【技术实现步骤摘要】
所属的技术人员知道，本专利技术可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本专利技术还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。本专利技术是参照根据本专利技术实施例的方法、设备(系统)、和计算机程序产品的流程图和方框图来描述的。应理解可由计算机程序指令实现流程图和方框图中的每一流程或方框、以及流程图或方框图中的流程和方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能的装置。这
技术介绍
1、目前，对隧道日常养护的照明测试，主要测试方法为用照度计人工进行测试，并结合规范的经验系数的方法，换算出测试区域面积的亮度。同时这种测试方法需要在封闭的道路上进行，对道路安全和车辆通行影响较大，人工和社会成本巨大。特别是在日常的维护工作中充斥着大量的人工重复性劳动。在现有技术中，针对隧道照明检测
，较多研究都着眼于故障的查找与识别，然而在实际情况中，一个故障的发生往往关联其他故障而形成故障扩展事故，因而识别故障路灯之间的关联关系显得尤为重要。
2、鉴于此技术背景，提出一种基于神经网络模型的照明灯具故障检测方法及系统，在识别故障路灯的同时，直观地反映故障路灯之间的关联关系及关联程度，并且识别故障扩展事故链及残余故障路灯单元，为故障发生后的人工处理提供指导。
技术实现思路
1、本专利技术的主要目的在于提供一种基于神经网络模型的照明灯具故障检测方法，并进一步提供一种能够运行并实现上述方法的基于神经网络模型的照明灯具故障检测系统，有效解决
技术介绍
中提到的上述问题。
2、本专利技术的技术方案如下：
3、第一方面，提出一种基于神经网络模型的照明灯具故障检测方法，该方法包括如下步骤：
4、s1、利用车载影像式亮度计采集隧道内所有路灯单元的照明信息，对信息进行预处理，提取故障路灯信息；
5、s2、将所有故障路灯单元两两组合形成检测对，采用预先训练好的神经网络模型，对检测对中的故障路灯单元进行关联程度分析，输出分析结果；
6、s3、根据分析结果，识别故障路灯单元的故障扩展事故链以及残余故障路灯单元。
7、本专利技术进一步的改进在于，所述s1的具体步骤为：
8、s11、利用车载影像式亮度计采集隧道内所有故障路灯单元的故障发生时间，将所有故障路灯单元按照故障发生时间的先后顺序进行排列并标记序号；
9、s12、按照排列的顺序，依次采集所有故障路灯单元的故障特征数据，形成故障路灯特征数据集(a1,a2,...,ai,...,aj,...,an)，其中，下标n表示故障路灯单元n，an为故障路灯单元n的故障特征数据。
10、本专利技术进一步的改进在于，所述s2的具体步骤为：
11、s21、将所有故障路灯单元两两组合形成检测对；
12、s22、根据检测对，提取故障路灯特征数据集中对应的故障路灯特征数据，形成检测对特征数据集，单个检测对特征数据集表示为(ai,aj)，其中i＜j；
13、s23、采用预先训练好的神经网络模型，分析检测对中故障路灯单元间的关联关系。
14、本专利技术进一步的改进在于，所述s23中神经网络模型的训练方式为：
15、s231、统计历史故障事件中，当故障路灯单元i出现后，故障路灯单元j出现的概率；
16、s232、将历史故障事件中故障路灯单元i出现后，故障路灯单元j出现的概率、检测对特征数据集(ai,aj)作为神经网络的训练数据，以得到故障路灯单元i出现后，故障路灯单元j出现的条件概率作为输出，以实际的条件概率作为预测目标，以最小化所有预测的条件概率预测准确度之和作为训练目标；
17、s233、所述预测准确度的计算公式为z＝(pi→j-pi→j)2，pi→j为预测的故障路灯单元i出现后，故障路灯单元j出现的条件概率，pi→j为实际的故障路灯单元i出现后，故障路灯单元j出现的条件概率，z为预测准确度，对神经网络模型进行训练，直至预测准确度之和达到收敛时停止训练。
18、本专利技术进一步的改进在于，所述s23中分析检测对中故障路灯单元间的关联关系的具体内容为：根据神经网络模型输出的预测结果，若故障路灯单元i出现后，故障路灯单元j出现的条件概率pi→j＞0，则判断故障路灯单元i与故障路灯单元j存在关联关系，否则判断故障路灯单元i与故障路灯单元j无关联关系。
19、本专利技术进一步的改进在于，所述s3中识别故障路灯单元的故障扩展事故链包括以下具体步骤：
20、s31、根据所有故障路灯单元的故障发生时间，识别初始故障路灯单元；
21、s32、提取含有初始故障路灯单元的所有检测对，将神经网络模型预测的条件概率值由大到小进行降序排列，识别与初始故障路灯单元关联关系最大的故障路灯单元，得到由初始故障路灯单元扩展的一级故障路灯单元；
22、s33、重复上述步骤，直至所有故障路灯单元均被考虑进来，得到故障路灯单元的故障扩展事故链。
23、本专利技术进一步的改进在于，所述s3中的残余故障路灯单元为与其他故障路灯单元无关联关系的故障路灯单元，即故障扩展事故链之外的离散的故障路灯单元。
24、第二方面，提出一种基于神经网络模型的照明灯本文档来自技高网...
