CN109541498A - 一种通用的灯具故障智能检测方法和系统 - Google Patents

Abstract

本发明提供一种通用的灯具故障智能检测系统和方法，利用传感器感知目标灯具的相关数据，并将相关数据传递给数据平台；所示数据平台通过预置的分类器输出故障分类结果及可信度；所述预置的分类器通过机器学习训练生成；必要时，当分类器数量较大时，对分类器进行预筛选以减小数据计算量。本发明通用性强且自动化程度高，不需要人为干预，且可实现批量检测，效率高。

Description

一种通用的灯具故障智能检测方法和系统

技术领域

本发明涉及灯具故障检测领域，特别是一种通用的灯具故障智能检测方法和系统。

背景技术

在灯具检测领域，要想对灯具的各种性能进行综合检测，往往需要花费大量的人力、时间，尤其是在投入批量生产或者进入市场使用过程中。目前大多数的检测方法都需要现场操作，比如，通过墙面开关或者各种控制软件控制灯具的开关、亮度等，然后观察灯具的变化或者监测灯具亮度数据进行判断。然而，采用以上检测方法，存在以下不足：1.需要投入大量的人力、时间；2.检测过程中，如果出现现场接线错误等原因，容易给检测人员造成误判断，从而将正规品或者正在使用的正常灯具当成不良品进行处理，造成产品浪费或者重复返工。

现在市场上，一些智能灯具仅仅能够检测到灯具是否受控，但是具体智能灯具发生什么异常(比如断电、调光调色功能异常)，无法获知，而且不具有通用性。

现有技术中，用于灯具常规检测的方法，典型的有以下几种：

申请号为CN201420778183.5的专利“一种智能灯具检测系统”。此发明公开了一种智能灯具检测系统，适用于被检灯具的电性能检测，所述智能灯具检测系统包括上位机、下位机和可编程电源，所述上位机与所述下位机相连，所述上位机录入所述被检灯具的信息并将所述信息传递至所述下位机，所述下位机分别与所述可编程电源和被检灯具相连，所述下位机根据所述信息控制所述可编程电源、通过所述可编程电源检测所述被检灯具并将检测信息传递至所述上位机。本发明的技术方案能够实现对任何灯具电性能方面的检测，并且具有自动化、智能化、可追溯性、极性检测等优点。

申请号为CN201711079838.4)的专利“一种LED灯调光检测装置”，公开了一种LED灯调光检测装置，包括机箱，所述机箱上设置有若干调光器，机箱另一侧设置有若干与调光器数量相等的可与调光器连接的LED安装座，所述LED安装座可供LED灯安装，机箱一侧连接有电源线，所述机箱上设置有与电源线连接并用于控制电源的总开关，所述若干调光器分别通过总开关与电源线连接。本LED灯调光检测装置通过机箱上的若干调光器以及机箱另一侧的若干与调光器数量相等的可与调光器连接的LED安装座，完成LED灯具检测，本发明结构简单实用，能够满足检测时对多个样品同时检测。

申请号为CN201510944773.X的专利“红外感应灯具检测装置及检测方法”，公开了一种红外感应灯具检测装置及检测方法，本发明利用单片机控制被测的红外感应灯具的通断，通过串接在被测的红外感应灯具回路中的采样电阻来检测灯具是亮还是灭，进行计时的起止控制；单片机根据上电开机时间T1、点亮保持时间T2，感应延时时间T3和点亮延时时间T4判断被测的红外感应灯具是否合格；本发明具有检测效率高、检测成本低、检测精度高的特点。

