CN111507363A - 预测光模块故障的方法、装置和设备 - Google Patents
预测光模块故障的方法、装置和设备 Download PDFInfo
- Publication number
- CN111507363A CN111507363A CN201910093487.5A CN201910093487A CN111507363A CN 111507363 A CN111507363 A CN 111507363A CN 201910093487 A CN201910093487 A CN 201910093487A CN 111507363 A CN111507363 A CN 111507363A
- Authority
- CN
- China
- Prior art keywords
- classification
- sample
- optical module
- sequence
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
- H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
- H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
- H04B10/0791—Fault location on the transmission path
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/25—Arrangements specific to fibre transmission
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/40—Transceivers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/50—Transmitters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
- H04B10/60—Receivers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Optical Communication System (AREA)
Abstract
本申请提供了一种预测光模块故障的方法和装置。本申请根据光模块的工作参数对应的分类样本集确定工作参数的分类阈值,并根据分类阈值与待检测序列中的多个测量值的比较结果,预测该待检测序列对应的光模块在将来是否会发生故障,以便于维护人员重点关注可能发生故障的光模块,降低光模块故障对业务造成的影响。
Description
技术领域
本申请涉及光通信领域,并且更具体地,涉及一种预测光模块故障的方法、装置和设备。
背景技术
随着光通讯技术的发展,光模块在光网络通讯、光存储、单光纤1000兆比特每秒(million bits per second,Mbps)基带传输***(1000Base-SX)等领域有了越来越广泛的应用。
光模块在由光电子器件、功能电路和光接口等组成,光电子器件包括发送端口和接收端口,光模块发送端口把电信号转换成光信号,通过光纤输出,对端光模块的接收端口再把光信号转换成电信号。
光模块故障通常被定义为光模块自身寿命的终止。在实际应用场景中,特别是大型数据中心中,由于光模块数量众多,且光模块的故障会给关键业务带来非常大的影响。因此,工程人员通常更关注是否会出现光模块故障,以便于快速定位,及时解决问题。
因此,有必要提供一种预测光模块故障的方法。
发明内容
本申请提供一种预测光模块故障的方法,能够在故障发生之前对光模块是否会发生故障进行预测,以便于维护人员重点关注可能发生故障的光模块,降低光模块故障对业务造成的影响。
第一方面,提供了一种预测光模块故障的方法,包括:获取光模块在预设时间段内的待检测序列,所述待检测序列包括所述光模块的工作参数的多个测量值;获取所述工作参数对应的分类阈值;所述分类阈值是根据所述工作参数对应的分类样本集生成的;根据所述工作参数对应的分类阈值与所述待检测序列中的多个测量值的比较结果,确定所述光模块的第一预测结果,所述第一预测结果指示所述光模块是否进入故障模式。基于上述技术方案,根据光模块的工作参数对应的分类样本集确定工作参数的分类阈值,并根据分类阈值与待检测序列中的多个测量值的比较结果,预测该待检测序列对应的光模块在将来是否会发生故障,以便于维护人员重点关注可能发生故障的光模块,降低光模块故障对业务造成的影响
上述工作参数可以为光模块的偏置电流或光模块的接收功率,分类阈值可以为偏置电流分类阈值或接收功率分类阈值,本申请实施例可以依据偏置电流的多个测量值与偏置电流分类阈值的比较结果预测光模块在将来是否会发生故障,和/或,可以依据接收功率的多个测量值与接收功率分类阈值的比较结果预测光模块在将来是否会发生故障。
可以看出,在使用工作参数对应的分类阈值预测光模块是否进入故障模式时,只能确定光模块是否进入故障模式。在确定光模块进入故障模式时,并不能确定光模块进入故障模式后发生故障的紧急程度。针对该问题,在本申请实施例中,还可以将根据上述待检测序列生成的特征集输入故障预测模型,通过故障预测模型进一步判断光模块进入故障模式后发生故障的紧急程度。
在一种可能的实现方式中,当所述第一预测结果指示所述光模块进入故障模式时,所述方法还包括:根据所述待检测序列生成特征集;将所述特征集输入故障预测模型,得到第二预测结果,所述第二预测结果指示所述光模块预期发生故障的紧急程度。
基于上述技术方案,通过生成待检测序列的特征集,将该特征集输入至故障预测模型,该故障预测模型能够对光模块从当前时刻起,距离发生故障的紧急程度进行预测,以便于维护人员根据光模块发生故障的紧急程度,对会在较短时间内发生故障的光模块尽早处理,降低光模块故障对业务造成的影响。
在一种可能的实现方式中,所述方法还包括:获取所述工作参数对应的样本序列;根据所述分类阈值以及所述样本序列确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块是否是正常光模块,或,所述标签指示所述样本序列对应的光模块发生故障的紧急程度;生成所述样本序列对应的故障预测样本,所述故障预测样本包括所述样本序列的特征集以及所述样本序列的标签;根据所述故障预测样本生成所述故障预测模型。
在一种可能的实现方式中,所述方法还包括:根据所述待检测序列的特征集以及所述第二预测结果更新所述故障预测模型。
基于上述技术方案,当分析器将待检测序列对应的特征集输入故障预测模型,得到第二预测结果后,可以将待检测序列对应的特征集与第二预测结果作为故障预测模型的输入,使得故障预测模型学习该输入与输出,从而完成故障预测模型的更新,使得故障预测模型的预测结果更为准确。
在一种可能的实现方式中,所述获取所述工作参数对应的分类阈值之前,所述方法还包括:获取所述工作参数对应的分类样本集,所述分类样本集中包括多个分类样本,每个分类样本包括所述工作参数的一个测量值及第一分类标识;根据所述分类样本集,确定所述工作参数对应的所述分类阈值。
在一种可能的实现方式中所述根据所述分类样本集,确定所述工作参数对应的所述分类阈值,包括:根据所述分类样本集与多个参考分类阈值,确定多个损失值,每个损失值对应一个参考分类阈值,所述多个参考分类阈值是预设的,或,所述多个参考分类阈值是根据所述分类样本集中的每个分类样本的测量值确定的;将所述多个损失值中最小的损失值对应的参考分类阈值确定为所述分类样本集对应的分类阈值;根据所述分类样本集对应的分类阈值确定所述工作参数对应的所述分类阈值。
在一种可能的实现方式中,所述根据所述分类样本集与多个参考分类阈值,确定多个损失值,包括:
根据所述多个参考分类阈值中的每一个参考分类阈值,将所述分类样本集中的分类样本重新分类,并根据分类结果确定所述分类样本集中的每一个分类样本的第二分类标识;
根据每个分类样本的第二分类标识与第一分类标识,基于下列损失函数确定所述参考分类阈值对应的损失值:
其中,loss代表所述分类样本集中的所有第一分类标识与对应的第二分类标识的均方误差,N为所述分类样本集中分类样本的个数,N大于或等于2,Oq为所述N个分类样本中索引值为q的分类样本的第一分类标识,Pq为所述索引值为q的分类样本的第二分类标识。
上述确定分类阈值的方法可以适用于分类样本集中的分类样本只包括正样本,或者,只包括负样本,或者,既包括正样本,又包括负样本的场景,本申请对此不作限定。
在一种可能的实现方式中,所述分类样本集中包括R个正样本和S个负样本,所述根据所述分类样本集与多个参考分类阈值,确定多个损失值,包括:
根据所述多个参考分类阈值中的每一个参考分类阈值,将所述分类样本集中的分类样本重新分类,并根据分类结果确定所述分类样本集中的每个分类样本的第二分类标识;
根据每个分类样本的第二分类标识与第一分类标识,基于下列损失函数确定所述参考分类阈值对应的损失值:
其中,loss代表所述分类样本集中的所有第一分类标识与对应的第二分类标识的均方误差,lossf代表所有正样本的第一分类标识与对应的第二分类标识的均方误差,lossn代表所有负样本的第一分类标识与对应的第二分类标识的均方误差,R大于或等于2,Oa为索引值为a的正样本的第一分类标识,Pa为所述索引值为a的正样本的第二分类标识,S大于或等于2,Ob为索引值为b的负样本的第一分类标识,Pb为所述索引值为b的负样本的第二分类标识,c为权重系数,且c大于或等于1。
基于上述技术方案,当接收功率对应的分类样本集中的分类样本既包括正样本,又包括负样本时,由于光模块可能是在启动之后的某个时刻发生故障的,因此,获取到的接收功率负样本中的测量值可能包括光模块在正常状态时产生的接收功率的测量值,因此,会导致接收功率负样本不纯净。
虽然接收功率负样本可能不纯净,但由于相对于负样本,正样本具有较高的可信度,因此,在确定分类阈值时,可以以正样本作为主要依据,负样本作为重要补充,即通过强化正样本,从而提高分类阈值的准确性。
在一种可能的实现方式中,所述工作参数对应M个分类样本集,所述根据所述分类样本集对应的分类阈值确定所述工作参数对应的所述分类阈值,包括:
确定所述M个分类样本集中对应的M个分类阈值;
根据下式确定所述工作参数对应的所述分类阈值;
其中,threshfinal为所述工作参数对应的分类阈值,threshi为第i个分类样本集对应的分类阈值,M大于1。
