CN114925753A - 一种led地灯的使用异常报警系统 - Google Patents

一种led地灯的使用异常报警系统 Download PDF

Info

Publication number
CN114925753A
CN114925753A CN202210461758.XA CN202210461758A CN114925753A CN 114925753 A CN114925753 A CN 114925753A CN 202210461758 A CN202210461758 A CN 202210461758A CN 114925753 A CN114925753 A CN 114925753A
Authority
CN
China
Prior art keywords
abnormal
temperature
data
led floor
lamp
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
CN202210461758.XA
Other languages
English (en)
Inventor
王�华
沈忠
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.)
Nantong Dongsheng Lighting Co Ltd
Original Assignee
Nantong Dongsheng Lighting 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 Nantong Dongsheng Lighting Co Ltd filed Critical Nantong Dongsheng Lighting Co Ltd
Priority to CN202210461758.XA priority Critical patent/CN114925753A/zh
Publication of CN114925753A publication Critical patent/CN114925753A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/185—Electrical failure alarms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B20/00—Energy efficient lighting technologies, e.g. halogen lamps or gas discharge lamps
    • Y02B20/40—Control techniques providing energy savings, e.g. smart controller or presence detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Emergency Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Circuit Arrangement For Electric Light Sources In General (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种led地灯的使用异常报警系统。该方法采集led地灯的温度数据和亮度数据，采集灯罩外的温度信息作为环境温度数据。根据led地灯的温度数据和环境温度数据与标准数据的差异获得异常评价指标。根据相空间重构处理方法处理一次评价指标序列获得对应的异常数据。进一步对异常数据中地灯与环境的温差获得第二异常指标，用于筛选出异常训练数据。根据正常数据和异常训练数据对异常预测网络进行训练。本发明通过参考性强的数据训练异常预测网络，用于对未来时刻的异常情况进行预测，实现了对led地灯的有效异常报警，方便工作人员处理。

