的性能数据，使正样本数据与负样本数据的数量比例达到目标值；其中，正常光模块的性能数据为正样本数据，非正常光模块的性能数据为负样本数据；
[0034]模型生成单元，用于基于分类算法人工神经网络和随机森林算法对数量比例达到目标值的样本性能数据进行训练学习，生成光模块检测模型；所述样本性能数据由正样本数据和负样本数据组成；
[0035]检测单元，用于利用所述光模块检测模型检测一个或多个光模块，确定被检测的
一个或多个光模块是否出现损坏。
[0036]可选地，在生成所述模块检测模型过程中，还包括：对所述随机森林算法进行调参优化，改变所述随机森林算法的训练参数；
[0037]基于改变训练参数后的随机森林算法对数量比例达到目标值的样本性能数据进行训练学习；并在生成光模块检测模型后检测所述光模块检测模块的召回率；
[0038]若所述光模块检测模型的召回率、检测准确率都高于预设阈值，则输出所述光模块检测模型，作为最终的光模块检测模型。
[0039]可选地，所述基于Smote过采样方式模拟非正常光模块的性能数据，使正样本数据与负样本数据的数量比例达到目标值，包括：
[0040]基于Smote算法根据光模块历史性能数据中的正样本和负样本比例确定采样比例，并根据所述采样比例确定采样倍率；
[0041]获取正样本或负样本中数量较少的样本类别，从该样本类别中选择一个样本，以及从与该样本相邻的多个样本中随机选择一个或多个样本，并将选择出的一个或多个样本增加至数量较少的样本类别中，使正样本数据与负样本数据的数量比例达到目标值；
[0042]若目标值为1∶1，则有：
[0043]x
new
＝x+rand(0，1)*|x
‑
x
n
|；
[0044]式中，x本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的光模块损坏检测方法，其特征在于，包括以下步骤：获取正常光模块和非正常光模块的历史性能数据；对所述正常光模块和非正常光模块的历史性能数据进行清洗和过滤；选择目标特征，并通过信息增益算法计算每个目标特征对所述光模块的纯度影响，以及按照计算出的纯度影响进行排序，获取关键目标特征，用于模型学习与训练；获取历史性能数据中的正样本数据与负样本数据，并基于Smote过采样方式模拟非正常光模块的性能数据，使正样本数据与负样本数据的数量比例达到目标值；其中，正常光模块的性能数据为正样本数据，非正常光模块的性能数据为负样本数据；基于分类算法人工神经网络和随机森林算法对数量比例达到目标值的样本性能数据进行训练学习，生成光模块检测模型；所述样本性能数据由正样本数据和负样本数据组成；利用所述光模块检测模型检测一个或多个光模块，确定被检测的一个或多个光模块是否出现损坏。2.根据权利要求1所述的基于机器学习的光模块损坏检测方法，其特征在于，在生成所述模块检测模型过程中，还包括：对所述随机森林算法进行调参优化，改变所述随机森林算法的训练参数；基于改变训练参数后的随机森林算法对数量比例达到目标值的样本性能数据进行训练学习；并在生成光模块检测模型后检测所述光模块检测模块的召回率；若所述光模块检测模型的召回率、检测准确率都高于预设阈值，则输出所述光模块检测模型，作为最终的光模块检测模型。3.根据权利要求1所述的基于机器学习的光模块损坏检测方法，其特征在于，所述基于Smote过采样方式模拟非正常光模块的性能数据，使正样本数据与负样本数据的数量比例达到目标值，包括：基于Smote算法根据光模块历史性能数据中的正样本和负样本比例确定采样比例，并根据所述采样比例确定采样倍率；获取正样本或负样本中数量较少的样本类别，从该样本类别中选择一个样本，以及从与该样本相邻的多个样本中随机选择一个或多个样本，并将选择出的一个或多个样本增加至数量较少的样本类别中，使正样本数据与负样本数据的数量比例达到目标值。4.根据权利要求3所述的基于机器学习的光模块损坏检测方法，其特征在于，若目标值为1：1，则有：x
new
＝x+rand(0，1)*|x
‑
x
n
|；式中，x
new
为对数量较少的样本类别增加样本后的新样本；x为数量较少的样本类别中的样本；x
n
表示与样本x相邻的多个样本。5.根据权利要求1所述的基于机器学习的光模块损坏检测方法，其特征在于，所述正常光模块的历史性能数据为所述正常光模块在当前时刻前6个月的性能数据；所述非正常光模块的历史性能数据为所述非正常光模块在当前时刻前6个月的性能数据；其中，历史性能数据中正样本数据与负样本数据的比例为3000∶1。6.根据权利要求1所述的基于机器学习的光模块损坏检测方法，其特征在于，所述清洗
包括剔除电流值、电压值、温度值、功率值中一个或多个值...

【专利技术属性】
技术研发人员：刘静，
申请(专利权)人：中兴飞流信息科技有限公司，
类型：发明
国别省市：