阅读说明：本技术 线路监测系统中的故障检测和报告 (Fault detection and reporting in line monitoring systems ) 是由 徐云路 理查德·卡拉姆 乔纳森·M·丽丝 于 2019-02-20 设计创作，主要内容包括：提供了一种系统和方法,该系统和方法使用机器学习故障分类器来提供自动化线路监测,以用于确定与高损耗环回(HLLB)数据相关联的特征是否匹配预定故障特征。故障分类器可应用于响应于两个不同波长的线路监测信号而生成的特征。仅在故障分类器响应于两个波长的特征而指示故障的情况下,才可报告故障。也可使用第二故障分类器,并且仅在第一故障分类器和第二故障分类器两者均响应于两个波长的特征而指示故障的情况下,才可报告故障。符合的系统还可被配置为报告泵劣化、跨段损耗或中继器失效故障的值,并且还可或另选地报告跨段损耗故障的方向性或光纤断裂故障的位置。(A system and method are provided that use a machine-learned fault classifier to provide automated line monitoring for determining whether features associated with high loss loopback (H LL B) data match predetermined fault features.)

具体实施方式

，其应当结合以下附图来阅读，其中类似的数字表示类似的部件：

图1为符合本公开的系统的一个示例性实施方案的简化框图。

图2为符合本公开的系统的另一个示例性实施方案的简化框图。

图3示意性地示出了在符合本公开的实施方案中的数据集和可用于分析该数据集的滑动窗口。

图4A至图4D包括用作符合本公开的实施方案的训练输入的差分回路增益(dDLG)数据的差分曲线图。

图5包括完全故障特征的dDLG数据的曲线图，其中将不同的白噪声值添加到符合本公开的实施方案的故障特征。

图6A至图6D包括用于示出确定符合本公开的实施方案的泵激光劣化的值的差分回路增益(dDLG)数据的差分曲线图。

图7包括与符合本公开的实施方案的中继器失效相关联的完全故障特征的dDLG数据的曲线图。

图8包括符合本公开的实施方案的出站跨段损耗故障的OTDR数据的曲线图。

图9包括符合本公开的实施方案的入站跨段损耗故障的OTDR数据的曲线图。

图10包括符合本公开的实施方案的光纤断裂故障的OTDR数据的曲线图。

具体实施方式

一般来讲，符合本公开的系统和方法使用高损耗环回(HLLB)数据在光学通信系统中提供自动化线路监测。线路监测可使用机器学习故障分类器来执行，以用于确定与HLLB数据相关联的特征是否匹配预定故障特征。线路监测系统可发送一个或多个不同波长的线路监测信号，并且故障分类器可应用于响应于两个波长中的每个波长而生成的特征。在一些实施方案中，使用多个波长的线路监测信号提供更高的准确度。仅在故障分类器响应于两个波长的特征而指示故障的情况下，才可报告故障。也可使用第二故障分类器，并且仅在第一故障分类器和第二故障分类器两者均响应于两个波长的特征而指示故障的情况下，才可报告故障。使用符合本公开的机器学习故障分类器和/或多个故障分类器允许检测HLLB数据的微小变化，从而提高故障报告的准确性和可靠性。

符合本公开的系统还可被配置为或另选地被配置为报告故障的值。例如，泵劣化故障的值可通过将故障特征添加到注入到基线数据中的先前故障特征并计算所得的组合故障特征的幅值来确定。跨段损耗故障的方向性和/或值可通过如下方式来确定：发送来自线路监测系统的OTDR信号并且响应于所接收的OTDR数据信号中的振幅变化来指示跨段损耗故障的方向性或值。也可以或另选地报告中继器失效的值和光纤断裂的位置。符合本公开的系统还可被配置为或另选地被配置为使用表决算法来分析故障以降低错误故障报告的发生概率。

图1是符合本公开的WDM传输系统100的一个示例性实施方案的简化框图。一般来讲，系统100可被配置为使用从双向传输路径102的一端或两端发送的LMS信号来计算与每个中继器/放大器相关联的回路增益值。本领域的普通技术人员将认识到，为了便于解释，系统100已被描绘为高度简化的点对点系统形式。应当理解，符合本公开的系统和方法可结合到各种各样的网络部件和配置中。本文所示的示例性实施方案仅以说明的方式而非限制的方式提供。

