CN110766590A - 一种基于深度学习的路灯预测性维护系统及方法 - Google Patents

一种基于深度学习的路灯预测性维护系统及方法 Download PDF

Info

Publication number
CN110766590A
CN110766590A CN201911075652.0A CN201911075652A CN110766590A CN 110766590 A CN110766590 A CN 110766590A CN 201911075652 A CN201911075652 A CN 201911075652A CN 110766590 A CN110766590 A CN 110766590A
Authority
CN
China
Prior art keywords
street lamp
state parameters
main controller
fault
basic model
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.)
Pending
Application number
CN201911075652.0A
Other languages
English (en)
Inventor
马辰
于治楼
于�玲
谭强
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.)
Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Original Assignee
Shandong Inspur Artificial Intelligence Research Institute 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 Shandong Inspur Artificial Intelligence Research Institute Co Ltd filed Critical Shandong Inspur Artificial Intelligence Research Institute Co Ltd
Priority to CN201911075652.0A priority Critical patent/CN110766590A/zh
Publication of CN110766590A publication Critical patent/CN110766590A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本发明公开了一种基于深度学习的路灯预测性维护系统，本发明包括服务器端和若干工作终端，所述工作终端与路灯的数量一一对应，相应工作终端串联至路灯的灯头内，所述工作终端包括主控制器、信号采集模块、通信模块和电源模块。本发明还提供一种基于深度学习的路灯预测性维护方法，基于大量数据建立用于分析路灯故障率的基础模型；基于基础模型分析实时采集的路灯的状态参数，并输出路灯故障率值，当路灯故障率值超过阈值时，发出警报。