现有技术中，还有一类是提高智能灯具安全性能的检测方法，典型的有以下几种：

申请号为CN201611020179.2的专利“一种测量灯工作时间长度的灯具监控系统与方法”，提出一种测量灯工作时间长度的灯具监控系统与方法，包括一系统控制中心、与所述系统控制中心连接的多个灯具检测模块、与所述系统控制中心双向连接的计时模块和人机交互模块以及与系统控制中心通过一个有线通信链路进行通信的传感器网络系统；所述灯具检测模块包括通信模块和光强度采集模块；所述计时模块包括时钟芯片和通信模块；所述人机交互模块包括显示屏、输入键盘和报警模块，所述报警模块包括蜂鸣器和指示灯；所述传感器网络系统设计为多位置可调的若干传感器组成。本发明改进了传统的灯具使用时间测量的方法，实现了准确计时，并且灯具损坏后能及时发现并断电，极大减少安全隐患，并减少灯具使用时间测量上大量的人力物力浪费。

申请号为201720524962.6的专利“一种用于照明控制系统的灯具检测电路”，提供一种用于照明控制系统的灯具检测电路，包括检测室、LED灯以及检测电路，检测室的内部设置有滑轨结构，滑轨结构由底板、左挡板、右挡板以及检测板构成，左挡板的内侧开有左滑槽，右挡板的内侧开有右滑槽，检测板放置在左滑槽以及右滑槽内部，检测板上设置有插孔，LED灯与插孔电性连接，检测室的左端设置有前板，前板的下方设置有挡帘，右挡板的内表面设置有内电性接触片，检测板的后侧表面设置有外电性接触片，左挡板的内部设置有电源，电源通过内电性接触片和外电性接触片继而与插孔电性连接。本发明具有如下的有益效果：可以有效的检测高亮式LED灯的情况，防止直接将LED灯连接电源，发生伤害眼睛的情况发生。

上述现有技术的缺点包括以下几个方面：

1、耗时耗力。现有所谓各种灯具的检测方法，大都需要耗费大量的人力、时间成本，对各个灯具进行现场检测、或者检测的目标单一，其目的只是提高了检测的可靠性和安全性，并没有实质创新；

2、操作复杂。目前各种灯具检测方法中，都需要额外安装各种检测辅助设备(机箱、检测电路等)，安装完成后检测操作复杂，需要专业人员才能进行；

3、资源浪费。用于检测的设备在检测完毕后，不能继续发挥检测或者其他作用，造成资源浪费；

4、检测目标单一。只能针对单个灯具的某一性能进行检测(亮度、灯光、运行时长等)，不能检测颜色和色温、不能综合检测分析特定灯具的各种性能及异常状况。

发明内容

本发明目的在于提供一种通用的灯具故障智能检测方法和系统，用于解决传统的灯具检测方法和系统耗时耗力、操作复杂且仅能针对某些特定性能进行检测，并且检测完成后不能继续发挥检测或者其他作用从而导致资源浪费的技术问题。

