CN117636253A - 一种智能灯故障识别方法及系统 - Google Patents
一种智能灯故障识别方法及系统 Download PDFInfo
- Publication number
- CN117636253A CN117636253A CN202311639565.XA CN202311639565A CN117636253A CN 117636253 A CN117636253 A CN 117636253A CN 202311639565 A CN202311639565 A CN 202311639565A CN 117636253 A CN117636253 A CN 117636253A
- Authority
- CN
- China
- Prior art keywords
- rule
- lamp
- graph
- data
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011324 bead Substances 0.000 claims abstract description 97
- 230000008859 change Effects 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 84
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 10
- 230000001976 improved effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及故障识别技术领域，尤其涉及一种智能灯故障识别方法及系统，方法包括：获得智能灯的目标运行程序，确定每个灯珠的工作数据集，工作数据集内的数据按时间分布，且以对应时间的颜色代号作为数据值；建立时间序列模型，分析每个灯珠的颜色状态随时间的变化规律；建立灯珠的检测拓扑结构，并制定相应的故障识别规则；针对每个智能灯，执行目标运行程序，获取各灯珠的状态变化图像；应用检测拓扑结构、故障识别规则和状态变化图像，进行智能灯故障识别。通过本发明，引入智能故障识别系统，利用数据分析算法，自动识别智能灯系统的潜在问题、趋势或优化点，有助于进行充分的产品检测，以确保产品的质量、性能和可靠性。
Description
技术领域
本发明涉及故障识别技术领域，尤其涉及一种智能灯故障识别方法及系统。
背景技术
随着市场的竞争日益激烈，诸多产品的美观性成为吸引消费者并提升竞争优势的关键因素之一，以自动售货机为例，一台外观精致的自动售货机有助于吸引顾客的眼球，引发购买欲望，并提升整体消费体验，在这种情况下，合理的灯光布置成为关键的设计元素。
基于上述情况，目前设计了包括RS485芯片、控制单片机、程序下载端和多个RGB灯珠的智能灯，通过采用单总线RGB灯珠，可精确控制每个灯珠颜色与亮度，使用RS485通信接口可实现长距离传输，获得较高的通信可靠性；在使用过程中，基于单片机接收通信命令，基于程序实现对RGB灯珠的精确控制。针对上述智能灯，在应用于自动售货机时，当自动售卖机空闲，可呈现多彩变化，提升广告宣传效果和商品展示吸引力，上述产品节能环保，采用LED灯珠技术，具有低能耗和长寿命的特点，设计有程序下载接口，便于程序维护与升级。
在生产智能灯产品时，特别是涉及到焊点较多的情况下，进行充分的产品检测是非常关键的，以确保产品的质量、性能和可靠性，但目前的检测方法中缺乏使用数据分析工具，以及缺少算法来处理生产过程中生成的数据，无法自动识别潜在问题、趋势或优化点。
发明内容
本发明提供了一种智能灯故障识别方法及系统，可有效解决背景技术中的问题。
为了达到上述目的，本发明所采用的技术方案是：
一种智能灯故障识别方法，所述方法包括：
获得智能灯的目标运行程序，基于所述目标运行程序确定每个灯珠的工作数据集，所述工作数据集内的数据按时间分布，且以对应时间的颜色代号作为数据值；
基于每个灯珠的工作数据集建立时间序列模型，分析每个灯珠的颜色状态随时间的变化规律；
基于所述时间序列模型的分析结果，建立灯珠的检测拓扑结构，并制定相应的故障识别规则；
针对每个所述智能灯，执行所述目标运行程序，并对所述智能灯进行实时图像采集，获取各所述灯珠的状态变化图像；
应用所述检测拓扑结构、故障识别规则和状态变化图像，进行智能灯故障识别。
进一步地，基于每个灯珠的工作数据集建立时间序列模型，分析每个灯珠的颜色状态随时间的变化规律，包括：
采用长短时记忆网络模型作为时间序列模型；
使用历史数据对所述时间序列模型进行训练及模型验证；
根据所述长短时记忆网络模型的输出对模型进行调整；
将时间序列模型的输出可视化，通过图形展示每个灯珠的颜色状态随时间的变化规律。
进一步地，基于所述时间序列模型的分析结果，建立灯珠的检测拓扑结构，并制定相应的故障识别规则，包括：
确定每个所述灯珠与相邻灯珠之间的位置关联关系和工作关联关系；
将所述灯珠及所述位置关联关系和工作关联关系表示为图数据，其中节点表示灯珠，边表示灯珠之间的关联，且为每条边赋予权重；
基于位置关系的规则和基于工作关系的规则，制定多节点协同的故障识别规则。
进一步地，应用所述检测拓扑结构、故障识别规则和状态变化图像，进行智能灯故障识别，包括：
通过卷积神经网络，对于每个所述节点，将对应的状态变化图像嵌入为一个特征向量；
使用图神经网络对整个图数据进行建模，且将所述特征向量作为图神经网络模型的输入，输出全局向量；
结合故障识别规则，将规则编码为图数据中的节点或边的属性；
结合多个所述节点的特征向量、规则信息以及所述全局向量，通过新的神经网络进行多节点协同的故障识别；
基于新的图神经网络输出的节点状态以及规则匹配结果，设定触发故障报警的阈值，对于每个节点，当匹配到故障规则且超过了设定的阈值，生成相应的故障报警。
进一步地，通过卷积神经网络，对于每个所述节点，将对应的状态变化图像嵌入为一个特征向量，包括：
收集历史节点状态变化图像数据，并对所述历史节点状态变化图像数据进行特征处理，获得图像特征数据信息；
选择预训练模型，并冻结所述预训练模型的卷积层；