Description

一种led地灯的使用异常报警系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种led地灯的使用异常报警系统。
背景技术
Led地灯广泛应用于日常生活中，对于一些照明需求大的场景，如小区门口商场门口等，led地灯需要整晚进行工作。在工作期间会产生大量的热量，导致led地灯材料出现损坏，影响led灯的寿命。如果led灯的质量发生了损坏，则会影响场景中的照明需求，影响使用体验。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种led地灯的使用异常报警系统，所采用的技术方案具体如下：
本发明提出了一种led地灯的使用异常报警系统，所述系统包括：
数据采集模块用于采集节能灯led地灯的温度、灯罩外的温度、led地灯的亮度；
第一数据处理模块用于基于每个led地灯的温度和时间的关系，获得led地灯的温度变化趋势；以led地灯使用第一晚的温度变化趋势作为标准温度变化趋势；同理获得亮度变化趋势和标准亮度变化趋势；根据每晚的温度变化趋势与标准温度变化趋势的差异、亮度变化趋势与标准亮度变化趋势的差异获得异常评价指标，获得异常评价指标序列；
第二数据处理模块用于对异常评价指标序列利用相空间重构处理方法，获得相空间收敛域；当相空间跟踪值得到的收敛域分布概率大于预设阈值时，说明此时的led地灯数据为正常数据；反之则为异常数据；获得正常数据集和异常数据集；
第三数据处理模块用于根据异常数据集中的led地灯的温度与灯罩外的温度差异获得第二异常指标；将第二异常指标大于预设异常指标阈值的异常数据作为异常训练数据，将异常训练数据和正常数据集作为训练数据；
网络生成模块用于根据训练数据进行训练获得异常预测网络；将实时led地灯的温度、灯罩外的温度、led地灯的亮度属于异常预测网络中，输出对应的实时异常评价指标；根据实时异常评价指标判断是否报警。
进一步地，所述基于每个led地灯的温度和时间的关系，获得led地灯的温度变化趋势包括：
设置优化的函数模型y＝axb，其中y为led阵列中心温度，x为对温度对应的时间，a和b为拟合参数；
设置损失函数，并令损失函数趋近于0，得到最优函数模型，损失函数包括：
Figure BDA0003620614900000021
其中，
Figure BDA0003620614900000022
为一个a、b组合得到模型中时间对应的温度，yn为时间对应的实际温度。
进一步地，所述根据每晚的温度变化趋势与标准温度变化趋势的差异、亮度变化趋势与标准亮度变化趋势的差异获得异常评价指标包括：
Figure BDA0003620614900000023
其中，r为异常评价指标，PPMCC()为皮尔逊系数计算函数，Sstandard为标准温度变化趋势，Sactual为温度变化趋势，Bactual为亮度变化趋势，Bstandard为标准亮度变化趋势，STD()为标准差计算函数，DTW()为dtw距离计算函数。
进一步地，所述对异常评价指标序列利用相空间重构处理方法，获得相空间收敛域包括：
获得异常评价指标序列S＝{s1,…,sN}；
根据嵌入定理，可获得重构相空间为：
Figure BDA0003620614900000024
式中：Nm——重构后相空间中相点的个数，且Nm＝N-(m-1)τ；m——嵌入维数；τ——延迟时间。
延迟时间τ的选择采用自相关函数法，选取自相关函数：
Figure BDA0003620614900000025
Figure BDA0003620614900000026
取自相关函数第一个过零点时对应的τ为延迟时间，其中，j＝1,...,m-1；
计算相空间中下一时刻的相点：在相空间中计算各相点到中心相点FS1之间的欧氏距离di＝||FSi-FSC||，找出FSC的参考向量集RS(C)＝{RS1,…,RSN}，由RS(C)用下式计算相空间中下一时刻的相点FS′C:
Figure BDA0003620614900000027
其中，dmin为邻域中各点到中心点的空间距离和最小距离，即min{di＝||FSi-FSC||}，L为预测调节参数，一般取L≥1；
并将下一时刻的相点FS′C与真值作差得到相位差作为跟踪指标p，投入正态分布模型中，得到收敛域
Figure BDA0003620614900000031
进一步地，所述根据异常数据集中的led地灯的温度与灯罩外的温度差异获得第二异常指标包括：
Figure BDA0003620614900000032
其中，u为第二异常指标，Dactural是led灯温度集合，Tactural是灯罩外的温度集合；distance()函数的计算是两个集合在顺序上，进行一一对应作差，得到差值集合。
进一步地，所述根据训练数据进行训练获得异常预测网络包括：
利用训练数据训练TCN网络。
本发明具有如下有益效果：