Description

一种基于深度学习的路灯预测性维护系统及方法
技术领域
本发明涉及计算机技术领域，具体地说是一种基于深度学习的路灯预测性维护系统及方法。
背景技术
城市夜景照明是城市标志性体现，凸显出了城市稳定和谐、蓬勃发展的气息，映射出了城市特有的文化特色和政治、经济状况，表达出了城市的建设成果、管理水平和照明科技发展水平。
然而，路灯寿命有限，很多路灯因达到寿命或因故障不能正常工作了，但路灯在整个城市分布广泛，维护人员很难第一时间发现故障路灯，坏掉的路灯不但影响城市市容，也给出行的市民带来了不便，增加了因道路光线不足导致交通事故的风险。对于这种情况，市政部门往往增加巡逻人员数量，加大巡逻频次来保证即使发现坏掉的路灯。然而，随着城市的规模不断扩大，这种方式不但财政开支大而且收效甚微。
鉴于此，本发明提出了一种基于深度学习的路灯预测性维护装置及方法，该装置安装于路灯内部，串联接入灯头，可采集灯管电流、电压、温度及光照强度等参数，并根据深度学习模型预测故障产生的概率，从而及时提醒维护人员进行检修或更换，极大降低了人工巡逻成本。
发明内容
本发明的目的是针对以上不足，提供一种基于深度学习的路灯预测性维护系统，还提供一种基于深度学习的路灯预测性维护方法，用以路灯检修工作，保证及时维护，还能降低人工成本。
本发明所采用技术方案是：
一种基于深度学习的路灯预测性维护系统，包括服务器端和若干工作终端，所述工作终端与路灯的数量一一对应，相应工作终端串联至路灯的灯头内，所述工作终端包括主控制器、信号采集模块、通信模块和电源模块，其中：
所述服务器端用于建立分析路灯发生故障率的基础模型；
所述信号采集模块用于采集路灯的工作时的状态参数；
所述主控制器用于接收信号采集模块的采集的状态参数，并基于基础模型对所采集状态参数进行分析处理；
所述通信模块用于传递警报至服务器终端；
所述电源模块用于将标准电压转换成所述系统需要的工作电压。
作为一种优选的技术方案，所述服务器端和所述主控制器内均搭建有基于开源框架Tensorflow的三层神经网路。
作为一种优选的技术方案，所述信号采集模块包括电流传感器、电压传感器、温度传感器和光照强度传感器。
作为一种优选的技术方案，所述主控制器包括STM32单片机，所述通信模块包括窄带物联网NB-IOT模块，所述STM32单片机通过串口AT指令控制窄带物联网NB-IOT模块，窄带物联网NB-IOT模块通过UDP方式发送告警信息数据到服务器端。
作为一种优选的技术方案，所述电源模块包括整流桥和LDC稳压芯片，整流桥用于将交流电整流成直流电，所述LDC稳压芯片将220V生活电压变压至5V主控器器工作电压。
作为一种优选的技术方案，所述系统还包括若干移动终端，所述移动终端通过无线网络与服务器端连接，所述移动终端为手机、平板和寻呼设备中的一种。
本发明还提供一种基于深度学习的路灯预测性维护方法，所述方法包括第一阶段和第二阶段，其中：所述第一阶段包括：
基于大量数据建立用于分析路灯故障率的基础模型；
所述第二阶段包括：
基于基础模型分析实时采集的路灯的状态参数，并输出路灯故障率值，当路灯故障率值超过阈值时，发出警报。
作为一种优选的技术方案，所述基于大量数据建立用于分析路灯故障率的基础模型包括：
通过采集模块采集路灯工作时的状态参数，所述状态参数包括但不限于电压、电流光照强度和温度参数，采集模块将采集的实时状态参数发送给主控器；
所述主控制器接收采集模块采集到的路灯的实时状态参数，并对实时状态参数判断路灯是否为发生故障状态，如判断路灯为发生故障状态时，主控制器记录一定时间段内的故障状态参数，并将该故障状态参数发送至服务器端。
所述服务器端持续接收所有发生故障的故障状态参数，并形成分析数据，并将该分析数据导致至基于开源框架Tensorflow的三层神经网路中，生成用于分析路灯故障率的基础模型；同时服务器端通过移动终端通知工作人员对故障路灯前去维修；
所述服务器将生成的基础模型发送至每个主控制器中。
作为一种优选的技术方案，所述基于基础模型分析实时采集的路灯的状态参数，并输出路灯故障率值，当路灯故障率值超过阈值时，发出警报包括：
