CN116761298B - 一种具有智能控制功能的led驱动器及控制方法 - Google Patents
一种具有智能控制功能的led驱动器及控制方法 Download PDFInfo
- Publication number
- CN116761298B CN116761298B CN202311061219.8A CN202311061219A CN116761298B CN 116761298 B CN116761298 B CN 116761298B CN 202311061219 A CN202311061219 A CN 202311061219A CN 116761298 B CN116761298 B CN 116761298B
- Authority
- CN
- China
- Prior art keywords
- led
- information
- state transition
- euclidean distance
- sample data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000007704 transition Effects 0.000 claims abstract description 162
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 62
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012163 sequencing technique Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 13
- 230000001276 controlling effect Effects 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 abstract description 4
- 238000009434 installation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B45/00—Circuit arrangements for operating light-emitting diodes [LED]
- H05B45/30—Driver circuits
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
Abstract
本发明涉及一种具有智能控制功能的LED驱动器及控制方法，属于LED驱动器技术领域，本发明通过对预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果，最后根据预测结果生成LED灯的调控参数，并基于LED灯的调控参数对相应的LED灯进行调控。本发明通过引入马尔科夫链对LED灯的工作状态转移概率值进行计算，从而通过融合深度学习网络以及FCBF算法对LED状态转移预测模型，进一步优化了LED状态转移预测模型的计算量，提高了对LED工作状态的预测复杂度，从而优化了LED状态转移预测模型的运算速度，能够快速地应对LED状态变化的情况，从而对LED异常工作状态进行快速识别以及补偿。
Description
技术领域
本发明涉及LED驱动器技术领域，尤其涉及一种具有智能控制功能的LED驱动器及控制方法。
背景技术
LED驱动器，是指驱动LED发光或LED模块组件正常工作的电源调整电子器件。由于LED PN结的导通特性决定，它能适应的电源的电压和电流变动范围十分狭窄，稍许偏离就可能无法点亮LED或者发光效率严重降低，或者缩短使用寿命甚至烧毁芯片。现行的工频电源和常见的电池电源均不适合直接供给LED，LED驱动器就是这种可以驱使LED在最佳电压或电流状态下工作的电子组件。LED驱动器能够实时地了解LED工作的情况，而一个LED驱动器往往会同时驱动多个LED灯，从而控制多个LED灯，而一般而言，LED灯的工作状态往往是从一种状态转移至另一种状态，从而导致了LED灯在工作时产生异常，现有技术中由于一个LED驱动器往往控制着多个LED灯,导致了不能够快速以及准确地识别出异常工作的LED灯。
发明内容
本发明克服了现有技术的不足，提供了一种具有智能控制功能的LED驱动器及控制方法。
为达上述目的，本发明采用的技术方案为：
本发明第一方面提供了一种具有智能控制功能的LED驱动器，所述驱动器包括：
数据获取模块，通过所述数据获取模块获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息；
数据处理模块，通过所述数据处理模块对所述在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息；
状态转移模块，通过所述状态描述模块对所述预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果；
调控模块，通过所述调控模块根据所述预测结果生成LED灯的调控参数，并基于LED灯的调控参数对相应的LED灯进行调控。
进一步地，本发明的一个较佳实施例中，获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息，具体包括：
构建数据库，获取LED驱动器所控制的LED通信地址信息，并将所述数据库分为若干个存储空间，同时引入注意力机制，通过所述注意力机制计算出每一LED通信地址信息的注意力分数信息；
从所述LED通信地址信息的注意力分数信息选取出随机一个LED通信地址信息的注意力分数信息作为初始样本数据，计算所述初始样本数据与其余每一LED通信地址信息的注意力分数信息之间的欧式距离；
根据所述欧式距离的大小值进行排序，生成排序结果，并根据所述排序结果将LED通信地址信息依次输入到所述数据库的存储空间中；
