CN111914493B - 一种led路灯寿命仿真的系统及方法 - Google Patents

一种led路灯寿命仿真的系统及方法 Download PDF

Info

Publication number
CN111914493B
CN111914493B CN202011046291.XA CN202011046291A CN111914493B CN 111914493 B CN111914493 B CN 111914493B CN 202011046291 A CN202011046291 A CN 202011046291A CN 111914493 B CN111914493 B CN 111914493B
Authority
CN
China
Prior art keywords
data
led street
street lamp
node
training
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.)
Active
Application number
CN202011046291.XA
Other languages
English (en)
Other versions
CN111914493A (zh
Inventor
吴传炎
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.)
Beijing Zhongsetuang Environmental Science And Technology Research Institute Co ltd
Original Assignee
Beijing Zhongsetuang Environmental Science And Technology 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 Beijing Zhongsetuang Environmental Science And Technology Research Institute Co ltd filed Critical Beijing Zhongsetuang Environmental Science And Technology Research Institute Co ltd
Priority to CN202011046291.XA priority Critical patent/CN111914493B/zh
Publication of CN111914493A publication Critical patent/CN111914493A/zh
Application granted granted Critical
Publication of CN111914493B publication Critical patent/CN111914493B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Abstract

本发明公开了一种LED路灯寿命仿真系统及方法，其中，LED路灯寿命仿真系统包括：灯具实时监测物联网，对当前联网管理的LED路灯进行实时监测。后台数据中心及LED路灯器件库，利用实时数据训练神经网络预测模型，得出LED路灯的寿命曲线，并对结果进行校正。预测过程中无需任何先验数据，完全基于实际检测到的数据得到预测结果。充分利用了LED路灯在实际使用过程中的数据，并具有良好的可移植性，可对不同实际应用场景下的LED路灯使用寿命进行仿真。

