一种基于机器学习的工业照明灯具健康诊断系统技术方案

本发明专利技术涉及一种基于机器学习的工业照明灯具健康诊断系统，该系统采用三层架构设计，分别为表现层、服务层及数据持久化层，所述的表现层通过RESTful接口与服务层进行数据交互，所述的服务层内部通过消息中间件进行数据通信及业务流程控制，通过人工智能与机器学习模块对机器学习模型进行训练，以根据数据集得到诊断结果，所述的数据持久化层由文件系统和Redis配合进行架设，以完整保留过程数据并保证数据可查。与现有技术相比，本发明专利技术具有准确检测工业照明灯具实时状态、预测评估工业照明灯具未来状态以及提前告警工业照明灯具故障等优点。等优点。等优点。

【技术实现步骤摘要】
一种基于机器学习的工业照明灯具健康诊断系统


[0001]本专利技术涉及工业照明
，尤其是涉及一种基于机器学习的工业照明灯具健康诊断系统。

技术介绍

[0002]目前工业照明灯具主要依靠人工定期与不定期巡检进行维护，人工巡检耗时耗力，无法有效应对灯具设备的运维管理需求。市场上出现的绝大多数智能化灯具，还仅仅具备监控数据、开关灯、灯光调控等功能，灯具故障也只有在发生后才能被监控到，没有形成真正的“智能”，极少数带有异常检测和诊断功能的智能化灯具，主要采用横纵向比较、阈值判断等数值分析方法对系统监控指标进行异常检测和诊断，但由于灯具设备故障机理复杂、故障类型及现场干扰繁多等原因，简单数值分析的诊断方法准确率低，无法满足市场需求。如何打造一款可做到精准异常检测和诊断，实现精准调控、快速精准检修、预测性维护等功能的智能灯具系统，具有重要意义。

