基于光通讯场景下数字孪生的数据获取方法及系统与流程

1.本技术涉及数据获取领域，且更为具体地，涉及一种基于光通讯场景下数字孪生的数据获取方法及系统。


背景技术：

2.数字孪生是指将物理实体的数字化模型与其真实世界的对应物进行同步更新，从而实现对物理实体的全生命周期管理和优化。光通讯是一种基于光学技术进行信息传输的通信方式，它利用光纤作为传输介质，将信息转化为光信号进行传输。相比传统的电信技术，光通讯具有更高的传输速率、更大的带宽、更低的损耗和更远的传输距离等优点。
3.在光网络进行部署的过程中，需要对光纤网络进行复杂地调试以提供故障诊断和优化意见。而数据孪生技术的引入，为光网络调试提供了新的技术支持和解决思路。


技术实现要素：

4.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于光通讯场景下数字孪生的数据获取方法及系统。其中，该方法包括：构建光通信系统的物理模型，其中，所述物理模型包括光源、光纤、光放大器和光检测器；构建所述光通信系统的数据模型；利用数字孪生技术将所述物理模型和所述数据模型相映射以构建光网络系统的数据孪生模型；利用传感器系统和数据传输系统，将所述光通信系统的物理模型所产生的光通信数据传输至所述数据孪生模型；以及，通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果。这样，可以实现对所述光网络系统的故障诊断。
5.根据本技术的第一方面，提供了一种基于光通讯场景下数字孪生的数据获取方法，其包括：构建光通信系统的物理模型，其中，所述物理模型包括光源、光纤、光放大器和光检测器；构建所述光通信系统的数据模型；利用数字孪生技术将所述物理模型和所述数据模型相映射以构建光网络系统的数据孪生模型；利用传感器系统和数据传输系统，将所述光通信系统的物理模型所产生的光通信数据传输至所述数据孪生模型；以及，通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果。
6.在上述的基于光通讯场景下数字孪生的数据获取方法中，所述光通信数据为预定时间段内多个预定时间点的光网络系统的光信号的功率和信噪比；其中，通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果，包括：将所述多个预定时间点的光网络系统的光信号的功率和信噪比分别按照时间维度排列为光信号功率时序输入向量和光信号信噪比时序输入向量；
将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量；通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量；以及，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障。
7.在上述的基于光通讯场景下数字孪生的数据获取方法中，将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量，包括：将所述光信号功率时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号功率时序特征向量；以及，将所述光信号信噪比时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号信噪比时序特征向量。
8.在上述的基于光通讯场景下数字孪生的数据获取方法中，将所述光信号功率时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号功率时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层，在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到第一卷积特征向量；对所述第一卷积特征向量进行池化处理以得到第一池化特征向量；以及，对所述第一池化特征向量进行非线性激活以得到第一激活特征向量；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述光信号功率时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述光信号功率时序输入向量。
9.在上述的基于光通讯场景下数字孪生的数据获取方法中，将所述光信号信噪比时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号信噪比时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到第二卷积特征向量；对所述第二卷积特征向量进行池化处理以得到第二池化特征向量；以及，对所述第二池化特征向量进行非线性激活以得到第二激活特征向量；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述光信号信噪比时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述光信号信噪比时序输入向量。
10.在上述的基于光通讯场景下数字孪生的数据获取方法中，通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量，包括：
通过级联函数，以如下级联公式来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到所述分类特征向量；其中，所述级联公式为：；；；其中，表示所述光信号功率时序特征向量，表示所述光信号信噪比时序特征向量，和均为列向量，为所述光信号功率时序特征向量和所述光信号信噪比时序特征向量之间的距离矩阵，表示向量的转置向量，和均表示点卷积操作、为激活函数，表示拼接操作，表示向量相乘，表示所述分类特征向量。
11.在上述的基于光通讯场景下数字孪生的数据获取方法中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障，包括：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
