CN110287640A - 照明设备的寿命预估方法、装置、存储介质及电子设备 - Google Patents

照明设备的寿命预估方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN110287640A
CN110287640A CN201910598334.6A CN201910598334A CN110287640A CN 110287640 A CN110287640 A CN 110287640A CN 201910598334 A CN201910598334 A CN 201910598334A CN 110287640 A CN110287640 A CN 110287640A
Authority
CN
China
Prior art keywords
lighting apparatus
service life
abnormal
life
correlation models
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910598334.6A
Other languages
English (en)
Other versions
CN110287640B (zh
Inventor
陈昆伦
黄书鹏
付晓亮
于宏志
赵中华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Jiaotou Aites Technology Co ltd
Original Assignee
Liaoning Ai Tesi Intelligent Transport Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning Ai Tesi Intelligent Transport Technology Co Ltd filed Critical Liaoning Ai Tesi Intelligent Transport Technology Co Ltd
Priority to CN201910598334.6A priority Critical patent/CN110287640B/zh
Publication of CN110287640A publication Critical patent/CN110287640A/zh
Application granted granted Critical
Publication of CN110287640B publication Critical patent/CN110287640B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/20Administration of product repair or maintenance
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本申请提供一种照明设备的寿命预估方法、装置、存储介质及电子设备,涉及照明设备控制领域。方法包括:获取多个照明设备之间的相关性模型;获取部分照明设备的实时数据,并根据所述实时数据确定异常的照明设备;计算所述异常的照明设备的寿命;及根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。通过这样的方式,可以根据已经确定出使用寿命的照明设备的寿命值的数据,对与之相关的照明设备的寿命进行预估,由于数据都来自于实际中的实时数据,因此能够尽可能准确地预估出与异常的照明设备关联的照明设备的寿命。