在所述预训练模型的顶部添加一个新的输出层，并使用所述图像特征数据信息对所述输出层进行训练和评估，获得卷积神经网络模型；
将所述状态变化图像输入所述卷积神经网络模型，输出特征向量。
进一步地，使用图神经网络对整个图数据进行建模，且将所述特征向量作为图神经网络模型的输入，输出全局向量，包括：
对节点的所述特征向量进行初始化，得到初始化特征向量；
对图结构进行表示，并对整个所述图结构数据进行特征处理；
选择合适的网络模型的隐藏层结构，构建图神经网络模型；
将所述初始化特征向量输入所述图神经网络模型，获得全局向量。
进一步地，选择合适的网络模型的隐藏层结构，构建图神经网络模型，包括选择图卷积层、注意力层和图池化层作为隐藏层结构；
所述图卷积层通过聚合邻居节点的信息来更新每个节点的表示；
所述注意力层应用于引入节点之间的权重，使模型动态地调整每个所述邻居节点的重要性；
所述图池化层通过在图数据上进行下采样，降低所述图数据的维度，提取全局结构。
进一步地，结合故障识别规则，将规则编码为图数据中的节点或边的属性，包括：
定义所述故障识别规则对应的规则属性，并为所述图数据中的节点或边分配特定的属性值；
对每个所述节点或边进行标识，获得节点或边的标识符；
将所述规则属性与节点或边的所述标识符进行匹配；
将所述规则属性与节点特征和边特征进行整合，组成扩展特征向量，作为所述图神经网络的输入。
进一步地，结合多个所述节点的特征向量、规则信息以及所述全局向量，通过新的图神经网络进行多节点协同的故障识别，包括:
给所述多个所述节点的特征向量、所述规则信息以及所述全局向量分配权重；
对所述权重进行求和，获得综合特征向量；
将所述综合特征向量输入新的神经网络模型，获得所述节点状态以及规则匹配结果。
一种智能灯故障识别系统，包括：
数据集获取模块：获得智能灯的目标运行程序，基于所述目标运行程序确定每个灯珠的工作数据集，所述工作数据集内的数据按时间分布，且以对应时间的颜色代号作为数据值；
时间序列建模模块：基于每个灯珠的工作数据集建立时间序列模型，分析每个灯珠的颜色状态随时间的变化规律；
拓扑结构建模模块：基于所述时间序列模型的分析结果，建立灯珠的检测拓扑结构，并制定相应的故障识别规则；
实时图像采集模块：针对每个所述智能灯，执行所述目标运行程序，并对所述智能灯进行实时图像采集，获取各所述灯珠的状态变化图像；
故障识别模块：应用所述检测拓扑结构、故障识别规则和状态变化图像，进行智能灯故障识别。
通过本发明的技术方案，可实现以下技术效果：
本发明引入智能故障识别系统，利用数据分析算法，自动识别智能灯系统的潜在问题、趋势或优化点，提高生产效率和能源利用效率，有助于进行充分的产品检测，以确保产品的质量、性能和可靠性。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
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中记载的一些实施例，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的附图。
图1为一种智能灯故障识别方法及系统的流程示意图；
图2为分析每个灯珠的颜色状态随时间的变化规律的流程示意图；
图3为建立灯珠的检测拓扑结构，并制定相应的故障识别规则的流程示意图；
图4为进行智能灯故障识别的流程示意图；
图5为将规则编码为图数据中的节点或边的属性的流程示意图；
图6为通过图神经网络层进行多节点协同的故障识别的流程示意图；
图7为一种智能灯故障识别系统的结构示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
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。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示，一种智能灯故障识别方法，方法包括：
S1：获得智能灯的目标运行程序，基于目标运行程序确定每个灯珠的工作数据集，工作数据集内的数据按时间分布，且以对应时间的颜色代号作为数据值；
本步骤中，将获得的工作数据集按时间顺序组织，并为每个时间点记录每个灯珠的颜色代号，这样做可以建立每个灯珠在不同时间点的目标运行状态记录；目标运行程序是为了使智能灯按照设计和预期的方式运行而开发的软件程序，该程序的目标是控制智能灯的各个方面，包括灯珠的颜色、亮度、闪烁频率等，以实现特定的功能或效果。
S2：基于每个灯珠的工作数据集建立时间序列模型，分析每个灯珠的颜色状态随时间的变化规律；
本步骤中基于工作数据集，使用合适的时间序列分析方法或机器学习技术，建立每个灯珠颜色状态随时间变化的模型；通过时间序列模型的分析，了解每个灯珠颜色状态的变化规律，可能包括颜色变化的周期性、趋势性或异常变化的特征。
S3：基于时间序列模型的分析结果，建立灯珠的检测拓扑结构，并制定相应的故障识别规则；
在上述步骤中，检测拓扑结构可以确定灯珠之间的关联方式，这可基于灯珠的位置、电路连接或者彼此的影响，例如，某些灯珠可能更倾向于相互影响，而另一些则可能在状态变化上相对独立；结合已建立的检测拓扑结构，制定用于识别故障或异常状态的规则，这些规则可以是一系列条件或模式，用来识别可能的故障情形。规则可包括对异常颜色状态、突然的状态变化、或者某些灯珠之间状态不一致的情况的定义，例如，如果一个灯珠异常闪烁或者颜色突然改变，这可能表示存在故障，另外，如果某些灯珠之间应该保持一致的状态出现了不一致，也可能意味着故障。
S4：针对每个智能灯，执行目标运行程序，并对智能灯进行实时图像采集，获取各灯珠的状态变化图像；
目标运行程序可包括一系列指令和算法，在程序运行的同时，启动用于图像采集的设备，如摄像头或传感器阵列，实时采集智能灯的数据，这可获得灯珠的颜色状态、亮度、闪烁频率等信息，目标是获取尽可能多的关于每个灯珠运行状态的实时数据；将图像采集的数据与目标运行程序获取的数据进行关联，确保每个灯珠的状态图像都能与实际运行状态数据相对应。