【技术保护点】
1.一种基于神经网络模型的照明灯具故障检测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的一种基于神经网络模型的照明灯具故障检测方法，其特征在于，所述S1的具体步骤为：
3.根据权利要求2所述的一种基于神经网络模型的照明灯具故障检测方法，其特征在于，所述S2的具体步骤为：
4.根据权利要求3所述的一种基于神经网络模型的照明灯具故障检测方法，其特征在于，所述S23中神经网络模型的训练方式为：
5.根据权利要求4所述的一种基于神经网络模型的照明灯具故障检测方法，其特征在于，所述S23中分析检测对中故障路灯单元间的关联关系的具体内容为：根据神经网络模型输出的预测结果，若故障路灯单元i出现后，故障路灯单元j出现的条件概率pi→j＞0，则判断故障路灯单元i与故障路灯单元j存在关联关系，否则判断故障路灯单元i与故障路灯单元j无关联关系。
6.根据权利要求5所述的一种基于神经网络模型的照明灯具故障检测方法，其特征在于，所述S3中识别故障路灯单元的故障扩展事故链包括以下具体步骤：
7.根据权利要求6所述的一种基
8.一种基于神经网络模型的照明灯具故障检测系统，基于权利要求1-7任一项所述的一种基于神经网络模型的照明灯具故障检测方法实现，其特征在于，包括：故障采集模块、关联分析模块、故障扩展模块；
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时，实现如权利要求1-7中任一项所述的一种基于神经网络模型的照明灯具故障检测方法。
10.一种电子设备，其特征在于，包括存储器，用于存储指令；处理器，用于执行所述指令，使得所述设备执行实现如权利要求1-7中任一项所述的一种基于神经网络模型的照明灯具故障检测方法。
...【技术特征摘要】
1.一种基于神经网络模型的照明灯具故障检测方法，其特征在于，包括以下具体步骤：
2.根据权利要求1所述的一种基于神经网络模型的照明灯具故障检测方法，其特征在于，所述s1的具体步骤为：
3.根据权利要求2所述的一种基于神经网络模型的照明灯具故障检测方法，其特征在于，所述s2的具体步骤为：
4.根据权利要求3所述的一种基于神经网络模型的照明灯具故障检测方法，其特征在于，所述s23中神经网络模型的训练方式为：
5.根据权利要求4所述的一种基于神经网络模型的照明灯具故障检测方法，其特征在于，所述s23中分析检测对中故障路灯单元间的关联关系的具体内容为：根据神经网络模型输出的预测结果，若故障路灯单元i出现后，故障路灯单元j出现的条件概率pi→j＞0，则判断故障路灯单元i与故障路灯单元j存在关联关系，否则判断故障路灯单元i与故障路灯单元j无关联关系。
6.根据权利要求5所述的一种基于神经网络模型的照明灯具故障...
【专利技术属性】
技术研发人员：刘德华，方正鹏，王磊，陈建，
申请(专利权)人：中路高科交通检测检验认证有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。