通过所述数据库获取当前LED驱动器所控制的LED通信地址信息，同时构建时间戳，并获取LED通信地址信息对应的LED的工作参数数据信息，结合所述时间戳，生成当前LED驱动器所控制的在预设时间之内LED工作参数数据信息。
进一步地，本发明的一个较佳实施例中，对所述在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息，具体包括：
根据所述在预设时间之内LED工作参数数据信息构建样本数据，并引入模糊聚类算法，初始化聚类中心，并根据所述聚类中心计算每一样本数据的欧式距离；
统计所述每一样本数据的欧式距离的总欧式距离值，并根据所述总欧式距离值计算出簇内样本数据的平均欧式距离值，预设平均欧式距离阈值信息；
判断所述簇内样本数据的平均欧式距离值是否大于所述平均欧式距离阈值信息，若所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息，生成每一样本数据所处的隶属度范围，并作为预处理后的LED工作参数数据信息输出；
若所述簇内样本数据的平均欧式距离值不大于所述平均欧式距离阈值信息，重新调整聚类中心的个数，直至所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息。
进一步地，本发明的一个较佳实施例中，对所述预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果，具体包括：
引入马尔科夫链，通过所述马尔科夫链对所述预处理后的LED工作参数数据信息进行状态转移概率计算，获取每一预处理后的LED工作参数数据信息的状态转移概率值；
根据所述每一预处理后的LED工作参数数据信息的状态转移概率值构建状态转移矩阵，同时，基于深度学习网络构建LED状态转移预测模型，并引入FCBF算法；
通过FCBF算法计算所述状态转移矩阵中每个样本数据是否存在冗余对称特征数据，若存在冗余对称特征数据，并根据所述冗余对称特征数据构建冗余样本数据，将所述冗余样本数据从状态转移矩阵中剔除，生成处理后的状态转移矩阵；
将所述处理后的状态转移矩阵输入到所述LED状态转移预测模型中进行编码学习，当所述LED状态转移预测模型符合预设要求，输出LED状态转移预测模型，通过所述LED状态转移预测模型预测当前LED的工作状态转移概率，生成预测结果。
进一步地，本发明的一个较佳实施例中，所述的一种具有智能控制功能的LED驱动器，还包括以下步骤：
获取每个聚类中心的样本数据信息，并引入马氏距离算法，通过马氏距离算法计算每个类簇中样本数据之间的马氏距离值，同时，预设马氏距离阈值信息；
判断所述马氏距离值是否大于所述马氏距离阈值信息，若所述马氏距离值大于所述马氏距离阈值信息，计算所述马氏距离值大于所述马氏距离阈值信息的样本数据与其他聚类中心的马氏距离值，生成二次马氏距离值；
根据所述二次马氏距离值进行排序，生成马氏距离排序结果，并从所述马氏距离排序结果中获取最小的马氏距离值对应的聚类中心；
重新将所述马氏距离值大于所述马氏距离阈值信息的样本数据分配至最小的马氏距离值对应的聚类中心。
进一步地，本发明的一个较佳实施例中，根据所述预测结果生成LED灯的调控参数，包括以下步骤：
根据所述预测结果获取LED驱动器所控制的每一LED灯的状态转移概率值，设置相关的转移概率阈值，并判断所述LED灯的状态转移概率值是否大于相关的转移概率阈值；
当所述LED灯的状态转移概率值大于相关的转移概率阈值时，则将状态转移概率值大于相关的转移概率阈值的LED灯作为异常工作状态的LED灯，并获取异常工作状态的LED灯所处的工作状态信息；
当所述异常工作状态的LED灯所处的工作状态信息超过预定的工作状态信息时，则获取异常工作状态的LED灯的通信地址信息，并根据所述异常工作状态的LED灯的通信地址信息生成预警信息；
当所述异常工作状态的LED灯所处的工作状态信息不超过预定的工作状态信息时，根据异常工作状态的LED灯所处的工作状态信息生成LED灯的调控参数。
本发明第二方面提供了一种具有智能控制功能的LED驱动器的控制方法，应用于任一项所述的一种具有智能控制功能的LED驱动器，包括以下步骤：
获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息；
对所述在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息；
对所述预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果；
根据所述预测结果生成LED灯的调控参数，并基于LED灯的调控参数对相应的LED灯进行调控。
在本方法中，获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息，具体包括：
构建数据库，获取LED驱动器所控制的LED通信地址信息，并将所述数据库分为若干个存储空间，同时引入注意力机制，通过所述注意力机制计算出每一LED通信地址信息的注意力分数信息；
从所述LED通信地址信息的注意力分数信息选取出随机一个LED通信地址信息的注意力分数信息作为初始样本数据，计算所述初始样本数据与其余每一LED通信地址信息的注意力分数信息之间的欧式距离；
根据所述欧式距离的大小值进行排序，生成排序结果，并根据所述排序结果将LED通信地址信息依次输入到所述数据库的存储空间中；
通过所述数据库获取当前LED驱动器所控制的LED通信地址信息，同时构建时间戳，并获取LED通信地址信息对应的LED的工作参数数据信息，结合所述时间戳，生成当前LED驱动器所控制的在预设时间之内LED工作参数数据信息。
在本方法中，对所述在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息，具体包括：