基于上述技术方案,在使用正样本与负样本确定分类阈值时,若光模块的故障率较低,就会导致负样本的数量少,进而导致正负样本不均衡。为了解决正负样本不均衡的问题,可以通过连续多次随机采样得到M组正样本,基于每组正样本与同一组负样本确定一个分类阈值,即将每组正样本与该组负样本作为一个分类样本集,并得到该分类样本集对应的分类阈值。基于该M组正样本和该组负样本,会得到M个分类样本集,相应地,可以得到该M个分类样本集对应的M个分类阈值,可以将该M个分类阈值的平均值确定为工作参数对应的分类阈值,从而解决正负样本不均衡的问题。
在一种可能的实现方式中,所述工作参数为偏置电流,所述分类阈值为偏置电流分类阈值,所述样本序列为偏置电流样本序列,所述根据所述分类阈值以及所述样本序列确定所述样本序列的标签,包括:
若所述样本序列中存在至少一个测量值大于或等于所述偏置电流分类阈值,根据所述样本序列的采集终止时刻与所述样本序列对应的光模块发生故障的时刻之间的时间间隔,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块发生故障的紧急程度;若所述样本序列中的全部测量值小于所述偏置电流分类阈值,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块是正常光模块。
在一种可能的实现方式中,所述工作参数为接收功率,所述分类阈值为接收功率分类阈值,所述样本序列为接收功率样本序列,所述根据所述分类阈值以及所述样本序列确定所述样本序列的标签,包括:
若所述样本序列中存在至少一个测量值小于或等于所述接收功率分类阈值,根据所述样本序列的采集终止时刻与所述样本序列对应的光模块发生故障的时刻之间的时间间隔,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块发生故障的紧急程度;若所述样本序列中的全部测量值大于所述接收功率分类阈值,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块是正常光模块。
在一种可能的实现方式中,所述特征集包括偏置电流对应的特征集和接收功率对应的特征集,所述将所述特征集输入故障预测模型得到第二预测结果,包括:将偏置电流对应的特征集与接收功率对应的特征集输入故障预测模型,得到偏置电流对应的第三预测结果与接收功率对应的第四预测结果;根据所述第三预测结果与所述第四预测结果,确定所述第二预测结果。
基于上述技术方案,若故障预测模型的输入为光模块的接收功率数据序列对应的特征集与光模块的偏置电流数据序列对应的特征集,此时故障预测模型会得到两种预测结果,故障预测模型在确定针对该光模块的预测结果时,通过将两种预测结果中紧急程度级别较高的预测结果作为针对该光模块预测结果,可以使维护人员尽可能早地对可能发生故障的光模块处理,降低光模块故障对业务造成的影响。
第二方面,提供一种预测光模块故障的装置,该装置包括用于执行第一方面或第一方面各实现方式中的方法的模块。
第三方面,提供一种预测光模块故障的装置,该装置包括:存储器,用于存储程序;处理器,用于执行存储器存储的程序,当存储器存储的程序被执行时,处理器用于执行第一方面或第一方面各实现方式中的方法。
第四方面,提供一种计算机可读介质,该计算机可读介质存储用于设备执行的程序代码,该程序代码包括用于执行第一方面或第一方面各实现方式中的方法。
第五方面,提供一种包含指令的计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述第一方面或第一方面各实现方式中的方法。
第六方面,提供一种芯片,所述芯片包括处理器与数据接口,所述处理器通过所述数据接口读取存储器上存储的指令,执行第一方面或第一方面各实现方式中的方法。
可选地,作为一种实现方式,所述芯片还可以包括存储器,所述存储器中存储有指令,所述处理器用于执行所述存储器上存储的指令,当所述指令被执行时,所述处理器用于执行第一方面中的方法。
第七方面,提供一种预测光模块故障的***,所述***包括光模块,采集器和上述第二方面的预测光模块故障的装置。所述采集器用于采集该光模块在预设时间段内的待检测序列,所述待检测序列包括所述光模块的工作参数的多个测量值,并将所述待检测序列发送给所述预测光模块故障的装置。
本申请第二至第七方面的有益效果可以参考第一方面及其各实施方式的有益效果的。
附图说明
图1为适用于本申请实施例的检测光模块故障时的硬件连接关系示意图;
图2为适用于本申请实施例的光模块从正常到逐步故障时,接收功率与偏置电流的变化趋势示意图;
图3为本申请实施例提供的确定工作参数对应的分类阈值的方法的示意性流程图;
图4为本申请实施例提供的预测光模块是否进入故障模式的方法的示意性流程图;
图5为本申请实施例提供的生成故障预测模型的方法的示意性流程图;
图6为本申请实施例提供的确定光模块发生故障的紧急程度的方法的示意性流程图;
图7为本申请实施例提供的预测光模块故障的装置的示意性框图;
图8为本申请实施例提供的预测光模块故障的装置的另一示意性框图。
具体实施方式
下面将结合附图,对本申请各实施例中的技术方案进行描述。
图1是检测光模块故障时光模块与其他设备的硬件连接关系,如图1所示,一方面,光模块通过光纤与外部设备(图中未示出)连接以实现该外部设备与该光模块所在的设备(可称为宿主设备,图中未示出)之间的光电转换,即将从该外部设备接收的光信号转换为该宿主设备能够处理的电信号,或者将从宿主设备接收的电信号转换为该外部设备能够处理的电信号。另一方面,光模块连接到采集器,采集器采集光模块在工作时的工作参数对应的测量值,并将采集到的测量值发送给分析器,由分析器根据采集器采集的测量值分析光模块是否会发生故障。其中,光模块的工作参数主要包括接收功率和偏置电流。
在实际应用中,分析器可以为具有计算功能与存储功能的器件或设备,例如,分析器可以为服务器。
发明人经过分析发现,当光模块逐步接近故障时,接收功率与偏置电流总体将呈现一定的趋势性(接收功率呈下降趋势、偏置电流呈上升趋势)。图2示出了光模块从正常到逐步故障时,接收功率与偏置电流的变化趋势。
基于上述发现,本申请提出一种预测光模块故障的方法,根据光模块的工作参数对应的分类样本集确定工作参数的分类阈值,并根据分类阈值与待检测序列中的多个测量值的比较结果,预测该待检测序列对应的光模块在将来是否会发生故障,以便于维护人员重点关注可能发生故障的光模块,降低光模块故障对业务造成的影响。
在本申请实施例中,上述工作参数可以为光模块的偏置电流或光模块的接收功率,分类阈值可以为偏置电流分类阈值或接收功率分类阈值,本申请实施例可以依据偏置电流的多个测量值与偏置电流分类阈值的比较结果预测光模块在将来是否会发生故障,和/或,可以依据接收功率的多个测量值与接收功率分类阈值的比较结果预测光模块在将来是否会发生故障。下面结合图3至图6对本申请实施例提供的预测光模块故障的方法进行详细说明。
在一个实施例中,分析器通过采集器获取光模块的工作参数的测量值(例如,通过采集器获取光模块的偏置电流的测量值或光模块的接收功率的测量值),并存储获取到的工作参数的测量值,供后续处理。
首先结合图3介绍本申请提供的确定分类阈值的方法,该方法包括S301和S302。
S301,获取工作参数对应的分类样本集,该分类样本集中包括多个分类样本,每个分类样本包括该工作参数的一个测量值及第一分类标识。
在一个实施方式中,分析器获取工作参数对应的分类样本集,该分类样本集中包括多个分类样本,每个分类样本中包括工作参数的一个测量值与第一分类标识。该分类样本集用于确定该工作参数对应的分类阈值。
例如,当该工作参数为接收功率时,分析器获取接收功率的分类样本集,接收功率的分类样本集中包括多个接收功率分类样本,每个接收功率分类样本中包括接收功率的一个测量值与该测量值对应的第一分类标识。
其中,第一分类标识可以用于指示分类样本是正样本或负样本。在实际应用中,第一分类标识可以通过若干比特位(bit)表示,例如,通过1个bit表示第一分类标识,当第一分类标识的取值为0时,表示分类样本为正样本,当第一分类标识的取值为1时,表示分类样本为负样本。
当第一分类标识指示分类样本为正样本时,表示该分类样本中的测量值来自正常光模块,当第一分类标识指示分类样本为负样本时,表示该分类样本中的测量值来自故障光模块。
S302,根据该分类样本集,确定该工作参数对应的分类阈值。
在一个实施方式中,该分析器根据该分类样本集与多个参考分类阈值,确定多个损失值,每个损失值对应一个参考分类阈值,该分析器将该多个损失值中最小的损失值对应的参考分类阈值确定为该分类阈值。该多个参考分类阈值是预设的,或,该多个参考分类阈值是根据该分类样本集中每个分类样本的测量值确定的。在一个实施方式中,该分析器根据该多个参考分类阈值中的每一个参考分类阈值,将该分类样本集中的样本重新分类,并根据该重新分类得到的分类结果确定该分类样本集中的每个样本的第二分类标识。然后,该分析器根据每个样本的第二分类标识与第一分类标识,基于公式(1)确定每个参考分类阈值对应的损失值:
其中,公式(1)为损失函数,loss代表该分类样本集中的所有第一分类标识与对应的第二分类标识的均方误差,N为该分类样本集中分类样本的个数,N大于或等于2,Oq为该N个样本中索引值为q的分类样本的第一分类标识,Pq为该索引值为q的分类样本的第二分类标识。
下面以分析器利用光模块的接收功率的分类样本集为例,对确定分类阈值的方法进行说明。
在一个实施方式中,接收功率分类样本集包括多个接收功率分类样本,假设该多个接收功率分类样本中的第一分类标识指示该多个接收功率分类样本均为正样本。在确定多个损失值时,分析器会使用多个参考分类阈值对该多个接收功率分类样本重新分类。在一次分类中,分析器采用一个参考分类阈值将该多个接收功率分类样本重新分类,得到每个接收功率分类样本的第二分类标识,并根据每个接收功率分类样本的第一分类标识与第二分类标识,得到一个损失值。
在一个实施方式中,分析器采用一个参考分类阈值将多个接收功率样本重新进行分类,例如,分析器比较每个接收功率分类样本中的测量值与该参考分类阈值,若一个接收功率分类样本中的测量值小于或等于该参考分类阈值,由于当光模块逐步接近故障时,接收功率呈下降趋势,分析器根据该比较结果,确定该接收功率分类样本的第二分类标识。
由于该接收功率分类样本中的测量值小于或等于该参考分类阈值,分析器可以通过第二分类标识将该接收功率分类样本标记为负样本。