如图所示，系统100可包括由两个单向光学路径110、120耦接的第一终端T1和第二终端T2，这两个单向光学路径一起形成双向光学传输路径102。第一终端T1耦接到传输路径102的第一端部，并且第二终端T2耦接到传输路径102的第二端部。如本文所用，术语“耦接”是指通过其将由一个系统元件载送的信号赋予“耦接”元件的任何连接、耦接、链接等。此类“耦接”装置不一定彼此直接连接，并且可由可操纵或修改此类信号的中间部件或装置隔开。

光学路径110可在多个信道(或波长)上沿一个方向从终端T1中的发射器112载送光学数据到终端T2中的接收器114。光学路径120可在多个信道(或波长)上沿与和路径110相关联的方向相反的方向从终端T2中的发射器124载送光学数据到到终端T1中的接收器122。相对于终端T1，光学路径110是出站路径，并且光学路径120是入站路径。相对于终端T2，光学路径120是出站路径，并且光学路径110是入站路径。光学路径110可包括光纤116-1至116-n以及光学放大器118-1至118-n的交替串联，并且光学路径120可包括光纤126-1至126-n以及光学放大器128-1至128-n的交替串联。

光学路径对(例如，光学路径110、120)可包括设置在相关联的中继器R1...Rn的壳体131-1至131-n内并且通过成对的光纤116-1至116-n和126-1至126-n连接的多组放大器对118-1至118-n和128-1至128-n。光纤对116-1至116-n和126-1至126-n可与支撑附加路径对的光纤一起包括在光纤缆线中。每个中继器R1...Rn可以包括用于每个支持的路径对的一对放大器118-1...118-n和128-1...128-n。以简化形式示出的光学放大器118-1...118-n和128-1...128-n可包括一个或多个掺铒光纤放大器(EDFA)或其他掺稀土光纤放大器、拉曼放大器或半导体光学放大器。

HLLB路径132-1至132-n可以耦接在光学路径110、120之间，例如耦接在中继器R1...Rn的壳体131-1至131-n中的一个或多个壳体中，并且可以包括例如一个或多个无源光学耦接部件，如下文将更详细地描述的。在符合本公开的系统中可用的多种HLLB路径配置是已知的。另外，虽然示出的中继器R1...Rn中的每一个中继器被示出为具有相关联的HLLB路径132-1至132-n，但是该HLLB路径可以位于终端T1、T2中和/或其他位置中并且/或者可以不位于每个中继器R1...Rn中。在一些实施方案中，HLLB路径132-1至132-n在操作中可以是对称的，即，描述由HLLB路径132-1从路径110传输到路径120的每个波长的光学功率百分比的函数与描述由HLLB路径132-1从路径120传输到路径110的每个波长的光学功率百分比的函数相同。另选地，一个或多个HLLB路径可以不是对称的，并且不同的HLLB路径可以具有不同的传递函数。

在所示的示例性实施方案中，线路监测设备(LME)140、142位于终端T1、T2两者处，以提供对路径对110、120的HLLB监测。LME 140可例如以不同波长和/或不同频率将一个或多个LME测试信号发射到一个光学路径110(例如，相对于终端T1的出站光学路径)中。HLLB路径132-1至132-n中的每个HLLB路径可将在光学路径110中传播的LME测试信号的样本耦接到另一光学路径120(例如，相对于终端T1的入站光学路径)的向前传播方向。然后，LME140可接收并测量样本以检测回路增益变化作为系统中故障的指示。响应于LME测试信号，通过HLLB路径132-1至132-n接收的LME测试信号的所接收样本在本文中被称为LME环回数据或简称为环回数据。

