《IEEE Photonics Journal》:Fault Diagnosis for Optical Transmission Systems Based on Multi-Scale Feature Fusion and Attention Mechanism Using DSP Power Monitoring
编辑推荐:
本文提出了一种基于多尺度特征融合与注意力增强神经网络的光纤故障诊断方法,该方法利用数字信号处理(DSP)功率监测数据,有望应用于光传输系统的在线监测。所提方法采用并行卷积架构提取多尺度特征,同时引入注意力机制以突出关键特征。此外,利用双向门控循环单元(BiGR
本文提出了一种基于多尺度特征融合与注意力增强神经网络的光纤故障诊断方法,该方法利用数字信号处理(DSP)功率监测数据,有望应用于光传输系统的在线监测。所提方法采用并行卷积架构提取多尺度特征,同时引入注意力机制以突出关键特征。此外,利用双向门控循环单元(BiGRU)网络捕获信号序列的时间特征,实现对光传输系统故障的准确识别。实验验证基于从400-Gb/s波分复用(WDM)运营网络环境中采集的五种典型光纤故障类型开展。结果表明,所提方法实现了99.15%的平均窗口级识别准确率,分别比卷积神经网络(CNN)、CNN-BiGRU和Transformer模型高出5.38、7.65和12.72个百分点。这些结果表明,所提方法提升了光通信网络中的故障识别能力,展示了其作为基于DSP监测数据的智能故障诊断实用解决方案的潜力。
论文解读:基于多尺度特征融合与注意力机制的光传输系统故障诊断研究
一、研究背景与问题提出
随着高速光通信技术的快速发展,400-Gb/s及以上速率的光传输系统已在骨干网络和数据中心互联中得到广泛部署。网络规模的持续扩大使得光纤链路的运行条件日益复杂,光纤故障可能导致传输质量下降甚至通信中断。因此,及时检测故障并准确识别故障类型已成为光网络运维的重要任务。
传统光网络故障检测方法主要依赖光时域反射仪(OTDR)及相关测量技术,通过分析光纤中的瑞利背向散射信号来定位故障。然而,此类方法通常需要专用测量设备,难以实现实时在线监测,限制了其在大型光网络中的应用。随着相干光通信系统的发展,光接收机内置的数字信号处理(DSP)模块可提供多种监测参数,包括接收功率、相位信息和偏振态等,为在线性能监测提供了无需额外测试设备的新数据源。其中,功率监测数据因其高可获取性、低计算复杂度和在实际网络环境中的鲁棒性而尤为引人关注。
然而,DSP监测模块产生海量运行数据,在复杂网络环境下,基于人工分析和经验判断的传统故障诊断方法在实时性和诊断准确性方面面临重大挑战。传统机器学习方法如支持向量机(SVM)和随机森林高度依赖人工设计的特征,难以适应动态复杂的网络环境。近年来,深度学习方法在故障识别任务中展现出良好性能,包括卷积神经网络(CNN)、长短期记忆(LSTM)网络和Transformer模型等。但在复杂网络环境或小样本场景下,这些方法在多尺度特征提取和全局特征建模方面仍存在局限,导致诊断准确性和鲁棒性不足。
为应对上述问题,研究人员提出了一种基于多尺度特征融合与注意力机制、利用DSP功率监测数据的故障诊断方法。该方法与基于OTDR的方法不同,后者需要分析背向散射迹线且通常需要专用测量设备,而本方法利用相干光传输系统中接收端可获取的DSP功率监测数据。该模型的独特之处在于将不同感受野的并行卷积分支、通道注意力机制和基于BiGRU的特征建模统一整合在一个框架中。
二、关键技术方法