S5：应用检测拓扑结构、故障识别规则和状态变化图像，进行智能灯故障识别。
本发明结合了数据分析、实时监测和自动化故障识别，为生产智能灯产品提供了更全面、智能化的质量管理方案，这有助于确保产品的质量、性能和可靠性，同时提高生产效率和降低人工干预的需求。
本发明引入智能故障识别系统，利用数据分析算法，自动识别智能灯系统的潜在问题、趋势或优化点，提高生产效率和能源利用效率，有助于进行充分的产品检测，以确保产品的质量、性能和可靠性。
作为上述实施例的优选，针对步骤S2，如图2所示，基于每个灯珠的工作数据集建立时间序列模型，分析每个灯珠的颜色状态随时间的变化规律，包括：
S21：采用长短时记忆网络模型作为时间序列模型；
长短时记忆网络模型是一种适用于处理长序列数据的深度学习模型，其具备记忆长期依赖关系的能力，适合用于预测时间序列数据的趋势和模式，尤其是在处理颜色状态随时间变化的问题时，长短时记忆网络模型可以帮助捕捉到长期的颜色状态关系。
S22：使用历史数据对时间序列模型进行训练及模型验证；
具体地，可使用历史数据对长短时记忆网络模型进行训练，以使其学习数据中的模式和趋势；然后，使用另一部分数据对模型进行验证，评估其在未见过的数据上的性能，这样可以确保模型在实际应用中具有较好的泛化能力，而不仅仅是在训练数据上表现良好。
S23：根据长短时记忆网络模型的输出对模型进行调整；
具体可比较模型的输出与实际观测值，其中输出值为预测值，使用适当的性能指标，包括均方误差、平均绝对误差等，来评估模型在时间序列预测上的表现，识别在颜色状态变化中是否存在异常模式，这可能表明模型在某些方面未能正确捕捉数据的特征，根据分析结果，考虑调整长短时记忆网络模型的超参数，如学习率、隐藏层单元数等，以提高模型的性能。
S24：将时间序列模型的输出可视化，通过图形展示每个灯珠的颜色状态随时间的变化规律。
本步骤中，将模型的输出以图形的形式进行可视化，可以通过绘制每个灯珠颜色状态随时间变化的折线图、曲线图等方式完成，这样的可视化使结果更易于理解和传达给其他人，图形展示有助于直观地展现每个灯珠的颜色状态变化规律，从而更好地支持决策和进一步的分析。
在实施过程中，步骤S3，如图3所示，基于时间序列模型的分析结果，建立灯珠的检测拓扑结构，并制定相应的故障识别规则，包括：
S31：确定每个灯珠与相邻灯珠之间的位置关联关系和工作关联关系；
定义每个灯珠在物理空间中的位置，包括相邻灯珠的位置关系，可以基于网格坐标或实际空间布局； 识别每个灯珠之间的工作关联，例如，如果它们执行相似的功能、受到相似的环境影响或者在同一区域提供照明，这些都可以被认为是工作关联。
S32：将灯珠及位置关联关系和工作关联关系表示为图数据，其中节点表示灯珠，边表示灯珠之间的关联，且为每条边赋予权重；
具体地，为每个灯珠创建一个图节点，用来表示每个独立的灯珠，并基于灯珠在空间中的相对位置，功能等，创建图中的边以表示它们之间的关联，为每条边赋予权重，可以将权重表示为边的属性，例如，表示相邻灯珠之间的关联强度或工作关联的相似性；这种图表示方法有助于在后续的步骤中更好地理解和分析灯珠之间的关系，从而进行故障识别。
S33：基于位置关系的规则和基于工作关系的规则，制定多节点协同的故障识别规则。
例如，在工作过程中，如果相邻灯珠之一发生故障，可能会影响其周围的灯珠，可制定规则来检测这种位置关联导致的可能故障；如果具有相似工作关联的灯珠之一发生异常，可能表明这是一个系统性问题，可建立规则来捕捉这种工作关联导致的潜在故障。
在实施过程中，为每条边赋予权重属性，这可以是数字化的值，表示关联程度或相似性度量，比如，相似性高的灯珠之间权重可能更高；规则也需要量化，确保异常状态的阈值能够准确触发故障识别流程。
作为步骤S5的进一步优化，如图4所示，应用检测拓扑结构、故障识别规则和状态变化图像，进行智能灯故障识别，包括：
S51：通过卷积神经网络，对于每个节点，将对应的状态变化图像嵌入为一个特征向量；
本步骤通过将每个节点的状态变化图像转化为一个固定维度的特征向量，可便于后续图神经网络的处理；具体地，使用卷积神经网络对每个节点的状态变化图像进行处理，提取关键特征，并将其嵌入为一个特征向量，这个特征向量可以捕捉状态变化的重要信息。
S52：使用图神经网络对整个图数据进行建模，且将特征向量作为图神经网络模型的输入，输出全局向量；
将上述步骤得到的节点特征向量作为图神经网络模型的输入，对整个图数据进行建模，将图数据中的节点和边的信息输入到神经网络中，图神经网络会在整个图数据上进行训练，通过学习节点之间的关系来提高对系统整体状态的理解。
S53：结合故障识别规则，将规则编码为图数据中的节点或边的属性；
将故障规则转化为图数据中的节点或边的属性，可以把规则属性与图中的相应节点或边关联起来，这样，规则信息将被纳入到图神经网络的训练中，有助于提高系统对故障模式的识别性能。
S54：结合多个节点的特征向量、规则信息以及全局向量，通过新的神经网络进行多节点协同的故障识别；
在这一步骤中通过协同处理多个节点的特征向量，规则信息和全局向量，这使得模型能够更好地理解整个系统的状态，并提高对复杂关联的故障的识别准确性。
S55：基于新的图神经网络输出的节点状态以及规则匹配结果，设定触发故障报警的阈值，对于每个节点，当匹配到故障规则且超过了设定的阈值，生成相应的故障报警。
步骤S55在步骤S54的基础上进行，通过设定阈值和规则匹配来确定故障报警的条件，两者协同工作，确保只有在神经网络输出的节点状态和规则匹配结果表明存在故障且超过了设定的阈值时，才会触发故障报警，这种设计有助于降低误报的可能性，使系统更加可靠地识别和报告真实的故障情况。
进一步地，通过卷积神经网络，对于每个节点，将对应的状态变化图像嵌入为一个特征向量，包括：
S511：收集历史节点状态变化图像数据，并对历史节点状态变化图像数据进行特征处理，获得图像特征数据信息；
具体的，在收集历史节点状态变化图像数据并进行特征处理时，要确保数据的质量和多样性，可以对数据进行适当的预处理以提高模型的泛化能力，包括调整图像大小、归一化像素值、去除噪声等。
S512：选择预训练模型，并冻结预训练模型的卷积层；