Description

照明设备的寿命预估方法、装置、存储介质及电子设备
技术领域
本申请涉及照明设备控制领域,例如涉及一种照明设备的寿命预估方法、装置、存储介质及电子设备。
背景技术
为满足公共区域(例如,隧道,公路,公园等)的照明需求,通常会在这些区域安装大量的照明设备。为保证照明效果,这些照明设备需要及时维护。现有的照明设备维护方式多为人工维护。由于照明设备较多且较分散,且实际使用中,通常需要在照明设备出现异常后才能了解到该设备的实际使用寿命,而无法提前对正常使用中的照明设备进行有效的寿命预估,因此,导致维护人员的工作量较大。
发明内容
有鉴于此,本申请的目的在于提供一种能够减少照明设备维护人员工作量的照明设备的寿命预估方法、装置、存储介质及电子设备。
为了实现上述目的,本申请的实施例通过如下方式实现:
第一方面,本申请的实施例提供一种照明设备的寿命预估方法,所述方法包括:
获取多个照明设备之间的相关性模型;获取部分所述照明设备的实时数据,并根据所述实时数据确定异常的照明设备;计算所述异常的照明设备的寿命;及根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
通过获取照明设备的实时数据,确定出其中异常的照明设备的使用寿命,并根据该使用寿命,对相关性模型中与该异常的照明设备关联的照明设备的寿命进行预估。通过这样的方式,可以根据已经确定出使用寿命的照明设备的寿命值的数据,对与之相关的照明设备的寿命进行预估,由于数据都来自于实际中的实时数据,因此能够尽可能准确地预估出与异常的照明设备关联的照明设备的寿命,从而使得维护人员能够有针对性地对照明设备进行维护,进而减少维护人员的工作量。
结合第一方面实施例,在第一种可能的实现方式中,所述获取多个照明设备之间的相关性模型,包括:
获取所述多个照明设备的原始属性信息;根据所述原始属性信息,建立所述多个照明设备之间的相关性权重关联关系;及根据所述相关性权重关联关系形成所述多个照明设备之间的相关性模型。
通过对多个照明设备的原始属性信息进行相关性权重的设定,以此建立多个照明设备之间的相关性模型,使得相关性模型可以较为准确地反映多个照明设备之间的关联关系,从而能够尽可能准确地预估出与异常的照明设备关联的照明设备的寿命。
结合第一方面的第一种可能的实现方式,在第二种可能的实现方式中,所述根据所述相关性权重关联关系建立所述多个照明设备之间的相关性模型,包括:
以所述多个照明设备作为神经元,并以所述多个照明设备之间的相关性数值作为神经元连接权重,建立神经网络,将所述神经网络作为所述相关性模型。
通过以多个照明设备作为神经元,以多个照明设备之间的相关性数值作为神经元连接权重建立神经网络模型,可以使得建立的模型能够自主地根据实时数据进行不断地学习和改进,以使对目标照明设备的寿命预估更加准确。
结合第一方面实施例,在第三种可能的实现方式中,所述获取部分所述照明设备的实时数据,并根据所述实时数据确定异常的照明设备,包括:
获取部分所述照明设备的影像信息;根据所述影像信息,确定所述异常的照明设备。
通过获取部分照明设备的影像信息,可以确定出部分照明设备中出现异常的照明设备,并且确定的结果也能够很准确,而不用依靠人工现场巡检,可以大大地提高对照明设备的监测效率,并进一步减少维护人员的工作量。
结合第一方面的第三种可能的实现方式,在第四种可能的实现方式中,所述根据所述影像信息,确定所述异常的照明设备,包括:
判断各照明设备的亮度是否恒定,若否,则将亮度不恒定的照明设备确定为所述异常的照明设备,若是,则判断各照明设备的亮度是否大于0且小于预设亮度值,若是,则将亮度大于0且小于预设亮度值的照明设备确认为所述异常的照明设备,若否,则判断各照明设备的亮度值是否为0,若是,则将亮度值为0的照明设备确定为所述异常的照明设备。
通过对照明设备的亮度进行识别,从而准确判断出照明设备是否处于异常状态,以及处于何种异常状态。因此,可以实现确定出多种异常状态的照明设备的寿命,从而可以更有效地监测照明设备的工作状态。
结合第一方面实施例,在第五种可能的实现方式中,在所述计算所述异常的照明设备的寿命之后,及在所述根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命之前,所述方法还包括:
根据所述异常的照明设备的寿命对所述相关性模型进行校正;所述根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命包括:根据校正后的所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
在计算出异常的照明设备的寿命后,对相关性模型进行校正,根据校正后的模型去预估目标照明设备的寿命,可以使得预估的结果更准确。
结合第一方面实施例,在第六种可能的实现方式中,所述方法还包括:
判断所预估的目标照明设备的寿命是否小于预设阈值;若是,则向维护人员发送所预估的照明设备的提示信息,所述提示信息包括所述所预估的照明设备的类型,位置及编号。
在确定出预估的目标照明设备的寿命小于预设阈值时,提醒维护人员对所预估的照明设备进行检修。这样可以使得维护人员能够及时地对照明设备进行检修,以及,可以给维护人员充足的时间准备相关的检修设备和材料,能够减少照明设备的异常工作状态的时长。
第二方面,本申请的实施例提供一种照明设备的寿命预估装置,所述装置包括:
获取模块,用于获取多个照明设备之间的相关性模型;以及,获取部分所述照明设备的实时数据;确定模块,用于根据所述实时数据确定异常的照明设备;计算模块,用于计算所述异常的照明设备的寿命;预估模块,用于根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
结合第二方面实施例,在第一种可能的实现方式中,所述获取模块,还用于获取所述多个照明设备的原始属性信息;所述装置还包括建立模块,用于根据所述原始属性信息,建立所述多个照明设备之间的相关性权重关联关系;及根据所述相关性权重关联关系形成所述多个照明设备之间的相关性模型。
结合第二方面的第一种可能的实现方式,在第二种可能的实现方式中,所述建立模块,还用于:
以所述多个照明设备作为神经元,并以所述多个照明设备之间的相关性数值作为神经元连接权重,建立神经网络,将所述神经网络作为所述相关性模型。
结合第二方面实施例,在第三种可能的实现方式中,所述获取模块,还用于获取部分所述照明设备的影像信息;所述确定模块,用于根据所述影像信息,确定所述异常的照明设备。
结合第二方面的第三种可能的实现方式,在第四种可能的实现方式中,所述装置还包括判断模块,用于:
判断各照明设备的亮度是否恒定;在照明设备的亮度恒定时,判断各照明设备的亮度是否大于0且小于预设亮度值;以及在照明设备的亮度并非大于0且小于预设亮度值时,判断各照明设备的亮度值是否为0。
所述确定模块还用于在照明设备的亮度恒定时,将亮度不恒定的照明设备确定为所述异常的照明设备;在照明设备的亮度大于0且小于预设亮度值时,将亮度大于0且小于预设亮度值的照明设备确认为所述异常的照明设备;以及在照明设备的亮度值为0时,将亮度值为0的照明设备确定为所述异常的照明设备。
结合第二方面实施例,在第五种可能的实现方式中,所述装置还包括校正模块,用于:
在所述计算模块计算出所述异常的照明设备的寿命之后,及在所述预估模块根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命之前,根据所述异常的照明设备的寿命对所述相关性模型进行校正;所述预估模块还用于根据校正后的所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
结合第二方面实施例,在第六种可能的实现方式中,所述装置还包括:
提醒模块,用于判断所预估的目标照明设备的寿命是否小于预设阈值;若是,则向维护人员发送所预估的照明设备的提示信息,所述提示信息包括所预估的照明设备的类型,位置及编号。
第三方面,本申请的实施例还提供一种计算机可读存储介质,所述存储介质存储有计算机程序,其中,在所述程序运行时控制所述存储介质所在设备执行第一方面或第一方面的第一种至第六种中任一可能的照明设备的寿命预估方法。
第四方面,本申请的实施例还提供一种电子设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述程序指令被处理器加载并执行时实现第一方面或第一方面的第一种至第六种中任一可能的照明设备的寿命预估方法。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它相关的附图。
图1示出了本申请实施例提供的一种照明设备的寿命预估系统的结构框图。
图2示出了本申请实施例提供的一种电子设备的结构框图。
图3示出了本申请实施例提供的一种照明设备的寿命预估方法的流程图。
图4示出了本申请实施例提供的一种照明设备的寿命预估装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
目前,为满足公共区域,例如,隧道,公路,公园等的照明要求,通常会在这些区域安装大量的照明设备110。本申请的发明人发现,现有的对这些照明设备进行维护的方式多为人工维护,由于照明设备在维护时多采用人工维护,然而,由于照明设备较多且较分散,致使维护人员的工作量较大。基于此,本申请的发明人经过创造性的劳动提出本申请。
本申请的实施例提供一种照明设备的寿命预估系统100,如图1所示,可以包括:摄像头120、服务器130和终端140。
本实施例中,系统100的服务器130可以执行一种照明设备的寿命预估方法,用于对外部照明设备110的寿命进行预估。例如,系统100可以应用于对隧道内的照明设备110的工作状态进行监控和对照明设备110的寿命进行预估,而隧道内的照明设备110可以是由政府进行架设或者其他单位进行架设,而本系统100可以直接应用于对这些照明设备110进行监控和寿命预估。通过这样的方式对照明设备的寿命进行预估,具有较大的应用空间,可以对大多数照明设备进行寿命预测,而不用限制照明设备的类型,因此可以应用得更加广泛。
具体的,摄像头120可以设置在照明设备附近,以获取照明设备110的工作状态的实时数据;摄像头120也可以设置在轨道巡检设备上,以对照明设备110进行巡检。一个摄像头120可以对应一个照明设备110,也可以同时对应多个照明设备110,以节约成本。摄像头120可以与服务器130通信连接,使得服务器130可以从摄像头120处获取到照明设备110的实时数据,以对数据进行分析和处理,最终实现对目标照明设备的寿命预估。终端140可以与服务器130之间通信,在服务器130确定出异常的照明设备或者确定出预估寿命不长的目标照明设备时,可以向终端140发送提醒信息。
需要说明的是,此处的目标照明设备可以指同一相关性模型内除了异常的照明设备之外的并且与异常的照明设备相关的照明设备,也可以是处于同一相关性模型内的除异常的照明设备和已经确定出寿命值的照明设备之外的所有照明设备,此处不作限定。另外,照明设备110可以有多个且数量不受限制;摄像头120也可以包括多个;以及,终端140的数量也不受限制。
可以理解,其他实施例中,服务器130可省略。此时,终端140与摄像头120通信连接,以从摄像头120处获取到照明设备110的实时数据。终端140可以执行本申请的实施例提供的照明设备的寿命预估方法。
请参阅图2,本申请提供一种用于执行本申请实施例提供的照明设备的寿命预估方法的电子设备10。电子设备10可以为服务器130或者终端140。在电子设备10为服务器130时,服务器130可以为网络服务器、数据库服务器、云服务器或由多个子服务器构成的服务器集成等。而当电子设备10为终端140时,终端可以为智能手机、平板电脑、个人电脑、个人数字助理等,当然,上述列举的设备为用于便于理解本实施例,其不应作为对本实施例的限定。
在电子设备10为服务器130时,由服务器130执行照明设备的寿命预估方法,并且服务器130还可以向终端140发送提示信息;而在电子设备10为终端140时,由终端140执行照明设备的寿命预估方法,终端140可以直接生成提示信息用于提醒维护人员,也可以向另外的个人终端发送提示信息,以提示个人终端对应的维护人员。
电子设备10可以包括通过网络与摄像头120连接的通信接口12、用于执行程序指令的一个或多个处理器14、总线13和不同形式的存储器11,例如,磁盘、ROM、或RAM,或其任意组合。
示例性的,存储器11中存储有程序。处理器14可以从存储器11调用并运行这些程序,从而便可以通过运行程序而执行照明设备的寿命预估方法。处理器14通过对照明设备的寿命预估方法的执行,处理器14可以对摄像头120拍摄的实时数据进行处理,确定出异常的照明设备,并计算出异常的照明设备的寿命,基于异常的照明设备的寿命,对目标照明设备的寿命进行预估,以完成对照明设备的寿命预估方法的执行。
请参阅图3,电子设备执行的照明设备的寿命预估方法,可以包括步骤S11、步骤S12、步骤S13和步骤S14。
在本实施例中,电子设备可以执行步骤S11。
步骤S11:获取多个照明设备之间的相关性模型。
在本实施例中,电子设备获取多个照明设备之间的相关性模型的方式,可以是直接使用已经建立好的模型,也可以是构建一个模型。为了便于对模型的功能有更准确的理解,以下将对模型的构建过程进行具体的介绍。