LME 142可例如以不同波长和/或不同频率将一个或多个LME测试信号发射到一个光学路径120(例如，相对于终端T2的出站光学路径)中。HLLB路径132-1至132-n可以将在光学路径120中传播的LME测试信号的样本耦接到另一光学路径110(例如，相对于终端T2的入站光学路径)的向前传播方向。然后，LME 142可接收并测量样本(环回数据)以检测回路增益变化作为系统中故障的指示。用于发射LME测试信号以及接收和测量环回数据的LME140、142的多种发射器和接收器配置是已知的。

LME 140、142可从环回数据计算差分回路增益(DLG)，并且将测量的差分回路增益与基线差分回路增益进行比较以获得差分回路增益(dDLG)的差分。基线差分回路增益可由在系统没有故障或发生故障时获得的基线环回数据来计算，并且可包括注入其中的先前故障。例如，可以参考图2解释差分回路增益和差分回路增益的差分。图2示意性地示出了符合本公开的系统100a的一部分，该部分包括耦接在传输路径102a的相对两端处的第一LME140和第二LME 142。系统100a可如结合图1所述进行配置，不同的是为了简单和便于解释，省略了光学信号发射器，并且在传输路径102a的相对两端处仅示出了LME 140、LME 142。同样为了简单和便于解释，所示的示例性实施方案包括六个中继器R1...R6，每个中继器包括由在每个中继器R1...R6的放大器对之间延伸的双向箭头指示的相关联的对称HLLB路径131-1...131-6。

LME 140包括在发射路径102a上发射LME测试信号的LME测试信号发射器LME1-TX和响应于来自LME 140的LME测试信号而接收环回数据的LME测试信号接收器LME1-RX。LME142包括在传输路径102a上发射LME测试信号的LME测试信号发射器LME2-TX和响应于来自LME 142的LME测试信号而接收环回数据的LME测试信号接收器LME2-RX。

LME 140、142还可各自包括相关联的处理器202、204，以用于分析环回数据以确定数据是否指示故障，执行与故障分类器相关联的指令，训练基于机器学习的故障分类器，计算和报告故障值，将故障和故障值传送到远程装置等，如本文所述。此外，LME 140、142可各自包括相关联的计算机可读存储器206、208，以用于存储预定故障特征、故障值、用于执行故障分类器的指令等，如本文所述。虽然处理器202、204和存储器206、208在本文中被示出为结合到LME 140、142中，但应当理解，它们可被提供在远程位置或分布式位置中。

响应于LME测试信号生成的环回数据可使用符号HLLB_i,j来标引，其中i是LME测试信号起源的终端(即，图1中的T1或T2)，并且j是与数据相关联的环回路径132-j。例如，HLLB_T1,3是指从LME测试信号获得的环回数据，该LME测试信号通过环回路径131-3从LME测试信号发射器LME1-TX发射并由LME测试信号接收器LME1-RX接收。在一个实施方案中，可使用差分回路增益(DLG)减小或以其他方式最小化沿传输线路在环回数据308内表示的累积噪声。差分回路增益示出了中继器R1...R6中的两个中继器之间的光学增益。为此，第j个中继器的差分回路增益可以由下式给出：

DLG_j＝HLLB_T1,j-HLLB_T1,j-1＝HLLB_T2,j-1-HLLB_T2,j 公式(1)

然后，当WDM传输系统100a没有故障时，处理器202或204可以将LME 140或142中的差分回路增益数据与从WDM传输100a系统的环回数据计算出的基线差分回路增益数据进行比较。基线差分回路增益数据可以存储在计算机可读存储器206或208中。该比较可以仅包括从WDM系统100a的基线差分回路增益数据(DLG_j)_Baseline减去WDM系统100a的由公式(1)得到的差分回路增益数据(DLG_j)_Data，以导出差分回路增益(dDLG)的差分。因此，差分回路增益的差分可由下式给出：

dDLG_j＝(DLG_j)_Data-(DLG_j)_Baseline 公式(2)