通过采集模块采集路灯工作是的状态参数，所述状态参数包括但不限于电压、电流光照强度和温度参数，采集模块将采集的实时状态参数发送给主控器；
所述主控制器接收采集模块采集到的路灯的实时状态参数，并基于用于分析路灯故障率的基础模型，对输出路灯的路障率值，当输出故障率值超过设定阈值时，该路灯的主控器向服务器端发出警报，服务器端通过移动终端通知工作人员进行维修。
作为一种优选的技术方案，所述主控制器基于基础模型性对路灯实时状态判断的故障率值低于设置阈值，但路灯被判断为故障状态时，该路灯相应主控制器记录一定时间段内的新故障状态参数，并将该新故障状态参数发送至服务器端；
所述服务器端持续接收每个新故障状态参数，形成分析数据，并将该分析数据导致至基于开源框架Tensorflow的三层神经网路中，对形成的基础模型进行更新；
所述服务器端将更新后的基础模型下发至每个主控制器。
本发明具有以下优点：
1、本发明的维护系统通过服务器端基于大数据建立路灯故障的基础模型，而主控制器基于基础模型对采集的路灯工作参数进行处理，并输出故障率，当故障率，当故障率大于阈值时，发出警报信息，本系统能够在路灯发生故障之间发现路灯存在的故障，通知工作人员进行检修，既能够避免路灯不亮以后引起的不便，提前检修还能够避免电路中安全隐患的发生，降低投入成本；
2、本发明的维护系统主控制器和通信模块均为低成本、低功耗的电子元件，但这些电子元件的性能强、工作状态更加稳定，适合大规模应用场合下使用；
3、本发明的维护系统还包括移动终端，使在外施工的工作人员能够及时的接收到警报信息；
4、本发明的路灯的维护方法，先收集大量故障路灯在出现故障之前的状态参数的信息源，当然收集数量越多对于基础模型的建立越有好处，然后再将这些数据输入到基于开源框架Tensorflow的三层神经网路中，通过相应系统参数设置建立各种路灯故障的基础模型，主控制器在处理路灯的实时状态参数时，会讲这些实时参数与这些基础模型进行对比，当相似度达到设定阈值时，发出警报信息，实现对路灯故障的提前预警；
5、本发明的路灯的维护方法，通过增加了一个持续学习更新的过程，使得系统能够进行持续深度的学习，完善自身系统的数据，提升系统的判断能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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他的附图。
下面结合附图对本发明进一步说明：
附图1为本发明维护系统的组成结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
需要理解的是，在本发明实施例的描述中，“第一”、“第二”等词汇，仅用于区分描述的目的，而不能理解为指示或暗示相对重要性，也不能理解为指示或暗示顺序。在本发明实施例中的“多个”，是指两个或两个以上。
本发明实施例中的属于“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，单独存在B，同时存在A和B这三种情况。另外，本文中字符“/”一般表示前后关联对象是一种“或”关系。
实施例一
本实施例提供一种基于深度学习的路灯预测性维护系统，包括服务器端、若干工作终端和若干移动终端，所述工作终端与路灯的数量一一对应，相应工作终端串联至路灯的灯头内，所述工作终端包括主控制器、信号采集模块、通信模块和电源模块，其中：
所述服务器端用于建立分析路灯发生故障率的基础模型；所述服务器端搭建有基于开源框架Tensorflow的三层神经网路，TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统，通过对基于开源框架Tensorflow的三层神经网路输入大量的实验数据，并定义相关参数能够总结出路灯发生故障时的状态参数的基础模型。
所述信号采集模块用于采集路灯的工作时的状态参数，所述信号采集模块包括电流传感器、电压传感器、温度传感器和光照强度传感器，用于采集路灯工作状态中的电流参数、电压参数、温度参数和光照强度参数；
