一种智能照明系统维护性预测方法及装置制造方法及图纸

本发明专利技术公开了一种智能照明系统维护性预测方法及装置，涉及智能控制技术领域，该方法包括：获取设定时间段智能照明系统设备中包括多个特征的初始数据样本集，并基于智能照明系统设备运行情况对每次采集的数据样本进行标记；从多个特征中选出权重在设定值以上的特征，得到权重数据样本集；基于权重数据样本集和对应的标记信息，对初始判断模型进行迭代训练，获取已训练判断模型；基于已训练判断模型和实时采集智能照明系统设备的运行数据，对采集智能照明系统设备的运行情况进行判断。解决了现有技术中存在无法实时确定设备异常状况，需要定期检查维护的问题。需要定期检查维护的问题。需要定期检查维护的问题。

【技术实现步骤摘要】
一种智能照明系统维护性预测方法及装置


[0001]本专利技术涉及智能控制
，具体涉及一种智能照明系统维护性预测方法及装置。

技术介绍

[0002]随着我国在智能化建造领域的不断发展，越来越多的设备已经可以通过物联网技术、有限/无线通讯技术等进行上报数据至物联网中台，实现对前端设备的智能化控制，这其中就包括智能照明设备。智能照明设备使用场景非常广泛，从家庭到商业和工业领域都有大量应用，智能照明设备与传统照明设备相比，在使用方式上更加方便快捷，通过通信协议便可接入手机app实现联动。
[0003]目前市场使用该智能照明设备的主要功能为实现手机远程控制开关、亮度调节、色温调节等基本功能。在大应用场景下，由于该设备采用数量多、分布区域广。在现有技术中，存在无法实时确定设备异常状况，需要定期检查维护的问题。