电子设备可以获取多个照明设备的原始属性信息,这些照明设备的原始信息可以包括:每个照明设备的设备类型、编号、生产厂家、型号、批次、安装时间、安装位置等。当然,此处列举的信息,只是其中的一部分信息,还可以包括其他信息,例如安装照明设备的作业单位、照明设备的预计工作时段等;另外,有的信息可能由于时间久远或者记载不详,而获取不到,那么,电子设备也可以将这些缺失的信息用预设的信息代替或者直接忽视而不予考虑。因此,此处不应视为对本申请的限定。
通过获取照明设备的生产厂家、设备类型、型号、批次、安装时间和安装位置等信息,能够尽可能全面地考虑到影响照明设备寿命值的影响因素,从而更准确地预估目标照明设备的寿命。
在获取照明设备的原始属性信息后,电子设备可以根据这些原始属性信息,建立多个照明设备之间的相关性权重关联关系。例如,获取的照明设备的原始属性信息中,两个照明设备之间的信息重合度越高,那么这两个照明设备之间的相关性数值就可能越大,也即这两个照明设备之间的关联关系越强,最终的表现可能就为这两个照明设备的预估寿命的数值越接近。
通过这种方式,原始属性信息更接近的照明设备之间,也可能存在更接近的寿命值,这能够使得对目标照明设备的寿命预估更准确和接近实际。
当然,对于原始属性信息有差异的,电子设备也可以将差异进行量化,根据差异的程度不同,表现为照明设备之间的相关性数值的大小不同,从而最终影响照明设备的预估寿命的长短不同。电子设备将原始属性信息的差异量化的原则,可以视差异程度而定,例如,某两个照明设备之间的设备生产厂家、型号、安装位置相同,但设备的批次、安装时间不同,那么,电子设备可以根据时间间隔的长短,来确定两个照明设备之间的相关性数值,如,相隔两年,二者相关性数值为0.6,相隔4年,二者相关性数值为0.2等,当然,此处只是举例对建立多个照明设备之间的相关性权重关联关系的过程进行说明,不能视为对本申请的限定。确定出每种信息之间的数值之后,电子设备可以综合这些数值,确定出照明设备之间的初始相关性数值。
通过对原始属性信息有差异的照明设备之间也进行相关性权重关联关系的建立,可以使得照明设备的寿命预估方法的实际应用更加广泛,而非限制于严格的原始属性信息相同的照明设备。另外,由于这样的方式使得更多的照明设备之间可以相互影响,可以扩大样本的容量,获取到更多更完善的数据,有助于提高对照明设备的寿命预估的准确性,以及能够有助于分析出哪些因素对照明设备的寿命值影响更大,从而更进一步地提高对照明设备的寿命预估的准确性。
在建立多个照明设备之间的相关性权重关联关系后,电子设备可以根据相关性权重关联关系形成多个照明设备之间的相关性模型。
例如,电子设备可以通过建立神经网络模型的方式,形成多个照明设备之间的相关性模型。例如,电子设备可以将多个照明设备中每个照明设备都作为一个神经元,以多个照明设备之间的相关性数值作为神经元的连接权重。而每个神经元的激励值,可以是预设的一个数值,也可以是根据照明设备的额定使用寿命与实际已经使用的时间而确定出的数值。这样,就可以建立起多个照明设备之间的神经网络模型,从而以此作为多个照明设备之间的相关性模型。当然,此处的以多个照明设备之间的相关性数值作为神经元的连接权重,并非意味着只能以相关性数值的数值形式作为神经元的连接权重,也可以是以相关性数值为基础而建立起的函数关系,此处不作为限定。
通过神经网络建立多个照明设备之间的相关性模型,可以使得相关性模型能够更明确地表现出每个设备之间的相关性关系,以及在模型中的任一激励值变化时,与之相关的神经元的激励值迅速随之调整。并且,由于神经网络模型能够自主学习,在数据量不断丰富的过程中,也可以不断地根据实际的数据,对神经元之间的连接权重进行调整,从而使得神经元的激励值代表的照明设备的预估寿命,更接近该照明设备的寿命值,从而提高对目标照明设备的寿命预估的准确性。
为了进一步提高对目标照明设备的寿命预估的准确性,在本实施例中,还可以通过神经网络模型的前馈机制,对相关性模型进行校正,从而使得相关性模型能够不断处于优化的过程中,进一步提高对照明设备的寿命预估的准确性。当然,为了在提高寿命预估方法的准确性的同时,也保证寿命预估方法的执行效率,可以通过对神经网络模型的隐藏层中神经元的数量进行限定,通常,隐藏层中神经元的数量越多,神经网络模型的强健性更显著,但同样的,其计算的复杂程度也会随着神经元数量的增多而提升。在本实施例中,可以将隐藏层中神经元的数量设定为对应照明设备的神经元的数量的1.2-1.5倍,在提高对目标照明设备的寿命预估的准确性的同时,也能够保证寿命预估方法的执行效率。
当然,在本实施例中,除了通过建立神经网络模型的方式建立多个照明设备的相关性模型,还可以通过列表对应的方式建立相关性模型,因此,相关性模型的具体形式和建立方式,不应视为对本申请的限定。
在获取多个照明设备之间的相关性模型之后,电子设备可以执行步骤S12。
步骤S12:获取部分所述照明设备的实时数据,并根据所述实时数据确定异常的照明设备。
在本实施例中,电子设备可以通过设置在照明设备附近的摄像头,获取多个照明设备的影像信息,作为监测照明设备是否异常的数据基础。此处的影像信息,通常为视频信息,当然,图像信息也是可以的,此处不作限定。
通过获取多个照明设备的实时数据,可以实时监测照明设备是否正常,可以为照明设备的维护人员提供指导性,正常的照明设备不需要进行检修,避免维护人员无针对性地对设备进行巡检,可以极大地避免人力的浪费,从而提高维护人员的工作效率。
电子设备对影像信息的分析处理,可以是通过对影像信息中照明设备对应在影像中的位置处的亮度进行分析,从而确定出影像中某个照明设备的亮度是否存在异常,从而判断该照明设备是否为异常的照明设备。具体的,电子设备可以从影像信息中抽取出一定帧数的图像,通过对多帧图像的分析,判断该照明设备是否为异常的照明设备。
例如,电子设备可以判断各照明设备的亮度是否恒定,若不恒定,则可以将亮度不恒定的照明设备确定为异常的照明设备。
若亮度恒定,电子设备可以继续判断各照明设备的亮度是否大于0且小于预设亮度值,若是,电子设备可以则将亮度大于0且小于预设亮度值的照明设备确认为异常的照明设备。
若否,电子设备可以判断各照明设备的亮度值是否为0,若为0,则将亮度值为0的照明设备确定为所述异常的照明设备;若不为0,那么,说明该照明设备处于正常的工作状态,不是异常的照明设备。
需要说明的是,此处的亮度值为0,是结合了照明设备工作时最小发光亮度值和照明设备安装位置的光线亮度值确定出的,并非物理和数学意义上的亮度值为0。这样,就可以尽可能排除天气的影响,为准确判断照明设备是否异常提供基础。另外,此处的预设亮度值可以表示照明设备正常发光时的最低亮度值。