同样的,第二分类标识也可以通过若干bit表示,例如,通过1个bit表示第二分类标识,当第二分类标识的取值为0时,表示分类样本为正样本,当第二分类标识的取值为1时,表示分类样本为负样本。
采用参考分类阈值对接收功率分类样本集中的所有接收功率分类样本重新分类后,每一个接收功率分类样本对应一个第一分类标识与第二分类标识,分析器可以根据该第一分类标识与第二分类标识,基于式(1)中的损失函数确定该参考分类阈值对应的损失值。
基于上述方法,对于每一个参考分类阈值,按照式(1)给出的损失函数可以得到一个损失值,对于多个参考分类阈值,按照式(1)给出的损失函数便可以得到多个损失值。
上述多个参考分类阈值可以是预设的,或者,该多个参考分类阈值可以是根据接收功率分类样本集中的每个接收功率分类样本的测量值确定的。
例如,在一个实施方式中,在以接收功率的最小测量值与接收功率的最大测量值构成的区间内,以一定步长遍历该区间,将遍历到的数值作为参考分类阈值,并使用该参考分类阈值将该接收功率分类样本集中的接收功率分类样本重新进行分类。例如,接收功率的最小测量值为1.2,接收功率的最大测量值为3,步长为0.3,则该多个参考分类阈值可以为:1.2、1.5、1.8、2.1、2.4、2.7、3。
又例如,假设该接收功率分类样本集包括X个接收功率分类样本,分析器从该X个接收功率的分类样本中获取X个测量值,将该X个测量值排序(从小到大或从大到小)得到一个序列,分析器根据一定步长Y采样该序列,得到多个测量值,将该多个测量值作为参考分类阈值,并使用该参考分类阈值将该接收功率分类样本集中的接收功率分类样本重新进行分类。例如,当X等于30,Y等于10时,该分析器获取该30个测量值中的第10个,第20个和第30个测量值,得到3个参考分类阈值。
总之,本申请中,基于多个参考分类阈值,分析器按照上述确定损失值的方法能够得到多个损失值,每个损失值对应一个参考分类阈值。分析器将该多个损失值中的最小损失值对应的参考分类阈值确定为接收功率分类阈值。
上述仅以接收功率对应的分类样本集中的分类样本为正样本为例进行说明,但这并不构成对本申请的限制。在实际应用中,上述确定分类阈值的方法同样适用于分类样本集中的分类样本只包括正样本,或者,只包括负样本,或者,既包括正样本,又包括负样本的场景,本申请实施例对此不作限定。
当接收功率对应的分类样本集中的分类样本既包括正样本,又包括负样本时,由于光模块可能是在启动之后的某个时刻发生故障的,因此,获取到的接收功率负样本中的测量值可能包括光模块在正常状态时产生的接收功率的测量值,因此,会导致接收功率负样本不纯净。
虽然接收功率负样本可能不纯净,但由于相对于负样本,正样本具有较高的可信度,因此,在确定分类阈值时,可以以正样本作为主要依据,负样本作为重要补充,即通过强化正样本,从而提高分类阈值的准确性。下面对该方法进行说明。
可选地,该分类样本集中包括R个正样本和S个负样本,分析器可以根据该分类样本集与多个参考分类阈值,确定多个损失值。
在一个实施方式中,分析器根据多个参考分类阈值中的每一个参考分类阈值,将该分类样本集中的分类样本进行分类,并根据分类结果确定该分类样本集中的每个分类样本的第二分类标识;然后,分析器根据每个分类样本的第一分类标识与第二分类标识,基于公式(2),公式(3)和公式(4)确定该参考分类阈值对应的损失值。
loss=c×lossf+lossn (2)
其中,loss代表该分类样本集中的所有第一分类标识与对应的第二分类标识的均方误差,lossf代表所有正样本的第一分类标识与对应的第二分类标识的均方误差,lossn代表所有负样本的第一分类标识与对应的第二分类标识的均方误差,R大于或等于2,Oa为索引值为a的正样本的第一分类标识,Pa为该索引值为a的正样本的第二分类标识,S大于或等于2,Ob为索引值为b的正样本的第一分类标识,Pb为该索引值为b的负样本的第二分类标识,c为权重系数,且c大于1。
本实施方式中,对于接收功率分类样本集,在基于参考分类阈值计算损失值时,基于接收功率正样本与接收功率负样本分别单独计算损失值。
例如,基于式(3)计算接收功率正样本对应的损失值,基于式(4)计算接收功率负样本对应的损失值。在得到了接收功率正样本对应的损失值与接收功率负样本对应的损失值后,可以基于式(2)计算接收功率正样本对应的损失值与接收功率负样本对应的损失值的总和。
总之,本申请中,基于多个参考分类阈值,分析器按照上述确定损失值的方法能够得到多个损失值,每个损失值对应一个参考分类阈值。分析器将该多个损失值中的最小损失值对应的参考分类阈值确定为分类阈值。若该多个损失值是根据接收功率对应的分类样本集确定的,则该分类阈值与接收功率对应;若该多个损失值是根据偏置电流对应的分类样本集确定的,则该分类阈值与偏置电流对应。
在使用正样本与负样本确定分类阈值时,若光模块的故障率较低,就会导致负样本的数量少,进而导致正负样本不均衡。
在一个实施方式中,为了解决正负样本不均衡的问题,可以通过连续多次随机采样得到M组正样本,基于每组正样本与同一组负样本确定一个分类阈值,即将每组正样本与该组负样本作为一个分类样本集,并得到该分类样本集对应的分类阈值。那么,基于该M组正样本和该组负样本,会得到M个分类样本集,相应地,分析器可以得到该M个分类样本集对应的M个分类阈值。分析器可以基于该M个分类样本集对应的M个分类阈值以及下式确定该工作参数对应的分类阈值:
其中,threshfinal为该工作参数的分类阈值,threshi为基于第i次采样获得的正样本确定的分类阈值(即第i个分类样本集对应的分类阈值)。
上述仅以工作参数为接收功率为例,对确定分类阈值的方法作了介绍,该方法同样适用于当工作参数为偏置电流时,确定偏置电流分类阈值。因此,关于确定偏置电流分类阈值的方法请参考前面相关描述。
上述实施例中,生成工作参数对应的分类阈值的方法由分析器执行。在另一个实施例中,本申请中生成工作参数对应的分类阈值的方法也可以由控制器执行,当由控制器执行时,控制器可以主动将确定的分类阈值发送给分析器,也可以响应于分析器的请求将确定的分类阈值发送给分析器。其中,控制器可以用于管理多个分析器。控制器也可以与一个或多个采集器通信,获取该一个或多个采集器采集的该工作参数的测量值以生成工作参数对应的分类阈值或故障预测模型。
下面结合图4对本申请提供的预测光模块是否进入故障模式的方法进行介绍,该方法由分析器执行,包括S401至S403。
S401,获取光模块在预设时间段内的待检测序列,该待检测序列包括该光模块的工作参数的多个测量值。
在一个实施方式中,分析器获取光模块在预设时间段内的待检测序列,该待检测序列中包括该光模块在该预设时间段内产生的该工作参数对应的多个测量值,该光模块为待检测的光模块,该多个测量值可以是由采集器通过监测该待检测的光模块采集并发送给分析器的。采集器可以实时向分析器发送采集到的该工作参数的测量值,也可以根据指令或者设定的周期向分析器发送采集到的该工作参数的测量值。
例如,分析器获取了某一个光模块在预设时间段内(例如,30天)的工作参数的多个测量值,可以将在该段时间内获取的工作参数的多个测量值称为待检测序列。
假设每天测量一次光模块,当工作参数为接收功率时,则每天获取到该光模块的接收功率的一个测量值,经过30天后,分析器中存储了30个接收功率的测量值。当工作参数为偏置电流时,则每天获取到该光模块的偏置电流的一个测量值,经过30天后,分析器中存储了30个偏置电流的测量值。
S402,获取该工作参数对应的分类阈值,该分类阈值是根据该工作参数对应的分类样本集确定的。
在一个实施方式中,分析器获取工作参数对应的分类阈值,该分类阈值是根据工作参数对应的分类样本集确定的。当工作参数为接收功率时,分析器获取接收功率分类阈值,接收功率分类阈值是根据接收功率分类样本集确定的;当工作参数为偏置电流时,分析器获取偏置电流分类阈值,偏置电流分类阈值是根据偏置电流分类样本集确定的。
该分析器可以获取该工作参数对应的分类阈值,该工作参数对应的分类阈值可以是由分析器生成的,也可以是由分析器从控制器获取的,具体获取方式本申请不限制。
S403,根据该工作参数对应的分类阈值与该待检测序列中的多个测量值的比较结果,确定该光模块的第一预测结果,该第一预测结果指示该光模块是否进入故障模式。
分析器可以比较分类阈值与待检测序列中的多个测量值,根据分类阈值与待检测序列中的多个测量值的比较结果,确定光模块的第一预测结果,该第一预测结果指示光模块是否进入故障模式。
在一个实施方式中,分析器将接收功率的30个测量值与接收功率分类阈值作比较。若接收功率的30个测量值中存在至少一个测量值小于或等于接收功率分类阈值,则分析器确定的第一预测结果指示光模块进入故障模式;若接收功率的30个测量值均大于接收功率分类阈值,则分析器确定的第一预测结果指示光模块未进入故障模式。
在另一个实施方式中,分析器将偏置电流的30个测量值与偏置电流分类阈值作比较。若偏置电流的30个测量值中存在至少一个测量值大于或等于偏置电流分类阈值,则分析器确定的第一预测结果指示光模块进入故障模式;若接收功率的30个测量值均小于接收功率分类阈值,则分析器确定的第一预测结果指示光模块未进入故障模式。
可以看出,在使用工作参数对应的分类阈值预测光模块是否进入故障模式时,只能确定光模块是否进入故障模式。在确定光模块进入故障模式时,并不能确定光模块进入故障模式后发生故障的紧急程度。针对该问题,在本申请实施例中,还可以将根据上述待检测序列生成的特征集输入故障预测模型,通过故障预测模型进一步判断光模块进入故障模式后发生故障的紧急程度。本申请使用的故障预测模型可以由分析器或控制器生成。
下面结合图5,对本申请提供的生成故障预测模型的方法进行介绍,该方法包括S501至S504。
S501,获取工作参数对应的样本序列。
本申请中,待检测序列和样本序列均包括工作参数对应的测量值,但使用的场景不同:待检测序列对应于待检测的光模块,且具有实时性,例如,只要采集器采集到某个光模块的一个待检测序列,采集器就应该将该待检测序列发送给分析器,以保证预测光模块将来是否故障的预测结果的及时性和准确性;而工作参数对应的样本序列用于生成故障预测模型,故需要大量的样本序列,因此采集器既可以在采集到大量的样本序列后才将所有样本序列发送给分析器,也可以在每采集到一个样本序列后将该样本序列单独发送给分析器。每个样本序列包括同一个光模块对应的测量值,但是不同的样本序列可以对应不同的光模块。