作为上述实施例的优选，本步骤通过迁移学习的方法，将一个已经在一个任务上学到的模型迁移到另一个相关但不同的任务上，以提高目标任务的性能，使用预训练模型的底层卷积层作为特征提取器，然后在这个基础上构建新的模型。首先，需要选择一个合适的预训练模型，这个预训练模型通常是要在大型图像数据集上训练的模型，并且已经学会了提取通用的图像特征，在大规模数据集上表现良好，以便迁移学习效果更好，然后可以冻结预训练模型的卷积层，由于这些卷积层已经学到了通用的特征，并且想要保持这些特征在新任务中的有效性，因此在之后训练过程中不更新这些层的权重。需要注意的是，解冻一些更底层的卷积层可能有助于学习一些更具体的特征。
S513：在预训练模型的顶部添加一个新的输出层，并使用图像特征数据信息对输出层进行训练和评估，获得卷积神经网络模型；
S514：将状态变化图像输入卷积神经网络模型，输出特征向量。
在本实施例中，还需要根据任务类型来添加用于特定输出任务的全连接层，要确保输出层的结构与任务相匹配，对于新的输出层，可以将图像特征数据信息划分为训练集和测试集，以便进行模型的训练、调整和评估，对于模型的训练，仅需要训练新添加的输出层，由于前几层被冻结，它们的权重保持不变，只有新的输出层会被更新，以适应新的任务；进行模型的性能评估时，可以使用交叉验证等技术，确保模型能够在新数据上泛化。模型训练完成后，使用训练好的模型来提取每个节点对应状态变化图像的特征向量，将每个节点的状态变化图像输入训练好的模型，就可以从新添加的输出层中获取相应的特征向量。
进一步地，使用图神经网络对整个图数据进行建模，且将特征向量作为图神经网络模型的输入，输出全局向量，包括：
S521：对节点的特征向量进行初始化，得到初始化特征向量；
具体而言，本步骤通过图神经网络对整个图数据进行建模，首先需要初始化节点特征向量，包括节点本身的属性或者从卷积神经网络模型得到的特征，对节点特征进行初始化的目的是为了为图神经网络提供一个起始点，使模型能够在学习过程中逐渐调整节点特征，以更好地反映图中节点的重要性、状态或其他相关信息。
S522：对图结构进行表示，并对整个图结构数据进行特征处理；
S523：选择合适的网络模型的隐藏层结构，构建图神经网络模型；
S524：将初始化特征向量输入图神经网络模型，获得全局向量。
还需要对图的结构信息进行表示，包括节点之间的连接关系等，并通过邻接矩阵或邻接列表等方法来将图的结构表示为图神经网络可以处理的形式，然后可以构建合适的图神经网络模型对初始化特征向量进行处理，通过图神经网络的层，不断地对节点的特征进行信息传递和聚合，最终，整个图的状态被表示为图神经网络输出的一个全局向量，用于后续的任务。
进一步地，选择合适的网络模型的隐藏层结构，构建图神经网络模型，包括选择图卷积层、注意力层和图池化层作为隐藏层结构；
图卷积层通过聚合邻居节点的信息来更新每个节点的表示；在图数据上进行卷积操作，捕捉节点之间的局部结构，在节点之间传递信息，通过图卷积层聚合邻居节点的信息，得到节点的新表示。
注意力层应用于引入节点之间的权重，使模型动态地调整每个邻居节点的重要性；注意力机制通过计算每个输入位置的权重，然后将这些权重应用于输入数据来实现，使得网络能够为每个输入位置分配不同的权重；注意力机制是带有学习参数的，这些参数可以在模型训练过程中进行调整，以适应不同的任务和数据。
图池化层通过在图数据上进行下采样，降低图数据的维度，提取全局结构；图池化层的主要目的是降低图的维度，同时保留重要信息，并帮助捕捉整个图的全局结构；可以通过在输入数据的局部区域上进行聚合操作来实现，例如最大池化或平均池化。
本步骤可以将节点特征向量和智能灯系统状态划分为训练集和测试集，使用训练集对模型进行训练，使用测试集对模型进行评估；在训练数据上进行多轮迭代，通过模型前向传播计算预测值，然后可以将预测结果与实际标签比较，计算损失值，并将损失传递回网络，通过反向传播算法计算损失对模型参数的梯度，根据所计算的梯度使用优化器更新模型参数；对于图神经网络模型的评估，可以选择适当的评估指标，包括准确率、精确度、召回率等，在测试集上运行训练好的模型，计算选择的评估指标，根据测试集的性能调整模型的超参数，包括学习率、层数等，确保模型在未见过的数据上的泛化能力。
进一步地，如图5所示，结合故障识别规则，将规则编码为图数据中的节点或边的属性，包括：
S531：定义故障识别规则对应的规则属性，并为图数据中的节点或边分配特定的属性值；
具体来说，智能灯系统通常可以用图数据来表示，而图神经网络在处理这种拓扑结构和关系时表现出色,为了将先验知识引入到图神经网络的学习过程中，可以将故障识别规则编码为图数据中的节点或边的属性。将每个故障规识别则转化为图数据中的节点或边的属性，首先需要为故障识别规则定义对应的属性，包括规则类型、置信度、故障类别等，这些属性可以用来描述节点或边的附加信息，以便更好地捕捉故障识别规则的特征，根据定义的规则属性，将这些属性值分配给图数据中的相应节点或边。
S532：对每个节点或边进行标识，获得节点或边的标识符；
S533：将规则属性与节点或边的标识符进行匹配；
S534：将规则属性与节点特征和边特征进行整合，组成扩展特征向量，作为图神经网络的输入。
本步骤需要将提取的规则属性与相应的节点或边关联，确保每个节点或边携带了其对应的规则属性信息，为了进行匹配和整合，可以对每个节点或边进行标识，为节点和边分配唯一的标识符，并将规则属性与节点或边的标识符进行匹配，在规则属性与相应的节点或边关联之后，可以将节点或边的特征与关联的规则属性组合成一个扩展特征向量，来作为图神经网络模型的输入。将规则属性作为图神经网络的输入之一，与节点特征和边特征一起传递给模型，在这种情况下，每个节点或边都携带了其对应的规则属性信息，使得图神经网络可以在学习的过程中考虑这些先验知识，从而更好地捕捉系统的复杂性和故障模式。
进一步地，如图6所示，结合多个节点的特征向量、规则信息以及全局向量，通过新的图神经网络进行多节点协同的故障识别，包括:
S541：给多个节点的特征向量、规则信息以及全局向量的输出分配权重；
S542：对权重进行求和，获得综合特征向量；