根据所述在预设时间之内LED工作参数数据信息构建样本数据，并引入模糊聚类算法，初始化聚类中心，并根据所述聚类中心计算每一样本数据的欧式距离；
统计所述每一样本数据的欧式距离的总欧式距离值，并根据所述总欧式距离值计算出簇内样本数据的平均欧式距离值，预设平均欧式距离阈值信息；
判断所述簇内样本数据的平均欧式距离值是否大于所述平均欧式距离阈值信息，若所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息，生成每一样本数据所处的隶属度范围，并作为预处理后的LED工作参数数据信息输出；
若所述簇内样本数据的平均欧式距离值不大于所述平均欧式距离阈值信息，重新调整聚类中心的个数，直至所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息。
在本方法中，对所述预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果，具体包括：
引入马尔科夫链，通过所述马尔科夫链对所述预处理后的LED工作参数数据信息进行状态转移概率计算，获取每一预处理后的LED工作参数数据信息的状态转移概率值；
根据所述每一预处理后的LED工作参数数据信息的状态转移概率值构建状态转移矩阵，同时，基于深度学习网络构建LED状态转移预测模型，并引入FCBF算法；
通过FCBF算法计算所述状态转移矩阵中每个样本数据是否存在冗余对称特征数据，若存在冗余对称特征数据，并根据所述冗余对称特征数据构建冗余样本数据，将所述冗余样本数据从状态转移矩阵中剔除，生成处理后的状态转移矩阵；
将所述处理后的状态转移矩阵输入到所述LED状态转移预测模型中进行编码学习，当所述LED状态转移预测模型符合预设要求，输出LED状态转移预测模型，通过所述LED状态转移预测模型预测当前LED的工作状态转移概率，生成预测结果。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息，从而对在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息，进而对预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果，最后根据预测结果生成LED灯的调控参数，并基于LED灯的调控参数对相应的LED灯进行调控。本发明通过引入马尔科夫链对LED灯的工作状态转移概率值进行计算，从而通过融合深度学习网络以及FCBF算法对LED状态转移预测模型，进一步优化了LED状态转移预测模型的计算量，提高了对LED工作状态的预测复杂度，从而优化了LED状态转移预测模型的运算速度，能够快速地应对LED状态变化的情况，从而对LED异常工作状态进行快速识别以及补偿。
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，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地介绍，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他实施例的附图。
图1示出了一种具有智能控制功能的LED驱动器的控制方法的整体方法流程图；
图2示出了一种具有智能控制功能的LED驱动器的控制方法的第一方法流程图；
图3示出了一种具有智能控制功能的LED驱动器的控制方法的第二方法流程图；
图4示出了一种具有智能控制功能的LED驱动器的整体结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图4所示，本发明第一方面提供了一种具有智能控制功能的LED驱动器，驱动器包括：
数据获取模块10，通过数据获取模块获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息；
数据处理模块20，通过数据处理模块对在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息；
状态转移模块30，通过状态描述模块对预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果；
调控模块40，通过调控模块根据预测结果生成LED灯的调控参数，并基于LED灯的调控参数对相应的LED灯进行调控。
需要说明的是，本发明通过引入马尔科夫链对LED灯的工作状态转移概率值进行计算，从而通过融合深度学习网络以及FCBF算法对LED状态转移预测模型，进一步优化了LED状态转移预测模型的计算量，提高了对LED工作状态的预测复杂度，从而优化了LED状态转移预测模型的运算速度，能够快速地应对LED状态变化的情况，从而对LED异常工作状态进行快速识别以及补偿。
在数据获取模块10中，其中，获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息，具体包括：
构建数据库，获取LED驱动器所控制的LED通信地址信息，并将数据库分为若干个存储空间，同时引入注意力机制，通过注意力机制计算出每一LED通信地址信息的注意力分数信息；
从LED通信地址信息的注意力分数信息选取出随机一个LED通信地址信息的注意力分数信息作为初始样本数据，计算初始样本数据与其余每一LED通信地址信息的注意力分数信息之间的欧式距离；
根据欧式距离的大小值进行排序，生成排序结果，并根据排序结果将LED通信地址信息依次输入到数据库的存储空间中；
通过数据库获取当前LED驱动器所控制的LED通信地址信息，同时构建时间戳，并获取LED通信地址信息对应的LED的工作参数数据信息，结合时间戳，生成当前LED驱动器所控制的在预设时间之内LED工作参数数据信息。