技术实现思路

[0004]针对现有技术中存在的缺陷，本专利技术的目的在于提供一种智能照明系统维护性预测方法及装置，能够解决现有技术中存在无法实时确定设备异常状况，需要定期检查维护的问题。
[0005]为达到以上目的，本专利技术采取的技术方案是：
[0006]一方面，本方案提供一种智能照明系统维护性预测方法，包括：
[0007]获取设定时间段智能照明系统设备中包括多个特征的初始数据样本集，并基于智能照明系统设备运行情况对每次采集的数据样本进行标记；
[0008]从多个特征中选出权重在设定值以上的特征，得到权重数据样本集；
[0009]基于权重数据样本集和对应的标记信息，对初始判断模型进行迭代训练，获取已训练判断模型；
[0010]基于已训练判断模型和实时采集智能照明系统设备的运行数据，对采集智能照明系统设备的运行情况进行判断。
[0011]在一些可选的方案中，从多个特征中选出权重在设定值以上的特征，得到权重数据样本集，包括：
[0012]将所有特征的权重初始化为零；
[0013]从初始数据样本集中选取一个随机数据样本，在与随机数据样本相同标记的数据样本中，选取与随机数据样本最接近的设定数量同标记数据样本，在与随机数据样本不同标记的每一类标记数据样本中，均选取设定数量的异标记数据样本，根据选取的随机数据样本、同标记数据样本和异标记数据样本中的各个特征值之间的关系以及更新前特征权重，对各个特征的权重进行更新得到更新后权重；重复该步骤设定次数，得到各个特征的最终权重；
[0014]从多个特征中选出权重在设定值以上的特征。
[0015]在一些可选的方案中，根据公式：在一些可选的方案中，根据公式：更新各个特征的权重；
[0016]其中，W(A)为更新后特征A的权重，A为特征种类，W0(A)为更新前特征A的权重，R为随机数据样本，H
j
为第j个同标记数据样本，j＝1～k，k为第一设定数量，diff(A,R,H
j
)为随机数据样本和第j个同标记数据样本中特征A的差值，为与随机数据样本标记种类不同的标记类别，C为异标记数据样本的标记类别，p(C)为标志类别C的数据样本占所有数据样本的比例，p(class(R))为随机数据样本类别的数据样本占所有数据样本的比例，diff(A,R,M
j
(C))为随机数据样本和第j个标记类别C的数据样本中特征A的差值。
[0017]在一些可选的方案中，基于权重数据样本集和对应的标记信息，对初始判断模型进行迭代训练，获取已训练判断模型，包括：
[0018]按七比三将权重数据样本集划分为训练数据样本集和测试数据样本集；
[0019]基于训练数据样本集，利用高斯混合模型迭代更新每个高斯模型的权重、均值和方差，得到已训练判断模型；
[0020]基于测试数据样本集，将已训练判断模型的输出标记类别与实际标记类别对比，验证已训练判断模型的准确度，当准确度不满足设定要求时，重新获取权重数据样本集直至准确度满足设定要求。
[0021]在一些可选的方案中，根据公式：在一些可选的方案中，根据公式：在一些可选的方案中，根据公式：获取每个高斯模型的权重、均值和方差；
[0022]其中，P(i,a)为第i个数据样本在第a个高斯模型中所占比例，i＝1～n，n为权重数据样本集中数据样本数量，a＝1～b，b为高斯模型数量即标记类别数量，w
′
a
为更新前第a个高斯模型权重，σ
a
第a个高斯模型的方差，x
i
为第i个数据样本，u
a
为第a个高斯模型的均值，w
a
为更新后的第a个高斯模型的权重。
[0023]在一些可选的方案中，从多个特征中选出权重在设定值以上的特征，得到权重数据样本集之前，还包括：
[0024]将始数据样本集中含有空数据的数据样本去除，得到第一处理数据样本集；
[0025]将第一处理数据样本集中含有与所有数据样本均值的差值超过所有数据样本方差的数据样本去除，得到第二处理数据样本集；
[0026]将第二处理数据样本集中的数据进行归一化，得到预处理数据样本集。
[0027]在一些可选的方案中，根据公式：对第二处理数据样本集中的数据进行归一化；
[0028]其中，为归一化后的数据值，x为原始数据值，X
max
为原始数据值中的最大值，X
min
为原始数据值中的最小值。
[0029]在一些可选的方案中，数据样本中的特征包括：光效、光通量、发光强度、光亮度、色表、电压、功率、启动时间和色温。
[0030]在一些可选的方案中，每个数据样本所对应的智能照明系统设备运行情况进行标记包括：
[0031]将设备运行正常的数据样本标记为第一标记，将设备运行异常的数据样本标记为第二标记，将设备运行停止的数据样本标记为第三标记。
[0032]另一方面，本方案提供一种智能照明系统维护性预测装置，包括：
[0033]数据获取模块，其用于获取设定时间段智能照明系统设备中包括多个特征的初始数据样本集，并基于智能照明系统设备运行情况对每次采集的数据样本进行标记；
[0034]特征选择模块，其用于从多个特征中选出权重在设定值以上的特征，得到权重数据样本集；
[0035]模型训练模块，其用于基于权重数据样本集和对应的标记信息，对初始判断模型进行迭代训练，获取已训练判断模型；
[0036]分析判断模块，其用于基于已训练判断模型和实时采集智能照明系统设备的运行数据，对采集智能照明系统设备的运行情况进行判断。
[0037]与现有技术相比，本专利技术的优点在于：本方案通过获取设定时间段智能照明系统设备中包括多个特征的初始数据样本集，并基于智能照明系统设备运行情况对每次采集的数据样本进行标记；从多个特征中选出权重在设定值以上的特征，得到权重数据样本集；基于权重数据样本集和对应的标记信息，对初始判断模型进行迭代训练，获取已训练判断模型；基于已训练判断模型和实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能照明系统维护性预测方法，其特征在于，包括：获取设定时间段智能照明系统设备中包括多个特征的初始数据样本集，并基于智能照明系统设备运行情况对每次采集的数据样本进行标记；从多个特征中选出权重在设定值以上的特征，得到权重数据样本集；基于权重数据样本集和对应的标记信息，对初始判断模型进行迭代训练，获取已训练判断模型；基于已训练判断模型和实时采集智能照明系统设备的运行数据，对采集智能照明系统设备的运行情况进行判断。2.如权利要求1所述的智能照明系统维护性预测方法，其特征在于，从多个特征中选出权重在设定值以上的特征，得到权重数据样本集，包括：将所有特征的权重初始化为零；从初始数据样本集中选取一个随机数据样本，在与随机数据样本相同标记的数据样本中，选取与随机数据样本最接近的设定数量同标记数据样本，在与随机数据样本不同标记的每一类标记数据样本中，均选取设定数量的异标记数据样本，根据选取的随机数据样本、同标记数据样本和异标记数据样本中的各个特征值之间的关系以及更新前特征权重，对各个特征的权重进行更新得到更新后权重；重复该步骤设定次数，得到各个特征的最终权重；从多个特征中选出权重在设定值以上的特征。3.如权利要求2所述的智能照明系统维护性预测方法，其特征在于，根据公式：3.如权利要求2所述的智能照明系统维护性预测方法，其特征在于，根据公式：更新各个特征的权重；其中，W(A)为更新后特征A的权重，A为特征种类，W0(A)为更新前特征A的权重，R为随机数据样本，H
j
为第j个同标记数据样本，j＝1～k，k为第一设定数量，diff(A,R,H
j
)为随机数据样本和第j个同标记数据样本中特征A的差值，为与随机数据样本标记种类不同的标记类别，C为异标记数据样本的标记类别，p(C)为标志类别C的数据样本占所有数据样本的比例，p(class(R))为随机数据样本类别的数据样本占所有数据样本的比例，diff(A,R,M
j
(C))为随机数据样本和第j个标记类别C的数据样本中特征A的差值。4.如权利要求1所述的智能照明系统维护性预测方法，其特征在于，基于权重数据样本集和对应的标记信息，对初始判断模型进行迭代训练，获取已训练判断模型，包括：按七比三将权重数据样本集划分为训练数据样本集和测试数据样本集；基于训练数据样本集，利用高斯混合模型迭代更新每个高斯模型的权重、均值和方差，得到已训练判断模型；基于测试数据样本集，将已训练判断模型的输出标记类别与实际标记类别对比，验证已训练判断模型的准确度，当准确度不...

【专利技术属性】
技术研发人员：邓杰，肖菲，冷先凯，徐志浪，陈文杰，李欣，
申请(专利权)人：中建三局智能技术有限公司，
类型：发明
国别省市：