韓君龍

(朔黃鐵路發(fā)展有限責任公司肅寧分公司網管中心，河北 滄州 062350)

0 引 言

傳輸網是實現網絡通信和業(yè)務應用的基礎保障，承載了信息的傳遞。光纜具有容量大、速度快、抗干擾能力強、安全性能高等優(yōu)點，在通信傳輸領域得到了快速發(fā)展[1]。光纜在長時間使用中，受到外界自然災害、老化退化、割接質量劣化等因素影響，會發(fā)生不同程度的光纜性能劣化事件，直接影響傳輸系統的承載質量，因此對光纜通信監(jiān)控和狀態(tài)分析越顯重要。光功率是衡量光纜通信質量的一個重要指標，能夠反應光纜的傳輸特性及是否正常工作，能夠很好地揭示光纜在運行中隨時間變化、趨勢發(fā)展的內在規(guī)律，對光功率數據的監(jiān)控分析對傳輸網絡的安全運行具有重大意義[2]。

傳統的廠家光纖監(jiān)控管理只會對光纜中斷、性能劣化超出門限閾值等嚴重事件進行上報告警，不能根據光纜變化趨勢形成全網的光纜運行態(tài)勢評估，隱患、故障排查被動，不能形成主動運維。

本文引入概率統計學思想，提出基于正態(tài)分布的光功率勢態(tài)分析方法，對采集的傳輸網接收光功率數據進行離散程度、運行趨勢和健康狀態(tài)分析，改變了傳統網管只能上報光纜中斷或劣化嚴重的性能事件，不能預警隱蔽性能劣化隱患的運維模式，提高了網絡通信質量和維護管理水平，按需制定維保策略，實現了傳輸網主動運維[3-4]。

1 相關知識

1.1 光功率正態(tài)分布

在自然界和社會現象中，許多變量都服從正態(tài)分布，或者經過簡單變換后近似服從正態(tài)分布。隨著科學技術發(fā)展和機器智能的普及，統計學在機器智能中發(fā)揮了重要作用[5]。本文通過Corba接口每天固定時間自動采集全網廠家網管系統中的光功率數據[6]，對獲取的整個傳輸系統的光功率數據在頻率上進行統計，用Python語言進行圖形擬合。如圖1所示，通過觀察分析，對光功率監(jiān)測形成的數據集近似偏正態(tài)分布。

圖1 光功率數據分布

為更準確地利用正態(tài)分布特性進行數據分析，對原始光功率數據集取對數數據轉換，把偏正態(tài)分布近似正態(tài)分布處理[7]，對轉換處理后的數據集進行圖形擬合，如圖2所示。

圖2 對數轉換后光功率數據分布

由概率統計學知識，計算出數據集的數學期望μ和標準差σ，若變量X服從μ、σ2的正態(tài)分布[8]，可變換為μ=0、σ=1的標準正態(tài)分布，即：

若X～N(μ，σ2)，則：

圖3 光功率數據近似標準正態(tài)分布

數據經標準正態(tài)處理后，如圖3所示。從圖3中可以發(fā)現，光功率數據經過處理后，在頻率上已近似服從標準正太分布。

1.2 光功率正態(tài)分布驗證

對光功率數據在頻率上進行統計分析，在視覺上很好地服從了正態(tài)分布，還應從理論加以驗證。Q-Q′(Quantile-Quantile)圖法則更能直觀驗證數據正態(tài)分布性[9-10]。假定對光功率原始數據集取對數轉換后的數據集為X=(x1,x2,…,xi,…,xn)，n>0，并對此數據集按非降次序排列：x1x2…xi…xn，其中：

累積分布：ti=(i-0.5)/n

Q′：所對應的ti標準正態(tài)概率值

Q-Q′圖法數據計算過程如表1所示。

表1 Q-Q′圖法數據計算過程

Xx1xixnQQ1=x1-μσQi=xi-μσQn=xn-μσtt1=1-0.5nti=i-0.5ntn=n-0.5nQ'pt1ptiptn

圖4 Q-Q′圖法正態(tài)分布驗證

2 實際應用

每天采集到的光功率數據其結構是離散型數值，傳統的傳輸網管系統只根據這些數值對光纜中斷、性能劣化超出閾值等嚴重事件進行告警，例如，對采集為Null或者低于門限閾值數據上報異常告警，而不具有數據分析功能，通過建立基于正態(tài)分布的光功率概率統計模型，構建光功率健康狀態(tài)評估標準，并將在全網層面上快速形成光功率離散程度、數據分布分析，在點上追蹤光模塊、線路性能劣化的趨勢發(fā)展[11]，在發(fā)生嚴重事件前，適時制定維修策略，提升數據使用價值和管理水平。