技术实现思路

[0003]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器学习的工业照明灯具健康诊断系统。
[0004]本专利技术的目的可以通过以下技术方案来实现：
[0005]一种基于机器学习的工业照明灯具健康诊断系统，该系统采用三层架构设计，分别为表现层、服务层及数据持久化层，所述的表现层通过RESTful接口与服务层进行数据交互，所述的服务层内部通过消息中间件进行数据通信及业务流程控制，通过人工智能与机器学习模块对机器学习模型进行训练，以根据数据集得到诊断结果，所述的数据持久化层由文件系统和Redis配合进行架设，以完整保留过程数据并保证数据可查。
[0006]所述的表现层包括前端和WEB，所述的前端以二维图和三维图的形式展示灯具设备的状态参数，所述的WEB用以提供网页形式操作。
[0007]所述的服务层包括后端、数据处理单元、数据集和机器学习单元，所述的后端用以接收实时数据并进行解析，所述的数据处理单元对历史数据和实时数据进行编码，所述的数据集用以提供训练机器学习模型的数据，所述的机器学习单元包括人工智能及机器学习模块和模型，所述的人工智能与机器学习模块用以对机器学习模型进行训练，所述的模型用以保存机器学习模型的权重。
[0008]所述的数据持久化层包括MQ组件和存储与缓存模块，所述的MQ组件和存储与缓存模块用以相互配合完成与其他进程件的数据交互，以保留过程数据。
[0009]所述的服务层通过人工智能与机器学习模块对机器学习模型进行训练的过程具体包括以下步骤：
[0010]步骤A：导入灯具设备的历史数据，对历史数据进行处理，将历史数据中的干扰数据和无效数据进行删除和修正；
[0011]步骤B：判断是否存在对应的训练后的机器学习模型，若是，则将处理后的历史数据输入机器学习模型中得到结果，若否，则执行步骤3；
[0012]步骤C：重新训练对应的机器学习模型；
[0013]步骤D：对训练后的机器学习模型进行评估，判断是否达到期望效果，若是，则得到训练后的机器学习模型，并将处理后的历史数据输入训练后的机器学习模型中得到结果，若否，则返回步骤3；
[0014]步骤E：根据实时数据和机器学习模型输出的数据获取最终输出的结果。
[0015]所述的机器学习模型分别为预测模型和故障诊断模型，所述的机器学习模型的输入特征参数包括灯具设备输入电流、输入电压、输入功率、用电量、输出电流、输出电压、Tc温度、光源腔温度、光源腔湿度、Tp温度和Ta温度。
[0016]所述的预测模型用以预测灯具设备的关键参数，预测模型由LSTM长短时循环神经网络和多层全连接网络组成，预测模型的训练过程具体包括以下步骤：
[0017]步骤101：将特征参数转换为{数据总量
‑
时间窗口、时间窗口、特征参数}的格式作为LSTM网络的输入参数；
[0018]步骤102：获取LSTM网络每个时间步骤输出结果{1，网络隐藏单元数量}；
[0019]步骤103：将LSTM网络每个时间步骤输出结果输入到多层全连接神经网络，经过回归获取需要预测的灯具设备的关键参数。
[0020]所述的灯具设备的关键参数包括输出电流、Tp温度和Ta温度。
[0021]所述的故障诊断模型用以进行故障诊断，故障模型的训练过程具体包括以下步骤：
[0022]步骤111：基于历史数据和实时数据通过由LSTM长短时循环神经网络和多层全连接网络组成的预测网络预测灯具设备未来一段时间的状态参数；
[0023]步骤112：采用训练后的密度聚类算法分析灯具设备未来的状态参数，对灯具设备的未来状态进行评估，并追踪灯具设备的状态轨迹，以实现灯具设备的状态评估和预测性维护以及对灯具设备的状态参数进行故障诊断。
[0024]该系统的数据交互过程具体包括以下步骤：
[0025]步骤a：用户通过WEB上传灯具设备的历史数据；
[0026]步骤b：灯具设备的历史数据上传成功后，人工智能与机器学习模块读取上传的历史数据，检查上传数据对应灯具设备的机器学习模型是否存在，若是，则调用已有的机器学习模型，若否，则训练机器学习模型；
[0027]步骤c：通过机器学习模型得到结果，人工智能与机器学习模块将结果写入CSV文件，并将CSV文件路径发送至前端；
[0028]步骤d：前端读取机器学习模型的结果，绘制出对应的关键参数预测图、灯具设备的状态检测结果图以及实时的状态轨迹图。
[0029]与现有技术相比，本专利技术具有以如下有益效果：
[0030]1、本专利技术通过表现层、服务层及数据持久化层形成数据采集、上传、分析和智能化的灯具照明系统，且该系统具有异常检测和预测性维护能力；
[0031]2、本专利技术对不同设备构建相应的机器学习模型，通过机器学习模型对灯具的异常进行精准检测和诊断，收集设备数据，定期更新对应的机器学习模型，以准确检测工业照明
灯具实时状态、预测评估工业照明灯具未来状态以及提前告警工业照明灯具故障，根据判断的故障类型提醒工作人员作出相应的安排；
[0032]3、本专利技术在线采集设备的实时数据，通过构建的机器学习模型，实时跟踪设备状态，并对当前状态的异常检测和诊断结果进行可视化，显示设备的状态跟踪轨迹；
[0033]4、本专利技术通过设备的历史数据和实时数据，从多个数据维度构建机器学习模型，对灯具状态进行预测，并通过实时数据更新预测机器学习模型，进而对灯具的寿命进行预测管理，还能够对设备的关键参数进行预测，并判断关键参数出现异常的时间。
附图说明
[0034]图1为本专利技术的系统结构示意图。
[0035]图2为本专利技术的人工智能与机器学习模块的方法流程图。
[0036]图3为本专利技术的预测模型结构图。
[0037]图4为本专利技术的故障诊断模型结构图。
[0038]图5位本专利技术的系统数据交互过程流程图。
[0039]具体实施方式通过设备的历史数据
[0040]下面结合附图和具体实施例对本专利技术进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的工业照明灯具健康诊断系统，其特征在于，该系统采用三层架构设计，分别为表现层、服务层及数据持久化层，所述的表现层通过RESTful接口与服务层进行数据交互，所述的服务层内部通过消息中间件进行数据通信及业务流程控制，通过人工智能与机器学习模块对机器学习模型进行训练，以根据数据集得到诊断结果，所述的数据持久化层由文件系统和Redis配合进行架设，以完整保留过程数据并保证数据可查。2.根据权利要求1所述的一种基于机器学习的工业照明灯具健康诊断系统，其特征在于，所述的表现层包括前端和WEB，所述的前端以二维图和三维图的形式展示灯具设备的状态参数，所述的WEB用以提供网页形式操作。3.根据权利要求1所述的一种基于机器学习的工业照明灯具健康诊断系统，其特征在于，所述的服务层包括后端、数据处理单元、数据集和机器学习单元，所述的后端用以接收实时数据并进行解析，所述的数据处理单元对历史数据和实时数据进行编码，所述的数据集用以提供训练机器学习模型的数据，所述的机器学习单元包括人工智能及机器学习模块和模型，所述的人工智能与机器学习模块用以对机器学习模型进行训练，所述的模型用以保存机器学习模型的权重。4.根据权利要求1所述的一种基于机器学习的工业照明灯具健康诊断系统，其特征在于，所述的数据持久化层包括MQ组件和存储与缓存模块，所述的MQ组件和存储与缓存模块用以相互配合完成与其他进程件的数据交互，以保留过程数据。5.根据权利要求1所述的一种基于机器学习的工业照明灯具健康诊断系统，其特征在于，所述的服务层通过人工智能与机器学习模块对机器学习模型进行训练的过程具体包括以下步骤：步骤A：导入灯具设备的历史数据，对历史数据进行处理，将历史数据中的干扰数据和无效数据进行删除和修正；步骤B：判断是否存在对应的训练后的机器学习模型，若是，则将处理后的历史数据输入机器学习模型中得到结果，若否，则执行步骤3；步骤C：重新训练对应的机器学习模型；步骤D：对训练后的机器学习模型进行评估，判断是否达到期望效果，若是，则得到训练后的机器学习模型，并将处理后的历史数据输入训练后的机器学习模型中得到结果，若否，则返回步骤3；步骤E：根据实时数据和机器学习模型输出的数据获取最终输出的结果。6.根据权利要求1所述的一种基于机器学习的工业照明灯具健康诊断系统，其特征...

【专利技术属性】
技术研发人员：艾麦提，
申请(专利权)人：上海仪电集团有限公司中央研究院，
类型：发明
国别省市：