12.根据本技术的第二方面，提供了一种基于光通讯场景下数字孪生的数据获取系统，其包括：物理模型构建模块，用于构建光通信系统的物理模型，其中，所述物理模型包括光源、光纤、光放大器和光检测器；数据模型构件模块，用于构建所述光通信系统的数据模型；映射模块，用于利用数字孪生技术将所述物理模型和所述数据模型相映射以构建光网络系统的数据孪生模型；传输模块，用于利用传感器系统和数据传输系统，将所述光通信系统的物理模型所产生的光通信数据传输至所述数据孪生模型；以及，数据分析模块，用于通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果。
13.在上述的基于光通讯场景下数字孪生的数据获取系统中，所述光通信数据为预定时间段内多个预定时间点的光网络系统的光信号的功率和信噪比；其中，所述数据分析模块，包括：向量排列单元，用于将所述多个预定时间点的光网络系统的光信号的功率和信噪比分别按照时间维度排列为光信号功率时序输入向量和光信号信噪比时序输入向量；时序特征提取单元，用于将所述光信号功率时序输入向量和光信号信噪比时序输
入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量；融合单元，用于通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量；以及，分类单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障。
14.在上述的基于光通讯场景下数字孪生的数据获取系统中，所述时序特征提取单元，用于：将所述光信号功率时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号功率时序特征向量；以及，将所述光信号信噪比时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号信噪比时序特征向量。
15.根据本技术的第三方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如第一方面所述的方法。
16.根据本技术的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如第一方面所述的方法。
17.与现有技术相比，本技术提供的基于光通讯场景下数字孪生的数据获取方法及系统，其中，该方法包括：构建光通信系统的物理模型，其中，所述物理模型包括光源、光纤、光放大器和光检测器；构建所述光通信系统的数据模型；利用数字孪生技术将所述物理模型和所述数据模型相映射以构建光网络系统的数据孪生模型；利用传感器系统和数据传输系统，将所述光通信系统的物理模型所产生的光通信数据传输至所述数据孪生模型；以及，通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果。数据分析结果用于表示光网络系统是否存在故障，这样，可以实现对所述光网络系统的故障诊断。
附图说明
18.为了更清楚地说明本技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本技术的主旨。
19.图1为根据本技术实施例的基于光通讯场景下数字孪生的数据获取方法的流程图。
20.图2为根据本技术实施例的基于光通讯场景下数字孪生的数据获取方法的子步骤s150的应用场景图。
21.图3为根据本技术实施例的基于光通讯场景下数字孪生的数据获取方法的子步骤s150的流程图。
22.图4为根据本技术实施例的基于光通讯场景下数字孪生的数据获取方法的子步骤s150的架构示意图。
23.图5为根据本技术实施例的基于光通讯场景下数字孪生的数据获取方法的子步骤s152的流程图。
24.图6为根据本技术实施例的基于光通讯场景下数字孪生的数据获取方法的子步骤s154的流程图。
25.图7为根据本技术实施例的基于光通讯场景下数字孪生的数据获取系统的框图。
26.图8为根据本技术实施例的基于光通讯场景下数字孪生的数据获取系统中所述数据分析模块的框图。
27.图9为根据本技术实施例的电子设备的框图。
具体实施方式
28.下面将结合附图对本技术实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本技术的部分实施例，而不是全部的实施例。基于本技术实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本技术保护的范围。
29.如本技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
30.虽然本技术对根据本技术的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
31.本技术中使用了流程图用来说明根据本技术的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
32.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
33.基于此，在本技术的技术方案中，将数据孪生技术引入光网络通信系统，也就是，构建所述光网络通信系统的数据孪生模型，并通过所述光网络通信系统的数据孪生模型所获取的所述光网络系统来对所述光网络系统进行故障诊断。
34.具体地，首先构建光通信系统的物理模型，其中，所述物理模型包括光源、光纤、光放大器和光检测器。然后构建所述光通信系统的数据模型。接着，利用数字孪生技术将所述物理模型和所述数据模型相映射以构建光网络系统的数据孪生模型。进而，利用传感器系统和数据传输系统，将所述光通信系统的物理模型所产生的光通信数据传输至所述数据孪生模型。继而，通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果。
35.相应地，如图1所示，所述的基于光通讯场景下数字孪生的数据获取方法，包括：s110，构建光通信系统的物理模型，其中，所述物理模型包括光源、光纤、光放大器和光检测
器；s120，构建所述光通信系统的数据模型；s130，利用数字孪生技术将所述物理模型和所述数据模型相映射以构建光网络系统的数据孪生模型；s140，利用传感器系统和数据传输系统，将所述光通信系统的物理模型所产生的光通信数据传输至所述数据孪生模型；以及，s150，通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果。
36.具体地，在本技术一个具体的示例中，所述光通信数据为预定时间段内多个预定时间点的光网络系统的光信号的功率和信噪比。相应地，通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果的过程，包括如下步骤。