研究人员提出的故障诊断模型主要由三个核心组件构成。第一,并行卷积模块通过双路径卷积架构实现有效的多尺度特征提取,两个分支采用不同卷积核尺寸以捕获不同时间尺度的互补模式,每个分支采用分层两层卷积结构,最终通过逐元素乘法融合输出。第二,通道注意力机制通过自适应最大池化(AMP)压缩空间维度,结合1×1卷积和sigmoid激活函数生成通道注意力权重,实现通道特征重标定。第三,双向门控循环单元(BiGRU)网络从正向和反向两个方向处理序列,同时捕获历史和未来的上下文信息。数据预处理方面,采用中值滤波去除脉冲噪声,并通过噪声注入、时间偏移和幅度缩放三种数据增强技术提升数据集多样性,最后采用滑动窗口策略和幅度归一化处理。
实验数据来源于400-Gb/s波分复用(WDM)运营光网络,网络由11个站点组成,总传输距离约1100 km。实验选择A站和B站作为测试站点,原始传输距离约30.19 km,为模拟不同故障场景并增加传感范围,链路中插入了额外的20.19 km盘纤,并引入可变光衰减器(VOA)和光纤跳线模拟各类光纤故障事件。实验共采集八条独立原始故障迹线,涵盖五种典型光纤故障类型:光纤弯曲(两条迹线)、光纤切断(一条迹线)、光纤连接器松动(两条迹线)、光纤衰减异常(一条迹线)和激光器关闭(两条迹线),每条原始迹线包含1500个采样点。
三、研究结果与分析
A. 所提模型性能分析
在窗口级分类性能方面,所提模型实现了99.15%的平均分类准确率,而CNN、CNN-BiGRU和Transformer模型的准确率分别为93.77%、91.50%和86.43%。所提模型相比三种基线模型分别提供了5.38、7.65和12.72个百分点的绝对准确率提升。各类故障的精确率、召回率和F1分数均超过97%,其中对连接器松动故障实现了100%的完美分类性能,其他故障类型的窗口级指标范围为97.73%至100.00%。
B. 收敛性分析
训练过程中的收敛行为分析显示,所提模型在约30个轮次后达到接近1.0的稳定准确率,且训练和测试准确率曲线保持相对接近,表明优化过程稳定且在派生窗口样本上表现一致。相比之下,CNN-BiGRU和Transformer模型在相同划分下训练与测试准确率曲线之间存在较大差距或波动。
C. 特征表示分析
通过主成分分析(PCA)将不同模型学习的特征向量投影到三维空间进行可视化比较。CNN-BiGRU和Transformer模型在多个故障类别之间存在明显重叠,特别是事件0(光纤弯曲)与事件4(激光器关闭)以及事件1(光纤切断)与事件2(连接器松动)的特征分布重叠显著,且特征点分散,表明类别间可分性差。相比之下,所提模型的特征分布中,不同故障事件被映射到不同且紧凑的簇中,类别间边界清晰,表明该模型能有效学习不同故障类型的判别性表示。
D. 混淆矩阵分析
混淆矩阵分析结果显示,CNN-BiGRU和Transformer模型在区分事件0(光纤弯曲)和事件4(激光器关闭)时存在误分类,表明这些模型在提取这些相似信号模式的判别性特征方面能力有限。而所提模型在所有故障类别上均实现了改进的性能,特别是在相对难以区分的事件0和事件4上改善尤为明显。
四、结论与讨论
上述对比结果验证了所提模型通过并行卷积实现多尺度特征融合并结合通道注意力机制的有效性,该方法改善了易混淆类别的分类性能,展现出更强的特征学习和类别判别能力。值得注意的是,数据增强和滑动窗口分割增加了模型输入数量,但并未增加独立采集的故障试验次数。因此,所报告的结果应被解释为在所采集现场场景下的可行性评估,而非对未见故障事件泛化能力的结论性证据。所提方法展示了作为基于DSP监测数据的故障类型分类方法的潜力,未来需要在更多独立重复故障试验和更多样化的网络条件下进行进一步验证,以评估其泛化能力、在线性能和实际部署可行性。