当然,为了提高通过照明设备的亮度判断照明设备是否异常的照明设备的准确性,电子设备可以对影像中某一小部分的图像进行处理分析,从而进行判断,例如,可以对照明设备的光源处,即灯泡在影像中的位置处的图像进行处理分析。由于照明设备和摄像头的安装位置相对固定,所以照明设备的灯泡在影像信息中的位置相对固定,从而能够通过这种方式提高电子设备对照明设备是否为异常的照明设备的判断的准确性,并以此提供可靠的实时数据,为准确预估目标照明设备的寿命提供基础。
在确定出异常的照明设备后,电子设备可以执行步骤S13。
步骤S13:计算所述异常的照明设备的寿命。
在本实施例中,电子设备可以根据异常的照明设备的异常状态,确定出照明设备寿命。
具体的,在电子设备对影像信息分析处理后,电子设备确定该影像信息中包含的多个照明设备中存在异常的照明设备时,电子设备可以获取影像信息中异常的照明设备上的编号信息,以确定出异常的照明设备是哪个照明设备,并可以从神经网络模型中确定出与该异常的照明设备对应的神经元。
例如,第一照明设备的异常状态为熄灭,即亮度为0,那么,电子设备可以根据第一照明设备的编号信息,确定出第一照明设备对应的第一神经元,并且可以确定出第一照明设备的安装时间,从而确定出第一照明设备的寿命值。
又如,第二照明设备的异常状态为闪烁,那么电子设备可以通过闪烁的状态所对应的剩余寿命,以及第二照明设备的安装时间,确定出第二照明设备的寿命值。
以及,若第三照明设备的异常状态为亮度降低,那么电子设备也可以通过亮度降低的状态所对应的剩余寿命,以及第三照明设备的安装时间,确定出第三照明设备的寿命值。
在确定出异常的照明设备的寿命值后,电子设备可以执行在步骤S14。
步骤S14:根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
在本实施例中,电子设备可以根据异常的照明设备在神经网络模型中对应的神经元,确定出神经网络模型中与该神经元具有关联关系的目标神经元,以及确定出该神经元与目标神经元之间的关联关系。
在确定出异常的照明设备对应的神经元和与之关联的目标神经元,以及异常的照明设备对应的神经元与目标神经元之间的关联关系后,电子设备可以根据关联关系,以及异常的照明设备的寿命值,结合目标神经元的安装时间,预估一个新的寿命值,作为对目标照明设备的预估寿命。
通过这样的方式,可以根据多个照明设备中异常的照明设备的实际寿命,从相关性模型中调整与异常的照明设备关联的目标照明设备,从而实现对目标照明设备的寿命预估。并且,在不断的确定出照明设备的实际寿命的同时,可以根据照明设备的实际寿命,对相关性模型不断地进行优化,使得相关性模型对目标照明设备的寿命预估更加准确。
在确定出目标照明设备的预估寿命之后,电子设备还可以将目标照明设备的预估寿命与预设值进行比较,在某照明设备的预估寿命剩余时间小于预设值时,可以向维护人员的终端发送提示信息,提示维护人员该照明设备近期可能需要检修。其中,提示信息可以包括该照明设备的类型,位置及编号,以使维护人员能够尽早做准备,例如提醒维护人员准备好与该照明设备同类型的照明设备等。而相关性模型也可以对预估寿命剩余时间小于预设值的照明设备加强监测的频率,以在该照明设备出现异常时能够及时发现并获取实时数据。
在确定出目标照明设备的预估寿命之后,电子设备还可以获取该异常的照明设备的安装位置、类型、型号等信息,以此生成照明设备更换信息,并提示维护人员及时维修或更换。
在一些可能的实现方式中,本申请提供的照明设备的寿命预估方法,在计算出异常的照明设备的寿命之后,电子设备还可以根据计算出的异常的照明设备的寿命,先对相关性模型进行校正,再根据校正后的相关性模型,对目标照明设备的寿命进行预估。
相关性模型的具体校正过程可以为:电子设备获取相关性模型对异常的照明设备的预估寿命的历史记录,以此确定出历史记录中各次预估寿命与实际寿命之间的预估时间差值,以及,确定出更新各次预估寿命和实际寿命时的实际时间差值,并结合预估时间差值和实际时间差值,以及实际寿命,更新异常的照明设备对应的神经元与目标神经元之间的关联关系,例如调整相关性数值以更新连接权重,从而对相关性模型进行校正,使得相关性模型对目标照明设备的寿命预估更加准确。
当然,这只是其中一种校正方式,在本实施例中,电子设备还可以通过获取与异常的照明设备同类型、同厂家的并且已经确定出实际寿命的照明设备的数据,并使相关性模型对这些数据进行分析和拟合,从而更新异常的照明设备对应的神经元与目标神经元之间的关联关系,以此校正相关性模型。因此,此处的具体校正方式不应视为对本申请的限定。
通过在计算出异常的照明设备的寿命之后,根据计算出的异常的照明设备的寿命,先对相关性模型进行校正,再对目标照明设备的寿命进行预估。相关性模型可以在每次有数据更新时,都能够根据新的数据,对模型进行进一步的校正,能够提高对目标照明设备的寿命预估的准确性。
例如,在一个实际的应用实例中,在东岭隧道内安装有照明设备约630个,左右幅均约1000米。2013年,建立了包含该隧道内所有照明设备的相关性模型,并投入使用中。在实际的使用过程中,对照明设备的寿命预测准确率在80%以上,并在不断的改进和优化中,以提高对照明设备的寿命预测的准确率。
请参阅图4,本申请实施例还提供一种照明设备的寿命预估装置20,所述装置20包括:
获取模块21,用于获取多个照明设备之间的相关性模型;以及,获取所述多个照明设备的实时数据;确定模块22,用于根据所述实时数据确定异常的照明设备;计算模块23,用于计算所述异常的照明设备的寿命;预估模块24,用于根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
在本实施例中,所述获取模块21,还用于获取所述多个照明设备的原始属性信息。所述装置20还包括建立模块25,用于根据所述原始属性信息,建立所述多个照明设备之间的相关性权重关联关系;及根据所述相关性权重关联关系形成所述多个照明设备之间的相关性模型。
在本实施例中,所述建立模块25,还用于:
以所述多个照明设备作为神经元,并以所述多个照明设备之间的相关性数值作为神经元连接权重,建立神经网络,将所述神经网络作为所述相关性模型。
在本实施例中,所述获取模块21用于获取所述多个照明设备的影像信息。所述确定模块22用于根据所述影像信息,确定所述异常的照明设备。
在本实施例中,所述装置20还包括判断模块26,用于:
判断各照明设备的亮度是否恒定;在照明设备的亮度恒定时,判断照明设备的亮度是否大于0且小于预设亮度值;及在照明设备的亮度并非大于0且小于预设亮度值时,判断各照明设备的亮度值是否为0。