为达成上述目的，本发明提出如下技术方案：

一种通用的灯具故障智能检测系统，包括传感器和数据平台；

所述传感器用于感知目标灯具的相关数据，并将相关数据传递给数据平台；

所述数据平台用于接收传感器传递来的相关数据，并通过预置的分类器输出故障分类结果及可信度；

所述预置的分类器通过机器学习训练生成；

所述机器学习训练包括如下过程：

步骤一、原始数据采集；

营造所有可能的灯具异常状况作为故障分类结果，利用传感器采集每种故障分类结果中对应的灯具的电流、电压、亮度、温湿度、色彩、色温；

步骤二、原始数据清洗：

针对采集到的原始数据，删除异常数据、重复数据；

步骤三、特征化处理；

对数据清洗后的数据计算相应的平均值和标准方差作为特征值；

步骤四、机器学习；

将特征化后的数据传递给机器学习工具，连同故障分类结果一起进行事件识别模型训练，获得分类器；

步骤五、交叉验证；

对分类器采用K折交叉验证方法进行交叉验证，最终获得可信任的分类器，并将分类器集成到数据平台中

进一步的，在本发明中，对于步骤五中分类器数量大于5时，所述数据平台上预置有分类器预筛选模块；

所述分类器预筛选模块用于在分类器数量大于5时将传感器传递来的相关数据和故障分类结果进行初步匹配，过滤掉部分分类器，保留不超过5个相关度高的分类器。

进一步的，在本发明中，所述分类器预筛选模块按照如下方式进行筛选：

步骤一、训练基准环境设定；

营造训练基准环境，所述训练基准环境涵盖不同环境、不同灯具；

步骤二、训练基准环境相关数据获得；

采集一段时间内上述训练基准环境下灯具正常打开时的相关数据，包括灯具的电流、电压、亮度、温湿度、色彩、色温，并计算相应的数据的平均值F0和标准方差σ0；

步骤三、模型训练；

营造所有可能的灯具异常状况作为故障分类结果，采集上述每种灯具异常状况下灯具的相关数据，包括灯具的电流、电压、亮度、温湿度、色彩、色温，对上述相关数据计算平均值Fx和标准方差σx，其中x表示某种灯具异常状况的编号即对应相应的模型，取满足(Fx-F0)>2*σ0的分向量作为激活该编号x对应的模型的条件；

步骤四、预筛选；

对传感器传递来的相关数据的特征值的平均值Fi，寻找满足(Fi-F0)>σ0的显性分量，即由满足(Fi-F0)>σ条件的Fi-F0组成的向量与上述步骤四中各个模型的激活条件比较，如果显性分量包括编号x对应的模型的激活条件，则将此模型标记为候选模型，并且用(Fi-Fx)/σx作为候选模型的偏离评分；如果候选模型多于5个，则取偏离评分最小的5个模型，作为筛选结果。

进一步的，在本发明中，所述训练基准环境下，若灯具是可调亮度、色温、颜色的灯具，则将灯具调节到亮度最大、任一单色温或任一单颜色的状态。

进一步的，在本发明中，灯具的异常状况包括开关异常、亮度调节异常、色温调节异常、颜色调节异常。

基于上述系统，本发明同时公开了一种通用的灯具故障智能检测方法，利用传感器感知目标灯具的相关数据，并将相关数据传递给数据平台；利用数据平台用于接收传感器传递来的相关数据，并通过预置的分类器输出故障分类结果及可信度；其中，

所述预置的分类器通过机器学习训练生成；

所述机器学习训练包括如下过程：

步骤一、原始数据采集；

营造所有可能的灯具异常状况作为故障分类结果，利用传感器采集每种故障分类结果中对应的灯具的电流、电压、亮度、温湿度、色彩、色温；

步骤二、原始数据清洗：

针对采集到的原始数据，删除异常数据、重复数据；

步骤三、特征化处理；

对数据清洗后的数据计算相应的平均值和标准方差作为特征值；

步骤四、机器学习；

将特征化后的数据传递给机器学习工具，连同故障分类结果一起进行事件识别模型训练，获得分类器；

步骤五、交叉验证；

对分类器采用K折交叉验证方法进行交叉验证，最终获得可信任的分类器，并将分类器集成到数据平台中。

同样的，在本方法中，对于步骤五中分类器数量大于5时，先将传感器传递来的相关数据经过分类器预筛选后再进行预置分类器分类；

所述分类器预筛选模块用于在分类器数量大于5时将传感器传递来的相关数据和故障分类结果进行初步匹配，过滤掉部分分类器，保留不超过5个相关度高的分类器。

进一步的，在本方法中，所述分类器预筛选过程如下：

步骤一、训练基准环境设定；

营造训练基准环境，所述训练基准环境涵盖不同环境、不同灯具；

步骤二、训练基准环境相关数据获得；

采集一段时间内上述训练基准环境下灯具正常打开时的相关数据，包括灯具的电流、电压、亮度、温湿度、色彩、色温，并计算相应的数据的F0和标准方差σ0；

步骤三、模型训练；

营造所有可能的灯具异常状况作为故障分类结果，采集上述每种灯具异常状况下灯具的相关数据，包括灯具的电流、电压、亮度、温湿度、色彩、色温，对上述特征值计算平均值Fx和标准方差σx，其中x表示某种灯具异常状况的编号即对应相应的模型，取满足(Fx-F0)>2*σ0的分向量作为激活该编号x对应的模型的条件；