本发明实施例通过数据拟合的方法获得每晚的led地灯的温度变化趋势和亮度变化趋势，并根据与标准变化趋势的差异获得每晚的异常评价指标。进一步利用相空间重构方法确定异常评价指标序列中的异常数据和正常数据。根据异常数据对应的温度信息和亮度信息对异常数据进行进一步的筛选，获得参考性强的训练数据用于训练异常预测网络。根据异常预测网络可快速准确的获得未来时刻的预测异常评价指标，根据预测异常评价指标能够及时的对工作人员进行预警，使得能够以充足的时间对led地灯进行更换，满足每晚的照明需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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附图。
图1为本发明一个实施例所提供的一种led地灯的使用异常报警系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种led地灯的使用异常报警系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种led地灯的使用异常报警系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种led地灯的使用异常报警系统框图；该系统包括：数据采集模块、第一数据处理模块、第二数据处理模块、第三数据处理模块和网络生产模块。
数据采集模块用于采集节能灯led地灯的温度、灯罩外的温度、led地灯的亮度具体包括：
1)采集节能灯每个led地灯的温度。
a)由于led灯是由发光和散热元器件构成的。灯具的主要散热途径是来自散热元件的主动散热。由散热元件将led灯内部的温度传导出灯具内部。
b)地灯led是阵列排布，热量的集聚中心是在阵列的中心，也即在中心的温度是整个led灯最高温度，故将探针放在阵列的中心,以监测核心温度的大小。
c)得到led地灯的阵列中心的温度信息，采样频率为一秒一次。
2)采集灯罩外的温度。
a)环境温度可以表达环境温度灯罩外的温度，采集环境温度的目的是观测环境中的温度变化对于散热的影响，由于外罩为了具备防水的功能，灯罩的密封的效果较好，同时使得地灯无法和正常的led灯一样，可以通过空气散热，故地灯的散热效果相对较差，只能较多依赖散热器进行散热，故地灯的故障率相对较高。
b)但是若灯罩内外温差较大时，可进行散热，对于灯罩内的热传导是进行，散热的过程是存在的，对于散热的过程是会随着灯罩内外的温差上升而增大的，故需要采集灯罩内外的温度差。
c)在地灯的附近安装一个温度感应器，并采集环境温度信息t，采样频率为一秒一次。
3)采集led灯的亮度。
a)由于led地灯的亮度是由各个电子元器件的质量共同决定的，对于各个电子元器件的质量变化，是由于led灯的元件的热膨胀率各不相同，当温度持续升高时，由于温度对原件的热膨胀率产生影响，极容易造成单一软件的弯曲或损坏，进而使连接处产生细小的裂缝，影响LED灯具的整体使用效果温度升过快导致的。
b)温升过快导致封装器材老化的速度加快，持续的高温又使材料本身的属性发生转变，原有的粘合程度降低，进而脆化，无法提供良好的电力阻隔效果，对LED光源输出造成影响。一旦该材料发生变化，产生的高温会持续上升，在长时间的高温影响下，内部的其他元件会不断膨胀，经过热胀冷缩的运动，本身的属性也会发生转变，整体的性能受到影响，使用寿命大大缩短。
c)在led地灯的灯罩内安装一个亮度传感模块，该模块是有一个亮度传感器组成，对led灯的实时亮度进行监测。得到的led灯的亮度，采样频率为每秒一次。
由于灯的温度对于亮度的影响在时间点内没有研究意义，故设置单位时间为每晚，即地灯的每晚工作时间。首先led灯的温度变化在质量不变的条件下是相似的，故研究每晚led地灯的温度变化的线性相似具有实际意义。
第一数据处理模块用于基于每个led地灯的温度和时间的关系，获得led地灯的温度变化趋势；以led地灯使用第一晚的温度变化趋势作为标准温度变化趋势；同理获得亮度变化趋势和标准亮度变化趋势。具体包括：
设置优化的函数模型y＝axb，其中y为led阵列中心温度，x为对温度对应的时间，a和b为拟合参数；
设置损失函数，并令损失函数趋近于0，得到最优函数模型，损失函数包括：
Figure BDA0003620614900000051
其中，
Figure BDA0003620614900000052
为一个a、b组合得到模型中时间对应的温度，yn为时间对应的实际温度。
对于迭代训练中，设置迭代的损失函数趋近于0，即在损失函数等于0时，得到最优的a、b组合，对应最优函数模型，即对应温度变化趋势或者亮度变化趋势。
i)该拟合方法的优点为：
1)首先可以对一个led灯的一晚工作的温度数据进行最优变化规律的确定。
2)此过程会忽略掉函数个别数据对整体的影响，确保此次模型是符合当晚的温度变化的实际情况的。
3)模型表达的是当晚的led的温度整体变化情况。
第一数据处理模块根据每晚的温度变化趋势与标准温度变化趋势的差异、亮度变化趋势与标准亮度变化趋势的差异获得异常评价指标，获得异常评价指标序列具体包括：
Figure BDA0003620614900000053
其中，r为异常评价指标，PPMCC()为皮尔逊系数计算函数，Sstandard为标准温度变化趋势，Sactual为温度变化趋势，Bactual为亮度变化趋势，Bstandard为标准亮度变化趋势，STD()为标准差计算函数，DTW()为dtw距离计算函数。