需要说明的是，通过本方法能够对每个LED驱动器所控制的LED的通信地址信息进行存储，使得能够更清晰地来了解每个LED驱动器所控制的LED灯，通过引入注意力机制计算出每一LED通信地址信息的注意力分数信息，从而从LED通信地址信息的注意力分数信息选取出随机一个LED通信地址信息的注意力分数信息作为初始样本数据，计算初始样本数据与其余每一LED通信地址信息的注意力分数信息之间的欧式距离，使得相似通信地址信息的数据能够保存在临近的存储空间中，加快数据的识别以及查询效率，从而更准确以及快速地获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息。其中，在预设时间之内LED工作参数数据信息包括电流数据、电压数据、发光特性数据等。
进一步地，本发明的一个较佳实施例中，对在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息，具体包括：
根据在预设时间之内LED工作参数数据信息构建样本数据，并引入模糊聚类算法，初始化聚类中心，并根据聚类中心计算每一样本数据的欧式距离；
通过每一样本数据的欧式距离的总欧式距离值，并根据总欧式距离值计算出簇内样本数据的平均欧式距离值，预设平均欧式距离阈值信息；
判断簇内样本数据的平均欧式距离值是否大于平均欧式距离阈值信息，若簇内样本数据的平均欧式距离值大于平均欧式距离阈值信息，生成每一样本数据所处的隶属度范围，并作为预处理后的LED工作参数数据信息输出；
若簇内样本数据的平均欧式距离值不大于平均欧式距离阈值信息，重新调整聚类中心的个数，直至簇内样本数据的平均欧式距离值大于平均欧式距离阈值信息。
需要说明的是，通过本方法能够在预设时间之内LED工作参数数据信息确定样本数据的隶属度，如某一LED在预定的时间之内经历了低发光特性、中发光特性、高发光特性等，从而能够及时以及快速地识别出LED灯的所处的隶属度范围。
进一步地，本发明的一个较佳实施例中，对预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果，具体包括：
引入马尔科夫链，通过马尔科夫链对预处理后的LED工作参数数据信息进行状态转移概率计算，获取每一预处理后的LED工作参数数据信息的状态转移概率值；
根据每一预处理后的LED工作参数数据信息的状态转移概率值构建状态转移矩阵，同时，基于深度学习网络构建LED状态转移预测模型，并引入FCBF算法；
通过FCBF算法计算状态转移矩阵中每个样本数据是否存在冗余对称特征数据，若存在冗余对称特征数据，并根据冗余对称特征数据构建冗余样本数据，将冗余样本数据从状态转移矩阵中剔除，生成处理后的状态转移矩阵；
将处理后的状态转移矩阵输入到LED状态转移预测模型中进行编码学习，当LED状态转移预测模型符合预设要求，输出LED状态转移预测模型，通过LED状态转移预测模型预测当前LED的工作状态转移概率，生成预测结果。
需要说明的是，FCBF 算法是分析特征冗余的一个有效途径， 是一种快捷的相关性过滤方法。通过引入FCBF算法计算状态转移矩阵中每个样本数据是否存在冗余对称数据，在该过程中，如预设时间之内的LED样本数据中可能存在经历了低发光特性、中发光特性、高发光特性的隶属度范围，但是高发光特性是偶然产生的，此时若样本数据中存在该类数据就会导致LED状态转移预测模型的预测精度下降，同时，如某一段时间之内所采集的数据都是低发光特性、中发光特性，其中为了更好的描述该过程，应该剔除预设时间之内多余的低发光特性隶属度或者中发光特性的隶属度参数，从而来降低计算量，通过本方法提高LED状态转移预测模型的预测精度以及运算速度。马尔科夫链能够对预处理后的LED工作参数数据信息进行状态转移概率计算，形成状态转移概率矩阵，从而来预估LED工作参数数据信息在不同参数变化的情况的状态转移概率值，如某一段时间LED的发光特性存在的隶属度是低发光特性以及中发光特性，从低发光特性转移到中发光特性的转移概率值。
进一步地，本发明的一个较佳实施例中，一种具有智能控制功能的LED驱动器，还包括以下步骤：
获取每个聚类中心的样本数据信息，并引入马氏距离算法，通过马氏距离算法计算每个类簇中样本数据之间的马氏距离值，同时，预设马氏距离阈值信息；
判断马氏距离值是否大于马氏距离阈值信息，若马氏距离值大于马氏距离阈值信息，计算马氏距离值大于马氏距离阈值信息的样本数据与其他聚类中心的马氏距离值，生成二次马氏距离值；
根据二次马氏距离值进行排序，生成马氏距离排序结果，并从马氏距离排序结果中获取最小的马氏距离值对应的聚类中心；
重新将马氏距离值大于马氏距离阈值信息的样本数据分配至最小的马氏距离值对应的聚类中心。
需要说明的是，通过本方法能够提高LED工作参数的分类精度。
进一步地，本发明的一个较佳实施例中，根据预测结果生成LED灯的调控参数，包括以下步骤：
根据预测结果获取LED驱动器所控制的每一LED灯的状态转移概率值，设置相关的转移概率阈值，并判断LED灯的状态转移概率值是否大于相关的转移概率阈值；
当LED灯的状态转移概率值大于相关的转移概率阈值时，则将状态转移概率值大于相关的转移概率阈值的LED灯作为异常工作状态的LED灯，并获取异常工作状态的LED灯所处的工作状态信息；
当异常工作状态的LED灯所处的工作状态信息超过预定的工作状态信息时，则获取异常工作状态的LED灯的通信地址信息，并根据异常工作状态的LED灯的通信地址信息生成预警信息；
当异常工作状态的LED灯所处的工作状态信息不超过预定的工作状态信息时，根据异常工作状态的LED灯所处的工作状态信息生成LED灯的调控参数。
需要说明的是，当LED灯的状态转移概率值大于相关的转移概率阈值时，说明LED灯的工作状态是从一种状态转移至另一种状态。预定的工作状态信息包括故障、烧坏等现象。通过本方法能够根据异常工作状态的LED灯所处的工作状态信息生成LED灯的调控参数，从而对LED灯进行智能调控。
如图1所示，本发明第二方面提供了一种具有智能控制功能的LED驱动器的控制方法，应用于任一项的一种具有智能控制功能的LED驱动器，包括以下步骤：
S102:获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息；