所述主控制器用于接收信号采集模块的采集的状态参数，并基于基础模型对所采集状态参数进行分析处理；所述主控制器采用MCU，是指将计算机的CPU、RAM、ROM、定时计数器和多种I/O接口集成在一片芯片上，形成芯片级的计算机，所述MCU采用STM32单片机，STM32单片机具有高性能、低成本、低功耗等优点；
所述通信模块用于传递警报至服务器终端；所述通信模块包括窄带物联网NB-IOT模块，所述主控制器的STM32单片机通过串口AT指令控制窄带物联网NB-IOT模块，窄带物联网NB-IOT模块通过UDP方式发送告警信息数据到服务器端。
所述电源模块用于将标准电压转换成所述系统需要的工作电压；所述电源模块包括整流桥和LDC稳压芯片，整流桥用于将交流电整流成直流电，所述LDC稳压芯片将220V生活电压变压至5V主控器器工作电压；
所述移动终端通过无线网络与服务器端连接，所述移动终端为手机、平板和寻呼设备中的一种。警报信息由主控制器传递到服务器内，服务器根据区域划分或实时位置将警报信息下发至移动终端上，移动终端由工作人员携带。
实施例二
本实施例提供一种基于深度学习的路灯预测性维护方法，所述方法包括第一阶段和第二阶段，其中：所述第一阶段为训练阶段，第二阶段为应用阶段。
所述第一阶段包括：
S1、基于大量数据建立用于分析路灯故障率的基础模型；
S11、通过采集模块采集路灯工作时的状态参数，所述状态参数包括但不限于电压、电流光照强度和温度参数，采集模块将采集的实时状态参数发送给主控器；
S12、所述主控制器接收采集模块采集到的路灯的实时状态参数，并对实时状态参数判断路灯是否为发生故障状态，如判断路灯为发生故障状态时，主控制器记录一定时间段内的故障状态参数，并将该故障状态参数发送至服务器端。
S13、所述服务器端持续接收所有发生故障的故障状态参数，并形成分析数据，并将该分析数据导致至基于开源框架Tensorflow的三层神经网路中，生成用于分析路灯故障率的基础模型；同时服务器端通过移动终端通知工作人员对故障路灯前去维修；
S14、所述服务器将生成的基础模型发送至每个主控制器中。
在第一阶段中，只有在路灯发生故障时，才会被信号采集模块发现，如电压增大、电流变成零、光照强度为零等现象，或电压变成零，电流增大、光照强度为零等现象均可以判定路灯发生故障，在路灯出现故障时，主控制器提取该路灯发生故障之前的状态参数通过数字信号的形式发送至服务器，服务器对这些数据进行编号储存，当然每个路灯在系统中相应对应一个编号，这样更便于系统数据的传递和管理。因此，在第一阶段中，也只有路灯发生故障以后才能够通知到工作人员进行维修。
第一阶段，也就是训练阶段中，主要工作是收集大量路灯在发生故障之前的状态参数数据组，该工作基于采集较多的路灯信息，还需要保持一定的时间，如训练时间为一年或者两年，具体训练时间的话还需要根据采集到的数据数量来确认，如设置该维护系统的路灯基数比较大的话，产生故障的路灯的状态数据组也会比较多，因此训练时间可先对缩短，但是如果设置该维护系统的路灯基数相对较小，产生故障的路灯的状态数据组也会较少，因此训练时间也就需要的更长，可以采集到的数据组的数据为限定值。当数据达到限定值时，将这些数据导入到基于开源框架Tensorflow的三层神经网路，并对该神经网络进行参数设置，使其输出各种故障问题的基础模型，并对每种故障问题的基础模型设定相应提示代码，方便工作人员及时知晓故障问题的根源。
所述第二阶段包括：
S2、基于基础模型分析实时采集的路灯的状态参数，并输出路灯故障率值，当路灯故障率值超过阈值时，发出警报。
S21、通过采集模块采集路灯工作是的状态参数，所述状态参数包括但不限于电压、电流光照强度和温度参数，采集模块将采集的实时状态参数发送给主控器；
S22、所述主控制器接收采集模块采集到的路灯的实时状态参数，并基于用于分析路灯故障率的基础模型，对输出路灯的路障率值，当输出故障率值超过设定阈值时，该路灯的主控器向服务器端发出警报，服务器端通过移动终端通知工作人员进行维修。
