摘要：当今时代是互联网的时代，通信网络技术十分发达，人们通过移动通信网络进行交流与沟通，极大方便和丰富了人们的工作和生活。近几年，随着对通信质量要求的不断提高，光纤网络逐渐覆盖传统网络。光纤网络的优势在于传输速率高、频带宽、损耗低，缺点是维护较为困难。光纤网络布线一般都很复杂，除了主干光纤网络链路外，还有很多支线，因此，一旦光纤网络链路出现缺陷，维护起来就很困难，而导致困难的原因在于故障点很难定位。针对上述问题，很多专家学者都进行了研究。

关键词：深度学习;光纤网络;网络链路;缺陷数据;

引言

近年来，光纤通信技术迅速发展，光纤网络已成为光纤通信中的一个新热点，是目前最好的传输方式，与光纤接入技术及其bec接入技术相比，最大的优势是可用带宽大，传输质量高。光纤网络的使用越来越多，产品质量也在逐步提高。完整光纤链路的性能主要取决于光纤本身的质量。光纤链路中有必要无损检测故障数据。研究故障数据无损检测系统很重要。无损检测不仅可以检测光纤通道链路材料中隐藏的故障数据，还可以测量材料的厚度、硬度和强度，这对优化链路质量非常重要。与其他无损检测技术相比，超声波检测技术非常敏感，穿透能力强，但它通过一个压电换能器产生和接收超声波信号，无法实现非接触检测。激光超声检测抵消了超声波检测技术的缺点，成为光纤网络中无损检测链路故障数据研究的热点。

1基于深度学习的光纤网络链路缺陷数据检测方法

光纤网络链路在实际工作中，常常由于光缆过长、弯曲过渡、光纤受压或断裂、熔接不良、核心直径不匹配模式混用、填充物直径不匹配、接头污染、接头抛光接头接触不良等原因，出现故障问题，影响了通信传输质量。为此，需要及时排除光纤网络链路由于上述问题引发的故障，恢复正常网络通信。

1.1光纤网络链路缺陷数据预处理

（1）去噪处理。光纤网络链路数据在采集过程中，会受到噪声的影响，将有用数据覆盖住，干扰后面数据检测的准确性。为此，需要对光纤网络链路缺陷数据进行去噪处理。在这里采用小波阈值去噪的方法。设有观测光纤网络链路数据：f（t）=s（t）+n（t）（1）其中，s（t）为原始光纤网络链路数据;n（t）为方差为a2的Gaussian白噪声，服从N（0，a2）分布。对于f（t）来说，首先对其进行离散采样，得到N点离散信号f（xn），n=0，1，…，N-1，然后应用阈值法进行去噪。小波阈值去噪法的基本思路如下：步骤1：对含噪光纤网络链路数据f（xn）进行小波变换，得到一组小波系数;步骤2：通过对小波系数进行阈值处理，得到估计小波系数;步骤3：利用估计小波系数进行小波重构，得到估计光纤网络链路数据，即为去噪之后的原始光纤网络链路数据。（2）数据插值数据在采集过程中，由于各种原因难免会出现缺失值，而时间序列数据分析最重要的要求就是保证数据的完整性，因此，需要进行数据插值处理。

1.2光纤网络链路数据特征提取

光纤网络链路数据具有时间特性，因此，利用一般提取方法，如统计方法、主成分分析方法以及线性判别方法等，提取结果缺乏准确性，因此，在这里利用一种基于规则迭代的时间序列特征提取方法。该方法主要包括三部分：规则产生、规则迭代以及特征提取。（1）规则产生：即产生特征的基本单元。方法有差分法、滑动窗口平均以及序列分解。其中，序列分解是按照一定的特性指标进行划分;（2）规则迭代：利用产生的规则进行嵌套复用，以迭代的方式产生特征序列，然后以此为后面特征提取的输入数据;（3）特征提取：从上述特征序列中提取具体特征，包括统计特征、信号特征、物理特征等，然后将这些小的特征指标封装成一个大的特征集合，供后面分类器使用。

