本发明专利技术公开了一种基于深度学习算法的传输光缆实时告警方法及装置。该方法包括构建传输光缆的光缆时空数据集；对光缆时空数据集进行时空特征提取处理；利用长短期记忆网络进行振动数据预测，获得振动数据预测值；比较所获得的振动数据预测值与预先设定的振动数据阈值，并在振动数据预测值大于振动数据阈值时发出告警信号。本发明专利技术提高了振动数据预测的准确性，能够更为可靠地进行传输光缆状况监测，更为准确地实现传输光缆实时告警功能，以便工作人员及时采取防范或补救措施进行传输光缆保护。护。护。
【技术实现步骤摘要】
基于深度学习算法的传输光缆实时告警方法及装置
[0001]本专利技术涉及光缆监测
，具体涉及一种基于深度学习算法的传输光缆实时告警方法及装置。
技术介绍
[0002]传统的光缆监测技术通常是采集纤内传输的光信号光学基础参量(如波长、频率、强度、偏振态、相位等)，以监测光缆沿线振动等物理量，建立光学参量与光缆线路振动之间的关系，从而实现光缆安全状态的监测，避免外力破坏和盗窃行为。但是光缆的振动影响因素很多，除了顶管施工、道路开挖、地下钻探、外界随机因素等外在因素，还包括光信号光学基础参量噪音的影响，这使得现有技术对光缆监测的可靠性较低。
技术实现思路
[0003]本专利技术实施例所要解决的技术问题在于，提供一种基于深度学习算法的传输光缆实时告警方法及装置，以解决现有光缆监测技术易受噪音影响而可靠性低的问题。
[0004]为解决上述技术问题，本专利技术实施例提供一种基于深度学习算法的传输光缆实时告警方法，包括：
[0005]步骤S1，构建传输光缆的光缆时空数据集，所述光缆时空数据集中的光缆时空数据包括1
‑
T时刻光缆光纤上N个位置处的多个光信号光学基础参量的数据，其中T﹥1，n﹥1；
[0006]步骤S2，对所述光缆时空数据集中每一时刻的光缆时空数据进行时空特征提取处理，获得1
‑
T时刻的T个N维高层语义特征数据；
[0007]步骤S3，将所获得1
‑
T时刻的N维高层语义特征数据作为输入，利用长短期记忆网络获得T+1时刻的振动数据预测值；
[0008]步骤S4，比较所获得的振动数据预测值与预先设定的振动数据阈值，并在所述振动数据预测值大于所述振动数据阈值时发出告警信号。
[0009]进一步地，所述多个光信号光学基础参量包括波长、频率、强度、偏振态以及相位中的部分或全部。
[0010]进一步地，所述步骤S2进一步包括：利用卷积神经网络对所述光缆时空数据集中每一时刻的光缆时空数据进行时空特征提取处理，获得1
‑
T时刻的T个N维高层语义特征数据。
[0011]进一步地，所述步骤S2进一步包括：
[0012]所述卷积神经网络对每一时刻的光缆时空数据执行三次不同的卷积操作，获得三个尺寸不同的特征矩阵；
[0013]将所获得的三个尺寸不同的特征矩阵以平铺再拼接的方式，形成所述N维高层语义特征数据。
[0014]进一步地，所述三次不同的卷积操作包括：
[0015]第一次卷积操作，包括：
[0016]对每一时刻的光缆时空数据先用3
×
3的卷积核进行卷积，再采用2
×
2的池化层进行池化，完成第一次特征提取过程；
[0017]对第一次特征提取过程提取的特征采用3
×
3的卷积核进行卷积，完成第二次特征提取过程；
[0018]对第二次特征提取过程提取的特征采用3
×
3的卷积核进行卷积，完成第三次特征提取过程，得到具有第一尺寸的特征矩阵。
[0019]进一步地，所述三次不同的卷积操作还包括：
[0020]第二次卷积操作，包括：
[0021]对每一时刻的光缆时空数据先用3
×
3的卷积核进行卷积，再采用3
×
3的池化层进行池化，完成第一次特征提取过程；
[0022]对第一次特征提取过程提取的特征采用3
×
3的卷积核进行卷积，再采用3
×
3的池化层进行池化，完成第二次特征提取过程；
[0023]对第二次特征提取过程提取的特征采用2
×
2的卷积核进行卷积，完成第三次特征提取过程，得到具有第二尺寸的特征矩阵。
[0024]进一步地，所述三次不同的卷积操作还包括：
[0025]第三次卷积操作，包括：
[0026]对每一时刻的光缆时空数据先用3
×
3的卷积核进行卷积，再采用2
×
2的池化层进行池化，完成第一次特征提取过程；
[0027]对第一次特征提取过程提取的特征采用3
×
3的卷积核进行卷积，再采用2
×
2的池化层进行池化，完成第二次特征提取过程；
[0028]对第二次特征提取过程提取的特征采用3
×
3的卷积核进行卷积，再采用2
×
2的池化层进行池化，完成第三次特征提取过程；
[0029]对第三次特征提取过程提取的特征采用2
×