第二阶段中，也就是应用阶段中，服务器端将生成的基础模型下发到每个主控制器上，主控制器通过采集模块实时采集路灯的各状态参数，主控制器定期对状态参数基于前述基础模型进行处理，即各状态参数与各种故障问题的基础模型中参数进行对比，输出值即为比较后的相似度值，可能与每个模型均存在一定程度的相似度，输出值为相似度最大的值，也就是故障率值，当故障率值超过设置阈值时，主控制器通过通信模块将警报信息发动值服务器端，服务器端按照区域划分或实时举例远近发送到相应移动终端，工作人员通过移动终端查看警报信息，及时对相应路灯进行检修。
实施例三
本实施例提供另一种基于深度学习的路灯预测性维护方法，所述方法包括第一阶段和第二阶段，其中：所述第一阶段为训练阶段，第二阶段为应用阶段。
所述第一阶段包括：
S1、基于大量数据建立用于分析路灯故障率的基础模型；
S11、通过采集模块采集路灯工作时的状态参数，所述状态参数包括但不限于电压、电流光照强度和温度参数，采集模块将采集的实时状态参数发送给主控器；
S12、所述主控制器接收采集模块采集到的路灯的实时状态参数，并对实时状态参数判断路灯是否为发生故障状态，如判断路灯为发生故障状态时，主控制器记录一定时间段内的故障状态参数，并将该故障状态参数发送至服务器端。
S13、所述服务器端持续接收所有发生故障的故障状态参数，并形成分析数据，并将该分析数据导致至基于开源框架Tensorflow的三层神经网路中，生成用于分析路灯故障率的基础模型；同时服务器端通过移动终端通知工作人员对故障路灯前去维修；
S14、所述服务器将生成的基础模型发送至每个主控制器中。
所述第二阶段包括：
S2、基于基础模型分析实时采集的路灯的状态参数，并输出路灯故障率值，当路灯故障率值超过阈值时，发出警报；
S21、通过采集模块采集路灯工作是的状态参数，所述状态参数包括但不限于电压、电流光照强度和温度参数，采集模块将采集的实时状态参数发送给主控器；
S22、所述主控制器接收采集模块采集到的路灯的实时状态参数，并基于用于分析路灯故障率的基础模型，对输出路灯的路障率值，当输出故障率值超过设定阈值时，该路灯的主控器向服务器端发出警报，服务器端通过移动终端通知工作人员进行维修。
S23、所述主控制器基于基础模型性对路灯实时状态判断的故障率值低于设置阈值，但路灯被判断为故障状态时，该路灯相应主控制器记录一定时间段内的新故障状态参数，并将该新故障状态参数发送至服务器端；
S24、所述服务器端持续接收每个新故障状态参数，形成分析数据，并将该分析数据导致至基于开源框架Tensorflow的三层神经网路中，对形成的基础模型进行更新；
S25、所述服务器端将更新后的基础模型下发至每个主控制器。
本实施例与实施例二相比，主要增加了一个持续学习更新的过程，当因在现有基础模型下，未发现与路灯的状态参数相类似的基础模型，但是路灯依然出现故障的时候，该步骤与训练阶段的步骤相同，通过收集、上传服务器的数据库，针对新的数据库更新基础模型，并将更新后的基础模型下发至每个主控制器。使得系统能够进行持续深度的学习，完善自身系统的数据，提升系统的判断能力。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种基于深度学习的路灯预测性维护系统，其特征在于：包括服务器端和若干工作终端，所述工作终端与路灯的数量一一对应，相应工作终端串联至路灯的灯头内，所述工作终端包括主控制器、信号采集模块、通信模块和电源模块，其中：
所述服务器端用于建立分析路灯发生故障率的基础模型；
所述信号采集模块用于采集路灯的工作时的状态参数；
所述主控制器用于接收信号采集模块的采集的状态参数，并基于基础模型对所采集状态参数进行分析处理；
所述通信模块用于传递警报至服务器终端；
所述电源模块用于将标准电压转换成所述系统需要的工作电压。
2.根据权利要求1所述的机遇深度学习的路灯预测性维护系统，其特征在于：所述服务器端和所述主控制器内均搭建有基于开源框架Tensorflow的三层神经网路。
