本技術(shù)涉及故障檢測，尤其涉及一種光配線網(wǎng)絡(luò)的故障檢測方法、裝置、電子設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、一般來說，無源光網(wǎng)絡(luò)(pon，passive?optical?network)作為一種接入網(wǎng)技術(shù)，定位在常說的“最后一公里”，使用廣泛。無源光網(wǎng)絡(luò)通常由光線路終端設(shè)備(olt，opticalline?terminal)、光配線網(wǎng)絡(luò)(odn，optical?distribution?network)和光網(wǎng)絡(luò)單元(onu，optical?network?unit)等部分組成。其中，從運營商機房的光線路終端設(shè)備到用戶家庭網(wǎng)關(guān)之間的光配線網(wǎng)絡(luò)，可分為三個段落，包括主干光纜、分支光纜和用戶側(cè)光纜(皮線光纜)。主干光纜從光線路終端設(shè)備一直延伸到小區(qū)光交接箱，分支光纜從小區(qū)光交接箱到末級分光器，用戶側(cè)光纜從末級分光器到用戶家庭網(wǎng)關(guān)。參照圖1，這三段落中包括的線纜、一級光分路器、二級光分路器均為無源設(shè)備，光配線網(wǎng)絡(luò)所處環(huán)境復(fù)雜多樣，全程中多個節(jié)點都有可能導致光網(wǎng)絡(luò)單元的光功率有較大衰減產(chǎn)生弱光，運營商需要花費大量人力進行弱光整治。

2、相關(guān)技術(shù)中提出了一種弱光onu的故障點確定方法，通過采集出現(xiàn)弱光onu的一級分光器和二級分光器中的多個onu的光功率，計算出弱光onu占比和對應(yīng)的離散度，并按照分級邏輯依次判斷一級分光器和二級分光器是否存在弱光，從而實現(xiàn)onu出現(xiàn)弱光故障定位。

3、然而，odn網(wǎng)絡(luò)中各段落發(fā)生故障，不一定直接導致弱光，而僅將弱光占比作為特征，來反映odn網(wǎng)絡(luò)的故障特征，存在特征維度低，信息含量少的問題，無法全面描述弱光故障情況下pon的端口的實際情況，進而導致故障定位的準確性較差。

技術(shù)實現(xiàn)思路

1、有鑒于此，本技術(shù)實施例提供了一種光配線網(wǎng)絡(luò)的故障檢測方法、裝置、電子設(shè)備及存儲介質(zhì)，旨在提高弱光故障定位的準確性。

2、本技術(shù)實施例提供了一種光配線網(wǎng)絡(luò)(odn)的故障檢測方法，所述方法包括：

3、獲取目標無源光網(wǎng)絡(luò)(pon)下所有光網(wǎng)絡(luò)單元(onu)光功率值；

4、基于所述目標pon下的onu的光功率值，確定所述目標pon的至少一個分布特征；所述分布特征與所述目標pon下onu產(chǎn)生弱光故障的故障源頭具有對應(yīng)關(guān)系；

5、將所述至少一個分布特征輸入到訓練好的故障定位模型中，得到所述目標pon下onu產(chǎn)生弱光故障的故障源頭信息。

6、上述方案中，所述至少一個分布特征包括偏移特征；所述基于所述目標pon下的onu的光功率值，確定所述目標pon的至少一個分布特征，包括：

7、基于設(shè)定區(qū)域范圍內(nèi)的非弱光onu的光功率值，確定所述設(shè)定區(qū)域范圍內(nèi)的非弱光onu的第一光功率均值和第一光功率中值；

8、基于所述目標pon下的onu的光功率值，確定所述目標pon的第二光功率均值和第二光功率中值；

9、計算所述第二光功率均值與所述第一光功率均值之間的第一差值，以及所述第二中值與所述第一中值之間的第二差值；

10、基于所述第一差值，和/或所述第二差值，確定所述目標pon的偏移特征。

11、上述方案中，所述至少一個分布特征包括離散特征；所述基于目標pon下的onu的光功率值，確定所述目標pon的至少一個分布特征，包括：

12、基于所述目標pon下的onu的光功率值，確定所述目標pon的光功率方差；

13、基于所述光功率方差，確定所述目標pon的離散特征。

14、上述方案中，所述基于所述光功率方差，生成所述目標pon的離散特征，包括：

15、基于所述光功率方差和所述第二光功率均值，確定變異系數(shù)；

16、基于所述光功率方差和所述變異系數(shù)，確定所述目標pon的離散特征。

17、上述方案中，所述至少一個分布特征還包括離群特征；所述確定所述目標pon的離群特征，包括：

18、根據(jù)所述目標pon下的onu的光功率特征和至少一個預(yù)設(shè)的分類算法，確定至少一個分類邊界；所述光功率特征至少包括所述第二光功率均值和所述第二光功率中值；