S543：将综合特征向量输入新的神经网络模型，获得节点状态以及规则匹配结果。
在本实施例中，利用全局向量，结合多个节点的特征向量和规则信息，可以通过加权求将这些信息整合起来，首先根据先验知识、数据分析来确定为每个信息分配的权重，再将分配的权重与对应的特征向量、规则信息和全局向量相乘，然后将它们相加，得到一个综合特征向量，使得模型能够在综合信息的基础上进行更深入的学习和预测；将综合特征向量输入新的神经网络模型，获取节点状态以及规则匹配结果，可以提高故障识别的准确性。
实施例二：
如图7所示，一种智能灯故障识别系统，包括：
数据集获取模块：获得智能灯的目标运行程序，基于目标运行程序确定每个灯珠的工作数据集，工作数据集内的数据按时间分布，且以对应时间的颜色代号作为数据值；
时间序列建模模块：基于每个灯珠的工作数据集建立时间序列模型，分析每个灯珠的颜色状态随时间的变化规律；
拓扑结构建模模块：基于时间序列模型的分析结果，建立灯珠的检测拓扑结构，并制定相应的故障识别规则；
实时图像采集模块：针对每个智能灯，执行目标运行程序，并对智能灯进行实时图像采集，获取各灯珠的状态变化图像；
故障识别模块：应用检测拓扑结构、故障识别规则和状态变化图像，进行智能灯故障识别。
本发明中的上述调整系统可有效的实现智能灯故障识别方法，能够起到的技术效果如上述实施例所描述的，此处不再赘述。
进一步地，故障识别模块包括：
状态变化图像嵌入单元：通过卷积神经网络，对于每个节点，将对应的状态变化图像嵌入为一个特征向量；
图数据建模单元：使用图神经网络对整个图数据进行建模，且将特征向量作为图神经网络模型的输入，输出全局向量；
故障识别规则编码单元：结合故障识别规则，将规则编码为图数据中的节点或边的属性；
多节点协同故障识别单元：结合多个节点的特征向量、规则信息以及图神经网络模型的输出，通过图神经网络层进行多节点协同的故障识别；
故障报警触发单元：基于图神经网络输出的节点状态以及规则匹配结果，设定触发故障报警的阈值，对于每个节点，当匹配到故障规则且超过了设定的阈值，生成相应的故障报警。
同样地，对系统的上述优化方案，也分别地可对应实现实施例一中方法对应的优化效果，此处同样不再赘述。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种智能灯故障识别方法，其特征在于，所述方法包括：
获得智能灯的目标运行程序，基于所述目标运行程序确定每个灯珠的工作数据集，所述工作数据集内的数据按时间分布，且以对应时间的颜色代号作为数据值；
基于每个灯珠的工作数据集建立时间序列模型，分析每个灯珠的颜色状态随时间的变化规律；
基于所述时间序列模型的分析结果，建立灯珠的检测拓扑结构，并制定相应的故障识别规则；
针对每个所述智能灯，执行所述目标运行程序，并对所述智能灯进行实时图像采集，获取各所述灯珠的状态变化图像；
应用所述检测拓扑结构、故障识别规则和状态变化图像，进行智能灯故障识别。
2.根据权利要求1所述的智能灯故障识别方法，其特征在于，基于每个灯珠的工作数据集建立时间序列模型，分析每个灯珠的颜色状态随时间的变化规律，包括：
采用长短时记忆网络模型作为时间序列模型；
使用历史数据对所述时间序列模型进行训练及模型验证；
根据所述长短时记忆网络模型的输出对模型进行调整；
将时间序列模型的输出可视化，通过图形展示每个灯珠的颜色状态随时间的变化规律。
3.根据权利要求1所述的智能灯故障识别方法，其特征在于，基于所述时间序列模型的分析结果，建立灯珠的检测拓扑结构，并制定相应的故障识别规则，包括：
确定每个所述灯珠与相邻灯珠之间的位置关联关系和工作关联关系；
将所述灯珠及所述位置关联关系和工作关联关系表示为图数据，其中节点表示灯珠，边表示灯珠之间的关联，且为每条边赋予权重；
基于位置关系的规则和基于工作关系的规则，制定多节点协同的故障识别规则。
4.根据权利要求3所述的智能灯故障识别方法，其特征在于，应用所述检测拓扑结构、故障识别规则和状态变化图像，进行智能灯故障识别，包括：
通过卷积神经网络，对于每个所述节点，将对应的状态变化图像嵌入为一个特征向量；
使用图神经网络对整个图数据进行建模，且将所述特征向量作为图神经网络模型的输入，输出全局向量；
结合故障识别规则，将规则编码为图数据中的节点或边的属性；
结合多个所述节点的特征向量、规则信息以及所述全局向量，通过新的神经网络进行多节点协同的故障识别；
基于新的神经网络输出的节点状态以及规则匹配结果，设定触发故障报警的阈值，对于每个节点，当匹配到故障规则且超过了设定的阈值，生成相应的故障报警。
5.根据权利要求4所述的智能灯故障识别方法，其特征在于，通过卷积神经网络，对于每个所述节点，将对应的状态变化图像嵌入为一个特征向量，包括：
收集历史节点状态变化图像数据，并对所述历史节点状态变化图像数据进行特征处理，获得图像特征数据信息；
选择预训练模型，并冻结所述预训练模型的卷积层；
在所述预训练模型的顶部添加一个新的输出层，并使用所述图像特征数据信息对所述输出层进行训练和评估，获得卷积神经网络模型；
将所述状态变化图像输入所述卷积神经网络模型，输出特征向量。
6.根据权利要求4所述的智能灯故障识别方法，其特征在于，使用图神经网络对整个图数据进行建模，且将所述特征向量作为图神经网络模型的输入，输出全局向量，包括：
对节点的所述特征向量进行初始化，得到初始化特征向量；
对图结构进行表示，并对整个所述图结构数据进行特征处理；
选择合适的网络模型的隐藏层结构，构建图神经网络模型；
将所述初始化特征向量输入所述图神经网络模型，获得全局向量。
7.根据权利要求6所述的智能灯故障识别方法，其特征在于，选择合适的网络模型的隐藏层结构，构建图神经网络模型，包括选择图卷积层、注意力层和图池化层作为隐藏层结构；
所述图卷积层通过聚合邻居节点的信息来更新每个节点的表示；
所述注意力层应用于引入节点之间的权重，使模型动态地调整每个所述邻居节点的重要性；
所述图池化层通过在图数据上进行下采样，降低所述图数据的维度，提取全局结构。
8.根据权利要求4所述的智能灯故障识别方法，其特征在于，结合故障识别规则，将规则编码为图数据中的节点或边的属性，包括：