HLLB数据集收集和分析

可针对光学路径传输频带内的LME测试信号的至少一个光频率/波长，并且在一些情况下针对两个或更多个波长，测量环回数据。在一个具体示例实施方案中，可选择给定带宽的高信道波长和低信道波长(例如，分别为最小波长和最大波长)作为测试信号信道波长。环回数据的生成可包括来自每个终端位点(例如，T1和T2)的测量值。因此，环回数据可包括多个HLLB数据集，每个数据集响应于相关联的LME测试信号而被收集。每当发送LME测试信号并收集对应的HLLB数据集时，在本文中可称为“运行”。可使用多次运行来确定系统中是否已发生故障。在一些情况下，环回数据可以包括针对每个分支光纤对的单个数据集和来自干线光纤对的两个数据集(例如，表示每个传播方向)中的至少一个或多个。此外，当监测传输系统的特定部分时，环回数据可以包括来自WDM传输系统的一个或多个目标部分的一个或多个数据集。注意，针对C+L光纤对，HLLB数据集可以在C频带和L频带两者中测量。

在符合本公开的实施方案中，分析可由处理器202和/或204在LME140和/或142中使用差分回路增益数据(dDLG)的差分来进行。在WDM传输系统100没有故障的场景下，差分回路增益值的差分波动约为零。WDM传输系统100中的故障条件可以引起差分回路增益数据的差分具有唯一的特征。

在符合本公开的实施方案中，已发现，需要dDLG数据的至多六(6)个点完全显示故障的特征。因此，可通过使用长度为六个dDLG数据点的滑动窗口在LME 140和/或142的处理器202和/或204中一次按顺序分析六个dDLG数据点来分析dDLG数据。例如，图3示意性地示出了符合本公开的WDM系统的由块D1...D9表示的九个dDLG数据点，包括例如在相关联的中继器、终端或其他设备中的九个环回路径。每个dDLG数据点D1...D9与系统中的环回路径相关联，并且紧邻该dDLG点的dDLG数据点与紧邻的环回路径相关联。数据集端部处的dDLG数据点D1、D9与在系统的相对两端处最靠近岸部的环回路径相关联。为了便于评估与岸部附近的故障相关联的故障特征，可将多个前沿零值和后沿零值添加到dDLG数据集。在所示实施方案中，例如，将五个前沿零值302和后沿零值304添加到dDLG数据集。

滑动窗口306可被移动，使得针对故障特征分析每个顺序组的六个dDLG数据点D1...D9和前沿零值302或后沿零值304。例如，在图3的实施方案中，将捕捉总共九个顺序数据集并分析故障特征的存在。在图3中，滑动窗口306将从第一dDLG数据点D1开始在滑动窗口306的最后位置308处从左到右移动，并且一次移动一个数据点或前沿零值或后沿零值，直到最后一个dDLG点D9处于滑动窗口306的第一位置310。在图3中，滑动窗口306被示为处于捕捉九个顺序dDLG数据集中的第三个的位置。

使用一个或多个故障分类器分析dDLG数据集中的每一者来报告0-1范围内的数，以反映基线DLG数据和测量的DLG数据之间的相似性。在符合本公开的一些实施方案中，可通过使用用于LME测试信号的两个不同波长(例如，系统带宽的相对两端处的波长)的dDLG数据集来改善准确性，并且/或者可使用两个不同故障分类器来分析每个dDLG数据集的数据集。仅当两个故障分类器同时指示故障时，才可将故障报告给例如LME用户或远程计算机。

故障分类器可使用任何已知模式识别方法来实现。在符合本公开的实施方案中，可使用机器学习来实现故障分类器。多种机器学习技术是熟知的，包括例如决策树学习、关联规则学习、归纳逻辑编程、支持向量机等。

在符合本公开的实施方案中，可使用已知人工神经网络诸如双层卷积神经网络来实现机器学习。在此种实施方案中，故障分类器的系数最初可被设定为在训练过程期间自动调整的非零随机数。训练过程可包括提供训练输入。训练输入可包括与白噪声组合的具有或不具有部分或完全故障特征的系统的dDLG数据。由训练输入产生的预期输出是故障或非故障的可能性。

例如，图4A至图4D是用作产生故障分类器的双层卷积神经网络的训练输入的dDLG数据的曲线图。图4A至图4D中的曲线图为WDM系统的dDLG值的振幅(dB)对dDLG#。dDLG#表示WDM系统中与dDLG数据相关联的环回路径号，即，dDLG#0是系统中第一环回路径的dDLG数据，dDLG#1是系统中第二环回路径(即与第一环回路径相邻的下一个环回路径)的dDLG数据，等等。

