מבוא לגילוי ב- Optical Acceptrs

מקלטים אופטיים הם עמוד השדרה של רשתות תקשורת מהירות גבוהה, המרת הדופק אור אותות חשמליים הנושאים הכל מסטרימינג וידאו לנתונים פיננסיים קריטיים.A פגם במקלט אופטי יכול לגרום שגיאות bit, עיוות אות, או כישלון מוחלט, וכתוצאה מכך יקר downtime ו degraded איכות של שירות.שיטות זיהוי מסורתיות - בדיקות ידניות, אזעקה מבוססת הסף, ותחזוקה תקופתית - הם לא מספיקים כמו קשקשים של מאות רשתות ג'יגה-אדם לעתים קרובות.

למידת מכונה (ML) מציעה שינוי פרדיגמטית.על ידי ניתוח מתמיד של מאפייני אות וטלמטורי תפעולי, מודלים של ML יכולים לזהות omalies כי precede Outright כשלים, לסווג סוגים של תקלות עם דיוק גבוה, ואפילו לחזות שנותרו חיים שימושיים. מאמר זה בוחן את האלגוריתמים מפתח ML עבור זיהוי תקלות במקלטים אופטיים, את השלבים המעשיים ליישום אותם, ואת היתרונות ואת האתגרים כי ללוות גישה זו מונחה נתונים.

הבנה של מקבל אופטי Faults

סוגים נפוצים של מקבלי אופטי

מקלטים אופטיים מורכבים ממגרש פוטו-דקטור (בדרך כלל A PIN photodiode או avalanche photodiode), מגבר טרנססרמנט, ולאחר הדגימה או מעגל לשחזור השעון. Faults יכול להיווצר בכל אחד מרכיבים אלה:

  • (ב) הפחתה של התפוצה:0) הפחתה של ה- 1FLT (החליפה) בתגובתיות, הגבירה את הזרם האפל או המפלט התרמי.
  • (ב) כשלון:0) ,(Transimpedance amplifier (TIA) כשל:FLT:1 מקבל סחף, דחיסת רוחב פס, או תנודות.זה מוביל לסימן עיוות או לזיוף.
  • (FLT:0) תקלות מעגל: FLT:1 מתח הטיה לא נכון עבור APDs או PINs, גרימת רעש מוגבר או לינאריות מופחתת.
  • (FLT:0Clock and Data Recovery (CDR) נושאים: ההרחבה של 1 Jitter, אובדן מנעול או עיוותי מחזור חובה - לעתים קרובות בשל לולאות מעונות שלב ההזדקנות.
  • (ב) סחף:0) היערכות: 1FLT:1 Misalignment of the סיבים-to-Photodetector הפיכה, המוביל לאובדן כוח.

רבים מהפגמים האלה מתקדמים בהדרגה, ומייצרים שינויים עדינים בפלט החשמלי זמן רב לפני שהקישור נכשל.חתימות אלה הן מטרות אידיאליות ללמידה של מכונה.

תכונות זיהוי Indicate Faults

Faults משנה פרמטרים למדידה: דיאגרמת העין amplitude, פתח עיניים, עלייה / נפילה פעמים, ג'ייטר היסטוגרם, שיעור שגיאות bit (BER), ו- Optulation amplitude (OMA) בנוסף, חיישנים טמפרטורה, צגים מוטהיים נוכחיים, ותחנות אספקת חשמל מספקים נתונים מתואמים של ML יכול למזג נתונים אלה heterogenous כדי לזהות אותות קבועים כדי לזהות דפוסים בלתי נראים.

שיטות זיהוי מסורתי

מבחינה היסטורית, זיהוי שגיאות ברשתות אופטיות התבסס על סף אזעקה פשוט: אם הכוח האופטי המתקבל נופל מתחת −28 dBm או ה- ER עולה על 10-6, מפעילי רשת אזעקה משתמשים אז באבחון ידני - אופטי זמן-דו-דומיין רפאומטריה (OTDR) או בדיקת לולאה לאחור - כדי לאפשר את האשמה.