3.根据权利要求1所述的基于深度学习的路灯预测性维护系统，其特征在于：所述信号采集模块包括电流传感器、电压传感器、温度传感器和光照强度传感器。
4.根据权利要求1所述的基于深度学习的路灯预测性维护系统，其特征在于：所述主控制器包括STM32单片机，所述通信模块包括窄带物联网NB-IOT模块，所述STM32单片机通过串口AT指令控制窄带物联网NB-IOT模块，窄带物联网NB-IOT模块通过UDP方式发送告警信息数据到服务器端。
5.根据权利要求1所述的基于深度学习的路灯预测性维护系统，其特征在于：所述电源模块包括整流桥和LDC稳压芯片，整流桥用于将交流电整流成直流电，所述LDC稳压芯片将220V生活电压变压至5V主控器器工作电压。
6.根据权利要求1所述的基于深度学习的路灯预测性维护系统，其特征在于：所述系统还包括若干移动终端，所述移动终端通过无线网络与服务器端连接，所述移动终端为手机、平板和寻呼设备中的一种。
7.一种基于深度学习的路灯预测性维护方法，其特征在于：所述方法包括第一阶段和第二阶段，其中：所述第一阶段包括：
基于大量数据建立用于分析路灯故障率的基础模型；
所述第二阶段包括：
基于基础模型分析实时采集的路灯的状态参数，并输出路灯故障率值，当路灯故障率值超过阈值时，发出警报。
8.根据权利要求7所述的基于深度学习的路灯预测性维护方法，其特征在于：所述基于大量数据建立用于分析路灯故障率的基础模型包括：
通过采集模块采集路灯工作时的状态参数，所述状态参数包括但不限于电压、电流光照强度和温度参数，采集模块将采集的实时状态参数发送给主控器；
所述主控制器接收采集模块采集到的路灯的实时状态参数，并对实时状态参数判断路灯是否为发生故障状态，如判断路灯为发生故障状态时，主控制器记录一定时间段内的故障状态参数，并将该故障状态参数发送至服务器端。
所述服务器端持续接收所有发生故障的故障状态参数，并形成分析数据，并将该分析数据导致至基于开源框架Tensorflow的三层神经网路中，生成用于分析路灯故障率的基础模型；同时服务器端通过移动终端通知工作人员对故障路灯前去维修；
所述服务器将生成的基础模型发送至每个主控制器中。
9.根据权利要求8所述的基于深度学习的路灯预测性维护方法，其特征在于：所述基于基础模型分析实时采集的路灯的状态参数，并输出路灯故障率值，当路灯故障率值超过阈值时，发出警报包括：
通过采集模块采集路灯工作是的状态参数，所述状态参数包括但不限于电压、电流光照强度和温度参数，采集模块将采集的实时状态参数发送给主控器；
所述主控制器接收采集模块采集到的路灯的实时状态参数，并基于用于分析路灯故障率的基础模型，对输出路灯的路障率值，当输出故障率值超过设定阈值时，该路灯的主控器向服务器端发出警报，服务器端通过移动终端通知工作人员进行维修。
10.根据权利要求9所述的基于深度学习的路灯预测性维护方法，其特征在于：所述主控制器基于基础模型性对路灯实时状态判断的故障率值低于设置阈值，但路灯被判断为故障状态时，该路灯相应主控制器记录一定时间段内的新故障状态参数，并将该新故障状态参数发送至服务器端；
所述服务器端持续接收每个新故障状态参数，形成分析数据，并将该分析数据导致至基于开源框架Tensorflow的三层神经网路中，对形成的基础模型进行更新；
所述服务器端将更新后的基础模型下发至每个主控制器。
CN201911075652.0A 2019-11-06 2019-11-06 一种基于深度学习的路灯预测性维护系统及方法 Pending CN110766590A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911075652.0A CN110766590A (zh) 2019-11-06 2019-11-06 一种基于深度学习的路灯预测性维护系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911075652.0A CN110766590A (zh) 2019-11-06 2019-11-06 一种基于深度学习的路灯预测性维护系统及方法