S104:对在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息；
S106:对预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果；
S108:根据预测结果生成LED灯的调控参数，并基于LED灯的调控参数对相应的LED灯进行调控。
如图2所示，在本方法中，获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息，具体包括：
S202:构建数据库，获取LED驱动器所控制的LED通信地址信息，并将数据库分为若干个存储空间，同时引入注意力机制，通过注意力机制计算出每一LED通信地址信息的注意力分数信息；
S204:从LED通信地址信息的注意力分数信息选取出随机一个LED通信地址信息的注意力分数信息作为初始样本数据，计算初始样本数据与其余每一LED通信地址信息的注意力分数信息之间的欧式距离；
S206:根据欧式距离的大小值进行排序，生成排序结果，并根据排序结果将LED通信地址信息依次输入到数据库的存储空间中；
S208:通过数据库获取当前LED驱动器所控制的LED通信地址信息，同时构建时间戳，并获取LED通信地址信息对应的LED的工作参数数据信息，结合时间戳，生成当前LED驱动器所控制的在预设时间之内LED工作参数数据信息。
在本方法中，对在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息，具体包括：
根据在预设时间之内LED工作参数数据信息构建样本数据，并引入模糊聚类算法，初始化聚类中心，并根据聚类中心计算每一样本数据的欧式距离；
通过每一样本数据的欧式距离的总欧式距离值，并根据总欧式距离值计算出簇内样本数据的平均欧式距离值，预设平均欧式距离阈值信息；
判断簇内样本数据的平均欧式距离值是否大于平均欧式距离阈值信息，若簇内样本数据的平均欧式距离值大于平均欧式距离阈值信息，生成每一样本数据所处的隶属度范围，并作为预处理后的LED工作参数数据信息输出；
若簇内样本数据的平均欧式距离值不大于平均欧式距离阈值信息，重新调整聚类中心的个数，直至簇内样本数据的平均欧式距离值大于平均欧式距离阈值信息。
如图3所示，在本方法中，对预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果，具体包括：
S302:引入马尔科夫链，通过马尔科夫链对预处理后的LED工作参数数据信息进行状态转移概率计算，获取每一预处理后的LED工作参数数据信息的状态转移概率值；
S304:根据每一预处理后的LED工作参数数据信息的状态转移概率值构建状态转移矩阵，同时，基于深度学习网络构建LED状态转移预测模型，并引入FCBF算法；
S306:通过FCBF算法计算状态转移矩阵中每个样本数据是否存在冗余对称特征数据，若存在冗余对称特征数据，并根据冗余对称特征数据构建冗余样本数据，将冗余样本数据从状态转移矩阵中剔除，生成处理后的状态转移矩阵；
S308:将处理后的状态转移矩阵输入到LED状态转移预测模型中进行编码学习，当LED状态转移预测模型符合预设要求，输出LED状态转移预测模型，通过LED状态转移预测模型预测当前LED的工作状态转移概率，生成预测结果。
此外，本方法还可以包括以下步骤：
通过大数据获取影响LED工作状态的影响因子信息，并引入层次分析法；
通过所述层次分析法计算各影响因子对于状态转移概率值的影响权重向量信息，并根据所述各影响因子对于状态转移概率值的影响权重向量信息获取影响相关性；
获取当前LED工作环境的影响因子信息，并通过灰色关联分析法根据所述影响相关性计算当前LED工作环境的影响因子信息对于状态转移概率值的影响评价分数；
根据所述影响评价分数对当前LED的状态转移概率值进行修正，并将修正后的状态转移概率值作为最终的状态转移概率值输出。
需要说明的是，状态转移概率值容易受到外界环境影响，即影响因子包括温度值、湿度值等，由于温度值容易影响电阻，从而影响电流，最终影响状态转移概率值，通过本方法能够对状态转移概率值进行修正，提高了预测精度。
此外，本发明还可以包括以下步骤：
获取影响状态转移概率值的影响因子数据信息，设置相关的影响时长阈值信息，并持续监控所述影响因子的在预设时间之内的影响时长数据信息；
判断所述影响时长数据信息是否大于所述相关的影响时长阈值信息，当所述影响时长数据信息大于所述相关的影响时长阈值信息，则获取对应LED灯的安装位置节点；
获取所述对应LED灯的安装位置节点在预设范围区域之内的影响因子数据，并根据所述对应LED灯的安装位置节点在预设范围区域之内的影响因子数据排序，获取影响因子排序结果；
从所述影响因子排序结果选取出最小的影响因子数据所对应的安装位置节点，并根据所述安装位置节点对当前LED灯进行安装调整。
需要说明的是，由于安装位置的不同，影响因子的数据就会产生不同，如在加湿器或者加热装置附近安装的LED灯，其湿度与其他的湿度、温度是不一致的，就会导致LED的状态转移概率值发生改变，通过本方法能够根据影响因子数据信息对当前LED灯进行安装调整，进一步降低状态转移概率值。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种具有智能控制功能的LED驱动器，其特征在于，所述驱动器包括：
数据获取模块，通过所述数据获取模块获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息；
数据处理模块，通过所述数据处理模块对所述在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息；
状态转移模块，通过所述状态转移模块对所述预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果；