Machine Learning Algorithms for Fault Detection

מכונות וטרינריות (SVM)

SVMs הם מודלים למידה בפיקוח למצוא את המצבים המתקדמים והפגום ביותר במרחב תכונה גבוהה מאוד. עבור מקלטים אופטיים, תכונות כגון OMA, Jitter RMS, ו- Rise-time סטנדרטי יוצא אותות. SVMs לעבוד היטב כאשר מספר דגימות הונאה מתוייגת מוגבל, כפי שהם מוגדרים על ידי תת-קבוצה של מקרים אימון (מספקים) כדי להשיג דיוקים גדולים של SVD (RIA) לא ניתן להשיג כמה דוגמאות לא אחידות.

יערות אקראיים

יערות אקראיים בונים אוסף של עצי החלטה, כל אחד מהם מאומן על תת-קבוצה אקראית של נתונים ותכונות.החיזוי הסופי הוא הרוב ההצבעה (המחלקה) או ממוצע (העברה) אלגוריתם זה חזק כדי להוציא החוצה ונתוני חיישן רועשים, אשר נפוץ בשטח-deoyed אופטי מקלטים. יערות אקראיים גם מספקים ציונים חשובים, עוזר למהנדסים להבין אילו פרמטרים (למשל, נטייה, טמפרטורה נוכחית, גבוהה), הם בעיקרו של טמפרטורות חיזוי, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, לפני אימון אקראיות, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, מאשר אימון אקראית, גבוה יותר, גבוה יותר, גבוה יותר, גבוה יותר, מאשר אימון אקראית, מוקדם יותר, גבוה, גבוה יותר, גבוה יותר, גבוה יותר, מוקדם יותר, מוקדם יותר, מוקדם יותר, ירידה בינונית, ירידה בינונית, מאשר אימון אקראית, ירידה בינונית של זמן קצר לפני אימון אקראית, מוקדם יותר, מאשר, הוא גבוה יותר, הוא גבוה יותר, מוקדם יותר, ירידה בינונית של זמן קצר לפני אימון אקראית, ירידה בינונית של זמן קצר יותר,

רשתות נילי ולמידה עמוקה

רשתות עצביות עמוקות (DNNs) וגרסאותיהם - רשתות עצביות מבוכות (CNN), רשתות זיכרון לטווח קצר ארוך (LSTM) - הן בעלות עוצמה מיוחדת לאיתור תקלות מכיוון שהן יכולות ללמוד באופן אוטומטי תכונות היררכיות מסימנים גולמיים או ממוקדים באור.

  • (FLT:0 CNNsigFLT:1) ניתן ליישם את המצגות של זמן או spectrogram ייצוגים של הפלט החשמלי, דפוסי למידה כמו הרחבה של תרשים העין או הופעתה של רעש גבוה.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (FLT:0)AutoencodersFLT:1 (לא מבוסס) למד ייצוג דחוס של נתונים תפעוליים נורמליים.שגיאה שיקום גבוהה של מדגם חדש מצביעה על אנומליה - שימושית כאשר נתונים פגומים תווית הוא בקושי.

מודלים למידה עמוקה דורשים כמויות גדולות של נתונים - לעתים קרובות עשרות אלפי דגימות מתוייגות - ומשאבים חישוביים משמעותיים עבור אימון.פעם פרוס, הקצינה יכולה לרוץ על מעבדי קצה (FPGAs, GPUs) עם מהירויות נמוכות. היברידית משלבת רשת קל עבור מיצוי עם מתווך פשוט עבור החלטות מהירות.

למידה בלתי מבוקרת וזיהוי אנומלי

ברשתות אופטיות בעולם האמיתי, נתונים של תקלות הם נדירים, כי כישלונות הם בלתי צפויים. שיטות לא מבוקרות להתגבר על זה על ידי למידה של הפצה של פעולה נורמלית.