所述确定模块22还用于在各照明设备的亮度不恒定时,将亮度不恒定的照明设备确定为所述异常的照明设备;在照明设备的亮度大于0且小于预设亮度值时,将亮度大于0且小于预设亮度值的照明设备确认为所述异常的照明设备;以及在照明设备的亮度值为0时,将亮度值为0的照明设备确定为所述异常的照明设备。
在本实施例中,所述校正模块27,用于:
在所述计算模块23计算出所述异常的照明设备的寿命之后,及在所述预估模块24根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命之前,根据所述异常的照明设备的寿命对所述相关性模型进行校正。所述预估模块24还用于根据校正后的所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
在本实施例中,所述装置20还包括:
提醒模块24,用于判断所预估的目标照明设备的寿命是否小于预设阈值;若是,则向维护人员发送所预估的照明设备的提示信息,所述提示信息包括所预估的照明设备的类型,位置及编号。
本申请实施例还提供一种非易失性计算机可读取存储介质(以下简称计算机可读取存储介质),该计算机可读取存储介质上存储有计算机程序,该计算机程序被处理器运行时,执行如上述的照明设备的寿命预估方法所包含的步骤。
综上所述,本申请的实施例提供了一种照明设备的寿命预估方法、装置、存储介质和电子设备,所述方法包括:获取多个照明设备之间的相关性模型;获取所述多个照明设备的实时数据,并根据所述实时数据确定异常的照明设备;计算所述异常的照明设备的寿命;及根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
通过获取照明设备的实时数据,确定出其中异常的照明设备的使用寿命,并根据该使用寿命,对相关性模型中与该异常的照明设备关联的照明设备的寿命进行预估。通过这样的方式,可以根据已经确定出使用寿命的照明设备的寿命值的数据,对与之相关的照明设备的寿命进行预估,由于数据都来自于实际中的实时数据,因此能够尽可能准确地预估出与异常的照明设备关联的照明设备的寿命。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种照明设备的寿命预估方法,其特征在于,所述方法包括:
获取多个照明设备之间的相关性模型;
获取部分所述照明设备的实时数据,并根据所述实时数据确定异常的照明设备;
计算所述异常的照明设备的寿命;及
根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
2.根据权利要求1所述的寿命预估方法,其特征在于,所述获取多个照明设备之间的相关性模型,包括:
获取所述多个照明设备的原始属性信息;
根据所述原始属性信息,建立所述多个照明设备之间的相关性权重关联关系;及
根据所述相关性权重关联关系形成所述多个照明设备之间的相关性模型。
3.根据权利要求2所述的寿命预估方法,其特征在于,所述根据所述相关性权重关联关系建立所述多个照明设备之间的相关性模型,包括:
以所述多个照明设备作为神经元,并以所述多个照明设备之间的相关性数值作为神经元连接权重,建立神经网络,将所述神经网络作为所述相关性模型。
4.根据权利要求1所述的寿命预估方法,其特征在于,所述获取部分所述照明设备的实时数据,并根据所述实时数据确定异常的照明设备,包括:
获取部分所述照明设备的影像信息;
根据所述影像信息,确定所述异常的照明设备。
5.根据权利要求4所述的寿命预估方法,其特征在于,所述根据所述影像信息,确定所述异常的照明设备,包括:
判断各照明设备的亮度是否恒定,若否,则将亮度不恒定的照明设备确定为所述异常的照明设备,若是,则判断各照明设备的亮度是否大于0且小于预设亮度值,若是,则将亮度大于0且小于预设亮度值的照明设备确认为所述异常的照明设备,若否,则判断各照明设备的亮度值是否为0,若是,则将亮度值为0的照明设备确定为所述异常的照明设备。
6.根据权利要求1所述的寿命预估方法,其特征在于,在所述计算所述异常的照明设备的寿命之后,及在所述根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命之前,所述方法还包括:
根据所述异常的照明设备的寿命对所述相关性模型进行校正;
所述根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命包括:
根据校正后的所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
7.根据权利要求1所述的寿命预估方法,其特征在于,所述方法还包括:判断所预估的目标照明设备的寿命是否小于预设阈值;
若是,则向维护人员发送所预估的照明设备的提示信息,所述提示信息包括所预估的照明设备的类型,位置及编号。
8.一种照明设备的寿命预测装置,其特征在于,包括:
获取模块,用于获取多个照明设备之间的相关性模型;以及,获取所述多个照明设备的实时数据;
确定模块,用于根据所述实时数据确定异常的照明设备;
计算模块,用于计算所述异常的照明设备的寿命;
预估模块,用于根据所述相关性模型和所述异常的照明设备的寿命,预估目标照明设备的寿命。
9.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的照明设备的寿命预估方法。
10.一种电子设备,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,其特征在于:所述程序指令被处理器加载并执行时实现权利要求1至7任意一项所述的照明设备的寿命预估方法的步骤。
CN201910598334.6A 2019-07-03 2019-07-03 照明设备的寿命预估方法、装置、存储介质及电子设备 Active CN110287640B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910598334.6A CN110287640B (zh) 2019-07-03 2019-07-03 照明设备的寿命预估方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910598334.6A CN110287640B (zh) 2019-07-03 2019-07-03 照明设备的寿命预估方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN110287640A true CN110287640A (zh) 2019-09-27
CN110287640B CN110287640B (zh) 2023-10-13