2的卷积核进行卷积，完成第四次特征提取过程，得到具有第三尺寸的特征矩阵。
[0030]本专利技术实施例还提供一种基于深度学习算法的传输光缆实时告警装置，其特征在于，包括：构建单元，用于构建传输光缆的光缆时空数据集，所述光缆时空数据集中的光缆时空数据包括1
‑
T时刻光缆光纤上N个位置处的多个光信号光学基础参量的数据，其中T﹥1，n﹥1；时空特征提取单元，用于对所述光缆时空数据集中每一时刻的光缆时空数据进行时空特征提取处理，获得1
‑
T时刻的T个N维高层语义特征数据；预测单元，用于将所获得1
‑
T时刻的N维高层语义特征数据作为输入，利用长短期记忆网络获得T+1时刻的振动数据预测值；比较告警单元，用于比较所获得的振动数据预测值与预先设定的振动数据阈值，并在所述振动数据预测值大于所述振动数据阈值时发出告警信号。
[0031]进一步地，所述时空特征提取单元是利用卷积神经网络对所述光缆时空数据集中每一时刻的光缆时空数据进行时空特征提取处理，获得1
‑
T时刻的T个N维高层语义特征数据。
[0032]进一步地，所述多个光信号光学基础参量包括波长、频率、强度、偏振态以及相位中的部分或全部。
[0033]实施本专利技术实施例，具有如下有益效果：本专利技术实施例通过采集一个时间段多个时刻的光缆一段范围内的光信号光学基础参量的数据来构建传输光缆的光缆时空数据集，
再对该光缆时空特征集进行时空特征提取处理，利用长短期记忆网络进行下一时刻的振动数据预测，避免了单点数据易受影响的缺陷，提高了振动数据预测的准确性，能够更为可靠地进行传输光缆状况监测、更为准确地实现传输光缆实时告警功能，提升实时告警的有效性，以便工作人员及时采取防范或补救措施进行传输光缆保护；本专利技术实施例将卷积神经网络和长短期记忆网络相融合，来建立光信号光学基础参量和光缆振动之间的关系，通过卷积神经网络的多个卷积核实现了光缆时空数据的非线性表达，使得深度学习算法可以表达更加复杂的特征，能够大大降低光信号光学基础参量自身存在的噪音影响。
附图说明
[0034]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习算法的传输光缆实时告警方法，其特征在于，包括：步骤S1，构建传输光缆的光缆时空数据集，所述光缆时空数据集中的光缆时空数据包括1
‑
T时刻光缆光纤上N个位置处的多个光信号光学基础参量的数据，其中T﹥1，n﹥1；步骤S2，对所述光缆时空数据集中每一时刻的光缆时空数据进行时空特征提取处理，获得1
‑
T时刻的T个N维高层语义特征数据；步骤S3，将所获得1
‑
T时刻的N维高层语义特征数据作为输入，利用长短期记忆网络获得T+1时刻的振动数据预测值；步骤S4，比较所获得的振动数据预测值与预先设定的振动数据阈值，并在所述振动数据预测值大于所述振动数据阈值时发出告警信号。2.根据权利要求1所述的传输光缆实时告警方法，其特征在于，所述多个光信号光学基础参量包括波长、频率、强度、偏振态以及相位中的部分或全部。3.根据权利要求1所述的传输光缆实时告警方法，其特征在于，所述步骤S2进一步包括：利用卷积神经网络对所述光缆时空数据集中每一时刻的光缆时空数据进行时空特征提取处理，获得1
‑
T时刻的T个N维高层语义特征数据。4.根据权利要求3所述的传输光缆实时告警方法，其特征在于，所述步骤S2进一步包括：所述卷积神经网络对每一时刻的光缆时空数据执行三次不同的卷积操作，获得三个尺寸不同的特征矩阵；将所获得的三个尺寸不同的特征矩阵以平铺再拼接的方式，形成所述N维高层语义特征数据。5.根据权利要求4所述的传输光缆实时告警方法，其特征在于，所述三次不同的卷积操作包括：第一次卷积操作，包括：对每一时刻的光缆时空数据先用3
×
3的卷积核进行卷积，再采用2
×
2的池化层进行池化，完成第一次特征提取过程；对第一次特征提取过程提取的特征采用3
×
3的卷积核进行卷积，完成第二次特征提取过程；对第二次特征提取过程提取的特征采用3
×
3的卷积核进行卷积，完成第三次特征提取过程，得到具有第一尺寸的特征矩阵。6.根据权利要求5所述的传输光缆实时告警方法，其特征在于，所述三次不同的卷积操作还包括：第二次卷积操作，包括：对每一时刻的光缆时空数据先用3
×
3的卷积核进行卷积，再采用3
×
3的池化层进行池化，完成第一次特征提取过程；对第一次特征提取过程提取的特征...
【专利技术属性】
技术研发人员：高强，吕为，吴谦，张伟贤，罗莉，陈建民，田志峰，任建川，丘国良，林宁，杨旸，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。