  • (ב) מודל התערובת של גאוסיאן (GMMIR): מודל 1 של מצב רגיל כתערובת של גאווסים; נקודות עם הסתברות נמוכה מלוטשות.
  • (ב) ,0) ,Class SVM:FLT:1 , רק על נתונים רגילים, הוא מגדיר גבול המקיף את האזור הרגיל.
  • (בלטינית:0) ⁇ : 1FLT) מפיץ באופן אקראי את המרחב המאפיין; אנומליות מבודדות בפחות פיצולים.
  • (ב) ⁇ :0K-Means Clustering: ⁇ 1) , נקודות רחוק מכל מרכז אשכול הן חשודות.

שיטות לא מבוססות הן אידיאליות לגילוי מוקדם של תקלות חדשות שלא נראו במהלך אימון.לדוגמה, GMM שהוכשר על שישה חודשים של הטיה רגילה TIA ונתוני טמפרטורה יכולים לדגל עלייה עדינה בשבועות החשכים לפני אזעקה של סף יגרור.

להקות וגישות היברידיות

מערכות ייצור משלבות לעתים קרובות אלגוריתמים מרובים כדי לאזן דיוק, מהירות ויעילות נתונים.אדריכלות נפוצה משתמשת ביער אקראי או אחד מסוג SVM כפילטר בשלב הראשון של במה, ולאחר מכן מאכילה חלונות חשודים ל-CNN עמוקים עבור סיווג אשמה זקוף. לחלופין, LSTM יכול לחזות את הצעד הבא של פרמטרים מרכזיים; שגיאות משמעותיות מופצות כמו aomas.

הטמעת תצורת עבודה עבור ML- Based Fault Detection

רכישת נתונים וקידום

הצעד הראשון הוא כלי מקלט אופטי עם חיישני טלמטרי ולתפוס את הנתונים הרגילים והפגום בהם.מקורות כוללים:

  • (ב) ⁇ :0) ניטור ביצועים פס: FLT:1, Q-factor, OSNR, דיאגרמות עיניים מציוד שידור.
  • (FLT:0) מכשיר טלמטרי:FLT:1 Photodiode הנוכחי, TIA, טמפרטורה, מתחי אספקת.
  • (FLT:0) נתונים של הישרדות:FLT:1 טמפרטורה אמבינטית, לחות או רטט שעלולים להשפיע על ביצועי המקלט.

יש לסנכרן, לנקות (למשל, להסיר את ספייק רעש כלי), ונרמל.ל למידה מבוקרת, תוויות אשמה מוקצה על סמך אירועים ידועים של כישלון או על ידי מומחי דומיין הבודקים נתונים של לוחות זמנים מותאמים לקטעים (למשל, 10 שניות של טלמטורי) כדי ליצור דגימות הכשרה.

הנדסה

למרות למידה עמוקה יכולה לעבוד עם אותות גלם, הטבות ML מסורתיות מתכונות מונדסות.תכונות נפוצות של אותות מקלט אופטי כוללים:

  • מדדי תרשים העין: גובה העין, רוחב העין, חציית אחוז, גורם פתיחה.
  • פרמטרים: RMS Jitter, High-to-peak jitter, jitter Histogram skewness.
  • תכונות הקשורות לעוצמה: כוח אופטי ממוצע, OMA, יחס הכחדה.
  • סטטיסטיקות של זמן-דומיין: כלומר, שרטוטים, שטיפת, קריקטוזיס של זרם הטיה ומתח.
  • תכונות תדירות-דומיין: שיאים ספקטרליים במעבר תדרים, רמת רצפת רעש.

בחירה תכונה באמצעות ניתוח קורלציה או מידע הדדי מסייע להפחית את המימדיות ולשפר את הכללת המודל.

מודל אימון ואימות

הנתונים מחולקים לאימון (60%), אימות (20%), ומבחן (20%) קובע - כבוד למסדר זמני כדי להימנע מטיה גלויה. Hyperparameter כוונון (למשל, SVM C ו gamma, עומק עץ אקראי, אדריכלות רשת עצבית) מבוצע באמצעות הגשמה על ביצועי מפתח:

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ (ה) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

חוסר איזון הכיתה הוא נפוץ (כאבים לעומת דגימות נורמליות רבות) טכניקות כמו SMOTE (מיעוט סינתטי מעלים על דגימה) או למידה רגישה עלות יכול להקטין אותו.