步骤四、预筛选；

对传感器传递来的相关数据的特征值的平均值Fi，寻找满足(Fi-F0)>σ0的显性分量与上述步骤四中各个模型的激活条件比较，如果显性分量包括编号x对应的模型的激活条件，则将此模型标记为候选模型，并且用(Fi-Fx)/σx作为候选模型的偏离评分；如果候选模型多于5个，则取偏离评分最小的5个模型，作为筛选结果。

有益效果：

由以上技术方案可知，本发明的技术方案提供了了一种通用的灯具智能检测的系统和方法，利用机器学习算法综合分析灯具的电流电压变化以及周围环境数据变化，在充分保护用户隐私的前提下，实现灯具的智能检测。本发明的系统和方法相比于传统的灯具故障检测具有如下优势：

1、本发明的系统安装使用后，无需耗费人力、时间便可实时检测灯具的异常状况及告警。

2、通用性，本发明集成了检测灯具性能相关的各种物理传感器、以及无线通信模块、数据平台、机器学习模型。将对采集到的灯具电压电流以及周围环境数据在数据平台进行综合分析，生成针对灯具各种异常状况的机器学习模型，从而实现灯具的智能检测。能够检测灯具的所有可感知的异常状况，并且具有通用性，无论是传统灯具、还是智能灯具都适用。

3、操作简单，针对各种类型灯具，安装方式简单统一，无需人为干预，由系统根据远程采集到的数据经由数据平台处理分析后，发现灯具异常自动告警，且可做到对灯具的终生实时检测，不会造成资源浪费。

4、批量检测，针对处于工作中的所有灯具(不在同一工作场所)、实现对灯具的各项故障的批量实时检测，节约时间成本。

应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。

结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。

附图说明

附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：

图1为本发明中灯具智能检测系统结构图；

图2为本发明中事件识别模型训练流程；

图3为灯具异常事件识别流程；

图4为带预筛选的生产环境灯具异常事件识别流程；

图5为系统部署图；

图中，各附图标记的含义如下：

传感器1、灯具2、数据上报模块3、数据平台4。

具体实施方式

为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。

在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。

如图1和图5所示为本发明的具体实施例所提供的一种通用的灯具故障智能检测系统，包括传感器和数据平台。

所述传感器用于感知目标灯具的相关数据，并将相关数据传递给数据平台。这里传感器、灯具以及数据平台可通过物联网芯片例如STM32F205进行通信，具体的通信协议包括但不限于WIFI、蓝牙、RF2.4、RF433等。

这里的传感器包括但不限于电压、电流传感器、温湿度、亮度传感器、颜色传感器，其中电压、电流模块可采集市面上绝大部分智能、非智能灯具的电压、电流信息，温湿度、亮度、颜色传感器可采集灯具周围的温湿度、亮度信息、色彩/色温。

所述数据平台用于接收传感器传递来的相关数据，并通过预置的分类器输出故障分类结果及可信度。

所述预置的分类器通过机器学习训练生成。如图2所示，所述机器学习训练包括如下过程：

步骤一、原始数据采集；

营造所有可能的灯具异常状况作为故障分类结果，灯具的异常状况包括开关异常、亮度调节异常、色温调节异常、颜色调节异常等，利用传感器采集每种故障分类结果中对应的灯具的电流、电压、亮度、温湿度、色彩、色温。这里需要根据不同种类灯具可调节到的参数进行采集，尽可能多地采集到相关参数。

步骤二、原始数据清洗；

针对采集到的原始数据，删除异常数据、重复数据。

步骤三、特征化处理，保留关键信息，同时压缩数据并保密；

对数据清洗后的数据计算相应的平均值和标准方差作为特征值。

步骤四、机器学习；

将特征化后的数据传递给机器学习工具，连同故障分类结果一起进行事件识别模型训练，获得分类器。

这里的机器学习工具支持常规的算法，包括但不限于SVM支持向量机、随机森林、神经网络等。

步骤五、交叉验证；

对分类器采用K折交叉验证方法进行交叉验证，最终获得可信任的分类器，并将分类器集成到数据平台中，即可用于实际应用。

实际应用时，如图3所示，利用传感器采集原始数据上报到数据平台上，对原始数据进行清洗，并将数据特征化后传递给分类器，获得分类结果，包括具体的异常种类和可信度，必要时进行报警。