在所示的示例中，图4A中的曲线图可表示针对系统中的发生在第一环回路径和第二环回路径之间的跨段损耗而设定的完整故障特征(使用dDLG数据)，而图4B至图4D则表示针对跨段损耗的不正确或部分故障特征。响应于神经网络的训练输入4A至4D，通过将第一环回路径和第二环回路径之间的跨段损耗的预期可能性分别设定为100％、0％、0％和0％来训练该网络。针对系统中预期故障的每种类型和位置，可使用完全和部分故障特征来训练神经网络。

在符合本公开的系统和方法的实施方案中，可将噪声(例如，白噪声)添加到训练输入以改善噪声条件下神经网络的性能。例如，图5包括用于图4A所示的完全故障特征的振幅(dB)对dDLG#的曲线图，其中将不同的白噪声值添加到故障特征。响应于由图5A中的曲线图表示的输入中的每一者，可通过将第一环回路径和第二环回路径之间的跨段损耗的预期可能性设定为100％来训练网络以解决系统中噪声的存在。针对每个故障特征添加到训练输入的噪声水平可以与WDM系统中的信号的预期噪声水平相匹配。神经网络可使用故障特征进行训练，其中针对系统中预期故障的每种类型和位置添加噪声。

在符合本公开的实施方案中，可使用训练数据和测试数据两者。训练数据可用于训练网络以识别故障特征，并且测试数据可用于测试该网络的性能。在一些实施方案中，LME测试信号的两个波长发生故障的可能性应超过报告故障的预定义故障阈值。可继续使用训练数据对网络进行训练，直到测试数据所证实的性能超过正确报告故障的可接受速率(正确速率)。在一些实施方案中，可将正确速率设定为大于99％。

符合本公开的一些实施方案可使用两个故障分类器，并且可仅当两个故障分类器例如针对短波长LME信号和长波长LME信号两者同时指示故障时才报告故障。使用两个故障分类器提供了附加可靠性。在一些实施方案中，第一分类器可以是机器学习分类器，如上所述，并且第二分类器可以使用有限状态机来实现。

多种有限状态机配置是已知的。在符合本公开的一些实施方案中，可使用以下关系来实现有限状态机：

dDLG_i＝X_i·dDLG_i-1+Y_i 公式(3)

其中i的范围为从0到dDLG数据点的数量，并且X_i和Y_i为常数。可通过将上述公式(3)拟合到用于上述神经网络分类器的训练数据来估计常数X_i和Y_i的值。针对i的每个值，X的最大值(X_i,max)和最小值(X_i,min)可由训练数据确定，并且Y的最大值(Y_i,max)和最小值(Y_i,min)可由训练数据确定。然后，只有针对短波长LME信号和长波长LME信号两者的dDLG数据集中的所有i值，满足以下关系，有限状态机分类器才可被实现为报告故障：

X_i,min·dDLG_i-1+Y_i,min≤dDLG_i≤X_i,max·dDLG_i-1+Y_i,max 公式(4)

有利的是，使用机器学习技术(诸如神经网络)在符合本公开的系统和方法中实现故障分类器允许在提供正确结果的同时检测特征的微小变化。可通过训练机器学习技术考虑噪声来考虑噪声的影响。在报告故障时，可考虑甚至超出噪声贡献的微小变化。另外，使用两个故障分类器并仅当两个故障分类器均指示故障时报告故障可提供另外的可靠性。这可提供比已知系统更准确可靠的故障分类。

故障值报告

符合本公开的系统和方法还可或另选地被配置为报告识别的故障的值。关于泵激光劣化故障，例如，已知的是，泵激光劣化导致非线性损耗，该非线性损耗不能简单地通过对系统重新设定基线来处理。然而，任何单个泵劣化(SPD)的值可由dDLG故障特征的绝对值的总和表示为：

SPD＝f[sum(|dDLG|)] 公式(5)