2.1 快速形成光功率健康狀態(tài)評估

形成光功率健康狀態(tài)評估，首先應該建立健康評估標準。經過驗證光功率數據服從正態(tài)分布，根據正態(tài)分布概率密度特性[5，12]，結合光功率實際運行，把超過門限閾值的數據分布定義為異常數據，建立光功率狀態(tài)等級評估標準。本文結合實際運維要求，將健康狀態(tài)分為優(yōu)質、合格、異常低、異常高共4個評估等級，其等級標準描述及閾值設定如表2所示。

表2 光功率健康評估等級描述及閾值設定

等級描述閾值(0.1 μW)優(yōu)質在當前環(huán)境下工作良好(2600,8100)合格在允許閾值范圍內工作(1600,9800)異常低超出低門限閾值,出現不可接受的性能<1600異常高超出高門限閾值,出現不可接受的性能>9800

對光功率運行狀態(tài)評估，也即統計分析優(yōu)質、合格、異常低、異常高各數據區(qū)間在所采集全體數據集中的分布。模型對采集的數據集迅速計算出其期望和標準差，形成本數據集的一個正態(tài)分布，然后根據所給定的門限閾值，快速計算出各等級區(qū)間在數據集中的概率分布，詳細步驟如下：

1)對采集到的數據進行清洗，除去與模型計算無關數據；

2)對數據取對數轉換，以使數據集近似服從正態(tài)分布，同時，數據集的期望值和標準差也一并確定；

3)根據設定的閾值，由正態(tài)分布特性，計算各等級閾值區(qū)間所對應的數據集的概率分布，模型設計流程如圖5所示。

圖5 正態(tài)分布光功率分析流程

通過正態(tài)分布光功率模型計算所得結果是抽象的數字，為方便管理維護人員理解，快速響應，應對計算機結果圖形化，以餅圖為例，如圖6所示。

圖6 光功率運行狀態(tài)數據分布(%)

圖6是對所采集的某一天全網光器件接口接收光功率運行狀態(tài)進行等級分布分析，以了解當天光功率在全網運行狀態(tài)，通過模型分析其數據分布，網絡中優(yōu)質光功率數據為83.83%，在閾值要求范圍內運行合格數據為99.92%，但在網絡中有0.03%的低異常數據和0.05%的高異常數據分布出現，在圖中對這部分數據在遠離圓心處標出，提醒運維人員應該對這部分數據進行跟蹤分析，及時下發(fā)派工單，進行維護，這樣可以掌握全網光功率運行狀態(tài)。

在光傳輸運行中，低異常數據和高異常數據嚴重威脅光傳輸安全，光功率數值太小，表征光信號弱，光接收端接收不到有效的光激勵，致使通信質量迅速劣化，甚至造成通信中斷；反之，光信號太強，會加速接收端光接收模塊老化進程，甚至燒壞光接收模塊，應增加光衰裝置，減小光激勵。在實際光功率運維中，對低異常數據關注度一般高于高異常數據，除非出現奇異高數據[13]。

2.2 光功率性能劣化趨勢分析應用

光纜和光器件屬于材料電子器件，在長時間的使用過程中會在性能上有老化劣化過程，在數據上擬合其劣化衰減曲線，能及時發(fā)現光傳輸運行中的性能變化趨勢和性能隱患，變隱患被動排查為主動發(fā)現，以實現主動運維[14-15]。

模型中數學期望反應了數據集變量平均取值的大小，用數學期望值來反應這一演變過程，避免數值在短時間內有較大范圍波動造成的老化假象。因為在實際應用老化模型中，這是一個逐漸演變的過程，應以較長時間間隔為周期來觀察其趨勢規(guī)律。本文對運行傳輸網中的某一光器件端口K018+720_NWX-LG-02_BUB_0020進行了連續(xù)36個自然月的觀察，用曲線圖對期望值擬合，如圖7所示。