在另一种实施方式中,采集器并不区分样本序列,而是将采集的每个光模块的工作参数对应的所有测量值发送给分析器,由分析器根据接收的所有测量值确定该工作参数对应的样本序列。
当工作参数为接收功率时,分析器获取光模块的接收功率样本序列,当工作参数为偏置电流时,分析器获取光模块的偏置电流样本序列。
例如,分析器获取的工作参数对应的样本序列可以表示为:
I=[dataj-t+1,dataj-t+2,...,dataj](6)
其中,I表示工作参数对应的样本序列,j为一个样本序列的采集终止时刻,t为采集时长。例如,一个样本序列的采集终止时刻为采集器开始采集该工作参数的测量值的时刻(采集起始时刻)起的第60天,即j=60,该样本序列为从第60天起前30天的接收功率的测量值,即t=30,当前时刻距离采集起始时刻大于或等于60天。当光模块发生故障时,该光模块的最后一个样本序列的采集终止时刻即为该光模块发生故障的时刻。
S502,根据该分类阈值以及该样本序列确定该样本序列的标签,该标签指示该样本序列对应的光模块是否是正常光模块,或,该标签指示该样本序列对应的光模块发生故障的紧急程度。
在一个实施方式中,分析器可以根据工作参数对应的分类阈值与样本序列确定样本序列的标签,该标签可以指示样本序列对应的光模块是否是正常光模块,或者,该标签可以指示样本序列对应的光模块发生故障的紧急程度。
当工作参数为接收功率时,分析器可以将接收功率样本序列中的测量值与接收功率分类阈值进行比较,如果存在至少一个接收功率的测量值小于或等于接收功率分类阈值,则可以确定该样本序列对应的光模块会进入故障模式。
进一步地,分析器可以根据该样本序列的采集终止时刻与该样本序列对应的光模块发生故障的时刻之间的时间间隔,确定该样本序列的标签,该标签指示该样本序列对应的光模块发生故障的紧急程度。
例如,一个样本序列的采集终止时刻为第60天,此时j=60,该样本序列为从第60天起前30天的接收功率的测量值,t=30,当前时刻为采集起始时刻开始的第120天。假设分析器已知该样本序列对应的光模块在第80天发生了故障,该样本序列的采集终止时刻与该样本序列对应的光模块发生故障的时刻之间的时间间隔为20。分析器可以根据该时间间隔,确定该样本序列对应的光模块从第60天起,20天后会发生故障。
进一步地,分析器可以比较数值20与预设的时间间隔阈值,例如,该时间间隔阈值为30,根据时间间隔与时间间隔阈值的比较结果,确定该样本序列对应的光模块发生故障的紧急程度级别。
例如,分析器确定时间间隔20小于时间间隔阈值30,则可以确定该样本序列的标签指示该光模块从该样本序列的采集终止时刻(第60天)起,距离发生故障的紧急程度为紧急。
如果全部接收功率的测量值大于或等于接收功率分类阈值,则可以确定该样本序列的标签指示该样本序列对应的光模块为正常光模块。
当工作参数为偏置电流时,分析器可以将偏置电流样本序列中的测量值与偏置电流分类阈值进行比较,如果存在至少一个偏置电流的测量值大于或等于偏置电流分类阈值,则可以确定该样本序列对应的光模块会进入故障模式。
进一步地,分析器可以根据该样本序列的采集终止时刻与该样本序列对应的光模块发生故障的时刻之间的时间间隔,确定该样本序列的标签,该标签指示该样本序列对应的光模块发生故障的紧急程度。
例如,该样本序列的采集终止时刻为第90天,此时j=90,该样本序列为从第90天起前30天的偏置电流的测量值,t=30,当前时刻为采集起始时刻开始的第180天。假设分析器已知该样本序列对应的光模块在第150天发生了故障,该样本序列的采集终止时刻与该样本序列对应的光模块发生故障的时刻之间的时间间隔为60。分析器可以根据该时间间隔,确定该样本序列对应的光模块从第90天起,60天后会发生故障。
进一步地,分析器可以将数值60与预设的时间间隔阈值进行比较,例如,该时间间隔阈值为30,根据时间间隔与时间间隔阈值的比较结果,确定该样本序列对应的光模块发生故障的紧急程度级别。
例如,分析器确定时间间隔60大于时间间隔阈值30,则可以确定该样本序列的标签指示该光模块从该样本序列的采集终止时刻(第90天)起,距离发生故障的紧急程度为次紧急。
如果全部偏置电流的测量值小于偏置电流分类阈值,则可以确定该样本序列的标签指示该样本序列对应的光模块为正常光模块。
例如,上述标签的取值可以为0、1或2,其中,0代表光模块为正常光模块,1代表光模块从采集终止时刻起,距离发生故障的时间间隔小于或等于预设的时间间隔阈值(即发生故障的紧急程度为紧急),2代表光模块从采集终止时刻起,距离发生故障的时间间隔大于预设的时间间隔阈值(即发生故障的紧急程度为次紧急)。
S503,生成该样本序列对应的故障预测样本,该故障预测样本包括该样本序列的特征集以及该样本序列的标签。
在一个实施方式中,分析器确定了工作参数对应的样本序列的标签,可以根据该样本序列与确定的标签,生成该样本序列对应的故障预测样本,该故障预测样本包括该样本序列的特征集与该样本序列的标签。
例如,基于该样本序列确定的特征集可以为F=[mean,var,max,min,diff_mean,diff_var],mean代表样本序列的均值、var代表样本序列的方差、max代表样本序列的极大值、min代表样本序列的极小值、diff_mean代表样本序列的一维差分均值,diff_var代表样本序列的一维差分方差。
例如,样本序列为采集时长为30天的偏置电流值:
I=[49.96,50.02,50.08,50.14,50.21,50.27,50.33,50.4,50.46,50.52,50.58,50.64,50.71,50.77,50.83,50.9,50.96,51.02,51.16,51.3,51.44,51.59,51.73,51.87,52.01,52.15,52.29,52.43,52.58,52.72],则对应的特征集为:F=[51.07,0.66,49.96,52.72,0.44,0.026]。
S504,根据该故障预测样本生成故障预测模型。
在一个实施方式中,在训练故障预测模型时,可以将上述样本序列的特征集与样本序列的标签分别作为输入与输出,使得故障预测模型对该输入、输出进行学习,从而实现对故障预测模型的训练。
上述列举的时间间隔阈值与标签的取值均为示例性说明,并不对本申请构成特殊限定,上述标签的形式以及取值可以进行设定。
在对故障预测模型进行训练时,一个样本序列来自于同一个光模块。本申请实施例以将基于一个样本序列确定的特征集输入至故障预测模型为例对训练故障预测模型的方法进行说明。在故障预测模型的实际训练过程中,会将大量的样本序列确定的特征集输入至故障预测模型,从而对故障预测模型进行训练。
上述各实施方式中,以分析器为例说明生成故障预测模型的过程。在实际的应用中,也可以由控制器根据图5所示的方法生成故障预测模型。在另一个实施方式中,也可以由分析器执行步骤S501至S503中的一个或多个步骤,而由控制器执行图5中除分析器执行的步骤之外的其他步骤。如果步骤S504是由控制器执行的,控制器需要将生成的故障预测模型主动发送给分析器或者应分析器的请求发送给分析器。
下面结合图6对本申请提供的确定光模块发生故障的紧急程度的方法进行介绍,方法包括S601和S602。
S601,根据光模块的待检测序列生成特征集。
S602,将该特征集输入故障预测模型,得到第二预测结果,该第二预测结果指示该光模块预期发生故障的紧急程度。
具体而言,在S601中,分析器生成待检测序列的特征集,在S602中,分析器将该特征集输入故障预测模型,得到第二预测结果,该第二预测结果指示光模块预期发生故障的紧急程度。
关于根据待检测序列生成待检测序列的特征集的方法请参考前述根据样本序列生成样本序列的特征集的相关描述,此处不再赘述。
例如,分析器将该待检测序列的特征集输入故障预测模型,故障预测模型输出第二预测结果,该第二预测结果指示光模块预期发生故障的紧急程度。光模块预期发生故障的紧急程度可以通过光模块从当前时刻起,距离发生故障的时间间隔与预设的时间间隔阈值的大小关系来表示,例如,当第二预测结果的取值为1时,代表光模块从当前时刻起,距离发生故障的时间间隔小于或等于预设的时间间隔阈值;当第二预测结果的取值为2时,代表光模块从当前时刻起,距离发生故障的时间间隔大于预设的时间间隔阈值。
通过生成待检测序列的特征集,将该特征集输入至故障预测模型,该故障预测模型能够对光模块从当前时刻起,距离发生故障的紧急程度进行预测,以便于维护人员根据光模块发生故障的紧急程度,对会在较短时间内发生故障的光模块尽早处理,降低光模块故障对业务造成的影响。
当将偏置电流对应的特征集输入故障预测模型时,得到的第二预测结果是根据偏置电流对应的特征集确定的;当将接收功率对应的特征集输入故障预测模型时,得到的第二预测结果是根据接收功率对应的特征集确定的。
如果将同一光模块的接收功率对应的特征集与偏置电流对应的特征集输入故障预测模型,故障预测模型会得到偏置电流对应的预测结果(例如,第三预测结果)与接收功率对应的预测结果(例如,第四预测结果),此时故障预测模型可以对第三预测结果与第四预测结果进行综合考虑,确定第二预测结果。
例如,故障预测模型对接收功率对应的特征集处理后得到的第三预测结果取值为1,故障预测模型对偏置电流对应的特征集处理后得到输出的第四预测结果的取值为2。上述取值为1的第三预测结果指示光模块从当前时刻起,距离发生故障的时间间隔小于或等于预设的时间间隔阈值,上述取值为2的第四预测结果指示光模块从当前时刻起,距离发生故障的时间间隔大于预设的时间间隔阈值,相比之下,取值为1的第三预测结果对应的紧急程度较高,因此,故障预测模型可以将取值为1的第三预测结果确定为该光模块的第二预测结果,最终输出该第二预测结果。
即,当故障预测模型输出两种预测结果时,该两种预测结果可能相同或者也可能不同,此时,第二预测结果可以依照表1确定(以预测结果的取值为0、1、2为例进行说明):
表1
从表1中可以看出,当上述两种预测结果不同时,可以将两种预测结果中紧急程度级别较高的预测结果作为第二预测结果。
若故障预测模型的输入为光模块的接收功率数据序列对应的特征集与光模块的偏置电流数据序列对应的特征集,此时故障预测模型会得到两种预测结果,故障预测模型在确定针对该光模块的预测结果时,通过将两种预测结果中紧急程度级别较高的预测结果作为针对该光模块预测结果,可以使维护人员尽可能早地对可能发生故障的光模块处理,降低光模块故障对业务造成的影响。
此外,当将待检测序列对应的特征集输入故障预测模型,得到第二预测结果后,还可以基于待检测序列的特征集与第二预测结果更新故障预测模型。此时,本申请提供的生成故障预测模型的方法还可以进一步包括S505:
S505,根据该待检测序列的特征集以及该第二预测结果更新该故障预测模型。
当分析器将待检测序列对应的特征集输入故障预测模型,得到第二预测结果后,可以将待检测序列对应的特征集与第二预测结果作为故障预测模型的输入,使得故障预测模型学习该输入与输出,从而完成故障预测模型的更新,使得故障预测模型的预测结果更为准确。
上述图3至图6各方法中的各个序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述各方法还可以进行进一步组合以提供更多的实现方式,其他通过将上述各方法组合获得的实现方式均落入本申请的保护范围内。
以上,结合图1至图6详细说明了本申请实施例提供的预测光模块故障的方法。以下,结合图7与图8细说明本申请实施例提供的预测光模块故障的装置。
图7为本申请提供的预测光模块故障的装置700的示意性框图。该装置700包括:
第一获取模块701,用于获取光模块在预设时间段内的待检测序列,该待检测序列包括该光模块的工作参数的多个测量值。
第二获取模块702,用于获取该工作参数对应的分类阈值;该分类阈值是根据该工作参数对应的分类样本集生成的。
故障预测模块703,用于根据该工作参数对应的分类阈值与该待检测序列中的多个测量值的比较结果,确定该光模块的第一预测结果,该第一预测结果指示该光模块是否进入故障模式。
可选地,该装置还包括预处理模块704与故障预测模型705:
预处理模块704,用于:当该第一预测结果指示该光模块进入故障模式时,根据该待检测序列生成特征集;将该特征集输入该故障预测模型;
故障预测模型705,用于根据该特征集,得到第二预测结果,该第二预测结果指示该光模块预期发生故障的紧急程度。
可选地,该装置还包括:
第三获取模块706,还用于获取该工作参数对应的样本序列;
训练模块707,用于:
根据该分类阈值以及该样本序列确定该样本序列的标签,该标签指示该样本序列对应的光模块是否是正常光模块,或,该标签指示该样本序列对应的光模块发生故障的紧急程度;
生成该样本序列对应的故障预测样本,该故障预测样本包括该样本序列的特征集以及该样本序列的标签;
根据该故障预测样本生成该故障预测模型。
可选地,该训练模块707,还用于根据该待检测序列的特征集以及该第二预测结果更新该故障预测模型。
可选地,该装置还包括第四获取模块708和计算模块709:
第四获取模块708,用于获取该工作参数对应的分类样本集,该分类样本集中包括多个分类样本,每个分类样本包括该工作参数的一个测量值及第一分类标识;
计算模块709,用于根据该分类样本集,确定该工作参数对应的该分类阈值。
可选地,计算模块709,还用于:
根据该分类样本集与多个参考分类阈值确定多个损失值,每个损失值对应一个参考分类阈值,该多个参考分类阈值是预设的,或,该多个参考分类阈值是根据该分类样本集中的每个分类样本的测量值确定的;
将该多个损失值中最小的损失值对应的参考分类阈值确定为该分类样本集对应的分类阈值;
根据该分类样本集对应的分类阈值确定该工作参数对应的该分类阈值。
可选地,计算模块709,还用于:
根据该多个参考分类阈值中的每一个参考分类阈值,将该分类样本集中的分类样本重新分类,并根据分类结果确定该分类样本集中的每一个分类样本的第二分类标识;
根据每个分类样本的第二分类标识与第一分类标识,基于下列损失函数确定该参考分类阈值对应的损失值:
其中,loss代表该分类样本集中的所有第一分类标识与对应的第二分类标识的均方误差,N为该分类样本集中分类样本的个数,N大于或等于2,Oq为该N个分类样本中索引值为q的分类样本的第一分类标识,Pq为该索引值为q的分类样本的第二分类标识。
可选地,该分类样本集中包括R个正样本和S个负样本,该计算模块709,还用于:
根据该多个参考分类阈值中的每一个参考分类阈值,将该分类样本集中的分类样本重新分类,并根据分类结果确定该分类样本集中的每个分类样本的第二分类标识;
根据每个分类样本的第二分类标识与第一分类标识,基于下列损失函数确定该参考分类阈值对应的损失值:
其中,loss代表该分类样本集中的所有第一分类标识与对应的第二分类标识的均方误差,lossf代表所有正样本的第一分类标识与对应的第二分类标识的均方误差,lossn代表所有负样本的第一分类标识与对应的第二分类标识的均方误差,R大于或等于2,Oa为索引值为a的正样本的第一分类标识,Pa为该索引值为a的正样本的第二分类标识,S大于或等于2,Ob为索引值为b的负样本的第一分类标识,Pb为该索引值为b的负样本的第二分类标识,c为权重系数,且c大于或等于1。
可选地,该工作参数对应M个分类样本集,该计算模块709,还用于:
确定该M个分类样本集中对应的M个分类阈值;
根据下式确定该工作参数对应的该分类阈值;
其中,threshfinal为该工作参数对应的分类阈值,threshi为第i个分类样本集对应的分类阈值,M大于1。
可选地,该工作参数为偏置电流,该分类阈值为偏置电流分类阈值,该样本序列为偏置电流样本序列,该训练模块707,还用于:
若该样本序列中存在至少一个测量值大于或等于该偏置电流分类阈值,根据该样本序列的采集终止时刻与该样本序列对应的光模块发生故障的时刻之间的时间间隔,确定该样本序列的标签,该标签指示该样本序列对应的光模块发生故障的紧急程度;
若该样本序列中的全部测量值小于该偏置电流分类阈值,确定该样本序列的标签,该标签指示该样本序列对应的光模块是正常光模块。
可选地,该工作参数为接收功率,该分类阈值为接收功率分类阈值,该样本序列为接收功率样本序列,该训练模块707,还用于:
若该样本序列中存在至少一个测量值小于或等于该接收功率分类阈值,根据该样本序列的采集终止时刻与该样本序列对应的光模块发生故障的时刻之间的时间间隔,确定该样本序列的标签,该标签指示该样本序列对应的光模块发生故障的紧急程度;
若该样本序列中的全部测量值大于该接收功率分类阈值,确定该样本序列的标签,该标签指示该样本序列对应的光模块是正常光模块。
可选地,该特征集包括偏置电流对应的特征集和接收功率对应的特征集,
该预处理模块704,还用于将该偏置电流对应的特征集与该接收功率对应的特征集输入该故障预测模型;
该故障预测模型705,还用于:得到偏置电流对应的第三预测结果与接收功率对应的第四预测结果;根据该第三预测结果与该第四预测结果,得到该第二预测结果。
如图7所示,第一获取模块701通过采集器获取待检测序列,第二获取模块702从计算模块709中获取计算模块709确定的工作参数对应的分类阈值,第三获取模块706通过采集器获取工作参数对应的样本序列,第四获取模块708通过采集器获取工作参数对应的分类样本集。
应理解,在实际应用中,上述第一获取模块701、第三获取模块706以及第四获取模块708可以为同一获取模块,或者,第一获取模块701、第二获取模块702、第三获取模块706以及第四获取模块708可以为同一获取模块。本申请实施例对此不做限定。
应理解的是,本申请的装置700可以通过专用集成电路(application-specificintegrated circuit,ASIC)实现,或可编程逻辑器件(programmable logic device,PLD)实现,上述PLD可以是复杂程序逻辑器件(complex programmable logical device,CPLD),现场可编程门阵列(field-programmable gate array,FPGA),通用阵列逻辑(genericarray logic,GAL)或其任意组合。也可以通过软件实现图3至图6所示的预测光模块故障的方法,当通过软件实现图3至图6所示预测光模块故障的方法时,装置700及其各个模块也可以为软件模块。
根据本申请实施例的装置700可对应于执行本申请中描述的方法,并且装置700中的各个单元的上述和其它操作和/或功能为了实现图3至图6所示的预测光模块故障的方法中分析器或控制器执行的相应流程,为了简洁,在此不再赘述。
应理解,图7中的采集器独立于装置700,位于装置700的外部,且与装置700连接,或者,采集器也可以位于装置700内部,即采集器也可以是装置700的一部分,本申请实施例对此不作限定。
图8是本申请实施例提供的一种预测光模块故障的装置的硬件结构示意图。图8所示的预测光模块故障的装置800(该装置800具体可以是一种计算设备)包括存储器801、处理器802、通信接口803以及总线804。其中,存储器801、处理器802、通信接口803通过总线804实现彼此之间的通信连接。
存储器801可以是只读存储器(read-only memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(random access memory,RAM)。存储器801可以是存储程序,当存储器801中存储的程序被处理器802执行时,处理器802和通信接口803用于执行本申请实施例的预测光模块故障的方法的各个步骤。
处理器802可以采用通用的中央处理器(central processing unit,CPU),微处理器,ASIC,图形处理器(graphics processing unit,GPU)或者一个或多个集成电路,用于执行相关程序,以实现本申请实施例预测光模块故障的装置中的单元所需执行的功能,或者执行本申请方法实施例的预测光模块故障的方法。
处理器802还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请的预测光模块故障的方法的各个步骤可以通过处理器802中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器802还可以是通用处理器、数字信号处理器(digitalsignal processor,DSP)、ASIC、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器。结合本申请实施例所公开的方法的步骤可以由硬件译码处理器实现,或者用译码处理器中的硬件及软件模块组合实现。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器801,处理器802读取存储器801中的信息,结合其硬件完成本申请实施例的预测光模块故障的装置中包括的单元所需执行的功能,或者执行本申请方法实施例的预测光模块故障的方法。