作为优选的，在某些具体的实施例中，对于步骤五中分类器数量大于5时，所述数据平台上预置有分类器预筛选模块。

若分类器数量较大，依次将特征化数据带入每个分类器进行计算，会严重影响识别速度，因此利用分类器预筛选模块在分类器数量大于5时将传感器传递来的相关数据和故障分类结果进行初步匹配，过滤掉部分分类器，保留不超过5个相关度高的分类器。

所述分类器预筛选模块按照如下方式进行筛选：

步骤一、训练基准环境设定；

营造训练基准环境，所述训练基准环境涵盖不同环境、不同灯具。

步骤二、训练基准环境相关数据获得；

采集一段时间内上述训练基准环境下灯具正常打开时的相关数据，包括灯具的电流、电压、亮度、温湿度、色彩、色温，对上述特征值计算平均值F0和标准方差σ0。

步骤三、模型训练；

营造所有可能的灯具异常状况作为故障分类结果，采集上述每种灯具异常状况下灯具的相关数据，包括灯具的电流、电压、亮度、温湿度、色彩、色温，对上述相关数据计算平均值Fx和标准方差σx，其中x表示某种灯具异常状况的编号即对应相应的模型，取满足(Fx-F0)>2*σ0的分向量作为激活该编号x对应的模型的条件。

各种异常状况的营造方法可参考如下手段实现：

灯具的开关异常：通过只接电源不接灯具或者不接电源等方式来模拟，进行开关灯具操作。

亮度调节异常：通过减少灯具的灯带或者灯珠数量或者用物体遮挡部分灯具等方式来模拟，尽可能调节各种亮度。

色温调节异常：分别减少灯具的暖色、冷色灯带或者用物体遮挡部分灯具等方式来模拟，尽可能调节各种色温。

颜色调节异常：分别减少灯具对应的彩色灯带或者用物体遮挡部分灯具等方式来模拟，尽可能调节不同颜色。

步骤四、预筛选；

对传感器传递来的相关数据的特征值的平均值Fi，寻找满足(Fi-F0)>σ0的显性分量，即由满足(Fi-F0)>σ条件的Fi-F0组成的向量与上述步骤四中各个模型的激活条件比较，如果显性分量包括编号x对应的模型的激活条件，则将此模型标记为候选模型，并且用(Fi-Fx)/σx作为候选模型的偏离评分；如果候选模型多于5个，则取偏离评分最小的5个模型，作为筛选结果。

进一步的，在所述训练基准环境下，若灯具是可调亮度、色温、颜色的灯具，则将灯具调节到亮度最大、任一单色温或任一单颜色的状态。

基于上述系统，本发明的具体实施例公开了一种通用的灯具故障智能检测方法，利用传感器感知目标灯具的相关数据，并将相关数据传递给数据平台。利用数据平台用于接收传感器传递来的相关数据，并通过预置的分类器输出故障分类结果及可信度。其中，

所述预置的分类器通过机器学习训练生成。

所述机器学习训练包括如下过程：

步骤一、原始数据采集；

营造所有可能的灯具异常状况作为故障分类结果，利用传感器采集每种故障分类结果中对应的灯具的电流、电压、亮度、温湿度、色彩、色温。

步骤二、原始数据清洗；

针对采集到的原始数据，删除异常数据、重复数据。

步骤三、特征化处理；

对数据清洗后的数据计算相应的平均值和标准方差作为特征值。

步骤四、机器学习；

将特征化后的数据传递给机器学习工具，连同故障分类结果一起进行事件识别模型训练，获得分类器。

步骤五、交叉验证；

对分类器采用K折交叉验证方法进行交叉验证，最终获得可信任的分类器，并将分类器集成到数据平台中。

对于步骤五中分类器数量大于5时，先将传感器传递来的相关数据经过分类器预筛选后再进行预置分类器分类。所述分类器预筛选模块用于在分类器数量大于5时将传感器传递来的相关数据和故障分类结果进行初步匹配，过滤掉部分分类器，保留不超过5个相关度高的分类器。