由于温度变化趋势的拟合具有整体性，故变化趋势上的点可能不是来自于实际的温度值，故利用皮尔逊系数的高精准变化相似可以减小模型的精度损失。进一步在第二项中利用DTW距离，DTW的优势是可以忽略由电压不稳定带来的亮度小范围波动，这种小范围的波动并不影响最终的评价值。
每晚对应一个异常评价指标，多个晚上的异常评价指标构成异常评价指标序列。
第二数据模块用于对异常评价指标序列利用相空间重构处理方法，获得相空间收敛域，具体包括：
获得异常评价指标序列S＝{s1,…,sN}；
根据嵌入定理，可获得重构相空间为：
Figure BDA0003620614900000061
式中：Nm——重构后相空间中相点的个数，且Nm＝N-(m-1)τ；m——嵌入维数；τ——延迟时间。
延迟时间τ的选择采用自相关函数法，选取自相关函数：
Figure BDA0003620614900000062
Figure BDA0003620614900000063
取自相关函数第一个过零点时对应的τ为延迟时间，其中，j＝1,...,m-1；
计算相空间中下一时刻的相点：在相空间中计算各相点到中心相点FS1之间的欧氏距离di＝||FSi-FSC||，找出FSC的参考向量集RS(C)＝{RS1,…,RSN}，由RS(C)用下式计算相空间中下一时刻的相点FS′C:
Figure BDA0003620614900000064
其中，dmin为邻域中各点到中心点的空间距离和最小距离，即min{di＝||FSi-FSC||}，L为预测调节参数，且L≥1；
并将下一时刻的相点FS′C与真值作差得到相位差作为跟踪指标p，投入正态分布模型中，得到收敛域
Figure BDA0003620614900000065
当相空间跟踪值得到的收敛域分布概率大于预设阈值时，说明此时的led地灯数据为正常数据；反之则为异常数据。获得正常数据集和异常数据集。
在本发明实施例中将收敛域的分布概率阈值设置为97％，即当相空间跟踪值得到的收敛域分布概率大于97％时，说明此时的led地灯组并未出现较大损耗，依然可以正常使用，对应的数据为正常数据。反之，说明led灯可能出现质量问题，对应的数据为异常数据。
基于得到的相空间的分组，当前一晚得到的相空间跟踪值得到的收敛域分布概率小于97％时，需要区别一种情况，即内外温差过小时，导致散热的效率下降，此时的散热并没有出现问题，因此即使收敛域较大也不能认为此时的led地灯组出现较大损耗。因此需要利用第三数据处理模块对异常数据进行进一步的筛选。
第三数据处理模块用于根据异常数据集中的led地灯的温度与灯罩外的温度差异获得第二异常指标，具体包括：
Figure BDA0003620614900000071
其中，u为第二异常指标，Dactural是led灯温度集合，Tactural是灯罩外的温度集合；distance()函数的计算是两个集合在顺序上，进行一一对应作差，得到差值集合。分子是为了得到整晚温差的最大值，代表当晚最佳的热交换效率。最分母是为了得到整晚温差的稳定性，整晚的热交换的稳定性。
设定阈值对于当晚led灯的灯罩内外温差异常评价，即可以粗略代表内外热交换的效率。基于这样的效率评价，当大于阈值时，当晚的数据不具有普遍性，不可以作为下述训练数据，在寿命训练中直接丢弃。当小于阈值时，认为当晚的数值具有普遍性，可靠性比较高。因此将第二异常指标大于预设异常指标阈值的异常数据作为异常训练数据，将异常训练数据和正常数据集作为训练数据。
网络生成用于根据训练数据进行训练获得异常预测网络。异常预测网络采用TCN网络结构，在本发明实施例中训练过程包括：
i)将训练数据输入到TCN的训练当中，并将下一个时刻的值作为标签，重复进行训练。
ii)TCN的loss的函数为均方差loss
1)对于正常数据集的训练数据样本，可直接利用均方差损失函数进行训练。
2)对于异常训练数据的样本序列，由于本组数据的来源经过了多次筛选，可以根据归一化后的第二异常指标作为均方差损失函数的质量分数。
Figure BDA0003620614900000072
其中Cz为归一化后的质量分数，作为损失权重，loss为样本的损失函数。
Figure BDA0003620614900000073
为预测样本，yi为特征样本。
a)训练目的是确保loss函数收敛，通过不断训练使得loss变小，预测的趋势精确。
将实时led地灯的温度、灯罩外的温度、led地灯的亮度属于异常预测网络中，输出对应的预测异常评价指标。对预测异常评价指标进行监测，当预测异常评价指标达到设定阈值范围时记录预测的时间，由于普通led灯的寿命是10年，比较预测使用寿命和目标寿命之间的差距作为期望寿命，实施者可根据自己的需求，设置期望寿命的警报值，若期望寿命小于报警值，即报警检修。
综上所述，本发明实施例采集led地灯的温度数据和亮度数据，采集灯罩外的温度信息作为环境温度数据。根据led地灯的温度数据和环境温度数据与标准数据的差异获得异常评价指标。根据相空间重构处理方法处理一次评价指标序列获得对应的异常数据。进一步对异常数据中地灯与环境的温差获得第二异常指标，用于筛选出异常训练数据。根据正常数据和异常训练数据对异常预测网络进行训练。本发明实施例通过参考性强的数据训练异常预测网络，用于对未来时刻的异常情况进行预测，实现了对led地灯的有效异常报警，方便工作人员处理。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种led地灯的使用异常报警系统，其特征在于，所述系统包括：