调控模块，通过所述调控模块根据所述预测结果生成LED灯的调控参数，并基于LED灯的调控参数对相应的LED灯进行调控；
根据所述预测结果生成LED灯的调控参数，包括以下步骤：
根据所述预测结果获取LED驱动器所控制的每一LED灯的状态转移概率值，设置相关的转移概率阈值，并判断所述LED灯的状态转移概率值是否大于相关的转移概率阈值；
当所述LED灯的状态转移概率值大于相关的转移概率阈值时，则将状态转移概率值大于相关的转移概率阈值的LED灯作为异常工作状态的LED灯，并获取异常工作状态的LED灯所处的工作状态信息；
当所述异常工作状态的LED灯所处的工作状态信息超过预定的工作状态信息时，则获取异常工作状态的LED灯的通信地址信息，并根据所述异常工作状态的LED灯的通信地址信息生成预警信息；
当所述异常工作状态的LED灯所处的工作状态信息不超过预定的工作状态信息时，根据异常工作状态的LED灯所处的工作状态信息生成LED灯的调控参数。
2.根据权利要求1所述的一种具有智能控制功能的LED驱动器，其特征在于，获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息，具体包括：
构建数据库，获取LED驱动器所控制的LED通信地址信息，并将所述数据库分为若干个存储空间，同时引入注意力机制，通过所述注意力机制计算出每一LED通信地址信息的注意力分数信息；
从所述LED通信地址信息的注意力分数信息选取出随机一个LED通信地址信息的注意力分数信息作为初始样本数据，计算所述初始样本数据与其余每一LED通信地址信息的注意力分数信息之间的欧式距离；
根据所述欧式距离的大小值进行排序，生成排序结果，并根据所述排序结果将LED通信地址信息依次输入到所述数据库的存储空间中；
通过所述数据库获取当前LED驱动器所控制的LED通信地址信息，同时构建时间戳，并获取LED通信地址信息对应的LED的工作参数数据信息，结合所述时间戳，生成当前LED驱动器所控制的在预设时间之内LED工作参数数据信息。
3.根据权利要求1所述的一种具有智能控制功能的LED驱动器，其特征在于，对所述在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息，具体包括：
根据所述在预设时间之内LED工作参数数据信息构建样本数据，并引入模糊聚类算法，初始化聚类中心，并根据所述聚类中心计算每一样本数据的欧式距离；
统计所述每一样本数据的欧式距离的总欧式距离值，并根据所述总欧式距离值计算出簇内样本数据的平均欧式距离值，预设平均欧式距离阈值信息；
判断所述簇内样本数据的平均欧式距离值是否大于所述平均欧式距离阈值信息，若所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息，生成每一样本数据所处的隶属度范围，并作为预处理后的LED工作参数数据信息输出；
若所述簇内样本数据的平均欧式距离值不大于所述平均欧式距离阈值信息，重新调整聚类中心的个数，直至所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息。
4.根据权利要求1所述的一种具有智能控制功能的LED驱动器，其特征在于，对所述预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果，具体包括：
引入马尔科夫链，通过所述马尔科夫链对所述预处理后的LED工作参数数据信息进行状态转移概率计算，获取每一预处理后的LED工作参数数据信息的状态转移概率值；
根据所述每一预处理后的LED工作参数数据信息的状态转移概率值构建状态转移矩阵，同时，基于深度学习网络构建LED状态转移预测模型，并引入FCBF算法；
通过FCBF算法计算所述状态转移矩阵中每个样本数据是否存在冗余对称特征数据，若存在冗余对称特征数据，并根据所述冗余对称特征数据构建冗余样本数据，将所述冗余样本数据从状态转移矩阵中剔除，生成处理后的状态转移矩阵；
将所述处理后的状态转移矩阵输入到所述LED状态转移预测模型中进行编码学习，当所述LED状态转移预测模型符合预设要求，输出LED状态转移预测模型，通过所述LED状态转移预测模型预测当前LED的工作状态转移概率，生成预测结果；
FCBF 算法是分析特征冗余的一个有效途径，是一种快捷的相关性过滤方法。
5.根据权利要求4所述的一种具有智能控制功能的LED驱动器，其特征在于，还包括以下步骤：
获取每个聚类中心的样本数据信息，并引入马氏距离算法，通过马氏距离算法计算每个类簇中样本数据之间的马氏距离值，同时，预设马氏距离阈值信息；
判断所述马氏距离值是否大于所述马氏距离阈值信息，若所述马氏距离值大于所述马氏距离阈值信息，计算所述马氏距离值大于所述马氏距离阈值信息的样本数据与其他聚类中心的马氏距离值，生成二次马氏距离值；
根据所述二次马氏距离值进行排序，生成马氏距离排序结果，并从所述马氏距离排序结果中获取最小的马氏距离值对应的聚类中心；
重新将所述马氏距离值大于所述马氏距离阈值信息的样本数据分配至最小的马氏距离值对应的聚类中心。
6.一种具有智能控制功能的LED驱动器的控制方法，其特征在于，应用于权利要求1-5任一项所述的一种具有智能控制功能的LED驱动器，包括以下步骤：
获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息；
对所述在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息；
对所述预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果；
根据所述预测结果生成LED灯的调控参数，并基于LED灯的调控参数对相应的LED灯进行调控；
根据所述预测结果生成LED灯的调控参数，包括以下步骤：
根据所述预测结果获取LED驱动器所控制的每一LED灯的状态转移概率值，设置相关的转移概率阈值，并判断所述LED灯的状态转移概率值是否大于相关的转移概率阈值；