为了克服与由泵激光劣化引起的非线性损耗的重新设定基线相关联的挑战，在符合本公开的实施方案中，泵劣化的准确计算可涉及每当检测到泵劣化时记录系统的故障特征(dDLG数据)。在LME测试信号的未来运行中，将记录的特征临时注入到基线数据中。在同一位置处检测到新泵劣化的情况下，可将新特征(基于临时基线)添加到旧特征，以形成用于故障值预测的完整特征。

考虑在图2的系统中在时间t₁和t₂检测到中继器R4处的连续泵劣化故障的场景。图6A至图6D包括与此类场景相关联的dDLG值的振幅(dB)对dDLG#的曲线图。图6A示出了当系统没有故障时t₀时刻的dDLG数据。在图6A中所示的无故障状态下，dDLG数据曲线图仅围绕零值略微波动。在时刻t₁处，在中继器R4处发生2dB泵劣化，其中该dDLG数据在图6B中示出。图6B中的特征可被存储并且注入到未来运行的基线中。在时刻t₂处，发生了3dB泵劣化，从而得到图6C所示的dDLG数据，该dDLG数据使用其中注入有图6B的特征的新基线来计算。因为来自图6B的先前存储的特征被注入到基线中，所以图6C所示的dDLG数据可以被检测为中继器R4处的泵劣化故障，但是它不直接显示在时刻t₂处发生的故障的值。为了计算在时刻t₂处发生的泵劣化的值，将图6C中的特征添加到图6B中的先前故障特征以形成图6D所示的完整dDLG故障特征。在时刻t₂处发生的泵劣化故障的振幅可由6D中的dDLG数据计算为3dB。

关于中继器失效故障，已知的是，当中继器的泵激光发生故障时会发生此类故障。当发生中继器失效时，该失效的中继器之前和之后的中继器被配置为尝试恢复增益损耗。例如，图7包括与图2所示系统中的中继器R3的失效相关联的dDLG值的振幅(dB)对dDLG#的曲线图。当检测到中继器失效故障特征(诸如图7所示)时，因为中继器的增益是已知恒定值，所以故障的值可以被报告为等于中继器增益的已知恒定值。

关于跨段损耗故障，跨段损耗的值和方向性可受到噪声的严重影响。为了提供对跨段损耗的方向性和值的可靠识别，符合本公开的系统和方法可使用光学时域反射计(OTDR)。

多种OTDR技术是已知的。一般来讲，OTDR信号源生成测试或探测信号，诸如光学脉冲或特别调制的光学载波，并且该测试信号被发射到路径对的出站光学路径中。出站路径中的元件可反射(例如，反向散射)OTDR测试信号的多个部分。反向散射信号部分可例如通过HLLB路径返回到入站路径上，并且在接收器中被检测到。

再次参考图2，例如，在符合本公开的实施方案中，LME测试信号发射器LME1-TX可被配置为在传输路径102a上沿出站方向(相对于LME 140)发射OTDR测试信号。OTDR测试信号可例如在故障位置处被反射，并且通过HLLB路径在入站方向(相对于LME 140)上被耦接，并且被LME测试信号接收器LME1-RX接收。LME测试信号发射器LME2-TX还可被配置为在传输路径102a上沿出站方向(相对于LME 142)发射OTDR测试信号。OTDR测试信号可例如在故障位置处被反射，并且通过HLLB路径在入站方向(相对于LME 142)上被耦接，并且被LME测试信号接收器LME2-RX接收。

在符合本公开的系统中，可根据所接收的OTDR信号的值的偏移来识别符合本公开的系统和方法中的跨段损耗的值和方向性。例如，考虑LME 140检测到图2中的中继器R3和R4之间的跨段损耗故障的场景。响应于检测到跨段损耗故障，LME测试信号发射器LME1-TX可发射OTDR信号来识别跨段损耗的方向性和量。