37.首先将所述多个预定时间点的光网络系统的光信号的功率和信噪比分别按照时间维度排列为光信号功率时序输入向量和光信号信噪比时序输入向量。也就是，将所述光网络系统的光信号的功率和信噪比沿着时间维度进行数据结构化以得到所述光信号功率时序输入向量和所述光信号信噪比时序输入向量。
38.接着，将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量。也就是，在本技术的技术方案中，使用所述一维卷积神经网络模型的时序特征提取器对所述光信号功率时序输入向量和光信号信噪比时序输入向量进行一维卷积编码以捕捉光信号功率的局部时序关联模式特征和所述光信号信噪比的局部时序关联模式特征。应可以理解，在本技术的技术方案中，所述光信号功率时序特征向量和所述光信号信噪比时序特征向量分别用于反应所述光信号的功率在时序方向上的波动特征以及所述光信号的信噪比在时序方向上的波形特征。
39.接着，融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量。特别地，在本技术的技术方案中，考虑到光信号的功率和光信号的信噪比是同时用于反应光信号的两个状态指标，因此，所述光信号功率时序特征向量和所述光信号信噪比时序特征向量在逻辑层面存在隐含关联。基于此，在本技术的技术方案中，通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量。特别地，所述级联函数具有一定逻辑推理能力，挖掘所述光信号功率时序特征向量和所述光信号信噪比时序特征向量之间的关联信息，此性质可促进网络从所述光信号功率时序特征向量和所述光信号信噪比时序特征向量的特征分布中提取额外的隐含关联特征，通过这样的方式，来提高所述分类特征向量的特征表达的精准度。
40.进而，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障。也就是，使用所述分类器来确定所述分类特征向量所属的类概率标签，所述类概率标签用于表示光网络系统是否存在故障。这样，将数据孪生技术引入光网络通信系统，也就是，构建所述光网络通信系统的数据孪生模型，并通过所述光网络通信系统的数据孪生模型所获取的所述光网络系统来对所述光网络系统进行故障诊断。
41.在本技术的技术方案中，所述光信号功率时序特征向量和所述光信号信噪比时序特征向量分别表达光信号的功率的时序关联分布特征和光信号的信噪比的时序关联分布特征，因此，所述光信号功率时序特征向量和所述光信号信噪比时序特征向量分别具有时序分布维度的片段式局部关联特征分布特性。因此，在使用级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量得到所述分类特征向量，期望基于所述光信号功率时序特征向量和所述光信号信噪比时序特征向量的局部片段特征分布特性来
进行融合，以提升所述分类特征向量对所述光信号功率时序特征向量和所述光信号信噪比时序特征向量的融合效果。
42.因此，本技术的申请人基于级联函数，对所述光信号功率时序特征向量，例如记为和所述光信号信噪比时序特征向量，例如记为进行局部序列语义的片段式富化融合，以获得所述分类特征向量，例如记为，具体表示为：；；；其中，和均表示点卷积操作、为激活函数，表示拼接操作，为所述光信号功率时序特征向量和所述光信号信噪比时序特征向量之间的距离矩阵，即，为与之间的距离，和均为列向量。
43.这里，所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预定分布方向上的方向性语义的编码效果，来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数，从而对序列之间在各个片段级别（patch-level）的基于特征表象（feature appearance）的相似性进行捕获，实现了所述光信号功率时序特征向量和所述光信号信噪比时序特征向量的局部片段级语义的富化式融合，从而提升了所述分类特征向量的融合表达效果，也就提升了所述分类特征向量通过分类器得到的分类结果的准确性。
44.图2为根据本技术实施例的基于光通讯场景下数字孪生的数据获取方法的子步骤s150的应用场景图。如图2所示，在该应用场景中，首先，获取所述光通信系统的物理模型所产生的光通信数据（例如，图2中所示意的d），所述光通信数据为预定时间段内多个预定时间点的光网络系统的光信号的功率和信噪比，然后，将所述光通信数据输入至部署有基于光通讯场景下数字孪生的数据获取算法的服务器中（例如，图2中所示意的s），其中，所述服务器能够使用所述基于光通讯场景下数字孪生的数据获取算法对所述光通信数据进行处理以得到用于表示光网络系统是否存在故障的分类结果。
45.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
46.图3为根据本技术实施例的基于光通讯场景下数字孪生的数据获取方法的子步骤s150的流程图。如图3所示，根据本技术实施例的基于光通讯场景下数字孪生的数据获取方法，所述光通信数据为预定时间段内多个预定时间点的光网络系统的光信号的功率和信噪比；其中，通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果，包括：s151，将所述多个预定时间点的光网络系统的光信号的功率和信噪比分别按照时间维
度排列为光信号功率时序输入向量和光信号信噪比时序输入向量；s152，将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量；s153，通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量；以及，s154，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障。
47.图4为根据本技术实施例的基于光通讯场景下数字孪生的数据获取方法的子步骤s150的架构示意图。如图4所示，在该网络架构中，首先，将所述多个预定时间点的光网络系统的光信号的功率和信噪比分别按照时间维度排列为光信号功率时序输入向量和光信号信噪比时序输入向量；接着，将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量；然后，通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量；最后，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障。