当所述LED灯的状态转移概率值大于相关的转移概率阈值时，则将状态转移概率值大于相关的转移概率阈值的LED灯作为异常工作状态的LED灯，并获取异常工作状态的LED灯所处的工作状态信息；
当所述异常工作状态的LED灯所处的工作状态信息超过预定的工作状态信息时，则获取异常工作状态的LED灯的通信地址信息，并根据所述异常工作状态的LED灯的通信地址信息生成预警信息；
当所述异常工作状态的LED灯所处的工作状态信息不超过预定的工作状态信息时，根据异常工作状态的LED灯所处的工作状态信息生成LED灯的调控参数。
7.根据权利要求6所述的一种具有智能控制功能的LED驱动器的控制方法，其特征在于，获取当前LED驱动器所控制的在预设时间之内LED工作参数数据信息，具体包括：
构建数据库，获取LED驱动器所控制的LED通信地址信息，并将所述数据库分为若干个存储空间，同时引入注意力机制，通过所述注意力机制计算出每一LED通信地址信息的注意力分数信息；
从所述LED通信地址信息的注意力分数信息选取出随机一个LED通信地址信息的注意力分数信息作为初始样本数据，计算所述初始样本数据与其余每一LED通信地址信息的注意力分数信息之间的欧式距离；
根据所述欧式距离的大小值进行排序，生成排序结果，并根据所述排序结果将LED通信地址信息依次输入到所述数据库的存储空间中；
通过所述数据库获取当前LED驱动器所控制的LED通信地址信息，同时构建时间戳，并获取LED通信地址信息对应的LED的工作参数数据信息，结合所述时间戳，生成当前LED驱动器所控制的在预设时间之内LED工作参数数据信息。
8.根据权利要求6所述的一种具有智能控制功能的LED驱动器的控制方法，其特征在于，对所述在预设时间之内LED工作参数数据信息进行处理，获取预处理后的LED工作参数数据信息，具体包括：
根据所述在预设时间之内LED工作参数数据信息构建样本数据，并引入模糊聚类算法，初始化聚类中心，并根据所述聚类中心计算每一样本数据的欧式距离；
统计所述每一样本数据的欧式距离的总欧式距离值，并根据所述总欧式距离值计算出簇内样本数据的平均欧式距离值，预设平均欧式距离阈值信息；
判断所述簇内样本数据的平均欧式距离值是否大于所述平均欧式距离阈值信息，若所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息，生成每一样本数据所处的隶属度范围，并作为预处理后的LED工作参数数据信息输出；
若所述簇内样本数据的平均欧式距离值不大于所述平均欧式距离阈值信息，重新调整聚类中心的个数，直至所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息。
9.根据权利要求6所述的一种具有智能控制功能的LED驱动器的控制方法，其特征在于，对所述预处理后的LED工作参数数据信息进行工作状态转移预测，生成预测结果，具体包括：
引入马尔科夫链，通过所述马尔科夫链对所述预处理后的LED工作参数数据信息进行状态转移概率计算，获取每一预处理后的LED工作参数数据信息的状态转移概率值；
根据所述每一预处理后的LED工作参数数据信息的状态转移概率值构建状态转移矩阵，同时，基于深度学习网络构建LED状态转移预测模型，并引入FCBF算法；
通过FCBF算法计算所述状态转移矩阵中每个样本数据是否存在冗余对称特征数据，若存在冗余对称特征数据，并根据所述冗余对称特征数据构建冗余样本数据，将所述冗余样本数据从状态转移矩阵中剔除，生成处理后的状态转移矩阵；
将所述处理后的状态转移矩阵输入到所述LED状态转移预测模型中进行编码学习，当所述LED状态转移预测模型符合预设要求，输出LED状态转移预测模型，通过所述LED状态转移预测模型预测当前LED的工作状态转移概率，生成预测结果；
FCBF 算法是分析特征冗余的一个有效途径，是一种快捷的相关性过滤方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061219.8A CN116761298B (zh) | 2023-08-23 | 2023-08-23 | 一种具有智能控制功能的led驱动器及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311061219.8A CN116761298B (zh) | 2023-08-23 | 2023-08-23 | 一种具有智能控制功能的led驱动器及控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116761298A CN116761298A (zh) | 2023-09-15 |
| CN116761298B true CN116761298B (zh) | 2023-10-27 |
Family
ID=87948323
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311061219.8A Active CN116761298B (zh) | 2023-08-23 | 2023-08-23 | 一种具有智能控制功能的led驱动器及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116761298B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116963357B (zh) * | 2023-09-20 | 2023-12-01 | 深圳市靓科光电有限公司 | 一种灯具的智能配置控制方法、系统及介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150019082A (ko) * | 2013-08-12 | 2015-02-25 | 경희대학교 산학협력단 | 은닉 마르코브 모델을 이용한 엘이디 조도제어 장치 및 방법 |