图8示出了振幅(dB)对当存在出站(相对于LME 140)跨段损耗时响应于LME测试信号接收器LME1-RX处的OTDR信号而接收的OTDR数据信号的与每个发射器T1、T2和中继器R1...R6相关联的环回路径。图9示出了振幅(dB)对当存在入站(相对于LME 140)跨段损耗时响应于LME测试信号接收器LME1-RX处的OTDR信号而接收的OTDR数据信号的与每个发射器T1、T2和中继器R1...R6相关联的环回路径。如图8所示，在图2中的中继器R3和R4之间存在出站(相对于LME 140)跨段损耗的情况下，则OTDR数据信号的振幅在中继器R4之后减小量A1。然而，如图9所示，在中继器R3和R4之间存在入站(相对于LME 140)跨段损耗的情况下，则OTDR数据信号的振幅在中继器R3之前增加量A2。因此，符合本公开的系统和方法中的跨段损耗的方向性可通过检测OTDR数据信号在跨段损耗故障之后是否减小(在这种情况下，跨段损耗为出站跨段损耗)或该OTDR数据信号是否在跨段损耗之前增大(在这种情况下，跨段损耗为入站跨段损耗)来确定。

此外，跨段损耗的值可使用值A1和A2以及无故障条件下的中继器R3和R4之间的已知跨段损耗S来计算。具体地讲，入站跨段损耗SIB可被计算为：

出站跨段损耗SOB可被计算为：

当LME检测到光纤断裂时，OTDR也可用于准确地预测光纤中的断裂点。例如，考虑LME 140检测到图2中的中继器R2和R3之间的光纤断裂故障的场景。响应于检测到光纤断裂故障，LME测试信号发射器LME1-TX可发射OTDR信号以识别光纤断裂的位置。

图10示出了振幅(dB)对当在R2和R3之间存在出站(相对于LME 140)光纤断裂时响应于LME测试信号接收器LME1-RX处的OTDR信号而接收的OTDR数据信号的与每个发射器T1、T2和中继器R1...R6相关联的环回路径。如图10所示，在中继器R2和R3之间存在出站(相对于LME 140)光纤断裂的情况下，则无法在LME1-RX处接收OTDR信号，并且OTDR数据信号仅示出具有大噪声振幅(或本底噪声)的噪声。因此，光纤断裂的位置可根据OTDR数据信号中信号丢失并且仅示出噪声的位置来确定。例如，图10示出了R2和R3之间的光纤断裂位置。

为了提供检测由dDLG数据的非常微小的变化表现出的故障的准确性，与分析例如来自多个LME测试信号运行的平均dDLG数据集并获得单个结果不同，符合本公开的实施方案可涉及分析来自多个LME测试信号运行的dDLG数据集并使用表决算法来组合结果。表决算法可以是要求阈值数量的dDLG数据集在报告故障之前给出故障的结果的任何算法。

例如，在符合包括2N+1dDLG数据集的本公开的实施方案中，在数据集中的多于N个给出了故障的结果的情况下，可以报告故障。在先前运行中由故障分类器识别的任何dDLG数据点可以在接下来的2N LME测试信号运行中被断定为经识别的。针对该示例，在单个LME测试信号运行的假阳性的可能性为x的情况下，并且在当总共2N+1次运行的多于N次运行给出故障的结果时报告故障的情况下，假阳性(P_false)的可能性为：

P_false＝x^2N+1+x^2N(1-x)+…+x^N+1(1-x)^N 公式(8)

在N＝1的情况下，P_false为x²。假设假阳性率为5％，则在该示例中三次运行的表决将假阳性率P_false减小到0.25％。因此，在符合本公开的实施方案中，表决算法允许将由故障分类器检测到的微小故障的置信度P_confidence报告为：

P_confidence＝1-P^false 公式(9)

根据本公开的一个方面，提供了一种光学通信系统。所述光学通信系统包括：多个中继器，所述多个中继器耦接到所述光学传输路径，所述多个中继器中的每一个中继器包括高损耗环回(HLLB)路径；和线路监测设备(LME)，所述LME耦接到所述传输路径，所述LME被配置为在所述光学传输路径上发射LME测试信号并且响应于所述LME测试信号而从所述光学传输路径接收LME环回数据；和处理器。所述处理器被配置为：将所述LME环回数据与基线环回数据进行比较以获得第一故障特征；使用第一故障分类器分析所述第一故障特征以在所述第一故障特征匹配预定故障特征的情况下指示故障，所述第一故障分类器是使用所述预定故障特征训练的机器学习算法；以及在所述第一故障分类器指示所述故障的情况下报告所述系统中的故障。