Publications (1)

Publication Number Publication Date
CN110766590A true CN110766590A (zh) 2020-02-07

Family

ID=69336100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911075652.0A Pending CN110766590A (zh) 2019-11-06 2019-11-06 一种基于深度学习的路灯预测性维护系统及方法

Country Status (1)

Country Link
CN (1) CN110766590A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210092A (zh) * 2020-03-04 2020-05-29 深圳市今天国际物流技术股份有限公司 一种基于深度学习的堆垛机预测性维护方法及其系统
CN111970785A (zh) * 2020-08-18 2020-11-20 蔡国凤 一种智慧路灯的应急led路灯控制方法与系统
CN112383236A (zh) * 2020-10-26 2021-02-19 华北电力大学 一种基于在线监测的模块化多电平换流器维护方法及系统
CN113128713A (zh) * 2021-04-14 2021-07-16 江苏未来城市公共空间开发运营有限公司 一种基于深度学习的路灯预测性维护系统
CN114430604A (zh) * 2021-12-30 2022-05-03 南京莱恩特光电科技有限公司 一种沉浸式夜游监控管理系统
CN114449719A (zh) * 2021-12-24 2022-05-06 广州智慧用电与城市照明技术有限公司 一种路灯运行状态智能识别方法及系统
CN115639797A (zh) * 2022-09-16 2023-01-24 上海嘉柒智能科技有限公司 一种嵌入式路灯控制器的边缘端故障分析系统及方法
CN116718894A (zh) * 2023-06-19 2023-09-08 上饶市广强电子科技有限公司 玉米灯的电路稳定性测试方法及其系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103901876A (zh) * 2014-03-10 2014-07-02 上海大学 一种基于多传感器信息融合的led路灯故障诊断系统和方法
CN105072787A (zh) * 2015-07-17 2015-11-18 广东浩迪创新科技有限公司 一种具有路灯故障检测功能的现场检测仪及检测系统
CN110278216A (zh) * 2019-07-26 2019-09-24 福州大学 基于NB-IoT的智能路灯管理系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103901876A (zh) * 2014-03-10 2014-07-02 上海大学 一种基于多传感器信息融合的led路灯故障诊断系统和方法
CN105072787A (zh) * 2015-07-17 2015-11-18 广东浩迪创新科技有限公司 一种具有路灯故障检测功能的现场检测仪及检测系统
CN110278216A (zh) * 2019-07-26 2019-09-24 福州大学 基于NB-IoT的智能路灯管理系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
章建涛: "面向城市照明系统的智能故障诊断与预测方法研究", 《中国优秀硕士学位论文全文库》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111210092A (zh) * 2020-03-04 2020-05-29 深圳市今天国际物流技术股份有限公司 一种基于深度学习的堆垛机预测性维护方法及其系统
CN111970785A (zh) * 2020-08-18 2020-11-20 蔡国凤 一种智慧路灯的应急led路灯控制方法与系统
CN111970785B (zh) * 2020-08-18 2021-04-20 四川天剑光电科技股份有限公司 一种智慧路灯的应急led路灯控制方法与系统
CN112383236A (zh) * 2020-10-26 2021-02-19 华北电力大学 一种基于在线监测的模块化多电平换流器维护方法及系统
CN113128713A (zh) * 2021-04-14 2021-07-16 江苏未来城市公共空间开发运营有限公司 一种基于深度学习的路灯预测性维护系统
CN114449719A (zh) * 2021-12-24 2022-05-06 广州智慧用电与城市照明技术有限公司 一种路灯运行状态智能识别方法及系统
CN114430604A (zh) * 2021-12-30 2022-05-03 南京莱恩特光电科技有限公司 一种沉浸式夜游监控管理系统
CN115639797A (zh) * 2022-09-16 2023-01-24 上海嘉柒智能科技有限公司 一种嵌入式路灯控制器的边缘端故障分析系统及方法
CN116718894A (zh) * 2023-06-19 2023-09-08 上饶市广强电子科技有限公司 玉米灯的电路稳定性测试方法及其系统
CN116718894B (zh) * 2023-06-19 2024-03-29 上饶市广强电子科技有限公司 玉米灯的电路稳定性测试方法及其系统

Similar Documents

Publication Publication Date Title
CN110766590A (zh) 一种基于深度学习的路灯预测性维护系统及方法
CN102933006B (zh) 数字化照明控制系统
CN202721876U (zh) 一种led路灯单灯监控系统
CN201839488U (zh) 节能型路灯无线网络监控系统
CN104683447A (zh) 环境监测报警系统及其应用方法
CN101022688A (zh) 城市路灯远程监测高效节能调控方法及装置
CN103796391B (zh) 一种智能路灯控制管理系统
CN106937455A (zh) 基于物联网技术的智能化城市照明节能监控管理系统
CN103037598A (zh) 具有车辆监控功能的led路灯电力载波远程控制系统
CN214890842U (zh) 多功能智慧路灯杆
CN205211173U (zh) 一种智能交通控制系统
CN204116328U (zh) 一种基于物联网的村镇饮用水源水质监测及预警系统
CN108181860A (zh) 基于nb-iot的路灯联网的方法及控制系统
CN104394623A (zh) 一种道路路灯智能控制方法
CN103281827A (zh) 一种动态反馈负载均衡的led路灯智能控制系统及方法
CN211878729U (zh) 一种采集设备智能监控系统
CN211826410U (zh) 一种led路灯状态监测和故障定位系统
CN205211172U (zh) 一种基于gprs控制的智能交通灯控制系统
CN207820291U (zh) 基于nb-iot的路灯智能监控系统
CN109975638A (zh) 一种基于无线传输的开关量信号监测装置及方法
CN102105011A (zh) 路灯节能终端监控方法及路灯节能终端的监控中心
CN104780658A (zh) 一种路灯无线监控系统
CN109890104A (zh) 基于云服务的具备学习能力的太阳能路灯调光控制系统
CN204836647U (zh) 一种路灯无线监控系统
CN205208420U (zh) 太阳能路灯联网系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200207