48.更具体地，在步骤s151中，将所述多个预定时间点的光网络系统的光信号的功率和信噪比分别按照时间维度排列为光信号功率时序输入向量和光信号信噪比时序输入向量。也就是，将所述光网络系统的光信号的功率和信噪比沿着时间维度进行数据结构化以得到所述光信号功率时序输入向量和所述光信号信噪比时序输入向量。
49.更具体地，在步骤s152中，将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量。所述光信号功率时序特征向量和所述光信号信噪比时序特征向量分别用于反应所述光信号的功率在时序方向上的波动特征以及所述光信号的信噪比在时序方向上的波形特征。
50.应可以理解，卷积神经网络（convolutional neural network，cnn）是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化（pooling）层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
51.相应地，在一个具体示例中，如图5所示，将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量，包括：s1521，将所述光信号功率时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号功率时序特征向量；以及，s1522，将所述光信号信噪比时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号信噪比时序特征向量。
52.相应地，在一个具体示例中，将所述光信号功率时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号功率时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层，在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到第一卷积特征向量；对所述第一卷积特征向量进行池化处理以得到第一池化特征向量；以及，对所述第一池化特征向量进行非线性激活以
得到第一激活特征向量；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述光信号功率时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述光信号功率时序输入向量。
53.相应地，在一个具体示例中，将所述光信号信噪比时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号信噪比时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层，在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到第二卷积特征向量；对所述第二卷积特征向量进行池化处理以得到第二池化特征向量；以及，对所述第二池化特征向量进行非线性激活以得到第二激活特征向量；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述光信号信噪比时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述光信号信噪比时序输入向量。
54.更具体地，在步骤s153中，通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量。特别地，在本技术的技术方案中，考虑到光信号的功率和光信号的信噪比是同时用于反应光信号的两个状态指标，因此，所述光信号功率时序特征向量和所述光信号信噪比时序特征向量在逻辑层面存在隐含关联。基于此，在本技术的技术方案中，通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量。
55.应可以理解，所述级联函数具有一定逻辑推理能力，挖掘所述光信号功率时序特征向量和所述光信号信噪比时序特征向量之间的关联信息，此性质可促进网络从所述光信号功率时序特征向量和所述光信号信噪比时序特征向量的特征分布中提取额外的隐含关联特征，通过这样的方式，来提高所述分类特征向量的特征表达的精准度。
56.相应地，在一个具体示例中，通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量，包括：通过级联函数，以如下级联公式来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到所述分类特征向量；其中，所述级联公式为：；；；其中，表示所述光信号功率时序特征向量，表示所述光信号信噪比时序特征向量，和均为列向量，为所述光信号功率时序特征向量和所述光信号信噪比时序特征向量之间的距离矩阵，表示向量的转置向量，和均表示点卷积操作、为激活函数，表示拼接操作，表示向量相乘，表示所述分类特征向量。
57.这里，所述局部序列语义的片段式富化融合基于序列的片段特征分布对序列的预
定分布方向上的方向性语义的编码效果，来以序列片段之间的相似性嵌入作为用于序列间关联的重加权因数，从而对序列之间在各个片段级别的基于特征表象的相似性进行捕获，实现了所述光信号功率时序特征向量和所述光信号信噪比时序特征向量的局部片段级语义的富化式融合，从而提升了所述分类特征向量的融合表达效果，也就提升了所述分类特征向量通过分类器得到的分类结果的准确性。
58.更具体地，在步骤s154中，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障。这样，将数据孪生技术引入光网络通信系统，也就是，构建所述光网络通信系统的数据孪生模型，并通过所述光网络通信系统的数据孪生模型所获取的所述光网络系统来对所述光网络系统进行故障诊断。