19、基于所述目標pon下的onu和所述至少一個分類邊界的位置信息，確定所述目標pon的離群特征；其中，所述位置信息包括所述目標pon下的onu位于所述分類邊界的側(cè)邊位置，和/或，與所述分類邊界的距離。

20、上述方案中，所述訓練好的故障定位模型包括訓練好的第一故障定位模型、訓練好的第二故障定位模型和訓練好的第三故障定位模型；所述將所述至少一個分布特征輸入到訓練好的故障定位模型中，確定所述目標pon下onu產(chǎn)生弱光故障的故障源頭信息，包括：

21、將所述目標pon的偏移特征輸入到訓練好的第一故障定位模型中，確定所述目標pon下onu產(chǎn)生弱光故障的故障源頭為主干光纜的第一概率；

22、將所述目標pon的離群特征輸入到訓練好的第二故障定位模型中，確定所述目標pon下onu產(chǎn)生弱光故障的故障源頭為用戶側(cè)光纜的第二概率；

23、將所述目標pon的離散特征輸入到訓練好的第三故障定位模型中，確定所述目標pon下onu產(chǎn)生弱光故障的故障源頭為分支光纜的第三概率；

24、根據(jù)所述第一概率、所述第二概率、所述第三概率和對應(yīng)的模型閾值的比較結(jié)果，確定所述目標pon下onu產(chǎn)生弱光故障的故障源頭信息。

25、上述方案中，所述獲取目標pon下的onu的光功率值之前，所述方法還包括：

26、獲取設(shè)定區(qū)域范圍內(nèi)被維修過的故障pon的訓練樣本集，所述訓練樣本集包括第一訓練樣本集、第二訓練樣本集和第三訓練樣本集；

27、根據(jù)所述第一訓練樣本集對預(yù)設(shè)的第一故障定位模型進行訓練，獲得所述訓練好的第一故障定位模型；

28、根據(jù)所述第二訓練樣本集對預(yù)設(shè)的第二故障定位模型進行訓練，獲得所述訓練好的第二故障定位模型；

29、根據(jù)所述第三訓練樣本集對預(yù)設(shè)的第二故障定位模型進行訓練，獲得所述訓練好的第三故障定位模型；

30、其中，所述第一訓練樣本集中的訓練樣本以每個故障pon的偏移特征作為特征值，對應(yīng)的標簽表征所述故障pon下故障onu產(chǎn)生弱光故障的故障源頭是否為主干光纜；所述第二訓練樣本集中的訓練樣本以每個故障pon的離群特征作為特征值，對應(yīng)的標簽表征所述故障pon下故障onu產(chǎn)生弱光故障的故障源頭是否為用戶側(cè)光纜；所述第三訓練樣本集中的訓練樣本以每個故障pon的離散特征作為特征值，對應(yīng)的標簽表征所述故障pon下故障onu產(chǎn)生弱光故障的故障源頭是否為分支光纜。

31、上述方案中，所述獲取設(shè)定區(qū)域范圍內(nèi)被維修過的故障pon的訓練樣本集之前，所述方法還包括：

32、獲取各所述故障pon下的故障onu對應(yīng)的維修時間點；

33、對各所述故障pon下的故障onu在對應(yīng)維修時間點的光功率波動特征進行聚類，獲得各所述故障pon下的故障onu的聚類結(jié)果；

34、根據(jù)各所述故障pon下的故障onu的聚類結(jié)果，確定各所述故障pon中的至少一個維修段落；其中，所述維修段落為所述主干光纜、所述用戶側(cè)光纜或所述分支光纜；

35、獲取各所述故障pon中的至少一個維修段落被維修后，各所述故障pon下的故障onu的光功率數(shù)據(jù)；

36、基于各所述故障pon下的故障onu的光功率數(shù)據(jù)，確定所述訓練樣本集中訓練樣本的標簽。

37、上述方案中，所述獲取各所述故障pon下的故障onu對應(yīng)的維修時間點，包括：

38、獲取各所述故障pon下的onu分別在預(yù)設(shè)時長內(nèi)各時間點的光功率；

39、確定各所述故障pon下的onu的光功率波動特征集；所述onu的光功率波動特征集是所述故障pon中onu在所述預(yù)設(shè)時長內(nèi)多個預(yù)設(shè)時間間隔內(nèi)的光功率波動特征的數(shù)據(jù)集；