定义所述故障识别规则对应的规则属性，并为所述图数据中的节点或边分配特定的属性值；
对每个所述节点或边进行标识，获得节点或边的标识符；
将所述规则属性与节点或边的所述标识符进行匹配；
将所述规则属性与节点特征和边特征进行整合，组成扩展特征向量，作为所述图神经网络的输入。
9.根据权利要求4所述的智能灯故障识别方法，其特征在于，结合多个所述节点的特征向量、规则信息以及所述全局向量，通过新的神经网络进行多节点协同的故障识别，包括:
给所述多个所述节点的特征向量、所述规则信息以及所述全局向量分配权重；
对所述权重进行求和，获得综合特征向量；
将所述综合特征向量输入新的神经网络模型，获得所述节点状态以及规则匹配结果。
10.一种智能灯故障识别系统，其特征在于，包括：
数据集获取模块：获得智能灯的目标运行程序，基于所述目标运行程序确定每个灯珠的工作数据集，所述工作数据集内的数据按时间分布，且以对应时间的颜色代号作为数据值；
时间序列建模模块：基于每个灯珠的工作数据集建立时间序列模型，分析每个灯珠的颜色状态随时间的变化规律；
拓扑结构建模模块：基于所述时间序列模型的分析结果，建立灯珠的检测拓扑结构，并制定相应的故障识别规则；
实时图像采集模块：针对每个所述智能灯，执行所述目标运行程序，并对所述智能灯进行实时图像采集，获取各所述灯珠的状态变化图像；
故障识别模块：应用所述检测拓扑结构、故障识别规则和状态变化图像，进行智能灯故障识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311639565.XA CN117636253B (zh) | 2023-11-30 | 2023-11-30 | 一种智能灯故障识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311639565.XA CN117636253B (zh) | 2023-11-30 | 2023-11-30 | 一种智能灯故障识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117636253A true CN117636253A (zh) | 2024-03-01 |
| CN117636253B CN117636253B (zh) | 2024-07-16 |
Family
ID=90035382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311639565.XA Active CN117636253B (zh) | 2023-11-30 | 2023-11-30 | 一种智能灯故障识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117636253B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118096216A (zh) * | 2024-03-11 | 2024-05-28 | 网才科技(广州)集团股份有限公司 | 一种商机业务处理方法及系统 |
Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960243A (zh) * | 2017-03-06 | 2017-07-18 | 中南大学 | 一种改进卷积神经网络结构的方法 |
| CN110351118A (zh) * | 2019-05-28 | 2019-10-18 | 华为技术有限公司 | 根因告警决策网络构建方法、装置和存储介质 |
| CN110413227A (zh) * | 2019-06-22 | 2019-11-05 | 华中科技大学 | 一种硬盘设备的剩余使用寿命在线预测方法和系统 |
| CN110444028A (zh) * | 2019-09-06 | 2019-11-12 | 科大讯飞股份有限公司 | 多路口信号灯控制方法、装置及设备 |
| CN110889630A (zh) * | 2019-11-27 | 2020-03-17 | 佳源科技有限公司 | 一种主动配电网分布式状态估计方法 |
| CN111582030A (zh) * | 2020-04-02 | 2020-08-25 | 北京百度网讯科技有限公司 | 红绿灯的识别方法、装置、电子设备和计算机存储介质 |
| CN111709292A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
| CN112067916A (zh) * | 2019-09-20 | 2020-12-11 | 武汉理工大学 | 基于深度学习的时间序列数据智能故障诊断方法 |
| CN112489464A (zh) * | 2020-11-19 | 2021-03-12 | 天津大学 | 一种具有位置感知的路口交通信号灯调控方法 |
| CN112560816A (zh) * | 2021-02-20 | 2021-03-26 | 北京蒙帕信创科技有限公司 | 一种基于YOLOv4的设备指示灯识别方法及系统 |
| CN112783940A (zh) * | 2020-12-31 | 2021-05-11 | 广州大学 | 基于图神经网络的多源时序数据故障诊断方法和介质 |
| CN112949009A (zh) * | 2021-02-23 | 2021-06-11 | 南京邮电大学 | 基于迁移学习的主动配电网分布式状态估计方法及系统 |
| CN113240086A (zh) * | 2021-05-13 | 2021-08-10 | 宿州学院 | 一种复杂网络链接预测方法及系统 |
| CN113379168A (zh) * | 2021-08-11 | 2021-09-10 | 云智慧（北京）科技有限公司 | 一种时间序列的预测处理方法、装置及设备 |
| CN113610277A (zh) * | 2021-07-15 | 2021-11-05 | 中山大学 | 基于时空注意力机制的电力负荷预测方法、装置及介质 |