59.也就是，在本技术的技术方案中，所述分类器的标签包括光网络系统存在故障（第一标签），以及，光网络系统不存在故障（第二标签），其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“光网络系统是否存在故障”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，光网络系统是否存在故障的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“光网络系统是否存在故障”的语言文本意义。
60.应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、svm等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或svm，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有softmax分类函数。
61.相应地，在一个具体示例中，如图6所示，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障，包括：s1541，使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，s1542，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
62.综上，基于本技术实施例的基于光通讯场景下数字孪生的数据获取方法，其首先将所述多个预定时间点的光网络系统的光信号的功率和信噪比分别按照时间维度排列为光信号功率时序输入向量和光信号信噪比时序输入向量，接着，将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量，然后，通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量，最后，将所述分类特征向量通过分类器以得到用于表示光网络系统是否存在故障的分类结果。
63.图7为根据本技术实施例的基于光通讯场景下数字孪生的数据获取系统100的框图。如图7所示，根据本技术实施例的基于光通讯场景下数字孪生的数据获取系统100，包括：物理模型构建模块110，用于构建光通信系统的物理模型，其中，所述物理模型包括光源、光纤、光放大器和光检测器；数据模型构件模块120，用于构建所述光通信系统的数据模型；映射模块130，用于利用数字孪生技术将所述物理模型和所述数据模型相映射以构建光
网络系统的数据孪生模型；传输模块140，用于利用传感器系统和数据传输系统，将所述光通信系统的物理模型所产生的光通信数据传输至所述数据孪生模型；以及，数据分析模块150，用于通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果。
64.在一个示例中，在上述基于光通讯场景下数字孪生的数据获取系统100中，所述光通信数据为预定时间段内多个预定时间点的光网络系统的光信号的功率和信噪比；其中，如图8所示，所述数据分析模块150，包括：向量排列单元151，用于将所述多个预定时间点的光网络系统的光信号的功率和信噪比分别按照时间维度排列为光信号功率时序输入向量和光信号信噪比时序输入向量；时序特征提取单元152，用于将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量；融合单元153，用于通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量；以及，分类单元154，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障。
65.在一个示例中，在上述基于光通讯场景下数字孪生的数据获取系统100中，所述时序特征提取单元152，用于：将所述光信号功率时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号功率时序特征向量；以及，将所述光信号信噪比时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号信噪比时序特征向量。
66.在一个示例中，在上述基于光通讯场景下数字孪生的数据获取系统100中，将所述光信号功率时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号功率时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层，在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到第一卷积特征向量；对所述第一卷积特征向量进行池化处理以得到第一池化特征向量；以及，对所述第一池化特征向量进行非线性激活以得到第一激活特征向量；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述光信号功率时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述光信号功率时序输入向量。
67.在一个示例中，在上述基于光通讯场景下数字孪生的数据获取系统100中，将所述光信号信噪比时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号信噪比时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层，在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到第二卷积特征向量；对所述第二卷积特征向量进行池化处理以得到第二池化特征向量；以及，对所述第二池化特征向量进行非线性激活以得到第二激活特征向量；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述光信号信噪比时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述光信号信噪比时序输入向量。
68.在一个示例中，在上述基于光通讯场景下数字孪生的数据获取系统100中，所述融合单元153，用于：通过级联函数，以如下级联公式来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到所述分类特征向量；其中，所述级联公式为：
；；；其中，表示所述光信号功率时序特征向量，表示所述光信号信噪比时序特征向量，和均为列向量，为所述光信号功率时序特征向量和所述光信号信噪比时序特征向量之间的距离矩阵，表示向量的转置向量，和均表示点卷积操作、为激活函数，表示拼接操作，表示向量相乘，表示所述分类特征向量。