因此，如图4所示，获得带预筛选的灯具异常事件识别流程。

利用传感器采集原始数据上报到数据平台上，对原始数据进行清洗，并将数据特征化后传递给分类器，判断分类器是否大于5，若大于5，则首先进行预设筛选，获得相关度较高的分类器，然后利用这些分类器对特征化后的数据进行计算获得分类结果，若分类小于等于5，则直接利用分类器对特征化后的数据进行计算获得分类结果。

下面以布置有普通灯具和智能灯具的教室为例，利用本发明的具体实施例中的系统和方法对这些灯具进行故障检测进行介绍。

参考图5，灯具故障的智能检测系统中的电流、电压传感器采集部分要安装在灯具电路上，系统中温湿度、亮度、颜色传感器采集部分需安装在与灯具平行且距离20cm左右的位置、无线通信模块部分安装位置不受限制。

当用户现场或者远程进行开灯、关灯、调节亮度、色温等操作时，灯具智能检测系统会检测到灯具的电流电压变化数据以及灯具周围的亮度等环境数据，并通过无线通信模块实时上传到数据平台，数据平台根据机器学习模型，判断灯具是否出现某种异常，如果出现异常，则进行报警处理。

以上教室场景仅为举例，本方法适用于各种其他场景，如：办公室、汽车、厨房、卫生间、病房、卧室、工作间、工具房、店铺等等。

发明实现了灯具的智能检测，检测实时、无需人工干预检测，且可以检测市面上绝大部分智能和传统灯具的故障，具有广泛的通用性和可扩展性。

虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (8)

1.一种通用的灯具故障智能检测系统，其特征在于：包括传感器和数据平台；

所述传感器用于感知目标灯具的相关数据，并将相关数据传递给数据平台；

所述数据平台用于接收传感器传递来的相关数据，并通过预置的分类器输出故障分类结果及可信度；

所述预置的分类器通过机器学习训练生成；

所述机器学习训练包括如下过程：

步骤一、原始数据采集；

营造所有可能的灯具异常状况作为故障分类结果，利用传感器采集每种故障分类结果中对应的灯具的电流、电压、亮度、温湿度、色彩、色温；

步骤二、原始数据清洗：

针对采集到的原始数据，删除异常数据、重复数据；

步骤三、特征化处理；

对数据清洗后的数据计算相应的平均值和标准方差作为特征值；

步骤四、机器学习；

将特征化后的数据传递给机器学习工具，连同故障分类结果一起进行事件识别模型训练，获得分类器；

步骤五、交叉验证；

对分类器采用K折交叉验证方法进行交叉验证，最终获得可信任的分类器，并将分类器集成到数据平台中。

2.根据权利要求1所述的通用的灯具故障智能检测系统，其特征在于：对于步骤五中分类器数量大于5时，所述数据平台上预置有分类器预筛选模块；

所述分类器预筛选模块用于在分类器数量大于5时将传感器传递来的相关数据和故障分类结果进行初步匹配，过滤掉部分分类器，保留不超过5个相关度高的分类器。

3.根据权利要求2所述的通用的灯具故障智能检测系统，其特征在于：所述分类器预筛选模块按照如下方式进行筛选：

步骤一、训练基准环境设定；

营造训练基准环境，所述训练基准环境涵盖不同环境、不同灯具；

步骤二、训练基准环境相关数据获得；

采集一段时间内上述训练基准环境下灯具正常打开时的相关数据，包括灯具的电流、电压、亮度、温湿度、色彩、色温，并计算相应的数据的平均值F0和标准方差σ0；

步骤三、模型训练；

营造所有可能的灯具异常状况作为故障分类结果，采集上述每种灯具异常状况下灯具的相关数据，包括灯具的电流、电压、亮度、温湿度、色彩、色温，对上述相关数据计算平均值Fx和标准方差σx，其中x表示某种灯具异常状况的编号即对应相应的模型，取满足(Fx-F0)>2*σ0的分向量作为激活该编号x对应的模型的条件；