| CN114332494A (zh) * | 2021-12-22 | 2022-04-12 | 北京邮电大学 | 车路协同场景下基于多源融合的三维目标检测与识别方法 |
| CN114463550A (zh) * | 2022-01-11 | 2022-05-10 | 吉林化工学院 | 一种时间序列的轴承故障诊断多层卷积特征提取分类方法 |
| CN114675206A (zh) * | 2021-12-31 | 2022-06-28 | 联晶智能电子有限公司 | 一种汽车车灯检测方法及系统 |
| CN114746872A (zh) * | 2020-04-28 | 2022-07-12 | 辉达公司 | 用于自主系统的模型预测控制技术 |
| CN115587612A (zh) * | 2022-10-11 | 2023-01-10 | 湖北工业大学 | 基于自监督超图的网络故障预测方法及装置 |
| CA3177530A1 (en) * | 2021-07-14 | 2023-01-14 | Strong Force TX Portfolio 2018, LLC | Systems and methods with integrated gaming engines and smart contracts |
| US11562007B1 (en) * | 2019-04-25 | 2023-01-24 | Federal Home Loan Mortgage Corporation (Freddie Mac) | Systems and methods of establishing correlative relationships between geospatial data features in feature vectors representing property locations |
| CN116760015A (zh) * | 2023-05-30 | 2023-09-15 | 西安交通大学 | 一种基于高维图注意力网络的大电网暂态功角稳定评估方法 |
| CN116977708A (zh) * | 2023-06-14 | 2023-10-31 | 北京建筑大学 | 一种基于自适应聚合可视图的轴承智能诊断方法及系统 |
| CN117118849A (zh) * | 2023-09-29 | 2023-11-24 | 江苏首捷智能设备有限公司 | 一种物联网网关系统及实现方法 |
-
2023
- 2023-11-30 CN CN202311639565.XA patent/CN117636253B/zh active Active
Patent Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960243A (zh) * | 2017-03-06 | 2017-07-18 | 中南大学 | 一种改进卷积神经网络结构的方法 |
| US11562007B1 (en) * | 2019-04-25 | 2023-01-24 | Federal Home Loan Mortgage Corporation (Freddie Mac) | Systems and methods of establishing correlative relationships between geospatial data features in feature vectors representing property locations |
| CN110351118A (zh) * | 2019-05-28 | 2019-10-18 | 华为技术有限公司 | 根因告警决策网络构建方法、装置和存储介质 |
| CN110413227A (zh) * | 2019-06-22 | 2019-11-05 | 华中科技大学 | 一种硬盘设备的剩余使用寿命在线预测方法和系统 |
| CN110444028A (zh) * | 2019-09-06 | 2019-11-12 | 科大讯飞股份有限公司 | 多路口信号灯控制方法、装置及设备 |
| CN112067916A (zh) * | 2019-09-20 | 2020-12-11 | 武汉理工大学 | 基于深度学习的时间序列数据智能故障诊断方法 |
| CN110889630A (zh) * | 2019-11-27 | 2020-03-17 | 佳源科技有限公司 | 一种主动配电网分布式状态估计方法 |
| CN111582030A (zh) * | 2020-04-02 | 2020-08-25 | 北京百度网讯科技有限公司 | 红绿灯的识别方法、装置、电子设备和计算机存储介质 |
| CN114746872A (zh) * | 2020-04-28 | 2022-07-12 | 辉达公司 | 用于自主系统的模型预测控制技术 |
| CN111709292A (zh) * | 2020-05-18 | 2020-09-25 | 杭州电子科技大学 | 基于递归图和深度卷积网络的压气机振动故障检测法 |
| CN112489464A (zh) * | 2020-11-19 | 2021-03-12 | 天津大学 | 一种具有位置感知的路口交通信号灯调控方法 |
| CN112783940A (zh) * | 2020-12-31 | 2021-05-11 | 广州大学 | 基于图神经网络的多源时序数据故障诊断方法和介质 |
| CN112560816A (zh) * | 2021-02-20 | 2021-03-26 | 北京蒙帕信创科技有限公司 | 一种基于YOLOv4的设备指示灯识别方法及系统 |
| CN112949009A (zh) * | 2021-02-23 | 2021-06-11 | 南京邮电大学 | 基于迁移学习的主动配电网分布式状态估计方法及系统 |