1.3传输数据噪声模型

光纤通信网络链路在运行过程中可能会产生噪声，数据中心在数据收集过程中会受到噪声干扰，影响数据收集的准确性，因此光纤网络链路中出现的异常数据无法进行无损检测。因此，为了提高数据检测精度，采用平均斜率法消除光纤链路运行过程中噪声的影响，确保异常数据的无损检测。光纤链路出现异常问题时，噪声信号与正常信号属性不同，应使用稳定的Guassian描述信号中心光纤链路中数据异常噪声。

1.4激光超声无损检测

激光超声波，即脉冲激光在光纤链路中产生超声波或脉冲激光超声波的物理过程。一般来说，固体中的激光激发超声波可以根据进入激光器的功率密度和固体表面条件分为热弹性和燃烧效果。对于没有清洁表面限制的固体，热泵激发效应和燃烧激励效应分别发生，具体取决于进入激光的功率密度小于或大于固体表面损伤阈值。在热弹效应的情况下，会将入射光映射到被探测的物体，反射脉冲激光的一部分能量，吸收另一部分能量并将其转化为热能，物体吸收光能量，从而引起热胀并刺激水平、垂直和表面波。激光超声检测技术主要包括传感器检测技术和光学检测技术，传感器检测技术主要用于采集高灵敏度信息，必须与样品接触或接近样品。光学检测是一种无损检测技术，它不仅允许进行非接触检测，而且具有高灵敏度特性。超声波常用的非接触和无损光学检测技术主要是光学干涉检测方法和速度干涉方法以及光学检测技术。

2光纤网络链路故障定位

2.1光纤网络链路故障筛选

设计光纤链路故障排除模型后，需要对光纤链路故障进行滤波。在光纤链路故障滤波中，学习定位模块获得的最大一组光纤链路故障具有较高的吞吐量，以降低链路故障组的超负荷，减少冗馀链路故障对故障确定的影响，并尝试消除冗馀故障深度学习方法可作为信号处理方法实现光纤网络链路故障的滤波。

2.2光纤网络链路故障定位

根据子树链接故障过滤结果，结合物理拓扑划分，将子树链接分为两个不同的子树，设计子树递归调用定位算法，实现链接故障定位。子树状结构连结失败定位演算法的设计步骤如下：步骤1：根据实体拓朴分割，判断子树状结构根节点的伫列是否为空，或者让根节点显示，判断资料栏的根节点是否有连结失败，然后直接返回失败节点的位置步骤2：如果当前根节点没有链路故障，请判断是否存在子节点，是否存在子节点，判断当前根节点连接到子节点的光纤网络是否存在故障，如果存在链路故障，请确定光纤网络中是否存在链路故障步骤3：如果根节点连接到子节点的光网络没有故障，则应继续判断子节点是否为光网络链路上的终端节点。如果是终端节点，只需判断终端节点是否出现故障，然后定位到故障位置即可。步骤4：如果子节点不是端点节点，请将其置于子树根节点的队列中，将子节点作为新的根节点，继续重复上述三个步骤，直到光纤网络中的所有节点都通过过滤网络链路故障.

结束语

综上所述，光纤网络在使用过程中由于各种原因会出现故障问题，若不及时进行处理，将会影响正常通信。然而，若通过人工直接在现场进行故障点排查，浪费时间和精力。为此，本研究从光纤网络链路缺陷数据检测着手，通过识别时间序列当中的故障数据，以实现故障定位。然而，本研究也存在一定缺陷，即验证仅在较好环境中进行，因此，获得的样本数据较为理想，而现实情况较实验环境更为复杂，缺陷数据集较难进行采集，数据质量不高，会影响检测算法的发挥。针对这一点，有待进一步研究。

参考文献

[1]陈军，刘鑫，王利平，等.Petri网智能变电站保护控制故障诊断与定位方法研究[J].中国测试，2019，45（10）：128-134.

[2]孙宇嫣，蔡泽祥，郭采珊，等.基于深度学习的智能变电站通信网络故障诊断与定位方法[J].电网技术，2019，43（12）：4306-4314.

[3]吴迪，葛廷武，秦文斌，等.光纤激光器故障模式分析[J].发光学报，2018，39（07）：111-116.

[4]骆湘红，何宁，王明鹏，等.基于相干探测的激光超声检测系统设计与实现[J].激光与红外，2017，47（11）：1339-1342.