Description

一种LED路灯寿命仿真的系统及方法
技术领域
本发明涉及LED路灯产品测试领域，具体涉及一种LED路灯寿命仿真的系统及方法。
背景技术
随着城市现代化建设进程的不断推进，城市内交通基础设施日渐完善，其中以交通要道上的路灯最为突出。现阶段交通要道上的路灯多由LED路灯构成。与传统光源相比，LED路灯具有高效率和长寿命等特点，也因此得到广泛的应用。
现行的LED路灯基本上配备有适配器与通信线路，能够与管理中心实现通信连接。通过管理中心的管理系统，能够实现对LED路灯的控制。市场上的LED路灯的寿命通常为25000-50000小时，但在使用过程中发现LED路灯的使用寿命往往低于其标注的使用寿命，不具有可靠性。因此，需要一种LED路灯寿命仿真系统来针对不同LED路灯路的寿命进行仿真模拟，以获得具备可靠性的LED路灯的使用寿命。
现有技术中存在Lp寿命模型，即当输出光通量低于初始值p%时，即认为LED路灯失效。现有技术中的仿真模拟系统能够通过Lp寿命模型模拟LED路灯的使用寿命。然而现有技术中仍存在两个问题：
第一，由于仿真系统的仿真数据较为简单，都是基于加速试验模拟使用环境进行寿命估计，无法对不同实际应用场景下的LED路灯使用寿命进行仿真。
第二，现有的LED路灯寿命算法都是基于电子元器件在不同应力水平下的韦伯分布曲线进行估算，无法充分利用灯具在实际使用过程中的数据。
发明内容
本发明提供了一种LED路灯寿命仿真的系统及方法，以解决现有技术中无法对不同实际应用场景下的LED路灯使用寿命进行仿真、无法充分利用灯具在实际使用过程中的数据的技术问题。下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
根据本申请实施例的一个方面，提供了一种LED路灯寿命仿真的系统，包括：
灯具实时监测物联网，对当前联网管理的LED路灯进行实时监测，每间隔固定时间对各区域LED路灯当前运行状态进行记录；
后台数据中心，接收物联网传输的实时数据，以时间顺序整理并将整理后的数据传送至寿命预测模块中，得到预测数据；
LED路灯器件库，采集并存储灯具器件的基本信息；
寿命预测模块，利用实时监测数据，训练神经网络，将预测数据输入预测模型，获得LED路灯寿命预测结果，所述寿命预测模块包括：数据整理模块，使用一段时间内采集的各时间点的路灯光通量、电流、工作温度作为采样数据；
数据归一化模块：归一化方式为
Figure 199694DEST_PATH_IMAGE001
,
Figure 255375DEST_PATH_IMAGE002
和
Figure 381943DEST_PATH_IMAGE003
分别为采样点数据中的最大值和最小值；
预测模型构建模块，所述预测模型包括：
输入层，将归一化后的特征作为神经网络的输入，神经网络的输入节点数等于特征数量；选择训练集数据的第k个采样点处的样本，
Figure 978009DEST_PATH_IMAGE004
；
其中
Figure 298132DEST_PATH_IMAGE005
为训练集提取出的在各采样点上的n维特征，k=1,2,...p;p为采样点个数，
Figure 619654DEST_PATH_IMAGE006
为输入层的第k个采样点处的第j个节点，j = 1,2, … ,n；将所有k个采样点的样本输入到神经网络中，所述神经网络的输入层节点数与特征数一致；
竞争层，取竞争层的节点个数为d，
Figure 189176DEST_PATH_IMAGE007
，其中M为输入的样本数量；计算竞争层中所有d个节点与输入层样本
Figure 824819DEST_PATH_IMAGE005
的距离为
Figure 999448DEST_PATH_IMAGE008
，选择距离
Figure 662511DEST_PATH_IMAGE005
最近的节点作为最佳匹配节点c，即
Figure 17531DEST_PATH_IMAGE009
，
Figure 955400DEST_PATH_IMAGE010
为最佳匹配节点的向量。竞争层中的每个节点和与其连接的输入层节点之间的连接权重构成的向量
Figure 250115DEST_PATH_IMAGE011
，其中𝑖′表示竞争层的第𝑖′个节点，𝑖′=1,2,…,d；更新最佳匹配节点及相邻节点与输入层节点的连接权重：
Figure 116702DEST_PATH_IMAGE012
其中，𝑖"为最佳匹配节点c周围的竞争层内第𝑖"个邻近节点，t是训练步骤；
Figure 864078DEST_PATH_IMAGE013
是t+1次训练时输入层节点
Figure 903841DEST_PATH_IMAGE014
与竞争层第𝑖"个邻近节点之间的连接权重，
Figure 912117DEST_PATH_IMAGE015
是t次训练时输入层节点
Figure 916982DEST_PATH_IMAGE014
与竞争层第𝑖"个邻近节点之间的连接权重；𝜂(𝑡)为增益函数，0<𝜂(𝑡)<1，且𝜂(𝑡)随着训练次数增加逐渐减小；
Figure 918698DEST_PATH_IMAGE016
为权重。根据竞争层的最佳匹配节点c与其邻近节点之间的距离值更新权重，
Figure 729528DEST_PATH_IMAGE017
其中
Figure 264415DEST_PATH_IMAGE018
为竞争层的最佳匹配节点c的第𝑖"个邻近节点与最佳匹配节点c的欧式距离，𝜎为最佳匹配节点c的各个邻近节点与最佳匹配节点c距离值的标准差；
选取另一个n维样本提供给神经网络的输入层，重复训练步骤，直到训练集样本全部提供给神经网络；训练步骤t=t+1，重复训练，直至训练步骤达到最大训练次数T为止；
输出层，训练结束后输入测试数据，在竞争层中寻找最佳匹配单元，计算出各采样点的寿命估算因子：
Figure 144908DEST_PATH_IMAGE019
从而构建出测试数据的寿命曲线。
所述灯具实时监测物联网包括：光通量监测传感器，监测路灯光通量变化情况；状态监测器，检测正常状态下的LED路灯电路的交流输入电压、电流、设备温度；空气温湿度传感器，检测空气温度、湿度的参数数据；环境监测设备，监测沙尘、浓雾、PM10、降雨天气情况；异常运行状态报警装置，记录包括供电电网波动、大规模停电、电压过载情况等；数据上传装置，通过建立无线通信网络和有线通信网络相结合的物联网网络系统与后台数据中心进行数据交互。
所述物联网网络系统包括但不限于：电力载波、ZigBee、3G、GPRS、6LowPAN、RS232、RS485等方式。
所述LED路灯器件库包括对LED路灯灯头、电子芯片、传感器、驱动电源、散热器、封装材料、信息传输芯片的器件基本信息的描述；
所述器件基本信息包括：物理信息，用于描述电子元器件的大小尺寸以及接通方式的等信息；标识信息，用于识别电子元器件所属的公司；工作信息，用于描述电子元器件的材料及所适用的环境参数；地理位置信息，用于获取电子元器件所应用的地理位置。
所述寿命预测模块中还包括预测校正模块，采用模糊评价法对LED路灯寿命预测结果进行校正；通过使用灯具器件的基本信息及实时监测信息，对LED路灯寿命的影响程度定义，利用层次分析法构建评价矩阵，得出模糊评价结果作为校正值。
所述预测校正模块包括：
因素集合模块，将影响LED路灯寿命的因素整合为因素集合，该集合包括LED路灯光源的衬底材料，发光原理，封装材料，散热器，驱动电源，芯片材料，环境温度，降水及湿度，风沙环境，异常电压等；
权重生成模块，定义每个因素对灯具寿命的影响权重。权重采用两两因素对比赋值。利用影响灯具系统寿命的因素集合，通过层次分析法建立评判矩阵。评判矩阵用
Figure 991510DEST_PATH_IMAGE020
表示，m为因素集合所包含的因素个数；
Figure 564619DEST_PATH_IMAGE021
Figure 344225DEST_PATH_IMAGE022
表示第i个因素对第j个因素的相对重要程度，其中该重要程度由专家进行预设判定赋值；取加权平均函数进行计算。设
Figure 130041DEST_PATH_IMAGE023
是归一化权向量，对于任意
Figure 667201DEST_PATH_IMAGE024
，加权平均型评判函数为：
Figure 23096DEST_PATH_IMAGE025
式中，ｆ为加权平均函数，其中
Figure 830778DEST_PATH_IMAGE026
为第ｉ个因素在综合评判中所占比重。对于给定的评判矩阵
Figure 613926DEST_PATH_IMAGE027
，可使用下列公式计算权值，
Figure 608689DEST_PATH_IMAGE028