69.在一个示例中，在上述基于光通讯场景下数字孪生的数据获取系统100中，所述分类单元154，用于：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
70.这里，本领域技术人员可以理解，上述基于光通讯场景下数字孪生的数据获取系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的基于光通讯场景下数字孪生的数据获取方法的描述中得到了详细介绍，并因此，将省略其重复描述。
71.如上所述，根据本技术实施例的基于光通讯场景下数字孪生的数据获取系统100可以实现在各种无线终端中，例如具有基于光通讯场景下数字孪生的数据获取算法的服务器等。在一个示例中，根据本技术实施例的基于光通讯场景下数字孪生的数据获取系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于光通讯场景下数字孪生的数据获取系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于光通讯场景下数字孪生的数据获取系统100同样可以是该无线终端的众多硬件模块之一。
72.替换地，在另一示例中，该基于光通讯场景下数字孪生的数据获取系统100与该无线终端也可以是分立的设备，并且该基于光通讯场景下数字孪生的数据获取系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
73.示例性电子设备下面，参考图9来描述根据本技术实施例的电子设备。
74.图9图示了根据本技术实施例的电子设备的框图。
75.如图9所示，电子设备10包括一个或多个处理器11和存储器12。
76.处理器11可以是中央处理单元（cpu）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
77.存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（ram）和/或高速缓冲存储器（cache）等。所述非易失性存
储器例如可以包括只读存储器（rom）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的图书馆图书管理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如级联特征向量等各种内容。
78.在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。
79.该输入装置13可以包括例如键盘、鼠标等等。
80.该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
81.当然，为了简化，图9中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
82.根据本技术的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
83.技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
84.所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
85.本技术使用了特定词语来描述本技术的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本技术至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本技术的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
86.此外，本领域技术人员可以理解，本技术的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本技术的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本技术的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
87.除非另有定义，这里使用的所有术语（包括技术和科学术语）具有与本发明所属领
域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
88.上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

技术特征：
1.一种基于光通讯场景下数字孪生的数据获取方法，其特征在于，包括：构建光通信系统的物理模型，其中，所述物理模型包括光源、光纤、光放大器和光检测器；构建所述光通信系统的数据模型；利用数字孪生技术将所述物理模型和所述数据模型相映射以构建光网络系统的数据孪生模型；利用传感器系统和数据传输系统，将所述光通信系统的物理模型所产生的光通信数据传输至所述数据孪生模型；以及通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果，所述分析结果用于表示光网络系统是否存在故障。2.根据权利要求1所述的基于光通讯场景下数字孪生的数据获取方法，其特征在于，所述光通信数据为预定时间段内多个预定时间点的光网络系统的光信号的功率和信噪比；其中，通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果，包括：将所述多个预定时间点的光网络系统的光信号的功率和信噪比分别按照时间维度排列为光信号功率时序输入向量和光信号信噪比时序输入向量；将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量；通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量；以及，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障。3.