圖7 光功率運行趨勢

由圖7對某一端口數據在時間序列上的分析可以看出，本端口所連接光纜或光器件發(fā)生了老化，其老化過程恰好符合了元器件可靠性浴盆失效曲線，在最新使用時光器件有一個性能磨合期，然后是長時間的良好的使用階段，最后出現了性能的急劇劣化。

2.3 光功率離散程度分析應用

模型中標準差在概率統計中刻畫了數據集分布的離散程度，衡量每個變量與數學期望之間的差異，標準差越大，離散程度就越大。在光功率數據分析中，較大的標準差表征了光傳輸系統的不穩(wěn)定性，或者有較大的外在因素在影響著光傳輸系統[16-17]。

對全網所有端口光功率所采集到的數據進行模型計算，計算出每天數據集的標準差，這個標準差反應了當天光傳輸網的穩(wěn)定性，以一個月30天數據進行分析并曲線擬合，如圖8所示，可觀察出光傳輸網在11日這一天光功率數據出現了較大波動。

圖8 光功率離散性分析

3 結束語

針對傳統廠家傳輸網管光纖監(jiān)控管理只會對光纜中斷、性能劣化超出閾值等嚴重事件進行上報告警，只能被動了解運維的現狀，借用概率統計學思想構建模型來刻畫和描述數據所表現出來的光傳輸運行質量，掌握全網光功率運行勢態(tài)，重點關注異常端口、異常光纜線路的發(fā)展趨勢，變隱患被動排查為主動發(fā)現，用主動運維的思維來保證傳輸網運行安全，從而提升了智能網絡管理水平。

參考文獻：

[1] 梁宏濤,徐建良. 機器學習算法在光功率預測中的應用[J]. 激光雜志, 2015,36(7):131-134.

[2] 李程貴，石泉，耿震春. 基于波分系統的光功率檢測與預警系統的研究[J]. 內蒙古通信, 2016(3)：22-26.

[3] 張曉東,張夢雨,白鶴. 基于高斯分布的風電場尾流效應計算模型[J]. 華北電力大學學報(自然科學版), 2017,44(5):99-103.

[4] Zhao Lei, Mi Dong, Sun Yeqing. A novel multitarget model of radiation-induced cell killing based on the Gaussian distribution[J]. Journal of Theoretical Biology, 2017,420:135-143.

[5] 陳明明. 基于統計分布的城市道路行程時間可靠性研究[D]. 西安:長安大學, 2016.

[6] 李洪人. 基于CORBA的鐵路通信傳輸系統告警信息采集方法[J]. 計算機與現代化, 2017(8):109-113.

[7] 劉粉. 有關偏態(tài)分布的若干研究[D]. 西安:長安大學, 2016.

[8] 盛驟,謝式千,潘承毅,等. 概率論與數理統計[M]. 4版. 北京:高等教育出版社, 2008:46-50.

[9] 黃希利,韓西安. 對數正態(tài)分布下的模糊維修性指標驗證方法[J]. 系統工程與電子技術, 2008(2):375-378.

[10] 田松,周玉芬,高錫俊. 測試性驗證中正態(tài)分布法改進[J]. 電子測量技術, 1999(3):13-15.

[11] 易叢琴,宋國強. 光功率遠程實時自動監(jiān)測方法研究及實現[J]. 光通信技術, 2011,35(9):49-51.

[12] 陳明明,馬江洪,姬楠楠. Alpha正態(tài)分布及其在環(huán)境污染中的應用[J]. 統計與信息論壇, 2016,31(6):22-27.

[13] 許婧,王晶,高峰,等. 電力設備狀態(tài)檢修技術研究綜述[J]. 電網技術, 2000(8):48-52.

[14] 劉念,張清鑫,李小芳. 基于核函數極限學習機的分布式光伏短期功率預測[J]. 農業(yè)工程學報, 2014,30(4):152-159.

[15] 譚秀峰,謝里陽,馬洪義,等. 基于對數正態(tài)分布的多部位疲勞結構的疲勞壽命預測方法[J]. 航空學報, 2017,38(2):176-182.

[16] 張錫市. 光纜監(jiān)測系統在電力通信網絡中的研究與應用[J]. 信息通信, 2011(6):39-40.

[17] 郭旭東,馮萍,康繼昌,等. 先鋒光纖通道交換網通信性能優(yōu)化的研究與實現[J]. 計算機測量與控制, 2009,17(1):135-137,239.