המונחים: אינטגרציה

המודל המאומנים ייצוא לפורמט המתאים לפלטפורמת היעד - ONNX עבור אינטראופרציה, TensorFlow Lite למכשירי קצה, או קובץ PMML עבור ML מסורתיים למערכת ניהול הרשת (NMS) בדרך כלל כרוך:

  • הזרמת מידע שוטף של טלמטורי למנוע אי-השוויון הקל.
  • תחזית נמוכה (הערכת ⁇ 100 מ"מ לחלון).
  • הסלמה באזהרה: הודעות למפעילים, החלפת הגנה אוטומטית או דור כרטיס שירות.
  • מודלים מחדש צינורות: כמו נתונים חדשים של תקלות מגיע, המודל הוא מעודכן מעת לעת באמצעות incremental או אצווה מחדש.

פיזור על מסוף קו אופטי או במשרד מרכזי מאפשר החלטות בזמן אמת מבלי לשלוח נתונים גולמיים לענן, התייחסות לדאגות רוחב פס ופרטיות.

יתרונות של ML-מבוססים על גילוי

  • (FLT:0) גילויי FLT:1 Algorithms יכולים לזהות את האנומליות בתוך שניות - אפילו תת-שני לניתוח של diagram העין - בהשוואה ל דקות או שעות עבור אבחון ידני.
  • (האזהרה:0) אזהרות חמורות יותר: 1FLT:1 הידרדרות Gradual (למשל, הזדקנות APD) נתפסות ימים או שבועות לפני שהם גורמים לכישלונות קישור, המאפשרים תחזוקה חיזוי.
  • (FLT:0) דיוק גבוה יותר: מודלים של MLLT:1 יכולים להשיג > 98% דיוק הסיווג של דיון בסביבות מבוקרות, צמצום האזעקות המזויפות והאירועים החמיצו.
  • (FLT:0) ,Adaptancy: FLT:1 מודלים ניתן לפטור מחדש כמו רשתות מתפתחות - סוגים חדשים של מקלט, פורמטים מודולציה שונים, או שינוי תנאי סביבה.
  • (FLT:0) הפחתה: 1FLT 1 פחות ממשאית מתגלגל ופחות פיקוח ידני נמוך בהוצאות התפעוליות; הימנעות מהוצאות מפחיתות את אובדן ההכנסות.
  • (FLT:0) ניטור מוביל: FLT:1 ML ממזג מספר זרמי נתונים (אופטימיים, חשמליים, תרמי) כי מפעילי אנוש עלולים להתעלם מהם.

אתגרים ומגבלות

איכות נתונים וזמינות

מודלים של ML הם רק טובים כמו הנתונים שהם מאומן עליהם.ברשתות תפעוליות, נתונים פגומים הם נדירים, חוסר איזון, ולעתים קרובות נתפסים בתנאים ספציפיים.נתוני אשמה סינתטיים שנוצרו באמצעות סימולציה יכולים לעזור, אבל אולי לא מייצגים לחלוטין את הכדאיות של העולם האמיתי.חושי רעש, ערכים חסרים, וסחף זמני עוד יותר מסבך אימון.

מודל Interpretability

מפעילי רשת הםהססים לסמוך על "קופסא שחורה" התראות מבלי להבין מדוע מקלט היה מחוסן.טכניקות AI הסבירות - ערכי SHAP, LIME, מנגנוני תשומת לב - הם קריטיים אך מוסיפים מורכבות התפתחותית.ללא פירוש, ניתוח שורש-כי הוא קשה, וחיובי שקר שוחקים ביטחון.

שילוב עם Legacy Systems

רשתות אופטיות רבות קיימות משתמשות בציוד ישן יותר ללא ממשקי טלמטריות דיגיטליים.החיישנים המתקדמים או גישה לנתונים ניטור קנייניים עשויים להיות לא מעשיים. Standardization (למשל, באמצעות ממשקי ניהול OTN) נמשכים, אך הבסיס המותקן הוא גדול.