根据本公开的另一方面，提供了一种监测光学通信系统中的光学传输路径的方法，所述光学传输路径包括耦接到所述传输路径的多个中继器，所述中继器中的每一个中继器包括高损耗环回(HLLB)路径。所述方法包括：在所述传输路径上发射第一线路监测设备(LME)测试信号；响应于所述第一LME测试信号，从所述传输路径接收LME环回数据；将所述LME环回数据与基线环回数据进行比较以获得第一故障特征；使用第一故障分类器分析所述第一故障特征以在所述第一故障特征匹配预定故障特征的情况下指示故障，所述第一故障分类器是使用所述预定故障特征训练的机器学习算法；以及在所述第一故障分类器指示所述故障的情况下报告所述系统中的故障。

根据本公开的其他方面，提供了报告检测到的故障的所述值的方法，以及用于报告故障的表决算法。本公开的任何方面单独具有实用性并且与本文所公开的任何其他方面结合使用。

以上对示例实施方案的描述是为了举例说明和描述的目的而呈现的。其并非旨在穷举或将本公开限制于所公开的精确形式。按照本公开，许多修改和变型是可能的。本公开的范围旨在不受该具体实施方式的限制，而是受所附权利要求书的限制。

本文所述的方法的实施方案可使用控制器、处理器和/或其他可编程装置来实现。为此，本文所述的方法可在有形非暂态计算机可读介质上实现，该有形非暂态计算机可读介质具有存储在其上的指令，该指令在由一个或多个处理器执行时执行该方法。因此，例如，LMS 300可包括用于存储用于执行本文所述的操作的指令(在例如固件或软件中)的存储介质。存储介质可包括任何类型的有形介质，例如任何类型的磁盘(包括软盘、光盘、光盘只读存储器(CD-ROM)、光盘可复写(CD-RW)和磁光盘)、半导体器件(诸如只读存储器(ROM))、随机存取存储器(RAM)(诸如动态RAM和静态RAM)、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪存存储器、磁卡或光卡、或适用于存储电子指令的任何类型的介质。

本领域的技术人员应当理解，本文的任何框图表示体现本公开原理的例示性电路的概念图。类似地，应当理解，任何框图、流程表、流程图、状态转换图、伪代码等表示可基本上在计算机可读介质中表示并且因此由计算机或处理器执行的各种过程，无论此类计算机或处理器是否明确示出。软件模块或简称为软件的模块在本文中可表示为指示过程步骤和/或文本描述的执行的流程图要素或其他要素的任何组合。此类模块可由明确或隐含地示出的硬件执行。

图中所示的各种元件的功能(包括被标记为“处理器”的任何功能块)可通过使用专用硬件以及能够执行与适当软件相关联的软件的硬件来提供。这些功能可由单个专用处理器、由单个共享处理器或由多个单独处理器提供，其中一些可被共享。此外，术语“处理器”的明确使用不应理解为专指能够执行软件的硬件，并且可以隐含地包括但不限于数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储装置。也可包括其它常规的和/或定制的硬件。

除非另有说明，否则词语“基本上”的使用可被解释为包括本领域的普通技术人员所理解的精确关系、条件、布置、取向和/或其他特性及其偏差，只要此类偏差不实质上影响所公开的方法和系统。在整个本公开中，使用冠词“一个”和/或“一种”和/或“所述”来修饰名词可被理解为为了方便起见而使用并且包括一个或多于一个修饰的名词，除非另外特别说明。术语“包含”、“包括”和“具有”旨在表示包容性并且表示除列出要素外还可以有其他要素。

尽管已相对于其具体实施方案描述了所述方法和系统，但它们并不受此限制。显然，根据上述教导内容，许多修改形式和变型形式可变得显而易见。本领域的技术人员可对本文描述和示出的部件的细节、材料和布置进行许多附加改变。