根据权利要求2所述的基于光通讯场景下数字孪生的数据获取方法，其特征在于，将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量，包括：将所述光信号功率时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号功率时序特征向量；以及，将所述光信号信噪比时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号信噪比时序特征向量。4.根据权利要求3所述的基于光通讯场景下数字孪生的数据获取方法，其特征在于，将所述光信号功率时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号功率时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层，在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到第一卷积特征向量；对所述第一卷积特征向量进行池化处理以得到第一池化特征向量；以及，对所述第一池化特征向量进行非线性激活以得到第一激活特征向量；
其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述光信号功率时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述光信号功率时序输入向量。5.根据权利要求4所述的基于光通讯场景下数字孪生的数据获取方法，其特征在于，将所述光信号信噪比时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号信噪比时序特征向量，包括：使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到第二卷积特征向量；对所述第二卷积特征向量进行池化处理以得到第二池化特征向量；以及，对所述第二池化特征向量进行非线性激活以得到第二激活特征向量；其中，所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述光信号信噪比时序特征向量，所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述光信号信噪比时序输入向量。6.根据权利要求5所述的基于光通讯场景下数字孪生的数据获取方法，其特征在于，通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量，包括：通过级联函数，以如下级联公式来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到所述分类特征向量；其中，所述级联公式为：；；；其中，表示所述光信号功率时序特征向量，表示所述光信号信噪比时序特征向量，和均为列向量，为所述光信号功率时序特征向量和所述光信号信噪比时序特征向量之间的距离矩阵，表示向量的转置向量，和均表示点卷积操作、为激活函数，表示拼接操作，表示向量相乘，表示所述分类特征向量。7.根据权利要求6所述的基于光通讯场景下数字孪生的数据获取方法，其特征在于，将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障，包括：使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量输入所述分类器的softmax分类函数以得到所述分类结果。
8.一种基于光通讯场景下数字孪生的数据获取系统，其特征在于，包括：物理模型构建模块，用于构建光通信系统的物理模型，其中，所述物理模型包括光源、光纤、光放大器和光检测器；数据模型构件模块，用于构建所述光通信系统的数据模型；映射模块，用于利用数字孪生技术将所述物理模型和所述数据模型相映射以构建光网络系统的数据孪生模型；传输模块，用于利用传感器系统和数据传输系统，将所述光通信系统的物理模型所产生的光通信数据传输至所述数据孪生模型；以及，数据分析模块，用于通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果。9.根据权利要求8所述的基于光通讯场景下数字孪生的数据获取系统，其特征在于，所述光通信数据为预定时间段内多个预定时间点的光网络系统的光信号的功率和信噪比；其中，所述数据分析模块，包括：向量排列单元，用于将所述多个预定时间点的光网络系统的光信号的功率和信噪比分别按照时间维度排列为光信号功率时序输入向量和光信号信噪比时序输入向量；时序特征提取单元，用于将所述光信号功率时序输入向量和光信号信噪比时序输入向量通过基于一维卷积神经网络模型的时序特征提取器以得到光信号功率时序特征向量和光信号信噪比时序特征向量；融合单元，用于通过级联函数来融合所述光信号功率时序特征向量和所述光信号信噪比时序特征向量以得到分类特征向量；以及，分类单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示光网络系统是否存在故障。10.根据权利要求9所述的基于光通讯场景下数字孪生的数据获取系统，其特征在于，所述时序特征提取单元，用于：将所述光信号功率时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号功率时序特征向量；以及，将所述光信号信噪比时序输入向量输入所述基于一维卷积神经网络模型的时序特征提取器以得到所述光信号信噪比时序特征向量。11.一种电子设备，其特征在于，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1至7任一项所述的方法。12.一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如权利要求1至7任一项所述的方法。

技术总结
本发明公开了一种基于光通讯场景下数字孪生的数据获取方法及系统。其中，该方法包括：构建光通信系统的物理模型，其中，所述物理模型包括光源、光纤、光放大器和光检测器；构建所述光通信系统的数据模型；利用数字孪生技术将所述物理模型和所述数据模型相映射以构建光网络系统的数据孪生模型；利用传感器系统和数据传输系统，将所述光通信系统的物理模型所产生的光通信数据传输至所述数据孪生模型；以及，通过所述数据孪生模型对所述光通信数据进行数据分析以得到数据分析结果。这样，可以实现对所述光网络系统的故障诊断。现对所述光网络系统的故障诊断。现对所述光网络系统的故障诊断。


技术研发人员：李勇 汤峻峰
受保护的技术使用者：深圳市天昕朗科技有限公司
技术研发日：2023.07.20
技术公布日：2023/9/6