光模块激光器故障预测-岳树烨.pdf

《光模块激光器故障预测-岳树烨.pdf》由会员分享，可在线阅读，更多相关《光模块激光器故障预测-岳树烨.pdf（20页珍藏版）》请在三个皮匠报告上搜索。

1、光模块故障预测1演讲：岳树烨演讲单位：美团CONTENTS01光模块故障预测的背景与意义02 光模块故障预测研究的标和途径03 光模块故障预测实现案分析04光模块故障预测内容总结2光模块故障预测的背景与意义 借助AIOPS提升企业业务能 效运维和测试技术需求迫切/0134借助AIOPS提升企业业务能随着产业规模不断扩，需要常态化运维的络节点规模已达到上万级别，且链路数达到万级别，保持规模化络的稳定可靠成为挑战。将智能算法引现有络管理平台，实现数据驱动的络闭环系统，将是解决运维效率低下、定位成本昂现状的有途径。数据来源：https:/ 规模络环境下故障预测实现难度 算法加实践实现时级故障预测/0

2、26研究途径和标光模块激光器故障预测规模络下，通过光模块激光器的监控关键指标可以预测故障的发时间，减少运维员压。运环境、品牌、型号等多维环境因素给预测带来难度。效率低：检测难覆盖误差：受多因素影响1.异常主动发现，故障预测利机器学习分析告警阈值，络、设备、光模块、光传输等更多精细特征指标异常发现及在线趋势预测。2.我诊断，故障定位结合业内数据、数据分析及专家经验和知识图谱，分析光模块异常趋势。3.智能联动，快速通告联动失效告警、动隔离、单派发、效果验收、业务恢复全链条的故障动化处理。研究途径和标MPDLDDSPMCU光路光路本端LD对端PDDSPMCU光路关键法：1、MCU/DSP记录功率及电

3、流等DDM信息，内部存储+外部流式存储2、通过数据运营提炼DDM预警及告警阈值，预警后开始计算，列预测列表，告警后直接跳过计算。3、融算法，通过数据分析预测，拟合未来光功率趋势，如果超出阈值，提前上报险设备数据收集模块信息存储流式数据库计算判断单元化预警化预警突发异常，次差计算正常化，列化预警寿命差预示险核观点：激光器化机器学习建模，实现模块健康度预警，提前识别，快速定位，降低运维成本 激光器故障在有源类产品故障中占较，光模块单体故障的90%以上。前故障更多的都是被动影响，即使有监控快照回溯历史，但也只能是数据总结和故障分析。增加故障预测可提前评估险，降低运维复杂度，优化全链路系统。研究途径和

4、标抽象有效特征1、针对异构监控数据的深度清洗和特征提取法时级激光器异常检测和故障预测基于设备状态2、基于状态检测的激光器异常建模和故障预测有效性、可性、先进性检验 向真实络的算法验证平台仿真数据效果验证真实数据接检验光模块故障预测实现案分析 针对异构监控数据的深度清洗和特征提取法 基于状态检测的激光器异常建模和故障预测 向真实络平台的部署与验证/0310针对异构监控数据的深度清洗和特征提取法激光器原始监控数据噪声数据较多预测精度低动态特征程深度数据清洗多维统计分析特征维度过针对异构监控数据的深度清洗和特征提取法关键解决案上下采样技术数据集不平衡数据预处理技术实现效特征提取基于状态检测的激光器异

5、常建模和故障预测 拟根据不同品牌、型号激光器的多项性能指标历史数据构建机器学习故障预测模型，实现智能化精准效的时级激光器故障预测。基于智能实现精准故障预测基于状态检测的激光器异常建模和故障预测状态检测辅助预测模型选择 拟先构建区分正常和异常激光器的状态检测模型并成动态阈值，旦检测到出光功率变化率于异常阈值则激发寿命预测单元。基于状态检测的激光器异常建模和故障预测基于正常数据构建异常预测模型 拟采激光器的正常历史数据进建模，预测激光器天后的出光功率，当出光功率低于标准规格时则上报险。基于状态检测的激光器异常建模和故障预测针对突发异常形成针对性预测模型 拟根据突发异常前段时间的历史数据进建模，当出

6、光功率变化率于计算阈值激活该预测单元，计算异常发概率及状态分布。时级激光器异常检测和故障预测向真实络平台的部署与验证仿真+真实节点接，保证法有效且可靠经典络布局模式下的仿真测试平台仿真节点与实物并存的半实物测试平台基于美团真实络环境下的部署与验证VPC络布局模式下的仿真测试平台光模块故障预测内容总结 上下游共同关注器件稳定性 建有效性、可性、先进性并存的故障预测体系/0417模块/设备商芯芯品质需求模块提供，品质保障稳定性需求定制芯与设计品质观测与反馈芯稳定性共赢终端户收益：