通信接口803使用例如但不限于收发器一类的收发装置,来实现装置800与其他设备或通信网络之间的通信。例如,可以通过通信接口803获取工作参数对应的样本序列与工作参数对应的分类样本集。
总线804可包括在装置800各个部件(例如,存储器801、处理器802、通信接口803)之间传送信息的通路。
应理解,预测光模块故障的装置700中的获取模块704相当于预测光模块故障的装置800中的通信接口803,故障预测模块701、预处理模块702、故障预测模型703、获取模块704、训练模块705与计算模块706可以相当于处理器802。
应注意,尽管图8所示的装置800仅仅示出了存储器、处理器、通信接口,但是在具体实现过程中,本领域的技术人员应当理解,装置800还包括实现正常运行所必须的其他器件。同时,根据具体需要,本领域的技术人员应当理解,装置800还可包括实现其他附加功能的硬件器件。此外,本领域的技术人员应当理解,装置800也可仅仅包括实现本申请实施例所必须的器件,而不必包括图8中所示的全部器件。
可以理解,所述装置800相当于本申请实施例中的分析器。本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质包括计算机程序,当其在计算机上运行时,使得该计算机执行上述方法实施例提供的方法。
本申请实施例还提供一种包含指令的计算机程序产品,当该计算机程序产品在计算机上运行时,使得该计算机执行上述方法实施例提供的方法。
本申请实施例还提供一种***,该***包括采集器、预测光模块故障的装置和光模块,该采集器用于采集该光模块相关的工作参数的测量值,并将采集的测量值发送给该预测光模块故障的装置。该光模块相关的工作参数的测量值可以包括该光模块在预设时间段内的待检测序列、该工作参数对应的样本序列等。该预测光模块故障的装置用于接收采集器发送的该光模块相关的工作参数的测量值,并根据该测量值执行上述图3至图6中任意一项所述的方法。
该预测光模块故障的装置可以为图1所示的分析器,图7所示的装置700或图8所示的装置800。
以上以所述***包括一个光模块为例进行说明,在实际部署中,该***可以包括多个光模块,且采集器需要采集每个光模块相关的工作参数的测量值。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (26)
1.一种预测光模块故障的方法,其特征在于,包括:
获取光模块在预设时间段内的待检测序列,所述待检测序列包括所述光模块的工作参数的多个测量值;
获取所述工作参数对应的分类阈值;所述分类阈值是根据所述工作参数对应的分类样本集生成的;
根据所述工作参数对应的分类阈值与所述待检测序列中的多个测量值的比较结果,确定所述光模块的第一预测结果,所述第一预测结果指示所述光模块是否进入故障模式。
2.根据权利要求1所述的方法,其特征在于,当所述第一预测结果指示所述光模块进入故障模式时,所述方法还包括:
根据所述待检测序列生成特征集;
将所述特征集输入故障预测模型,得到第二预测结果,所述第二预测结果指示所述光模块预期发生故障的紧急程度。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
获取所述工作参数对应的样本序列;
根据所述分类阈值以及所述样本序列确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块是否是正常光模块,或,所述标签指示所述样本序列对应的光模块发生故障的紧急程度;
生成所述样本序列对应的故障预测样本,所述故障预测样本包括所述样本序列的特征集以及所述样本序列的标签;
根据所述故障预测样本生成所述故障预测模型。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述待检测序列的特征集以及所述第二预测结果更新所述故障预测模型。
5.根据权利要求1-4中任意一项所述的方法,其特征在于,所述获取所述工作参数对应的分类阈值之前,所述方法还包括:
获取所述工作参数对应的分类样本集,所述分类样本集中包括多个分类样本,每个分类样本包括所述工作参数的一个测量值及第一分类标识;
根据所述分类样本集,确定所述工作参数对应的所述分类阈值。
6.根据权利要求5所述的方法,其特征在于,所述根据所述分类样本集,确定所述工作参数对应的所述分类阈值,包括:
根据所述分类样本集与多个参考分类阈值确定多个损失值,每个损失值对应一个参考分类阈值,所述多个参考分类阈值是预设的,或,所述多个参考分类阈值是根据所述分类样本集中的每个分类样本的测量值确定的;
将所述多个损失值中最小的损失值对应的参考分类阈值确定为所述分类样本集对应的分类阈值;
根据所述分类样本集对应的分类阈值确定所述工作参数对应的所述分类阈值。
7.根据权利要求6所述的方法,其特征在于,所述根据所述分类样本集与多个参考分类阈值,确定多个损失值,包括:
根据所述多个参考分类阈值中的每一个参考分类阈值,将所述分类样本集中的分类样本重新分类,并根据分类结果确定所述分类样本集中的每一个分类样本的第二分类标识;
根据每个分类样本的第二分类标识与第一分类标识,基于下列损失函数确定所述参考分类阈值对应的损失值:
其中,loss代表所述分类样本集中的所有第一分类标识与对应的第二分类标识的均方误差,N为所述分类样本集中分类样本的个数,N大于或等于2,Oq为所述N个分类样本中索引值为q的分类样本的第一分类标识,Pq为所述索引值为q的分类样本的第二分类标识。
8.根据权利要求6所述的方法,其特征在于,所述分类样本集中包括R个正样本和S个负样本,所述根据所述分类样本集与多个参考分类阈值,确定多个损失值,包括:
根据所述多个参考分类阈值中的每一个参考分类阈值,将所述分类样本集中的分类样本重新分类,并根据分类结果确定所述分类样本集中的每个分类样本的第二分类标识;
根据每个分类样本的第二分类标识与第一分类标识,基于下列损失函数确定所述参考分类阈值对应的损失值:
其中,loss代表所述分类样本集中的所有第一分类标识与对应的第二分类标识的均方误差,lossf代表所有正样本的第一分类标识与对应的第二分类标识的均方误差,lossn代表所有负样本的第一分类标识与对应的第二分类标识的均方误差,R大于或等于2,Oa为索引值为a的正样本的第一分类标识,Pa为所述索引值为a的正样本的第二分类标识,S大于或等于2,Ob为索引值为b的负样本的第一分类标识,Pb为所述索引值为b的负样本的第二分类标识,c为权重系数,且c大于或等于1。
10.根据权利要求3或4所述的方法,其特征在于,所述工作参数为偏置电流,所述分类阈值为偏置电流分类阈值,所述样本序列为偏置电流样本序列,所述根据所述分类阈值以及所述样本序列确定所述样本序列的标签,包括:
若所述样本序列中存在至少一个测量值大于或等于所述偏置电流分类阈值,根据所述样本序列的采集终止时刻与所述样本序列对应的光模块发生故障的时刻之间的时间间隔,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块发生故障的紧急程度;
若所述样本序列中的全部测量值小于所述偏置电流分类阈值,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块是正常光模块。
11.根据权利要求3或4所述的方法,其特征在于,所述工作参数为接收功率,所述分类阈值为接收功率分类阈值,所述样本序列为接收功率样本序列,所述根据所述分类阈值以及所述样本序列确定所述样本序列的标签,包括:
若所述样本序列中存在至少一个测量值小于或等于所述接收功率分类阈值,根据所述样本序列的采集终止时刻与所述样本序列对应的光模块发生故障的时刻之间的时间间隔,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块发生故障的紧急程度;
若所述样本序列中的全部测量值大于所述接收功率分类阈值,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块是正常光模块。
12.根据权利要求2-4中任意一项所述的方法,其特征在于,所述特征集包括偏置电流对应的特征集和接收功率对应的特征集,所述将所述特征集输入故障预测模型得到第二预测结果,包括:
将偏置电流对应的特征集与接收功率对应的特征集输入故障预测模型,得到偏置电流对应的第三预测结果与接收功率对应的第四预测结果;
根据所述第三预测结果与所述第四预测结果,确定所述第二预测结果。
13.一种预测光模块故障的装置,其特征在于,包括:
第一获取模块,用于获取光模块在预设时间段内的待检测序列,所述待检测序列包括所述光模块的工作参数的多个测量值;
第二获取模块,用于获取所述工作参数对应的分类阈值;所述分类阈值是根据所述工作参数对应的分类样本集生成的;
故障预测模块,用于根据所述工作参数对应的分类阈值与所述待检测序列中的多个测量值的比较结果,确定所述光模块的第一预测结果,所述第一预测结果指示所述光模块是否进入故障模式。
14.根据权利要13所述的装置,其特征在于,所述装置还包括预处理模块与故障预测模型:
所述预处理模块,用于:当所述第一预测结果指示所述光模块进入故障模式时,根据所述待检测序列生成特征集;将所述特征集输入所述故障预测模型;
所述故障预测模型,用于根据所述特征集,得到第二预测结果,所述第二预测结果指示所述光模块预期发生故障的紧急程度。
15.根据权利要求14所述的装置,其特征在于,所述装置还包括:
第三获取模块,还用于获取所述工作参数对应的样本序列;
训练模块,用于:
根据所述分类阈值以及所述样本序列确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块是否是正常光模块,或,所述标签指示所述样本序列对应的光模块发生故障的紧急程度;
生成所述样本序列对应的故障预测样本,所述故障预测样本包括所述样本序列的特征集以及所述样本序列的标签;
根据所述故障预测样本生成所述故障预测模型。
16.根据权利要求14所述的装置,其特征在于,所述训练模块,还用于根据所述待检测序列的特征集以及所述第二预测结果更新所述故障预测模型。
17.根据权利要求13-16中任意一项所述的装置,其特征在于,所述装置还包括第四获取模块和计算模块:
所述第四获取模块,用于获取所述工作参数对应的分类样本集,所述分类样本集中包括多个分类样本,每个分类样本包括所述工作参数的一个测量值及第一分类标识;
所述计算模块,用于根据所述分类样本集,确定所述工作参数对应的所述分类阈值。