数据采集模块用于采集节能灯led地灯的温度、灯罩外的温度、led地灯的亮度；
第一数据处理模块用于基于每个led地灯的温度和时间的关系，获得led地灯的温度变化趋势；以led地灯使用第一晚的温度变化趋势作为标准温度变化趋势；同理获得亮度变化趋势和标准亮度变化趋势；根据每晚的温度变化趋势与标准温度变化趋势的差异、亮度变化趋势与标准亮度变化趋势的差异获得异常评价指标，获得异常评价指标序列；
第二数据处理模块用于对异常评价指标序列利用相空间重构处理方法，获得相空间收敛域；当相空间跟踪值得到的收敛域分布概率大于预设阈值时，说明此时的led地灯数据为正常数据；反之则为异常数据；获得正常数据集和异常数据集；
第三数据处理模块用于根据异常数据集中的led地灯的温度与灯罩外的温度差异获得第二异常指标；将第二异常指标大于预设异常指标阈值的异常数据作为异常训练数据，将异常训练数据和正常数据集作为训练数据；
网络生成模块用于根据训练数据进行训练获得异常预测网络；将实时led地灯的温度、灯罩外的温度、led地灯的亮度属于异常预测网络中，输出对应的预测异常评价指标；根据预测异常评价指标判断是否报警。
2.根据权利要求1所述的一种led地灯的使用异常报警系统，其特征在于，所述基于每个led地灯的温度和时间的关系，获得led地灯的温度变化趋势包括：
设置优化的函数模型y＝axb，其中y为led阵列中心温度，x为对温度对应的时间，a和b为拟合参数；
设置损失函数，并令损失函数趋近于0，得到最优函数模型，损失函数包括：
Figure FDA0003620614890000011
其中，
Figure FDA0003620614890000012
为一个a、b组合得到模型中时间对应的温度，yn为时间对应的实际温度。
3.根据权利要求1所述的一种led地灯的使用异常报警系统，其特征在于，所述根据每晚的温度变化趋势与标准温度变化趋势的差异、亮度变化趋势与标准亮度变化趋势的差异获得异常评价指标包括：
Figure FDA0003620614890000013
其中，r为异常评价指标，PPMCC()为皮尔逊系数计算函数，Sstandard为标准温度变化趋势，Sactual为温度变化趋势，Bactual为亮度变化趋势，Bstandard为标准亮度变化趋势，STD()为标准差计算函数，DTW()为dtw距离计算函数。
4.根据权利要求1所述的一种led地灯的使用异常报警系统，其特征在于，所述对异常评价指标序列利用相空间重构处理方法，获得相空间收敛域包括：
获得异常评价指标序列S＝{s1,…,sN}；
根据嵌入定理，可获得重构相空间为：
Figure FDA0003620614890000021
式中：Nm为重构后相空间中相点的个数，且Nm＝N-(m-1)τ；m为嵌入维数；τ为延迟时间；
延迟时间τ的选择采用自相关函数法，选取自相关函数：
Figure FDA0003620614890000022
Figure FDA0003620614890000023
取自相关函数第一个过零点时对应的τ为延迟时间，其中，j＝1,...,m-1；
计算相空间中下一时刻的相点：在相空间中计算各相点到中心相点FS1之间的欧氏距离di＝||FSi-FSC||，找出FSC的参考向量集RS(C)＝{RS1,…,RSN}，由RS(C)用下式计算相空间中下一时刻的相点FS′ C:
Figure FDA0003620614890000024
其中，dmin为邻域中各点到中心点的空间距离和最小距离，即min{di＝||FSi-FSC||}，L为预测调节参数，且L≥1；
并将下一时刻的相点FS′ C与真值作差得到相位差作为跟踪指标p，投入正态分布模型中，得到收敛域
Figure FDA0003620614890000025
5.根据权利要求1所述的一种led地灯的使用异常报警系统，其特征在于，所述根据异常数据集中的led地灯的温度与灯罩外的温度差异获得第二异常指标包括：
Figure FDA0003620614890000026
其中，u为第二异常指标，Dactural是led灯温度集合，Tactural是灯罩外的温度集合；distance()函数的计算是两个集合在顺序上，进行一一对应作差，得到差值集合。
6.根据权利要求1所述的一种led地灯的使用异常报警系统，其特征在于，所述根据训练数据进行训练获得异常预测网络包括：
异常预测网络采用TCN网络结构。
CN202210461758.XA 2022-04-28 2022-04-28 一种led地灯的使用异常报警系统 Pending CN114925753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210461758.XA CN114925753A (zh) 2022-04-28 2022-04-28 一种led地灯的使用异常报警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210461758.XA CN114925753A (zh) 2022-04-28 2022-04-28 一种led地灯的使用异常报警系统