Family

ID=68020524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910598334.6A Active CN110287640B (zh) 2019-07-03 2019-07-03 照明设备的寿命预估方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN110287640B (zh)

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060243055A1 (en) * 2005-04-28 2006-11-02 Sundermeyer Jeffry N Systems and methods for determining fatigue life
CN103018673A (zh) * 2012-11-19 2013-04-03 北京航空航天大学 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法
CN103412454A (zh) * 2013-07-18 2013-11-27 苏州佳世达光电有限公司 灯泡寿命的预估方法及应用该方法的投影机
CN103630850A (zh) * 2012-08-28 2014-03-12 鸿富锦精密工业(深圳)有限公司 灯具状态检测系统及方法
US20140074434A1 (en) * 2011-05-13 2014-03-13 Koninklijke Philips N.V. Methods and apparatus for end-of-life estimation of solid state lighting fixtures
US20140285212A1 (en) * 2011-10-17 2014-09-25 Alstom Technology Ltd. Method for the preventative detection of failure in an apparatus, computer program, system and module for the preventative detection of failure in an apparatus
CN104102804A (zh) * 2013-04-11 2014-10-15 华为技术有限公司 一种预测设备器件寿命的方法及装置
US20160232450A1 (en) * 2015-02-05 2016-08-11 Wistron Corporation Storage device lifetime monitoring system and storage device lifetime monitoring method thereof
CN106021826A (zh) * 2016-07-11 2016-10-12 北京航空航天大学 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法
CN106171047A (zh) * 2014-03-06 2016-11-30 飞利浦灯具控股公司 具有预测性维护调度的智能照明系统及其操作的方法
US20160364975A1 (en) * 2015-06-10 2016-12-15 Alstom Transport Technologies Equipment life span monitoring system and method
CN106295003A (zh) * 2016-08-11 2017-01-04 北京航空航天大学 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法
CN106405442A (zh) * 2016-11-30 2017-02-15 东南大学 基于实际运行环境下的led寿命预测方法
CN107783050A (zh) * 2016-08-31 2018-03-09 北京海博思创科技有限公司 电池寿命预测方法及装置
CN107885904A (zh) * 2017-09-29 2018-04-06 中国电子产品可靠性与环境试验研究所 一种led灯具可控寿命的设计系统及方法
CN107942267A (zh) * 2017-12-14 2018-04-20 佛山科学技术学院 路灯设施故障及寿命预测系统
CN107944190A (zh) * 2017-12-14 2018-04-20 天津工业大学 基于人工神经网络的大功率led灯具寿命预测方法
CN107944657A (zh) * 2017-10-20 2018-04-20 国网山东省电力公司 一种电力多源信息故障定位及预判方法
CN108228371A (zh) * 2016-12-15 2018-06-29 发那科株式会社 机器学习装置和方法、寿命预测装置、数值控制装置
CN109061453A (zh) * 2018-08-02 2018-12-21 国网福建省电力有限公司 计及相关系数的变电站刀闸二次回路故障预测方法
WO2019008572A1 (en) * 2017-07-01 2019-01-10 Aigent (Kyna) Tech Ltd. SYSTEMS, METHODS, AND COMPUTER PROGRAM PRODUCTS FOR DETECTING VIRTUAL FAILURE AGENTS
CN109271705A (zh) * 2018-09-14 2019-01-25 湘潭大学 一种基于深度学习的机器预测性维护方法
CN109598052A (zh) * 2018-11-29 2019-04-09 武汉大学 基于相关系数分析的智能电表寿命周期预测方法及装置