| CN113240086A (zh) * | 2021-05-13 | 2021-08-10 | 宿州学院 | 一种复杂网络链接预测方法及系统 |
| CA3177530A1 (en) * | 2021-07-14 | 2023-01-14 | Strong Force TX Portfolio 2018, LLC | Systems and methods with integrated gaming engines and smart contracts |
| CN113610277A (zh) * | 2021-07-15 | 2021-11-05 | 中山大学 | 基于时空注意力机制的电力负荷预测方法、装置及介质 |
| CN113379168A (zh) * | 2021-08-11 | 2021-09-10 | 云智慧（北京）科技有限公司 | 一种时间序列的预测处理方法、装置及设备 |
| CN114332494A (zh) * | 2021-12-22 | 2022-04-12 | 北京邮电大学 | 车路协同场景下基于多源融合的三维目标检测与识别方法 |
| CN114675206A (zh) * | 2021-12-31 | 2022-06-28 | 联晶智能电子有限公司 | 一种汽车车灯检测方法及系统 |
| CN114463550A (zh) * | 2022-01-11 | 2022-05-10 | 吉林化工学院 | 一种时间序列的轴承故障诊断多层卷积特征提取分类方法 |
| CN115587612A (zh) * | 2022-10-11 | 2023-01-10 | 湖北工业大学 | 基于自监督超图的网络故障预测方法及装置 |
| CN116760015A (zh) * | 2023-05-30 | 2023-09-15 | 西安交通大学 | 一种基于高维图注意力网络的大电网暂态功角稳定评估方法 |
| CN116977708A (zh) * | 2023-06-14 | 2023-10-31 | 北京建筑大学 | 一种基于自适应聚合可视图的轴承智能诊断方法及系统 |
| CN117118849A (zh) * | 2023-09-29 | 2023-11-24 | 江苏首捷智能设备有限公司 | 一种物联网网关系统及实现方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118096216A (zh) * | 2024-03-11 | 2024-05-28 | 网才科技(广州)集团股份有限公司 | 一种商机业务处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117636253B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117636253B (zh) | 一种智能灯故障识别方法及系统 | |
| CN107092582A (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
| CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN116665130B (zh) | 基于时空图的大坝安全监测多元时间序列异常检测方法 | |
| CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
| CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
| JP2019087101A (ja) | 予知モデル維持システム、予知モデル維持方法及び予知モデル維持プログラム | |
| CN111426344A (zh) | 一种建筑物能耗智能检测系统 | |
| CN117972580B (zh) | 一种航空障碍灯远程监控方法及系统 | |
| CN117251700B (zh) | 基于人工智能的环境监测传感器数据分析方法及系统 | |
| CN117460129A (zh) | 基于物联网驱动的节能路灯控制方法及系统 | |
| CN113869418A (zh) | 一种基于全局注意力关系网络的小样本船舶目标识别方法 | |
| CN118096131B (zh) | 一种基于电力场景模型的运维巡检方法 | |
| CN117666448B (zh) | 基于物联网能耗预测的节能方法、装置、设备及介质 | |
| CN117992740A (zh) | 一种基于图注意力网络的电网数据智能修复方法及系统 | |
| CN116823193B (zh) | 基于大数据的智能制造流程管理系统 | |
| CN116539285B (zh) | 基于人工智能的光源检测方法、装置、设备及存储介质 | |
| CN117523499A (zh) | 基于北斗定位与感知的森林防火监测方法及系统 | |
| CN115174421B (zh) | 基于自监督解缠绕超图注意力的网络故障预测方法及装置 | |
| Zhao et al. | Research on machine learning-based correlation analysis method for power equipment alarms | |
| CN117216722B (zh) | 基于传感器时序数据多源异构数据融合系统 | |
| KR102627837B1 (ko) | 글로벌 스케일의 환경 데이터와 경제적 손실 데이터베이스를 사용하여 외래생물의 위해성을 평가하는 방법 및 시스템 | |
| CN114169493B (zh) | 基于尺度感知神经架构搜索的多变量时间序列预测方法 | |
| CN118520375B (zh) | 一种楼宇设备运行状态数据处理方法、装置、设备及介质 | |
| CN117201558A (zh) | 一种基于物联网的电子信息产品的智能管理方法 |
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 |