40、根據(jù)各所述故障pon下的onu的光功率波動特征集，以及預(yù)設(shè)的維修判別條件，確定各所述故障pon中的onu是否被維修過；

41、若確定各所述故障pon中任一onu進行了維修，則將該onu確定為所述故障onu，并確定所述故障onu被維修時所對應(yīng)的維修時間點。

42、上述方案中，所述根據(jù)各所述故障pon下的故障onu的聚類結(jié)果，確定各所述故障pon中的至少一個維修段落，包括：

43、獲取各所述故障pon下的故障onu的聚類結(jié)果中各聚類簇的onu的數(shù)量，以及各所述故障pon下的onu的數(shù)量；

44、根據(jù)各所述故障pon下的故障onu的聚類結(jié)果中各聚類簇的onu的數(shù)量、各所述故障pon下的onu的數(shù)量、以及預(yù)設(shè)的維修段落判斷條件，分別確定各所述故障pon中的至少一個維修段落。

45、上述方案中，所述基于各所述故障pon下的故障onu的光功率數(shù)據(jù)，確定所述訓練樣本集中訓練樣本的標簽，包括：

46、確定各所述故障pon中的任一維修段落被維修后，各所述故障pon下對應(yīng)的所述故障onu的光功率值是否大于預(yù)設(shè)的弱光閾值；

47、若確定各所述故障pon下對應(yīng)的所述故障onu的光功率值大于所述弱光閾值，則確定各所述故障pon對應(yīng)的該任一維修段落為產(chǎn)生弱光故障的故障源頭；

48、根據(jù)各所述故障pon中為產(chǎn)生弱光故障的故障源頭的維修段落，確定所述訓練樣本集中訓練樣本的標簽。

49、本技術(shù)實施例還提供了一種光配線網(wǎng)絡(luò)odn的故障檢測裝置，所述裝置包括：

50、光功率值獲取模塊，用于獲取目標無源光網(wǎng)絡(luò)pon下的光網(wǎng)絡(luò)單元onu的光功率值；

51、分布特征確定模塊，用于基于所述目標pon下的onu的光功率值，確定所述目標pon的至少一個分布特征；所述分布特征與所述目標pon下onu產(chǎn)生弱光故障的故障源頭具有對應(yīng)關(guān)系；

52、故障源頭確定模塊，用于將所述至少一個分布特征輸入到訓練好的故障定位模型中，確定所述目標pon下onu產(chǎn)生弱光故障的故障源頭信息。

53、本技術(shù)實施例還提供了一種電子設(shè)備，包括：處理器和用于存儲能夠在處理器上運行的計算機程序的存儲器，其中，所述處理器，用于運行計算機程序時，執(zhí)行如上述各方法的步驟。

54、本技術(shù)實施例還提供了一種計算機存儲介質(zhì)，所述計算機存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時，實現(xiàn)上述各方法的步驟。

55、本技術(shù)實施例提供的一種光配線網(wǎng)絡(luò)的故障檢測方法、裝置、電子設(shè)備及存儲介質(zhì)，獲取目標無源光網(wǎng)絡(luò)pon下的光網(wǎng)絡(luò)單元onu的光功率值；基于所述目標pon下的onu的光功率值，確定所述目標pon的至少一個分布特征；所述分布特征與所述目標pon下onu產(chǎn)生弱光故障的故障源頭具有對應(yīng)關(guān)系；將所述至少一個分布特征輸入到訓練好的故障定位模型中，得到所述目標pon下onu產(chǎn)生弱光故障的故障源頭信息。本技術(shù)通過基于目標pon下的onu的光功率值，確定目標pon的至少一個分布特征。由于分布特征與目標pon下onu產(chǎn)生弱光故障的故障源頭具有對應(yīng)關(guān)系，所以將至少一個分布特征輸入到訓練好的故障定位模型中，可以確定目標pon下onu產(chǎn)生弱光故障的故障源頭信息，根據(jù)獲得的故障源頭信息可以確定目標pon下onu產(chǎn)生弱光故障的故障源頭。目標pon的至少一個分布特征相比相關(guān)技術(shù)中使用單一的弱光占比作為特征，具有特征維度高、信息含量大的特點，因此基于目標pon端口的分布特征進行故障定位，可以相對提高弱光故障定位的準確性。