步骤四、预筛选；

对传感器传递来的相关数据的特征值的平均值Fi，寻找满足(Fi-F0)>σ0的显性分量与上述步骤四中各个模型的激活条件比较，如果显性分量包括编号x对应的模型的激活条件，则将此模型标记为候选模型，并且用(Fi-Fx)/σx作为候选模型的偏离评分；如果候选模型多于5个，则取偏离评分最小的5个模型，作为筛选结果。

4.根据权力要求3所述的通用的灯具故障智能检测系统，其特征在于：所述训练基准环境下，若灯具是可调亮度、色温、颜色的灯具，则将灯具调节到亮度最大、任一单色温或任一单颜色的状态。

5.根据权利要求4所述的通用的灯具故障智能检测系统，其特征在于：灯具的异常状况包括开关异常、亮度调节异常、色温调节异常、颜色调节异常。

6.一种通用的灯具故障智能检测方法，其特征在于：利用传感器感知目标灯具的相关数据，并将相关数据传递给数据平台；利用数据平台用于接收传感器传递来的相关数据，并通过预置的分类器输出故障分类结果及可信度；其中，

所述预置的分类器通过机器学习训练生成；

所述机器学习训练包括如下过程：

步骤一、原始数据采集；

营造所有可能的灯具异常状况作为故障分类结果，利用传感器采集每种故障分类结果中对应的灯具的电流、电压、亮度、温湿度、色彩、色温；

步骤二、原始数据清洗：

针对采集到的原始数据，删除异常数据、重复数据；

步骤三、特征化处理；

对数据清洗后的数据计算相应的平均值和标准方差作为特征值；

步骤四、机器学习；

将特征化后的数据传递给机器学习工具，连同故障分类结果一起进行事件识别模型训练，获得分类器；

步骤五、交叉验证；

对分类器采用K折交叉验证方法进行交叉验证，最终获得可信任的分类器，并将分类器集成到数据平台中。

7.根据权利要求6所述的用的灯具故障智能检测方法，其特征在于：对于步骤五中分类器数量大于5时，先将传感器传递来的相关数据经过分类器预筛选后再进行预置分类器分类；

所述分类器预筛选模块用于在分类器数量大于5时将传感器传递来的相关数据和故障分类结果进行初步匹配，过滤掉部分分类器，保留不超过5个相关度高的分类器。

8.根据权利要求6所述的用的灯具故障智能检测方法，其特征在于：所述分类器预筛选过程如下：

步骤一、训练基准环境设定；

营造训练基准环境，所述训练基准环境涵盖不同环境、不同灯具；

步骤二、训练基准环境相关数据获得；

采集一段时间内上述训练基准环境下灯具正常打开时的相关数据，包括灯具的电流、电压、亮度、温湿度、色彩、色温，并计算相应的数据的F0和标准方差σ0；

步骤三、模型训练；

营造所有可能的灯具异常状况作为故障分类结果，采集上述每种灯具异常状况下灯具的相关数据，包括灯具的电流、电压、亮度、温湿度、色彩、色温，对上述相关数据计算平均值Fx和标准方差σx，其中x表示某种灯具异常状况的编号即对应相应的模型，取满足(Fx-F0)>2*σ0的分向量作为激活该编号x对应的模型的条件；

步骤四、预筛选；

对传感器传递来的相关数据的特征值的平均值Fi，寻找满足(Fi-F0)>σ0的显性分量与上述步骤四中各个模型的激活条件比较，如果显性分量包括编号x对应的模型的激活条件，则将此模型标记为候选模型，并且用(Fi-Fx)/σx作为候选模型的偏离评分；如果候选模型多于5个，则取偏离评分最小的5个模型，作为筛选结果。