| CN111476610A (zh) * | 2020-04-16 | 2020-07-31 | 腾讯科技（深圳）有限公司 | 一种信息检测方法、装置及计算机可读存储介质 |
| CN113836435A (zh) * | 2021-11-29 | 2021-12-24 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
| CN116031888A (zh) * | 2023-03-27 | 2023-04-28 | 合肥工业大学 | 基于动态负荷预测的潮流优化方法、系统及存储介质 |
| CN116110237A (zh) * | 2023-04-11 | 2023-05-12 | 成都智元汇信息技术股份有限公司 | 一种基于灰色马尔科夫链的信号灯控制方法及装置及介质 |
| CN116471722A (zh) * | 2023-04-11 | 2023-07-21 | 浙江雨林电子科技有限公司 | 一种led驱动电源运行状态智能检测调整方法及系统 |
-
2023
- 2023-08-23 CN CN202311061219.8A patent/CN116761298B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150019082A (ko) * | 2013-08-12 | 2015-02-25 | 경희대학교 산학협력단 | 은닉 마르코브 모델을 이용한 엘이디 조도제어 장치 및 방법 |
| CN111476610A (zh) * | 2020-04-16 | 2020-07-31 | 腾讯科技（深圳）有限公司 | 一种信息检测方法、装置及计算机可读存储介质 |
| CN113836435A (zh) * | 2021-11-29 | 2021-12-24 | 腾讯科技（深圳）有限公司 | 信息推荐方法、装置、设备及计算机可读存储介质 |
| CN116031888A (zh) * | 2023-03-27 | 2023-04-28 | 合肥工业大学 | 基于动态负荷预测的潮流优化方法、系统及存储介质 |
| CN116110237A (zh) * | 2023-04-11 | 2023-05-12 | 成都智元汇信息技术股份有限公司 | 一种基于灰色马尔科夫链的信号灯控制方法及装置及介质 |
| CN116471722A (zh) * | 2023-04-11 | 2023-07-21 | 浙江雨林电子科技有限公司 | 一种led驱动电源运行状态智能检测调整方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116761298A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116761298B (zh) | 一种具有智能控制功能的led驱动器及控制方法 | |
| CN112488327B (zh) | 一种自学习电网设备故障缺陷预警系统及其方法 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| US11258659B2 (en) | Management and control for IP and fixed networking | |
| KR102096466B1 (ko) | 실시간 데이터베이스를 이용한 원격 제어 및 경보 장치 및 방법 | |
| CN116362374A (zh) | 一种基于神经网络的光伏电站发电状态判别方法与装置 | |
| CN117170293B (zh) | 一种具备多模式协同工作的电源集中控制方法和系统 | |
| CN112734141B (zh) | 一种多元化负荷区间预测方法及装置 | |
| CN117094535B (zh) | 基于人工智能的能源补给管理方法及系统 | |
| CN117323578A (zh) | 一种红外治疗仪智能控制方法及系统 | |
| CN117207905A (zh) | 一种新能源汽车的电源运维方法、系统及存储介质 | |
| CN116828670A (zh) | 无人驾驶航空器照明控制方法、系统和可读存储介质 | |
| CN112131069B (zh) | 基于聚类的设备运行监测方法及系统 | |
| KR101739847B1 (ko) | 비정형 데이터의 패턴분석을 통한 자기학습 엔진 시스템 및 그 방법 | |
| CN109784572A (zh) | 基于LightGBM的高压钠灯故障率预测方法 | |
| CN117279139B (zh) | 基于数据感知的led智能控制方法、装置及设备 | |
| CN113805004B (zh) | 一种智能电表联接设备的异常监测方法和系统 | |
| CN117688514B (zh) | 基于多源数据的遮阳篷健康状况检测方法及系统 | |
| CN117646935A (zh) | 一种多功能型空气源热泵控制方法及系统 | |
| CN117713221B (zh) | 一种微逆光伏并网优化系统 | |
| CN116761306B (zh) | 一种两用照明装置的照明优化方法及系统 | |
| CN114980688A (zh) | 水冷主机的控制方法及装置、非易失性存储介质、处理器 | |
| CN117978653A (zh) | 一种电厂网络接口优化方法及系统 | |
| CN117388663A (zh) | 基于多源数据分析的led灯带加工检测方法及系统 | |
| CN117419913A (zh) | 一种用于电磁阀的智能检测装置及方法 |
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 |