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060243055A1 (en) * 2005-04-28 2006-11-02 Sundermeyer Jeffry N Systems and methods for determining fatigue life
US20140074434A1 (en) * 2011-05-13 2014-03-13 Koninklijke Philips N.V. Methods and apparatus for end-of-life estimation of solid state lighting fixtures
US20140285212A1 (en) * 2011-10-17 2014-09-25 Alstom Technology Ltd. Method for the preventative detection of failure in an apparatus, computer program, system and module for the preventative detection of failure in an apparatus
CN103630850A (zh) * 2012-08-28 2014-03-12 鸿富锦精密工业(深圳)有限公司 灯具状态检测系统及方法
CN103018673A (zh) * 2012-11-19 2013-04-03 北京航空航天大学 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法
CN104102804A (zh) * 2013-04-11 2014-10-15 华为技术有限公司 一种预测设备器件寿命的方法及装置
CN103412454A (zh) * 2013-07-18 2013-11-27 苏州佳世达光电有限公司 灯泡寿命的预估方法及应用该方法的投影机
CN106171047A (zh) * 2014-03-06 2016-11-30 飞利浦灯具控股公司 具有预测性维护调度的智能照明系统及其操作的方法
US20160232450A1 (en) * 2015-02-05 2016-08-11 Wistron Corporation Storage device lifetime monitoring system and storage device lifetime monitoring method thereof
US20160364975A1 (en) * 2015-06-10 2016-12-15 Alstom Transport Technologies Equipment life span monitoring system and method
CN106021826A (zh) * 2016-07-11 2016-10-12 北京航空航天大学 一种基于工况识别和相似性匹配的变工况下航空发动机整机剩余寿命预测方法
CN106295003A (zh) * 2016-08-11 2017-01-04 北京航空航天大学 一种基于退化轨迹坐标重构和多元线性回归的锂电池寿命预测方法
CN107783050A (zh) * 2016-08-31 2018-03-09 北京海博思创科技有限公司 电池寿命预测方法及装置
CN106405442A (zh) * 2016-11-30 2017-02-15 东南大学 基于实际运行环境下的led寿命预测方法
CN108228371A (zh) * 2016-12-15 2018-06-29 发那科株式会社 机器学习装置和方法、寿命预测装置、数值控制装置
WO2019008572A1 (en) * 2017-07-01 2019-01-10 Aigent (Kyna) Tech Ltd. SYSTEMS, METHODS, AND COMPUTER PROGRAM PRODUCTS FOR DETECTING VIRTUAL FAILURE AGENTS
CN107885904A (zh) * 2017-09-29 2018-04-06 中国电子产品可靠性与环境试验研究所 一种led灯具可控寿命的设计系统及方法
CN107944657A (zh) * 2017-10-20 2018-04-20 国网山东省电力公司 一种电力多源信息故障定位及预判方法
CN107944190A (zh) * 2017-12-14 2018-04-20 天津工业大学 基于人工神经网络的大功率led灯具寿命预测方法
CN107942267A (zh) * 2017-12-14 2018-04-20 佛山科学技术学院 路灯设施故障及寿命预测系统
CN109061453A (zh) * 2018-08-02 2018-12-21 国网福建省电力有限公司 计及相关系数的变电站刀闸二次回路故障预测方法
CN109271705A (zh) * 2018-09-14 2019-01-25 湘潭大学 一种基于深度学习的机器预测性维护方法
CN109598052A (zh) * 2018-11-29 2019-04-09 武汉大学 基于相关系数分析的智能电表寿命周期预测方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AMIT KUMAR JAIN: "Predicting Remaining Useful Life of high speed milling cutters based on Artificial Neural Network", 《2015 INTERNATIONAL CONFERENCE ON ROBOTICS, AUTOMATION, CONTROL AND EMBEDDED SYSTEMS (RACE)》, pages 1 - 5 *
王瑶: "LED路灯系统可靠性分析与预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》, pages 042 - 1505 *
胡文琪: "橡胶老化寿命的神经网络预测及软件开发", 《中国优秀硕士学位论文全文数据库工程科技I辑》, pages 016 - 345 *

Also Published As

Publication number Publication date
CN110287640B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN111246091B (zh) 一种动态自动曝光控制方法和装置及电子设备
CN107566781A (zh) 视频监控方法和视频监控设备
CN106846837A (zh) 一种交通灯智能控制系统、交通灯智能控制方法及装置
CN110427882A (zh) 用于巡视的智能分析方法、装置、设备及其存储介质
CN116113116B (zh) 水库的照明控制方法及装置
CN111627241B (zh) 用于生成路口车辆排队信息的方法和装置
CN113642858A (zh) 一种基于云平台数据库的智慧用电管理系统
CN110610610A (zh) 一种车辆出入管理方法、装置以及存储介质
CN112131414A (zh) 信号灯的图像的标注方法、装置、电子设备以及路侧设备
CN117093822B (zh) 基于产业知识图谱的产业大脑数据分析平台
CN110287640A (zh) 照明设备的寿命预估方法、装置、存储介质及电子设备
CN111563989B (zh) 闸机的智能控制方法、闸机及计算机可读存储介质
CN116074225B (zh) 一种跨媒体多维传感器信号数据交互方法、系统与介质
CN117274177A (zh) 一种基于图像识别的输电线路防外破方法及装置
CN106128105B (zh) 一种交通路口行人行为监测系统
CN115830562B (zh) 车道信息的确定方法、计算机设备及介质
CN109360436A (zh) 一种视频生成方法、终端及存储介质
CN110955286B (zh) 一种禽蛋监测方法及装置
CN113239756A (zh) 基于目标识别的自动白平衡方法及装置
CN116434576B (zh) 一种交通灯配时方案确定方法、装置、系统及设备
CN117279164B (zh) 基于数据预测的照明灯控制方法及系统
CN115988034B (zh) 管道安全状态的智能化监测方法及系统、服务平台
CN117873722A (zh) 基于场景预测的算法模块调度方法、装置和存储介质
CN117994797B (zh) 一种水尺读数方法、装置、存储介质和电子设备
CN112911131B (zh) 画质调整方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address

Address after: 110000 floors 3-4, No. 197, Nanjing South Street, Heping District, Shenyang City, Liaoning Province

Patentee after: Liaoning Jiaotou Aites Technology Co.,Ltd.

Country or region after: China

Address before: 8 / F, 42-2 Lidao Road, Heping District, Shenyang City, Liaoning Province

Patentee before: LIAONING ATS INTELLIGENT TRANSPORTATION TECHNOLOGY CO.,LTD.

Country or region before: China