组成权向量
Figure 440379DEST_PATH_IMAGE029
将所有因素集合的参数得分相加，就得到了因素集合综合得分，将各因素根据实测数据取值，形成列向量V，估算出的寿命校正值为
Figure 132260DEST_PATH_IMAGE030
；
校正寿命值模块，得到经过校正的预测寿命值LQ’,
Figure 23993DEST_PATH_IMAGE031
。
本发明还包括一种灯具寿命仿真的方法，包括
步骤1，对当前联网管理的LED路灯进行实时监测，每间隔固定时间对各区域LED路灯当前运行状态进行记录；
步骤2，接收物联网传输的实时数据，以时间顺序整理并将整理后的数据传送至寿命预测模块中，得到预测数据；
步骤3，采集并存储灯具器件的基本信息；
步骤4，利用实时监测数据，训练神经网络，将预测数据输入预测模型，获得LED路灯寿命预测结果；
所述对当前联网管理的LED路灯进行实时监测包括：
步骤11，通过光通量监测传感器，监测路灯光通量变化情况；
步骤12，通过状态监测器，检测正常状态下的LED路灯电路的交流输入电压、电流、设备温度；
步骤13，通过空气温湿度传感器，检测空气温度、湿度的参数数据；
步骤14，通过环境监测设备，监测沙尘、浓雾、PM10、降雨天气情况；
步骤15，通过异常运行状态报警装置，记录包括供电电网波动、大规模停电、电压过载、重大节日电压电流情况等，其中重大节日包括春节、圣诞节等；
步骤16，建立无线通信网络和有线通信网络相结合的物联网网络系统，数据上传装置通过物联网网络系统与后台数据中心进行数据交互。
所述物联网网络系统包括但不限于：电力载波、ZigBee、3G、GPRS、6LowPAN、RS232、RS485等方式。
所述灯具器件的基本信息包括对LED路灯灯头、电子芯片、传感器、驱动电源、散热器、封装材料、信息传输芯片的器件基本信息的描述；所述器件基本信息包括但不限于：物理信息，用于描述电子元器件的大小尺寸以及接通方式的等信息；标识信息，用于识别电子元器件所属的公司；工作信息，用于描述电子元器件的材料及所适用的环境参数；地理位置信息，用于获取电子元器件所应用的地理位置。
所述利用实时监测数据，训练神经网络，将预测数据输入预测模型，获得LED路灯寿命预测结果包括：
步骤41，使用一段时间内采集的各时间点的路灯光通量、电流、工作温度作为采样数据；
步骤42：归一化方式为
Figure 974893DEST_PATH_IMAGE032
,
Figure 610274DEST_PATH_IMAGE033
和
Figure 687820DEST_PATH_IMAGE034
分别为采样点数据中的最大值和最小值；
步骤43，将归一化后的特征作为神经网络的输入，神经网络的输入节点数等于特征数量；选择训练集数据的第k个采样点处的样本，
Figure 314236DEST_PATH_IMAGE035
其中
Figure 47706DEST_PATH_IMAGE036
为训练集提取出的在各采样点上的n维特征，k=1,2,...p;p为采样点个数，
Figure 283515DEST_PATH_IMAGE037
为输入层的第k个采样点处的第j个节点，j = 1,2, … ,n；将所有k个采样点的样本输入到神经网络中，所述神经网络的输入层节点数与特征数一致；
步骤44，取竞争层的节点个数为d，
Figure 61240DEST_PATH_IMAGE038
，其中M为输入的样本数量；计算竞争层中所有d个节点与输入层样本
Figure 357092DEST_PATH_IMAGE036
的距离为
Figure 781121DEST_PATH_IMAGE039
，选择距离
Figure 820621DEST_PATH_IMAGE036
最近的节点作为最佳匹配节点c，即
Figure 515170DEST_PATH_IMAGE040
，
Figure 716344DEST_PATH_IMAGE041
为最佳匹配节点的向量。竞争层中的每个节点和与其连接的输入层节点之间的连接权重构成的向量
Figure 627668DEST_PATH_IMAGE042
，其中𝑖′表示竞争层的第𝑖′个节点，𝑖′=1,2,…,d；更新最佳匹配节点及相邻节点与输入层节点的连接权重：
Figure 408542DEST_PATH_IMAGE043
其中，𝑖"为最佳匹配节点 c 周围的竞争层内第𝑖"个邻近节点，t是训练步骤；
Figure 312975DEST_PATH_IMAGE044
是t+1次训练时输入层节点
Figure 419471DEST_PATH_IMAGE045
与竞争层第𝑖"个邻近节点之间的连接权重，
Figure 818091DEST_PATH_IMAGE046
是t次训练时输入层节点
Figure 763176DEST_PATH_IMAGE045
与竞争层第𝑖"个邻近节点之间的连接权重；𝜂(𝑡)为增益函数，0 < 𝜂(𝑡) < 1，且𝜂(𝑡)随着训练次数增加逐渐减小；
Figure 930852DEST_PATH_IMAGE047
为权重。根据竞争层的最佳匹配节点 c 与其邻近节点之间的距离值更新权重，
Figure 772031DEST_PATH_IMAGE048
其中
Figure 720264DEST_PATH_IMAGE049
为竞争层的最佳匹配节点c的第𝑖"个邻近节点与最佳匹配节点 c 的欧式距离，𝜎为最佳匹配节点c的各个邻近节点与最佳匹配节点c距离值的标准差；
步骤45，选取另一个n维样本提供给神经网络的输入层，重复训练步骤，直到训练集样本全部提供给神经网络；训练步骤t=t+1，重复步骤42，直至训练步骤达到最大训练次数T为止；
步骤46，训练结束后输入测试数据，在竞争层中寻找最佳匹配单元，计算出各采样点的寿命估算因子：
Figure 577362DEST_PATH_IMAGE050
从而构建出测试数据的寿命曲线。
所述利用实时监测数据，训练神经网络，将预测数据输入预测模型后，还包括预测校正步骤，采用模糊评价法对LED路灯寿命预测结果进行校正；通过使用灯具器件的基本信息及实时监测信息，对LED路灯寿命的影响程度定义，利用层次分析法构建评价矩阵，得出模糊评价结果作为校正值。
所述预测校正步骤包括：步骤51，将影响LED路灯寿命的因素整合为因素集合，该集合包括LED路灯光源的衬底材料，发光原理，封装材料，散热器，驱动电源，芯片材料，环境温度，降水及湿度，风沙环境，异常电压等；
步骤52，定义每个因素对灯具寿命的影响权重。权重采用两两因素对比赋值。利用影响灯具系统寿命的因素集合，通过层次分析法建立评判矩阵。评判矩阵用
Figure 101010DEST_PATH_IMAGE051
表示，m为因素集合所包含的因素个数；
Figure 283729DEST_PATH_IMAGE052
Figure 188100DEST_PATH_IMAGE022
表示第i个因素对第j个因素的相对重要程度，其中该重要程度由专家进行预设判定赋值；取加权平均函数进行计算。设
Figure 114468DEST_PATH_IMAGE023
是归一化权向量，对于任意
Figure 289360DEST_PATH_IMAGE024
，加权平均型评判函数为：
Figure 236456DEST_PATH_IMAGE025
式中，ｆ为加权平均函数，其中
Figure 565806DEST_PATH_IMAGE026
为第ｉ个因素在综合评判中所占比重。对于给定的评判矩阵
Figure 328488DEST_PATH_IMAGE027
，可使用下列公式计算权值，
Figure 856421DEST_PATH_IMAGE028
组成权向量
Figure 177681DEST_PATH_IMAGE029
步骤53，将所有因素集合的参数得分相加，就得到了因素集合综合得分，将各因素根据实测数据取值，形成列向量V，估算出的寿命校正值为
Figure 292530DEST_PATH_IMAGE030
；
步骤54，得到经过校正的预测寿命值LQ’,
Figure 91859DEST_PATH_IMAGE031
。
本发明具有如下有益效果：采用无监督神经网络作为LED路灯寿命预测模型，以原始测量数据作为神经网络的输入，通过训练调整网络的结构和参数，利用优化后的神经网络在线预测LED路灯的寿命曲线，预测过程中无需任何先验数据，完全基于实际检测到的数据得到预测结果。充分利用了LED路灯在实际使用过程中的数据，并具有良好的可移植性，可对不同实际应用场景下的LED路灯使用寿命进行仿真。
附图说明
图1为LED路灯寿命仿真系统的示意图。
具体实施方式
现在将参照若干示例性实施例来论述本发明的内容。应当理解，论述了这些实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”。术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。术语“另一个实施例”要被解读为“至少一个其他实施例”。
如图1所示，在本发明的优选实施例中，LED路灯寿命仿真系统包括：
灯具实时监测物联网101，对当前联网管理的LED路灯进行实时监测，每间隔固定时间对各区域LED路灯当前运行状态进行记录；
所述灯具实时监测物联网101包括：光通量监测传感器，监测路灯光通量变化情况；通常来说，LED路灯的失效判定是通过光通量实现的，通常把LED路灯光通量衰减到70%的时间作为LED路灯的寿命值。因此，通过在LED路灯上安装光通量监测传感器，可以有效收集使用过程中，LED路灯的光通量变化。
现有技术中多通过提升温度和加强电流设计模拟实验，但是，LED路灯在使用过程中，不仅会受到其所包含的器件寿命的影响，还会受到多种环境因素的影响，因此在实时监测物流网中，为监测更多环境因素，还安装有：状态监测器，检测正常状态下的路灯电路的交流输入电压、电流、设备温度；空气温湿度传感器，检测空气温、湿度具体参数数据；环境监测设备，监测沙尘、浓雾、PM10、降雨等恶劣天气情况；异常运行状态报警装置，例如供电电网波动、大规模停电、电压过载、重大节日电压电流情况等。
灯具实时监测物联网101还包括有数据上传装置，将实时监测到的数据及时上传至用户处进行分析。数据上传装置是通过建立电力载波、ZigBee、3G、GPRS、6LowPAN、RS232、RS485等无线通信网络和有线通信网络相结合的物联网网络系统实现的。
LED路灯寿命仿真系统还包括：LED路灯器件库102，采集并存储灯具器件的基本信息；不同路段安装的LED路灯不同，需将实时采集到的数据对应到具体的LED路灯。LED路灯器件库包括对LED路灯灯头、电子芯片、传感器、驱动电源、散热器、封装材料、信息传输芯片的器件基本信息的描述；所述器件基本信息包括但不限于：物理信息，用于准确描述电子元器件的大小尺寸以及接通方式的等信息；标识信息，用于准确识别电子元器件所属的公司；工作信息，用于描述电子元器件的材料及所适用的环境参数，如额定电压、额定电流、功率等；地理位置信息，用于获取电子元器件所应用的地理位置。
后台数据中心103，接收物联网传输的实时数据，以时间顺序整理并将整理后的数据传送至寿命预测模块中，得到预测数据；
寿命预测模块104，利用实时监测数据训练神经网络预测模型，将预测数据输入预测模型，获得LED路灯寿命预测结果；
寿命预测模块104采用无监督神经网络作为预测模型，以原始测量数据作为神经网络的输入，通过训练调整网络的结构和参数，利用优化后的神经网络在线预测LED路灯的寿命曲线，预测过程中无需任何先验数据，完全基于实际检测到的数据得到预测结果。
寿命预测模块104包括：数据整理模块，使用一段时间内采集的各时间点的路灯光通量、电流、工作温度作为采样数据。
数据归一化模块：归一化方式为
Figure 241342DEST_PATH_IMAGE053
,
Figure 795821DEST_PATH_IMAGE054
和
Figure 651826DEST_PATH_IMAGE055
分别为采样点数据中的最大值和最小值。
预测模型构建模块，所述预测模型包括：
输入层，将归一化后的特征作为神经网络的输入，神经网络的输入节点数等于特征数量；选择训练集数据的第k个采样点处的样本，
Figure 317163DEST_PATH_IMAGE056
其中
Figure 55574DEST_PATH_IMAGE036
为训练集提取出的在各采样点上的n维特征，k=1,2,...p;p为采样点个数，
Figure 656319DEST_PATH_IMAGE037
为输入层的第k个采样点处的第j个节点，j= 1,2, … ,n；将所有K个采样点的样本输入到神经网络中，所述神经网络的输入层节点数与特征数一致。
竞争层，取竞争层的节点个数为d，
Figure 509875DEST_PATH_IMAGE038
，其中M为输入的样本数量；计算竞争层中所有d个节点与输入层样本
Figure 916585DEST_PATH_IMAGE036
的距离为
Figure 181607DEST_PATH_IMAGE039
，选择距离
Figure 77887DEST_PATH_IMAGE036
最近的节点作为最佳匹配节点c，即
Figure 356422DEST_PATH_IMAGE040
，
Figure 802709DEST_PATH_IMAGE041
为最佳匹配节点的向量。竞争层中的每个节点和与其连接的输入层节点之间的连接权重构成的向量
Figure 420772DEST_PATH_IMAGE042
，其中𝑖′表示竞争层的第𝑖′个节点，𝑖′=1,2,…,d；更新最佳匹配节点及相邻节点与输入层节点的连接权重：
Figure 487954DEST_PATH_IMAGE057
其中，𝑖"为最佳匹配节点c周围的竞争层内第𝑖"个邻近节点，t是训练步骤；
Figure 551987DEST_PATH_IMAGE044
是t+1次训练时输入层节点
Figure 362818DEST_PATH_IMAGE045
与竞争层第𝑖"个邻近节点之间的连接权重，
Figure 100966DEST_PATH_IMAGE046
是t次训练时输入层节点
Figure 637252DEST_PATH_IMAGE045
与竞争层第𝑖"个邻近节点之间的连接权重；𝜂(𝑡)为增益函数，0<𝜂(𝑡)<1，且𝜂(𝑡)随着训练次数增加逐渐减小；
Figure 93641DEST_PATH_IMAGE047
为权重。根据竞争层的最佳匹配节点c与其邻近节点之间的距离值更新权重，
Figure 583529DEST_PATH_IMAGE048
其中
Figure 972922DEST_PATH_IMAGE049
为竞争层的最佳匹配节点c的第𝑖"个邻近节点与最佳匹配节点c的欧式距离，𝜎为最佳匹配节点c的各个邻近节点与最佳匹配节点c距离值的标准差。
选取另一个n维样本提供给神经网络的输入层，重复训练步骤，直到训练集样本全部提供给神经网络；训练步骤t=t+1，重复训练，直至训练步骤达到最大训练次数T为止。
输出层，训练结束后输入测试数据，在竞争层中寻找最佳匹配单元，计算出各采样点的寿命估算因子：
Figure 24316DEST_PATH_IMAGE050
从而构建出测试数据的寿命曲线。
所述寿命预测模块104还包括预测校正模块，对LED路灯的寿命预测结果进行校正。因在神经网络模型中，仅包含了电压、工作温度、光通量及色温的特征，而LED路灯的使用寿命仍然受到其他因素影响，并未在神经网络模型中体现，因此本发明采用模糊评价法对LED路灯寿命预测结果进行校正；通过使用灯具器件的基本信息、地理位置信息及实时监测信息，对LED路灯寿命的影响程度定义，利用层次分析法构建评价矩阵，得出模糊评价结果作为校正值，并将校正后的结果反馈给寿命预测模块。
所述预测校正模块包括：因素集合模块，将影响LED路灯寿命的因素整合为因素集合，该集合包括LED路灯光源的衬底材料，发光原理，封装材料，散热器，驱动电源，芯片材料，环境温度，降水及湿度，风沙环境，异常电压等；
权重生成模块，定义每个因素对灯具寿命的影响权重。权重采用两两因素对比赋值。利用影响灯具系统寿命的因素集合，通过层次分析法建立评判矩阵。评判矩阵用
Figure 764739DEST_PATH_IMAGE051
表示，m为因素集合所包含的因素个数；
Figure 58317DEST_PATH_IMAGE052
Figure 567796DEST_PATH_IMAGE022
表示第i个因素对第j个因素的相对重要程度，其中该重要程度由专家进行预设判定赋值；取加权平均函数进行计算。设
Figure 383568DEST_PATH_IMAGE023
是归一化权向量，对于任意因素
Figure 408024DEST_PATH_IMAGE024
，加权平均型评判函数为：
Figure 505293DEST_PATH_IMAGE025
式中，ｆ为加权平均函数，其中
Figure 72541DEST_PATH_IMAGE026
为第ｉ个因素在综合评判中所占比重。对于给定的评判矩阵
Figure 602091DEST_PATH_IMAGE027
，可使用下列公式计算权值，
Figure 146467DEST_PATH_IMAGE028
组成权向量
Figure 640902DEST_PATH_IMAGE029
将所有因素集合的参数得分相加，得到因素集合综合得分，将各因素根据实测数据取值，形成列向量V，估算出的寿命校正值为
Figure 859394DEST_PATH_IMAGE030
；
校正寿命值模块，得到经过校正的预测寿命值LQ’,
Figure 423493DEST_PATH_IMAGE031
。
本发明还包括一种灯具寿命仿真的方法，包括
步骤1，对当前联网管理的LED路灯进行实时监测，每间隔固定时间对各区域LED路灯当前运行状态进行记录；
步骤2，接收物联网传输的实时数据，以时间顺序整理并将整理后的数据传送至寿命预测模块中，得到预测数据；
步骤3，采集并存储灯具器件的基本信息；
步骤4，利用实时监测数据，训练神经网络，将预测数据输入预测模型，获得LED路灯寿命预测结果；
所述对当前联网管理的LED路灯进行实时监测包括：
步骤11，通过光通量监测传感器，监测路灯光通量变化情况；
步骤12，通过状态监测器，检测正常状态下的路灯电路的交流输入电压、电流、设备温度；
步骤13，通过空气温湿度传感器，检测空气温度、湿度等的具体参数数据；
步骤14，通过环境监测设备，监测沙尘、浓雾、PM10、降雨等恶劣天气情况；
步骤15，通过异常运行状态报警装置，记录例如供电电网波动、大规模停电、电压过载、重大节日电压电流情况等；
步骤16，通过数据上传装置，通过建立无线有线通信网络相结合的物联网网络系统与后台数据中心进行数据交互。
所述无线有线通信网络包括但不限于：电力载波、ZigBee、3G、GPRS、6LowPAN、RS232、RS485等方式。
所述灯具器件的基本信息包括：LED路灯灯头、电子芯片、传感器、驱动电源、散热器、封装材料、信息传输芯片等电子元器件的器件基本信息的描述；所述器件基本信息包括但不限于：物理信息，用于准确描述电子元器件的大小尺寸以及接通方式的等信息；标识信息，用于准确识别电子元器件所属的公司；工作信息，用于描述电子元器件的材料及所适用的环境参数；地理位置信息，用于获取电子元器件所应用的地理位置。
所述利用实时监测数据，训练神经网络，将预测数据输入预测模型，获得LED路灯寿命预测结果包括：
步骤41，使用一段时间内采集的各时间点的路灯光通量、电流、工作温度作为采样数据；
步骤42：归一化方式为
Figure 156962DEST_PATH_IMAGE053
,
Figure 658351DEST_PATH_IMAGE054
和
Figure 232814DEST_PATH_IMAGE055
分别为采样点数据中的最大值和最小值；
步骤43，将归一化后的特征作为神经网络的输入，神经网络的输入节点数等于特征数量；选择训练集数据的第k个采样点处的样本，
Figure 466349DEST_PATH_IMAGE035
其中
Figure 483853DEST_PATH_IMAGE036
为训练集提取出的在各采样点上的n维特征，k=1,2,...p;，p为采样点个数，
Figure 461036DEST_PATH_IMAGE037
为输入层的第k个采样点处的第j个节点，j=1,2,…,n；将所有k个采样点的样本输入到神经网络中，所述神经网络的输入层节点数与特征数一致；
步骤44，取竞争层的节点个数为d，
Figure 749060DEST_PATH_IMAGE038
，其中M为输入的样本数量；计算竞争层中所有d个节点与输入层样本
Figure 153497DEST_PATH_IMAGE036
的距离
Figure 64821DEST_PATH_IMAGE039
，选择距离
Figure 81581DEST_PATH_IMAGE036
最近的节点作为最佳匹配节点c，即
Figure 394750DEST_PATH_IMAGE040
，
Figure 970088DEST_PATH_IMAGE041
为最佳匹配节点的向量。竞争层中的每个节点和与其连接的输入层节点之间的连接权重构成的向量
Figure 571971DEST_PATH_IMAGE042
，其中𝑖′表示竞争层的第𝑖′个节点，𝑖′=1,2,…,d；更新最佳匹配节点及相邻节点与输入层节点的连接权重：
Figure 953274DEST_PATH_IMAGE058
其中，𝑖"为最佳匹配节点c周围的竞争层内第𝑖"个邻近节点，t是训练步骤；
Figure 278207DEST_PATH_IMAGE044
是t+1次训练时输入层节点
Figure 290025DEST_PATH_IMAGE045
与竞争层第𝑖"个邻近节点之间的连接权重，
Figure 411827DEST_PATH_IMAGE046
是t次训练时输入层节点
Figure 924717DEST_PATH_IMAGE045
与竞争层第𝑖"个邻近节点之间的连接权重；𝜂(𝑡)为增益函数，0<𝜂(𝑡)<1，且𝜂(𝑡)随着训练次数增加逐渐减小；
Figure 150162DEST_PATH_IMAGE047
为权重。根据竞争层的最佳匹配节点c与其邻近节点之间的距离值更新权重，
Figure 353786DEST_PATH_IMAGE048
其中
Figure 586053DEST_PATH_IMAGE049
为竞争层的最佳匹配节点c的第𝑖"个邻近节点与最佳匹配节点c的欧式距离，𝜎为最佳匹配节点c的各个邻近节点与最佳匹配节点c距离值的标准差；
步骤45，选取另一个n维样本提供给神经网络的输入层，重复训练步骤，直到训练集样本全部提供给神经网络；训练步骤t=t+1，重复步骤42，直至训练步骤达到最大训练次数T为止；
步骤46，训练结束后输入测试数据，在竞争层中寻找最佳匹配单元，计算出各采样点的寿命估算因子：
Figure 545044DEST_PATH_IMAGE050
从而构建出测试数据的寿命曲线。
所述利用实时监测数据，训练神经网络，将预测数据输入预测模型后，还包括预测校正步骤，采用模糊评价法对LED路灯寿命预测结果进行校正；通过使用灯具器件的基本信息及实时监测信息，对LED路灯寿命的影响程度定义，利用层次分析法构建评价矩阵，得出模糊评价结果作为校正值。
所述预测校正步骤包括：步骤51，将影响LED路灯寿命的因素整合为因素集合，该集合包括LED路灯光源的衬底材料，发光原理，封装材料，散热器，驱动电源，芯片材料，环境温度，降水及湿度，风沙环境，异常电压等；
步骤52，定义每个因素对灯具寿命的影响权重。权重采用两两因素对比赋值。利用影响灯具系统寿命的因素集合，通过层次分析法建立评判矩阵。评判矩阵用
Figure 280788DEST_PATH_IMAGE051
表示，m为因素集合所包含的因素个数；
Figure 135874DEST_PATH_IMAGE052
Figure 730803DEST_PATH_IMAGE022
表示第i个因素对第j个因素的相对重要程度，其中该重要程度由专家进行预设判定赋值；取加权平均函数进行计算。设
Figure 8332DEST_PATH_IMAGE023
是归一化权向量，对于任意
Figure 739527DEST_PATH_IMAGE024
，加权平均型评判函数为：
Figure 562252DEST_PATH_IMAGE025
式中，ｆ为加权平均函数，其中
Figure 175636DEST_PATH_IMAGE026
为第ｉ个因素在综合评判中所占比重。对于给定的评判矩阵
Figure 460118DEST_PATH_IMAGE027
，可使用下列公式计算权值，
Figure 249083DEST_PATH_IMAGE028
组成权向量
Figure 508288DEST_PATH_IMAGE029
步骤53，将所有因素集合的参数得分相加，得到因素集合综合得分，将各因素根据实测数据取值，形成列向量V，估算出的寿命校正值为
Figure 140126DEST_PATH_IMAGE030
；
步骤54，得到经过校正的预测寿命值LQ’,
Figure 946408DEST_PATH_IMAGE031
。
本发明各实施例的方法和系统可以实现为纯粹的软件，例如用Java语言来编写的软件程序，并基于JRE8以及以上版本的Java运行环境；也可以根据需要实现为纯粹的硬件，例如专用ASIC芯片或FPGA芯片；还可以实现为结合了软件和硬件的系统，例如存储有固定代码的固件系统。
本发明的另一个方面是一种计算机可读介质，其上存储有计算机可读指令，所述指令被执行时可实施本发明各实施例的方法。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所公开的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。要求保护的主题的范围仅由所附的权利要求进行限定。

Claims (12)

1.一种LED路灯寿命仿真系统，其特征在于，包括：
灯具实时监测物联网，对当前联网管理的LED路灯进行实时监测，每间隔固定时间对各区域LED路灯当前运行状态进行记录；
后台数据中心，接收物联网传输的实时数据，以时间顺序整理并将整理后的数据传送至寿命预测模块中，得到预测数据；
LED路灯器件库，采集并存储灯具器件的基本信息；
寿命预测模块，利用实时监测数据，训练神经网络，将预测数据输入预测模型，获得LED路灯寿命预测结果，所述寿命预测模块包括：
数据整理模块，使用一段时间内采集的各时间点的路灯光通量、电流、工作温度作为采样数据；
数据归一化模块：归一化方式为
Figure 956405DEST_PATH_IMAGE001
,
Figure 342649DEST_PATH_IMAGE002
和
Figure 406420DEST_PATH_IMAGE003
分别为采样点数据中的最大值和最小值；
预测模型构建模块，所述预测模型包括：
输入层，将归一化后的特征作为神经网络的输入，神经网络的输入节点数等于特征数量；选择训练集数据的第k个采样点处的样本，
Figure 757985DEST_PATH_IMAGE004
；
其中
Figure 725066DEST_PATH_IMAGE005
为训练集提取出的在各采样点上的n维特征，k=1,2,...,p;其中，p为采样点个数，
Figure 780747DEST_PATH_IMAGE006
为输入层的第k个采样点处的第j个节点，j=1,2,…,n；将所有K个采样点的样本输入到神经网络中，所述神经网络的输入层节点数与特征数一致；
竞争层，取竞争层的节点个数为d，
Figure 223491DEST_PATH_IMAGE007
，其中M为输入的样本数量；计算竞争层中所有d个节点与输入层样本
Figure 85137DEST_PATH_IMAGE005
的距离为
Figure 733156DEST_PATH_IMAGE008
，选择距离
Figure 54678DEST_PATH_IMAGE005
最近的节点作为最佳匹配节点c，即
Figure 827462DEST_PATH_IMAGE009
，
Figure 164903DEST_PATH_IMAGE010
为最佳匹配节点的向量，竞争层中的每个节点和与其连接的输入层节点之间的连接权重构成的向量
Figure 372155DEST_PATH_IMAGE011
，其中𝑖′表示竞争层的第𝑖′个节点，𝑖′=1,2,…,d；更新最佳匹配节点及相邻节点与输入层节点的连接权重：
Figure 35218DEST_PATH_IMAGE012
其中，𝑖"为最佳匹配节点c周围的竞争层内第𝑖"个邻近节点，t是训练步骤；
Figure 560877DEST_PATH_IMAGE013
是t+1次训练时输入层节点
Figure 187162DEST_PATH_IMAGE014
与竞争层第𝑖"个邻近节点之间的连接权重，
Figure 248921DEST_PATH_IMAGE015
是t次训练时输入层节点
Figure 551726DEST_PATH_IMAGE014
与竞争层第𝑖"个邻近节点之间的连接权重；𝜂(𝑡)为增益函数，0<𝜂(𝑡)<1，且𝜂(𝑡)随着训练次数增加逐渐减小；
Figure 158157DEST_PATH_IMAGE016
为权重，根据竞争层的最佳匹配节点c与其邻近节点之间的距离值更新权重，
Figure 338865DEST_PATH_IMAGE017
其中
Figure 488086DEST_PATH_IMAGE018
为竞争层的最佳匹配节点c的第𝑖"个邻近节点与最佳匹配节点c的欧式距离，𝜎为最佳匹配节点c的各个邻近节点与最佳匹配节点c距离值的标准差；
选取另一个n维样本提供给神经网络的输入层，重复训练步骤，直到训练集样本全部提供给神经网络；训练步骤t=t+1，重复训练，直至训练步骤达到最大训练次数T为止；
输出层，训练结束后输入测试数据，在竞争层中寻找最佳匹配单元，计算出各采样点的寿命估算因子：
Figure 86427DEST_PATH_IMAGE019
从而构建出测试数据的寿命曲线。
2.如权利要求1所述的仿真系统，其特征在于，所述灯具实时监测物联网包括：
光通量监测传感器，监测路灯光通量变化情况；
状态监测器，检测正常状态下的LED路灯电路的交流输入电压、电流、设备温度；
空气温湿度传感器，检测空气温度、湿度的参数数据；
环境监测设备，监测沙尘、浓雾、PM10、降雨天气情况；
异常运行状态报警装置，记录包括供电电网波动、大规模停电、电压过载情况；
数据上传装置，通过建立无线通信网络和有线通信网络相结合的物联网网络系统与后台数据中心进行数据交互。
3.如权利要求2所述的仿真系统，其特征在于，所述物联网网络系统包括：电力载波、ZigBee、3G、GPRS、6LowPAN、RS232、RS485方式。
4.如权利要求1所述的仿真系统，其特征在于，所述LED路灯器件库包括对LED路灯灯头、电子芯片、传感器、驱动电源、散热器、封装材料、信息传输芯片的器件基本信息的描述；
所述器件基本信息包括：
物理信息，用于描述电子元器件的大小尺寸以及接通方式的信息；
标识信息，用于识别电子元器件所属的公司；
工作信息，用于描述电子元器件的材料及所适用的环境参数；
地理位置信息，用于获取电子元器件所应用的地理位置。
5.如权利要求1所述的仿真系统，其特征在于，所述寿命预测模块中还包括预测校正模块，采用模糊评价法对LED路灯寿命预测结果进行校正；通过使用灯具器件的基本信息及实时监测信息，对LED路灯寿命的影响程度定义，利用层次分析法构建评价矩阵，得出模糊评价结果作为校正值。
6.如权利要求5所述的仿真系统，其特征在于，所述预测校正模块包括：
因素集合模块，将影响LED路灯寿命的因素整合为因素集合，该集合包括LED路灯光源的衬底材料，发光原理，封装材料，散热器，驱动电源，芯片材料，环境温度，降水及湿度，风沙环境，异常电压；
权重生成模块，定义每个因素对灯具寿命的影响权重，权重采用两两因素对比赋值，利用影响灯具系统寿命的因素集合，通过层次分析法建立评判矩阵，评判矩阵用
Figure 76424DEST_PATH_IMAGE020
表示，m为因素集合所包含的因素个数；
Figure 418413DEST_PATH_IMAGE021
Figure 422141DEST_PATH_IMAGE022
表示第i个因素对第j个因素的相对重要程度，其中该重要程度由专家进行预设判定赋值；取加权平均函数进行计算，设
Figure 833793DEST_PATH_IMAGE023
是归一化权向量，对于任意
Figure 837652DEST_PATH_IMAGE024
，加权平均型评判函数为：
Figure 858698DEST_PATH_IMAGE025
式中，ｆ为加权平均函数，其中
Figure 248091DEST_PATH_IMAGE026
为第ｉ个因素在综合评判中所占比重，对于给定的评判矩阵
Figure 830644DEST_PATH_IMAGE027
，可使用下列公式计算权值，
Figure 305488DEST_PATH_IMAGE028
组成权向量
Figure 864645DEST_PATH_IMAGE029
，
将所有因素集合的参数得分相加，得到因素集合综合得分，将各因素根据实测数据取值，形成列向量V，估算出的寿命校正值为
Figure 842966DEST_PATH_IMAGE030
；
校正寿命值模块，得到经过校正的预测寿命值LQ’,
Figure 48950DEST_PATH_IMAGE031
。
7.一种LED路灯寿命仿真方法，其特征在于，包括：
步骤1，对当前联网管理的LED路灯进行实时监测，每间隔固定时间对各区域LED路灯当前运行状态进行记录；
步骤2，接收物联网传输的实时数据，以时间顺序整理并将整理后的数据传送至寿命预测模块中，得到预测数据；
步骤3，采集并存储灯具器件的基本信息；
步骤4，利用实时监测数据，训练神经网络，将预测数据输入预测模型，获得LED路灯寿命预测结果；
所述利用实时监测数据，训练神经网络，将预测数据输入预测模型，获得LED路灯寿命预测结果包括：
步骤41，使用一段时间内采集的各时间点的路灯光通量、电流、工作温度作为采样数据；
步骤42：归一化方式为
Figure 745511DEST_PATH_IMAGE032
,
Figure 609824DEST_PATH_IMAGE033
和
Figure 301705DEST_PATH_IMAGE034
分别为采样点数据中的最大值和最小值；
步骤43，将归一化后的特征作为神经网络的输入，神经网络的输入节点数等于特征数量；选择训练集数据的第k个采样点处的样本，
Figure 724596DEST_PATH_IMAGE004
；
其中
Figure 144338DEST_PATH_IMAGE035
为训练集提取出的在各采样点上的n维特征，k=1,2,...p;p为采样点个数，
Figure 904353DEST_PATH_IMAGE036
为输入层的第k个采样点处的第j个节点，j=1,2,…,n；将所有K个采样点的样本输入到神经网络中，所述神经网络的输入层节点数与特征数一致；
步骤44，取竞争层的节点个数为d，
Figure 952206DEST_PATH_IMAGE037
，其中M为输入的样本数量；计算竞争层中所有d个节点与输入层样本
Figure 405053DEST_PATH_IMAGE035
的距离为
Figure 323810DEST_PATH_IMAGE038
，选择距离
Figure 684253DEST_PATH_IMAGE039
最近的节点作为最佳匹配节点c，即
Figure 226093DEST_PATH_IMAGE040
，
Figure 351306DEST_PATH_IMAGE041
为最佳匹配节点的向量，竞争层中的每个节点和与其连接的输入层节点之间的连接权重构成的向量
Figure 244175DEST_PATH_IMAGE042
，其中𝑖′表示竞争层的第𝑖′个节点，𝑖′=1,2,…,d；更新最佳匹配节点及相邻节点与输入层节点的连接权重：
Figure 752517DEST_PATH_IMAGE043
其中，𝑖"为最佳匹配节点c周围的竞争层内第𝑖"个邻近节点，t是训练步骤；
Figure 181487DEST_PATH_IMAGE044
是t+1次训练时输入层节点
Figure 117082DEST_PATH_IMAGE045
与竞争层第𝑖"个邻近节点之间的连接权重，
Figure 231668DEST_PATH_IMAGE046
是t次训练时输入层节点
Figure 543701DEST_PATH_IMAGE045
与竞争层第𝑖"个邻近节点之间的连接权重；𝜂(𝑡)为增益函数，0<𝜂(𝑡)<1，且𝜂(𝑡)随着训练次数增加逐渐减小；
Figure 545286DEST_PATH_IMAGE047
为权重，根据竞争层的最佳匹配节点c与其邻近节点之间的距离值更新权重，
Figure 215564DEST_PATH_IMAGE048
其中
Figure 676501DEST_PATH_IMAGE049
为竞争层的最佳匹配节点c的第𝑖"个邻近节点与最佳匹配节点c的欧式距离，𝜎为最佳匹配节点c的各个邻近节点与最佳匹配节点c距离值的标准差；
步骤45，选取另一个n维样本提供给神经网络的输入层，重复训练步骤，直到训练集样本全部提供给神经网络；训练步骤t=t+1，重复步骤42，直至训练步骤达到最大训练次数T为止；
步骤46，训练结束后输入测试数据，在竞争层中寻找最佳匹配单元，计算出各采样点的寿命估算因子：
Figure 28110DEST_PATH_IMAGE050
从而构建出测试数据的寿命曲线。
8.如权利要求7所述的仿真方法，其特征在于，所述对当前联网管理的LED路灯进行实时监测包括：
步骤11，通过光通量监测传感器，监测路灯光通量变化情况；
步骤12，通过状态监测器，检测正常状态下的LED路灯电路的交流输入电压、电流、设备温度；
步骤13，通过空气温湿度传感器，检测空气温度、湿度的参数数据；
步骤14，通过环境监测设备，监测沙尘、浓雾、PM10、降雨天气情况；
步骤15，通过异常运行状态报警装置，记录包括供电电网波动、大规模停电、电压过载情况；
步骤16，建立无线通信网络和有线通信网络相结合的物联网网络系统，数据上传装置通过所述物联网网络系统与后台数据中心进行数据交互。
9.如权利要求8所述的仿真方法，其特征在于，所述物联网网络系统包括：电力载波、ZigBee、3G、GPRS、6LowPAN、RS232、RS485方式。
10.如权利要求7所述的仿真方法，其特征在于，所述灯具器件的基本信息包括对LED路灯灯头、电子芯片、传感器、驱动电源、散热器、封装材料、信息传输芯片的器件基本信息的描述；
所述器件基本信息包括：
物理信息，用于描述电子元器件的大小尺寸以及接通方式的信息；
标识信息，用于识别电子元器件所属的公司；
工作信息，用于描述电子元器件的材料及所适用的环境参数；
地理位置信息，用于获取电子元器件所应用的地理位置。
11.如权利要求7所述的仿真方法，其特征在于，所述利用实时监测数据，训练神经网络，将预测数据输入预测模型后，还包括预测校正步骤，采用模糊评价法对LED路灯寿命预测结果进行校正；通过使用灯具器件的基本信息及实时监测信息，对LED路灯寿命的影响程度定义，利用层次分析法构建评价矩阵，得出模糊评价结果作为校正值。
12.如权利要求11所述的仿真方法，其特征在于，所述预测校正步骤包括：
步骤51，将影响LED路灯寿命的因素整合为因素集合，该集合包括LED路灯光源的衬底材料，发光原理，封装材料，散热器，驱动电源，芯片材料，环境温度，降水及湿度，风沙环境，异常电压；
Figure 399049DEST_PATH_IMAGE051
步骤52，定义每个因素对灯具寿命的影响权重，权重采用两两因素对比赋值，利用影响灯具系统寿命的因素集合，通过层次分析法建立评判矩阵，评判矩阵用
Figure 535501DEST_PATH_IMAGE052
表示，m为因素集合所包含的因素个数；
Figure 922882DEST_PATH_IMAGE022
表示第i个因素对第j个因素的相对重要程度，其中该重要程度由专家进行预设判定赋值；取加权平均函数进行计算，设
Figure 45559DEST_PATH_IMAGE023
是归一化权向量，对于任意
Figure 661217DEST_PATH_IMAGE024
，加权平均型评判函数为：
Figure 610981DEST_PATH_IMAGE053
式中，ｆ为加权平均函数，其中
Figure 187455DEST_PATH_IMAGE026
为第ｉ个因素在综合评判中所占比重，对于给定的评判矩阵
Figure 238457DEST_PATH_IMAGE027
，可使用下列公式计算权值，
Figure 463947DEST_PATH_IMAGE028
组成权向量
Figure 83147DEST_PATH_IMAGE029
，
步骤53，将所有因素集合的参数得分相加，就得到了因素集合综合得分，将各因素根据实测数据取值，形成列向量V，估算出的寿命校正值为
Figure 976279DEST_PATH_IMAGE054
；
步骤54，得到经过校正的预测寿命值LQ’,
Figure 191491DEST_PATH_IMAGE031
。
CN202011046291.XA 2020-09-29 2020-09-29 一种led路灯寿命仿真的系统及方法 Active CN111914493B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011046291.XA CN111914493B (zh) 2020-09-29 2020-09-29 一种led路灯寿命仿真的系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011046291.XA CN111914493B (zh) 2020-09-29 2020-09-29 一种led路灯寿命仿真的系统及方法

Publications (2)

Publication Number Publication Date
CN111914493A CN111914493A (zh) 2020-11-10
CN111914493B true CN111914493B (zh) 2021-02-02

Family

ID=73265242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011046291.XA Active CN111914493B (zh) 2020-09-29 2020-09-29 一种led路灯寿命仿真的系统及方法

Country Status (1)

Country Link
CN (1) CN111914493B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113465673A (zh) * 2021-07-02 2021-10-01 武汉罗丹莫纳标识有限公司 一种led灯箱生产用检测设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362900A (zh) * 2019-07-02 2019-10-22 岭南师范学院 一种led寿命的预测方法
CN110632534A (zh) * 2019-09-02 2019-12-31 深圳市八六三新材料技术有限责任公司 一种uv-led光源系统寿命实时预测系统及方法
CN110691442A (zh) * 2019-10-15 2020-01-14 奚小忠 一种基于大数据的智能化led路灯使用监控系统
CN111612142A (zh) * 2020-03-06 2020-09-01 江苏大学 一种基于bp神经网络的大功率led寿命预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10237939B2 (en) * 2016-03-11 2019-03-19 Gooee Limited Devices, systems, and methods for maintaining light intensity in a gateway based lighting system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110362900A (zh) * 2019-07-02 2019-10-22 岭南师范学院 一种led寿命的预测方法
CN110632534A (zh) * 2019-09-02 2019-12-31 深圳市八六三新材料技术有限责任公司 一种uv-led光源系统寿命实时预测系统及方法
CN110691442A (zh) * 2019-10-15 2020-01-14 奚小忠 一种基于大数据的智能化led路灯使用监控系统
CN111612142A (zh) * 2020-03-06 2020-09-01 江苏大学 一种基于bp神经网络的大功率led寿命预测方法

Also Published As

Publication number Publication date
CN111914493A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111931388B (zh) 一种基于大数据的led路灯运行分析系统及方法
Dedovic et al. Forecasting PM10 concentrations using neural networks and system for improving air quality
CN111161095B (zh) 一种检测建筑能源异常消耗的方法
CN115329812B (zh) 一种基于人工智能的桥梁基础设施异常监测方法
CN109905489A (zh) 基于数据融合算法的多传感器数据关联性处理方法及系统
CN111914493B (zh) 一种led路灯寿命仿真的系统及方法
CN115395646B (zh) 一种数字孪生式牵引变电所智慧运维系统
CN111988896B (zh) 基于边缘计算网关的物联网设备管理方法及大数据云平台
CN112989706B (zh) 一种隧道灯具照度衰减预测方法
CN113239979B (zh) 一种物联网传感器数据采集的方法及装置
CN108921305B (zh) 一种部件生命期监测方法
CN116308958A (zh) 基于移动终端的碳排放在线检测预警系统及方法
CN114966422A (zh) 基于动力电池参数的实时监控预警系统
CN116092294A (zh) 一种基于Transformer与图注意力网络的高速公路交通流量预测方法
Zito et al. Predicting Real-Time Roadside CO and $\hbox {NO} _ {2} $ Concentrations Using Neural Networks
CN113657747B (zh) 一种企业安全生产标准化级别智能评定系统
CN114781906A (zh) 一种基于人工智能的电力电缆运行预警方法
CN113379005A (zh) 一种电网电力设备能源智能管理系统及方法
CN117406026A (zh) 一种适用于分布式电源的配电网故障检测方法
CN110956208A (zh) 基于逻辑回归算法的温室大棚光照检测方法与系统
CN115733258A (zh) 一种基于物联网技术的全户内智能变电站系统的控制方法
CN116862132A (zh) 基于大数据的资源调度方法
CN115619013A (zh) 多传感器信息融合火灾预测算法、系统、电子设备及介质
CN110832955A (zh) 用于资产定位、性能评估和故障检测的方法和系统
Bai et al. Real-time prediction for fine-grained air quality monitoring system with asynchronous sensing

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