18.根据权利要求17所述的装置,其特征在于,所述计算模块,还用于:
根据所述分类样本集与多个参考分类阈值确定多个损失值,每个损失值对应一个参考分类阈值,所述多个参考分类阈值是预设的,或,所述多个参考分类阈值是根据所述分类样本集中的每个分类样本的测量值确定的;
将所述多个损失值中最小的损失值对应的参考分类阈值确定为所述分类样本集对应的分类阈值;
根据所述分类样本集对应的分类阈值确定所述工作参数对应的所述分类阈值。
20.根据权利要求18所述的装置,其特征在于,所述分类样本集中包括R个正样本和S个负样本,所述计算模块,还用于:
根据所述多个参考分类阈值中的每一个参考分类阈值,将所述分类样本集中的分类样本重新分类,并根据分类结果确定所述分类样本集中的每个分类样本的第二分类标识;
根据每个分类样本的第二分类标识与第一分类标识,基于下列损失函数确定所述参考分类阈值对应的损失值:
其中,loss代表所述分类样本集中的所有第一分类标识与对应的第二分类标识的均方误差,lossf代表所有正样本的第一分类标识与对应的第二分类标识的均方误差,lossn代表所有负样本的第一分类标识与对应的第二分类标识的均方误差,R大于或等于2,Oa为索引值为a的正样本的第一分类标识,Pa为所述索引值为a的正样本的第二分类标识,S大于或等于2,Ob为索引值为b的负样本的第一分类标识,Pb为所述索引值为b的负样本的第二分类标识,c为权重系数,且c大于或等于1。
22.根据权利要求15或16所述的装置,其特征在于,所述工作参数为偏置电流,所述分类阈值为偏置电流分类阈值,所述样本序列为偏置电流样本序列,所述训练模块,还用于:
若所述样本序列中存在至少一个测量值大于或等于所述偏置电流分类阈值,根据所述样本序列的采集终止时刻与所述样本序列对应的光模块发生故障的时刻之间的时间间隔,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块发生故障的紧急程度;
若所述样本序列中的全部测量值小于所述偏置电流分类阈值,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块是正常光模块。
23.根据权利要求15或16所述的装置,其特征在于,所述工作参数为接收功率,所述分类阈值为接收功率分类阈值,所述样本序列为接收功率样本序列,所述训练模块,还用于:
若所述样本序列中存在至少一个测量值小于或等于所述接收功率分类阈值,根据所述样本序列的采集终止时刻与所述样本序列对应的光模块发生故障的时刻之间的时间间隔,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块发生故障的紧急程度;
若所述样本序列中的全部测量值大于所述接收功率分类阈值,确定所述样本序列的标签,所述标签指示所述样本序列对应的光模块是正常光模块。
24.根据权利要求15-16中任意一项所述的装置,其特征在于,所述特征集包括偏置电流对应的特征集和接收功率对应的特征集,
所述预处理模块,还用于将所述偏置电流对应的特征集与所述接收功率对应的特征集输入所述故障预测模型;
所述故障预测模型,还用于:得到偏置电流对应的第三预测结果与接收功率对应的第四预测结果;根据所述第三预测结果与所述第四预测结果,得到所述第二预测结果。
25.一种计算机可读存储介质,其特征在于,包括计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1-12中任意一项所述的方法。
26.一种预测光模块故障的***,其特征在于,包括光模块,采集器和权利要求13-24中任意一项所述的预测光模块故障的装置;
所述采集器用于采集所述光模块在预设时间段内的待检测序列,所述待检测序列包括所述光模块的工作参数的多个测量值,并将所述待检测序列发送给所述预测光模块故障的装置。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910093487.5A CN111507363A (zh) | 2019-01-30 | 2019-01-30 | 预测光模块故障的方法、装置和设备 |
EP21214867.0A EP4037286A1 (en) | 2019-01-30 | 2020-01-17 | Method and apparatus for predicting fault of optical module |
EP20152366.9A EP3691189B1 (en) | 2019-01-30 | 2020-01-17 | Method, apparatus and computer program for predicting fault of optical module |
US16/750,611 US10944473B2 (en) | 2019-01-30 | 2020-01-23 | Method, apparatus and device for predicting fault of optical module |
JP2020012452A JP7116103B2 (ja) | 2019-01-30 | 2020-01-29 | 光モジュールの故障を予測するための方法、装置、およびデバイス |
US17/166,601 US11265081B2 (en) | 2019-01-30 | 2021-02-03 | Method, apparatus and device for predicting fault of optical module |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910093487.5A CN111507363A (zh) | 2019-01-30 | 2019-01-30 | 预测光模块故障的方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507363A true CN111507363A (zh) | 2020-08-07 |
Family
ID=69177040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910093487.5A Pending CN111507363A (zh) | 2019-01-30 | 2019-01-30 | 预测光模块故障的方法、装置和设备 |
Country Status (4)
Country | Link |
---|---|
US (2) | US10944473B2 (zh) |
EP (2) | EP3691189B1 (zh) |
JP (1) | JP7116103B2 (zh) |
CN (1) | CN111507363A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112311454A (zh) * | 2020-11-04 | 2021-02-02 | 中国联合网络通信集团有限公司 | 光模块的状态确定方法、装置及设备 |
CN112865861A (zh) * | 2020-12-31 | 2021-05-28 | 深圳市吉光通科技有限公司 | 光网络故障处理装置、光模块及方法 |
CN112887018A (zh) * | 2021-02-03 | 2021-06-01 | 中国信息通信研究院 | 一种光模块测试方法和装置 |
CN113691308A (zh) * | 2021-10-25 | 2021-11-23 | 杭州芯耘光电科技有限公司 | 一种光模块监控方法 |
WO2022037536A1 (zh) * | 2020-08-17 | 2022-02-24 | 中兴通讯股份有限公司 | 故障处理方法、装置、网络设备和存储介质 |
CN114389688A (zh) * | 2022-01-04 | 2022-04-22 | 烽火通信科技股份有限公司 | 一种光模块性能预测的方法和装置 |
CN114448504A (zh) * | 2021-12-15 | 2022-05-06 | 新浪网技术(中国)有限公司 | 光模块故障处理方法及电子设备、计算机可读存储介质 |
WO2024066404A1 (zh) * | 2022-09-29 | 2024-04-04 | 华为技术有限公司 | 一种光缆下垂识别方法和装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102482504B1 (ko) * | 2018-04-23 | 2022-12-30 | 주식회사 엘지화학 | t-부틸 메타크릴레이트의 제조방법 |
JP6954671B2 (ja) * | 2019-11-14 | 2021-10-27 | Necプラットフォームズ株式会社 | 予兆監視装置、予兆監視方法およびプログラム |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7079775B2 (en) * | 2001-02-05 | 2006-07-18 | Finisar Corporation | Integrated memory mapped controller circuit for fiber optics transceiver |
US20040197101A1 (en) * | 2001-02-05 | 2004-10-07 | Sasser Gary D. | Optical transceiver module with host accessible on-board diagnostics |
WO2003046614A2 (en) * | 2001-11-28 | 2003-06-05 | Optical Zonu Corporation | Smart single fiber optic transceiver |
US7269191B2 (en) * | 2002-02-12 | 2007-09-11 | Finisar Corporation | Control circuit for optoelectronic module with integrated temperature control |