המונחים: constraints

הפעלת מודלים למידה עמוקים על מכשירים הקצה (למשל, מודולים קטנים-לשעבר-מתאים) מוגבלת על ידי כוח ומיומנות עיבוד.מודלים אדג'-דה-דפסים חייב להיות קל משקל - רשתות עצביות קוונטיות או עצי החלטות - אשר עשויים לסחור דיוק.

מודל Drift ו Retraining

רכיבים אופטיים גיל, רשתות הן resolured, ותנאים סביבתיים משתנים.מודל המוכשר על נתונים של שנה אחת עשוי להפוך לא מדויק מאוחר יותר. ניטור רציף של ביצועי החיזוי (גילוי גניבת חיזוי) ושיקום אוטומטי הם חיוניים אך מוסיף תפעולי overhead.

כיוונים עתידיים

זמן אמת-Time Edge Inference

מתקדם במעבדים AI משובצים (למשל, NVIDIA Jetson, Google Coral, Intel Movidius) מאפשרים להפעיל CNN ו-LSTM ישירות על טרנזירים אופטיים או כרטיסי קו.זה מבטל את הכדאיות ממשלוח נתונים לשרת מרכזי ומשפר את הפרטיות.

אבחון Fault Diagnostics

המחקר מתמקד בהפקת הסברים לקריאה אנושית לצד התראות - למשל, "Faultנבא: APD Dark הנוכחית עלייה, אמון 92%, תכונות תרומה עיקריות: עלייה נוכחית (+5 μA) ועלייה בטמפרטורה (+2 ° C)" הסברים כאלה יזרזו את האמון של המפעיל וקבלת הרגולציה.

למידה עצמית ולמידה עצמית

אימון מודל מאפס עבור כל סוג מקלט הוא יקר.העברה למידה מאפשר מודל לפני אימון נתונים ממכשירים דומים רבים להיות מכוונן עם כמות קטנה של נתונים מגרסה חדשה של מקלט שיטות עצמאיות עצמית יכול ללמוד ייצוגים מהנתונים שאינם מחוסנים בזמן, עוד צמצום הצורך בתווית ידנית.

שילוב עם Network-Level Analytics

זיהוי Fault ברמת המקלט יכול להיות משולב עם זיהוי קו אופטי ו ניטור בריאות סיבים כדי ליצור מערכת בריאות רשת הוליסטית. Machine למידה יכול לקשור תקלות מקלט עם אירועים במעלה הזרם, כגון שינויים פיזור או בעיות שידור, המאפשר ניתוח שורש מקצה לקצה.

מסקנה

אלגוריתמי למידת מכונות עברו ממעבדות מחקר לרשתות אופטיות תפעוליות, המציעות זיהוי מהיר יותר, מדויק יותר וחיזויי עבור מקלטים אופטיים.מתמוך במכונות וקטור עבור תרחישים נתונים מוגבלים לרשתות עצביות עמוקות אשר לומדות באופן אוטומטי תקלות, הטכנולוגיה היא זיהוי לקויה.יישום מוצלח דורש איסוף נתונים זהיר, תכונה הנדסית, אימות מודלים ושילוב עם מערכות ניטור קיימות.

[קרא:] [קרא] [ה]: [ה] [ה] [ה]] [ה] [ה]] [ה'] [ה']'[ה]']'[ה']'[ה']'[ה']'[ה']'[ה']'[ה']'[ה']'[ה']']'[ה'[ה'[ה']']'[ה']']'[ה']'[ה']'[ה'[ה'[ה'[ה']'[ה'[ה']']'[ה'[ה'[ה'[ה']']']']'[ה']']'[ה'[ה'[ה'[ה']']']']']'[ה'[ה']'[ה'[ה']'[ה'[ה']'[ה'[ה']'[ה'[ה'[ה'[ה']'[ה']']']'[ה'[ה']'[ה'[ה