Publications (1)

Publication Number Publication Date
CN114925753A true CN114925753A (zh) 2022-08-19

Family

ID=82805987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210461758.XA Pending CN114925753A (zh) 2022-04-28 2022-04-28 一种led地灯的使用异常报警系统

Country Status (1)

Country Link
CN (1) CN114925753A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115235676A (zh) * 2022-09-26 2022-10-25 山东济矿鲁能煤电股份有限公司阳城煤矿 一种矿井液压支架压力异常自动报警方法
CN117370917A (zh) * 2023-12-07 2024-01-09 城光（湖南）节能环保服务股份有限公司 一种城市智慧路灯寿命预测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100177963A1 (en) * 2007-10-26 2010-07-15 Panasonic Corporation Situation determining apparatus, situation determining method, situation determining program, abnormality determining apparatus, abnormality determining method, abnormality determining program, and congestion estimating apparatus
DE102012013963A1 (de) * 2012-07-13 2014-01-16 Ambright GmbH Sensorleuchte
CN103793601A (zh) * 2014-01-20 2014-05-14 广东电网公司电力科学研究院 基于异常搜索和组合预测的汽轮机组在线故障预警方法
CN105849798A (zh) * 2013-12-25 2016-08-10 Eizo株式会社 寿命预测方法、寿命预测程序以及寿命预测装置
US20180013259A1 (en) * 2016-07-08 2018-01-11 Fanuc Corporation Laser apparatus enabling calculation of effective driving time and remaining lifetime taking account of drive conditions including temperature
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
WO2020073688A1 (zh) * 2018-10-08 2020-04-16 平安科技（深圳）有限公司 预测网络设备异常的方法、装置、设备及存储介质
CN111814401A (zh) * 2020-07-08 2020-10-23 重庆大学 基于遗传算法的bp神经网络的led寿命预测方法
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
CN112672474A (zh) * 2019-04-02 2021-04-16 中国计量大学上虞高等研究院有限公司 基于注意力因素的照明控制系统
CN113075065A (zh) * 2021-03-05 2021-07-06 天津大学 基于图像识别的深海管道裂纹扩展监测与可靠性评估系统
US20210299879A1 (en) * 2018-10-27 2021-09-30 Gilbert Pinter Machine vision systems, illumination sources for use in machine vision systems, and components for use in the illumination sources
WO2022117911A1 (en) * 2020-12-04 2022-06-09 Elisa Oyj Anomaly detection

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100177963A1 (en) * 2007-10-26 2010-07-15 Panasonic Corporation Situation determining apparatus, situation determining method, situation determining program, abnormality determining apparatus, abnormality determining method, abnormality determining program, and congestion estimating apparatus
DE102012013963A1 (de) * 2012-07-13 2014-01-16 Ambright GmbH Sensorleuchte
CN105849798A (zh) * 2013-12-25 2016-08-10 Eizo株式会社 寿命预测方法、寿命预测程序以及寿命预测装置
CN103793601A (zh) * 2014-01-20 2014-05-14 广东电网公司电力科学研究院 基于异常搜索和组合预测的汽轮机组在线故障预警方法
US20180013259A1 (en) * 2016-07-08 2018-01-11 Fanuc Corporation Laser apparatus enabling calculation of effective driving time and remaining lifetime taking account of drive conditions including temperature
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
WO2020073688A1 (zh) * 2018-10-08 2020-04-16 平安科技（深圳）有限公司 预测网络设备异常的方法、装置、设备及存储介质
US20210299879A1 (en) * 2018-10-27 2021-09-30 Gilbert Pinter Machine vision systems, illumination sources for use in machine vision systems, and components for use in the illumination sources
CN112672474A (zh) * 2019-04-02 2021-04-16 中国计量大学上虞高等研究院有限公司 基于注意力因素的照明控制系统
CN111814401A (zh) * 2020-07-08 2020-10-23 重庆大学 基于遗传算法的bp神经网络的led寿命预测方法
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
WO2022117911A1 (en) * 2020-12-04 2022-06-09 Elisa Oyj Anomaly detection
CN113075065A (zh) * 2021-03-05 2021-07-06 天津大学 基于图像识别的深海管道裂纹扩展监测与可靠性评估系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈侃松;杨威;张丹;兰智高;冯杰;: "具有寿命预测的LED路灯监控系统设计", 计算机测量与控制, no. 02 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115235676A (zh) * 2022-09-26 2022-10-25 山东济矿鲁能煤电股份有限公司阳城煤矿 一种矿井液压支架压力异常自动报警方法
CN115235676B (zh) * 2022-09-26 2022-12-09 山东济矿鲁能煤电股份有限公司阳城煤矿 一种矿井液压支架压力异常自动报警方法
CN117370917A (zh) * 2023-12-07 2024-01-09 城光（湖南）节能环保服务股份有限公司 一种城市智慧路灯寿命预测方法及系统
CN117370917B (zh) * 2023-12-07 2024-02-23 城光（湖南）节能环保服务股份有限公司 一种城市智慧路灯寿命预测方法及系统

Similar Documents

Publication Publication Date Title
CN114925753A (zh) 一种led地灯的使用异常报警系统
JP2023508759A (ja) 太陽光発電アレイの動作状態を決定する方法および装置、デバイス並びに記憶媒体
CN111209434A (zh) 一种基于多源异构数据融合的变电站设备巡检系统及方法
CN108344931B (zh) 基于紫外图谱技术的电力设备安全分析系统
CN111931388B (zh) 一种基于大数据的led路灯运行分析系统及方法
Liu et al. Lifetime prediction of a multi-chip high-power LED light source based on artificial neural networks
CN113609901A (zh) 一种输变电设备故障监测方法及系统
Corso et al. Evaluation of visible contamination on power grid insulators using convolutional neural networks
CN114743089B (zh) 一种基于ssa-svm的图像识别gis故障诊断装置及方法
CN107910757A (zh) 一种配电柜吸尘散热系统
CN114942155B (zh) 一种大功率照明灯具中散热器状态实时监测方法
KR102497676B1 (ko) 인공지능 기반의 태양광 모니터링 시스템
CN107069399A (zh) 一种返回光处理装置
CN108470141B (zh) 一种基于统计特征与机器学习的配电线路中绝缘子识别方法
Sutharssan Prognostics and health management of light emitting diodes
WO2023272479A1 (zh) 电站运维系统、电站运维方法及光伏电站
CN111914493A (zh) 一种led路灯寿命仿真的系统及方法
CN109508808A (zh) 一种基于pso-bp神经网络的弧垂预测方法
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
CN116500386A (zh) 一种风电场集电线路电缆局放信号采集处理方法
CN110969813B (zh) 基于边缘计算的铁路变电站无人值守监控方法
CN108024418B (zh) 一种led路灯综合监控管理系统
CN114233581A (zh) 一种风机机舱智能巡视报警系统
KR102635460B1 (ko) 태양광 원격 모니터링 기반 발전량 이상 증상 분석 방법과 장치
Bakır A comparative evaluation and real-time measurement of failures in solar power plants by thermal imaging in Turkey

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