US8635328B2 (en) * | 2002-10-31 | 2014-01-21 | International Business Machines Corporation | Determining time varying thresholds for monitored metrics |
CN101296034B (zh) * | 2007-04-26 | 2012-07-11 | 华为技术有限公司 | 传输监测信息方法和装置、及无源光网络*** |
US9215669B2 (en) * | 2007-11-16 | 2015-12-15 | Qualcomm Incorporated | Preamble design for a wireless signal |
JP5018510B2 (ja) * | 2008-01-29 | 2012-09-05 | 富士通株式会社 | 故障予測装置、故障予測方法および故障予測プログラム |
JP5240673B2 (ja) * | 2009-03-19 | 2013-07-17 | 日本電気株式会社 | 光信号レベル調整システム及びこれにおける情報解析・制御信号生成装置並びに情報解析・制御信号生成方法 |
US8934779B2 (en) * | 2012-02-10 | 2015-01-13 | Source Photonics, Inc. | Operational status indicators in an optical transceiver using dynamic thresholds |
CN103152095B (zh) | 2013-01-29 | 2015-11-25 | 华为技术有限公司 | 一种光模块寿命预测方法和装置 |
JP6205945B2 (ja) * | 2013-07-25 | 2017-10-04 | 富士通株式会社 | 伝送装置、伝送装置の制御方法、および伝送装置の制御プログラム |
US9251689B2 (en) * | 2014-02-27 | 2016-02-02 | Source Photonics, Inc. | Status monitoring, storage and reporting for optical transceivers by tracking operating parameter variations |
US10165405B2 (en) * | 2014-11-28 | 2018-12-25 | Joel Ho | EMP-shielded, power-independent SMS text tower system for nuclear communications |
JP2016163106A (ja) * | 2015-02-27 | 2016-09-05 | 株式会社日立製作所 | 通信装置および保守運用システム |
WO2017040690A1 (en) * | 2015-09-02 | 2017-03-09 | Estimote, Inc. | System and methods for object tracking with wireless beacons |
US10172109B2 (en) * | 2016-06-24 | 2019-01-01 | JIO, Inc. | Synchronizing location status information in a computing system |
-
2019
- 2019-01-30 CN CN201910093487.5A patent/CN111507363A/zh active Pending
-
2020
- 2020-01-17 EP EP20152366.9A patent/EP3691189B1/en active Active
- 2020-01-17 EP EP21214867.0A patent/EP4037286A1/en active Pending
- 2020-01-23 US US16/750,611 patent/US10944473B2/en active Active
- 2020-01-29 JP JP2020012452A patent/JP7116103B2/ja active Active
-
2021
- 2021-02-03 US US17/166,601 patent/US11265081B2/en active Active
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022037536A1 (zh) * | 2020-08-17 | 2022-02-24 | 中兴通讯股份有限公司 | 故障处理方法、装置、网络设备和存储介质 |
CN112311454A (zh) * | 2020-11-04 | 2021-02-02 | 中国联合网络通信集团有限公司 | 光模块的状态确定方法、装置及设备 |
CN112865861A (zh) * | 2020-12-31 | 2021-05-28 | 深圳市吉光通科技有限公司 | 光网络故障处理装置、光模块及方法 |
CN112887018A (zh) * | 2021-02-03 | 2021-06-01 | 中国信息通信研究院 | 一种光模块测试方法和装置 |
CN113691308A (zh) * | 2021-10-25 | 2021-11-23 | 杭州芯耘光电科技有限公司 | 一种光模块监控方法 |
CN113691308B (zh) * | 2021-10-25 | 2022-01-11 | 杭州芯耘光电科技有限公司 | 一种光模块监控方法 |
CN114448504A (zh) * | 2021-12-15 | 2022-05-06 | 新浪网技术(中国)有限公司 | 光模块故障处理方法及电子设备、计算机可读存储介质 |
CN114389688A (zh) * | 2022-01-04 | 2022-04-22 | 烽火通信科技股份有限公司 | 一种光模块性能预测的方法和装置 |
CN114389688B (zh) * | 2022-01-04 | 2023-06-13 | 烽火通信科技股份有限公司 | 一种光模块性能预测的方法和装置 |
WO2024066404A1 (zh) * | 2022-09-29 | 2024-04-04 | 华为技术有限公司 | 一种光缆下垂识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
JP7116103B2 (ja) | 2022-08-09 |
US20210159973A1 (en) | 2021-05-27 |
EP3691189B1 (en) | 2022-03-09 |
US20200244355A1 (en) | 2020-07-30 |
US11265081B2 (en) | 2022-03-01 |
EP3691189A1 (en) | 2020-08-05 |
US10944473B2 (en) | 2021-03-09 |
JP2020123951A (ja) | 2020-08-13 |
EP4037286A1 (en) | 2022-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507363A (zh) | 预测光模块故障的方法、装置和设备 | |
CN114328198A (zh) | 一种***故障检测方法、装置、设备及介质 | |
CN115118581B (zh) | 一种基于5g的物联网数据全链路监控和智能保障*** | |
CN115396289B (zh) | 一种故障告警确定方法、装置、电子设备及存储介质 | |
CN115033463B (zh) | 一种***异常类型确定方法、装置、设备和存储介质 | |
CN111274084A (zh) | 故障诊断方法、装置、设备及计算机可读存储介质 | |
US20200304396A1 (en) | Method of and system for testing a computer network | |
CN112838942A (zh) | 网络运维方法、电子设备以及存储介质 | |
CN111654405B (zh) | 通信链路的故障节点方法、装置、设备及存储介质 | |
CN109639526A (zh) | 网络数据监控方法、装置、设备及介质 | |
CN113740666A (zh) | 一种数据中心电力***告警风暴根源故障的定位方法 | |
CN111614504A (zh) | 基于时间序列和故障树分析的电网调控数据中心业务特性故障定位方法及*** | |
CN115831813A (zh) | 一种晶圆测验批次的选取方法、装置、设备及介质 | |
CN115348147A (zh) | 故障分析方法、装置、设备、存储介质和程序产品 | |
CN115988104B (zh) | 一种传感器兼容处理方法及*** | |
CN116566841B (zh) | 一种基于网络流量查询的流量趋势预测方法 | |
CN116980284B (zh) | 一种基于物联网的光缆分纤箱运维信息传输方法和*** | |
Fu et al. | Design and Research of Optical Cable Monitoring System Based on Multi-Channel Sensing | |
CN109993388A (zh) | 劣化小区主因判断方法、装置、设备及介质 | |
CN115776465A (zh) | 工控资产管理方法、装置、电子设备和存储介质 | |
CN115964203A (zh) | 微服务异常追踪的方法、服务器及存储介质 | |
CN115860055A (zh) | 性能确定方法、性能优化方法、装置、电子设备以及介质 | |
CN118333610A (zh) | 一种信息处理方法、装置、电子设备及存储介质 | |
CN118264316A (zh) | 光纤链路数字化监控与数据分析方法 | |
CN114077734A (zh) | 一种基于机器学习的工控环境智能安全检测方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |