CN117786513A - 一种可计时智能紫外线灯的监测方法与*** - Google Patents
一种可计时智能紫外线灯的监测方法与*** Download PDFInfo
- Publication number
- CN117786513A CN117786513A CN202311808717.4A CN202311808717A CN117786513A CN 117786513 A CN117786513 A CN 117786513A CN 202311808717 A CN202311808717 A CN 202311808717A CN 117786513 A CN117786513 A CN 117786513A
- Authority
- CN
- China
- Prior art keywords
- ultraviolet lamp
- data
- ultraviolet
- representing
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000005855 radiation Effects 0.000 claims abstract description 24
- 238000004659 sterilization and disinfection Methods 0.000 claims abstract description 23
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000001954 sterilising effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007537 lampworking Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Apparatus For Disinfection Or Sterilisation (AREA)
Abstract
本发明涉及设备监测的技术领域,揭露了一种可计时智能紫外线灯的监测方法,所述方法包括:采集紫外线消毒灯的实时运行数据,所述数据包括辐射强度和光谱特征,对采集的数据进行预处理得到预处理后的运行数据,所述预处理包括去除噪声和数据归一化;对预处理后的运行数据进行特征提取得到紫外线消毒灯运行特征向量;构建紫外线灯异常分类模型并对构建的紫外线灯异常分类模型进行优化求解得到最优模型参数,根据求解得到的最优参数实例化模型得到紫外线灯异常分类实例;根据得到的紫外线灯异常分类实例进行紫外线灯工作状态判定,若判定为异常则触发相应的告警机制,否则记录紫外线灯自启用至当前时刻的运行时长进行超时使用处理,以实现紫外线灯远程监测与管理。
Description
技术领域
本发明涉及设备监测的技术领域,尤其涉及一种可计时智能紫外线灯的监测方法与***。
背景技术
随着全球范围内传染病的爆发,人们对卫生和消毒的要求越来越高。紫外线消毒灯作为一种有效的消毒工具被广泛应用于医疗、食品加工、空气净化等领域。然而,由于使用寿命长、操作简便等特点,紫外线消毒灯存在工作异常的可能性,这可能导致消毒效果的下降,甚至对人体健康产生潜在风险。目前,针对紫外线消毒灯的工作异常检测方法研究尚存在一些问题。首先,传统的基于规则的检测方法通常需要依赖人工经验和固定的阈值设定,无法适应不同工作环境和紫外线消毒灯的变化。其次,传统方法对于复杂的工作异常模式难以准确识别,并且对于大规模部署的***来说,人工巡检和分析的成本较高。此外,传统方法往往只能提供离线的检测结果,无法实现实时监测与反馈。针对该问题,本专利提出一种可计时智能紫外线灯的监测方法与***,实现紫外线灯远程监测与管理,进一步提高工作效率和节约人力资源。
发明内容
有鉴于此,本发明提供一种可计时智能紫外线灯的监测方法与***,目的在于:1)通过采集紫外线消毒灯的实时运行数据,包括辐射强度和光谱特征,全面了解紫外线灯的工作状态,并为后续的异常分类提供更多信息,预处理步骤去除噪声和数据归一化有助于提高数据质量和可靠性;2)利用深度自编码进行特征提取,能够从复杂的原始数据中学习到紫外线灯运行的关键特征,同时能够有效地减少数据维度,并提取出更具代表性的特征向量,支持向量机作为主要实施方法,具有较强的分类性能和泛化能力;3)通过对构建的异常分类模型进行优化求解,得到最优的模型参数,优化过程可以提高模型的准确性和鲁棒性,使其更适应不同的紫外线灯工作状态,根据最优参数实例化模型后,可以快速进行紫外线灯异常分类,实现实时判定和告警机制的触发。
为实现上述目的,本发明提供的一种可计时智能紫外线灯的监测方法,包括以下步骤:
S1:采集紫外线消毒灯的实时运行数据,所述数据包括辐射强度和光谱特征,对采集的数据进行预处理得到预处理后的运行数据,所述预处理包括去除噪声和数据归一化;
S2:对预处理后的运行数据进行特征提取得到紫外线消毒灯运行特征向量,其中深度自编码为所述特征提取的主要方法;
S3:构建紫外线灯异常分类模型,所述模型以提取得到的紫外线消毒灯运行特征向量为输入,以紫外线灯工作状态为输出,其中支持向量机为所述模型的主要实施方法;
S4:对构建的紫外线灯异常分类模型进行优化求解得到最优模型参数,根据求解得到的最优参数实例化模型得到紫外线灯异常分类实例;
S5:根据得到的紫外线灯异常分类实例进行紫外线灯工作状态判定,若判定为异常则触发相应的告警机制,否则记录紫外线灯自启用至当前时刻的运行时长进行超时使用处理。
作为本发明的进一步改进方法:
可选地,所述S1步骤中采集紫外线消毒灯的实时运行数据,包括:
采集紫外线灯运行辐射强度和光谱特征数据,其中辐射强度采集通过紫外线光电传感器将紫外线辐射转换为电信号,通过对传感器输出电压或电流的测量,获取辐射强度的数值;光谱特征通过多个光电传感器组成的阵列,同时获取不同波长范围内的紫外线辐射强度,每个传感器负责测量预置波长下的辐射,并通过数组输出提供多通道的辐射强度数据。
所述对采集的数据进行预处理得到预处理后的运行数据,包括:
对采集的数据进行预处理得到预处理后的运行数据,其中自适应阈值去噪为所述数据预处理的主要实施方法,具体流程为:
A1:将采集的运行数据进行随机分块;
A2:使用滑动窗口,计算每个小块内的局部方差,并根据局部方差计算局部噪声标准差σi,计算公式为:
σi=k×Median(|Xj-Median(Xj)|)
其中,σi表示第i个小块的局部噪声标准差,k表示一个可调参数,取值范围为(0,1),Xj表示第j个小块的数据;
A3:对于第i个小块中的每个数据xij计算其局部阈值Tij,计算公式为:
Tij=μi+k×σi
其中,Tij表示第i个小块中第j个数据值的局部阈值,μi表示第i个小块的均值,k表示一个可调参数,取值范围为(0,1),σi表示第i个小块的局部噪声标准差;
A4:对于第i个小块中的每个数据值xij比较其与局部阈值Tij的差异,如果|xij-Tij|大于预置阈值h,则将该数据值视为噪声,并进行去除,否则保留该数据值。
所述数据归一化,包括:
B1:计算所有去噪后数据的均值μ;
B2:计算所有去噪后数据的标准差σ;
B3:对于每个样本xi,使用以下公式进行归一化处理:
其中,xnormalized表示归一化后的值,xi表示原始数据值,μ表示均值,σ表示标准差。
可选地,所述S2步骤中对预处理后的运行数据进行特征提取得到紫外线消毒灯运行特征向量,包括:
利用深度自编码提取运行数据的特征向量,所述特征提取流程为:
S21:构建深度自编码器,所述自编码器由编码器和解码器两部分组成,深度自编码器中的编码器负责将输入数据映射到低维的特征空间,而解码器则将低维特征重新恢复为原始数据空间;
S22:使用采集的紫外线灯运行数据对深度自编码器进行训练,最小化重构误差,计算公式为:
h=f(W(l)h(l-1)+b(l))
其中,h(l-1)表示第l-1层的编码器输出,表示第l+1层的解码器输出,||·||2表示欧氏距离,W(l)表示第l层的权重矩阵,b(l)表示第l层的偏置向量,W'(l)表示第l层的权重矩阵,b'(l)表示第l层的偏置向量;
S23:通过反向传播算法更新网络参数,优化网络的权重和偏置,并使用训练好的编码器提取数据的特征向量。
可选地,所述S3步骤中构建紫外线灯异常分类模型,包括:
S31:确定优化目标函数,其中硬间隔最大化为所述目标函数构建的依据;
S32:将目标函数转化为约束最优化问题,转化后的无约束优化目标函数计算公式为:
S33:根据求解得到的最优参数,计算决策边界来进行分类,计算公式为:
其中:
αi表示调节因子,用于表示每个训练样本的权重;
yi表示训练样本的类别标签,取值为+1或-1,表示紫外线灯运行是否正常;
xi和xj表示训练样本的特征向量;
K(xi,xj)表示核函数,用于计算两个样本之间的相似性。
可选地,所述S4步骤中对构建的紫外线灯异常分类模型进行优化求解得到最优模型参数,包括:
S41:随机初始化待优化的参数向量并设置超参数,所述超参数包括学习率α和动量因子β,其中学习率控制每次更新的步长,动量因子控制历史梯度对当前梯度的影响;
S42:初始化动量变量v为零向量,用于存储历史梯度信息,并迭代更新参数,对于每个训练样本x和对应的目标y,执行以下步骤:
S421:根据当前的模型参数,利用模型的前向传播规则计算出预测值;
S422:计算损失函数关于权重和偏置的梯度其中:/>为目标函数,w为权重参数,b为偏置参数;
S423:根据当前的参数梯度进行动量更新和参数更新;
S43:重复迭代直到达到停止条件,在每次迭代中,使用不同的训练样本来更新参数,并更新动量变量,再根据动量变量和学习率来更新权重和偏置。
所述根据当前的参数梯度进行动量更新和参数更新,包括:
C1:根据动量因子和历史梯度以及当前梯度的加权平均计算新的动量变量,计算公式为:
C2:根据动量变量和学习率,更新权重和偏置,计算公式为:
w=w-αv
其中,v表示动量变量,为目标函数,w为权重参数,b为偏置参数,别表示损失函数关于权重和偏置的梯度。
可选地,所述S5步骤中记录紫外线灯自启用至当前时刻的运行时长进行超时使用处理,包括:
使用微控制器记录运行时长,紫外线灯的运行时长通过记录开启和关闭时间戳,并计算时间差得到,当紫外线灯启动时,记录开始时间戳;当紫外线灯关闭时,记录结束时间戳,两个时间戳的差值即为该次运行的时长,紫外线灯整体运行时间为所有次运行时长之和,若超过1000小时则进行告警提示超时运行,否则不告警。
为了解决上述问题,本发明提供一种可计时智能紫外线灯的监测***,所述***包括:
数据采集模块,用于采集紫外线消毒灯的实时运行数据,对采集的数据进行预处理得到预处理后的运行数据,并对预处理后的运行数据进行特征提取得到紫外线消毒灯运行特征向量;
紫外线灯异常分类模块,用于构建紫外线灯异常分类模型,对构建的紫外线灯异常分类模型进行优化求解得到最优模型参数,根据求解得到的最优参数实例化模型得到紫外线灯异常分类实例;
异常告警模块,用于根据得到的紫外线灯异常分类实例进行紫外线灯工作状态判定,若判定为异常则触发相应的告警机制,否则记录紫外线灯自启用至当前时刻的运行时长进行超时使用处理。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;
通信接口,实现电子设备通信;及
处理器,执行所述存储器中存储的指令以实现上述所述的可计时智能紫外线灯的监测方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的可计时智能紫外线灯的监测方法。
相对于现有技术,本发明提出一种可计时智能紫外线灯的监测方法,该技术具有以下优势:
1)通过采集紫外线消毒灯的实时运行数据,包括辐射强度和光谱特征,全面了解紫外线灯的工作状态,并为后续的异常分类提供更多信息,预处理步骤去除噪声和数据归一化有助于提高数据质量和可靠性。
2)利用深度自编码进行特征提取,能够从复杂的原始数据中学习到紫外线灯运行的关键特征,同时能够有效地减少数据维度,并提取出更具代表性的特征向量,支持向量机作为主要实施方法,具有较强的分类性能和泛化能力。
3)通过对构建的异常分类模型进行优化求解,得到最优的模型参数,优化过程可以提高模型的准确性和鲁棒性,使其更适应不同的紫外线灯工作状态,根据最优参数实例化模型后,可以快速进行紫外线灯异常分类,实现实时判定和告警机制的触发。
附图说明
图1为本发明一实施例提供的一种可计时智能紫外线灯的监测方法的流程示意图;
图2为本发明一实施例提供的可计时智能紫外线灯的监测***的功能模块图;
图3为本发明一实施例提供的实现可计时智能紫外线灯的监测方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种可计时智能紫外线灯的监测方法。所述可计时智能紫外线灯的监测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述可计时智能紫外线灯的监测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
S1:采集紫外线消毒灯的实时运行数据,所述数据包括辐射强度和光谱特征,对采集的数据进行预处理得到预处理后的运行数据,所述预处理包括去除噪声和数据归一化。
所述S1步骤中采集紫外线消毒灯的实时运行数据,包括:
采集紫外线灯运行辐射强度和光谱特征数据,其中辐射强度采集通过紫外线光电传感器将紫外线辐射转换为电信号,通过对传感器输出电压或电流的测量,获取辐射强度的数值;光谱特征通过多个光电传感器组成的阵列,同时获取不同波长范围内的紫外线辐射强度,每个传感器负责测量预置波长下的辐射,并通过数组输出提供多通道的辐射强度数据。
所述对采集的数据进行预处理得到预处理后的运行数据,包括:
对采集的数据进行预处理得到预处理后的运行数据,其中自适应阈值去噪为所述数据预处理的主要实施方法,具体流程为:
A1:将采集的运行数据进行随机分块;
A2:使用滑动窗口,计算每个小块内的局部方差,并根据局部方差计算局部噪声标准差σi,计算公式为:
σi=k×Median(|Xj-Median(Xj)|)
其中,σi表示第i个小块的局部噪声标准差,k表示一个可调参数,取值范围为(0,1),Xj表示第j个小块的数据;
A3:对于第i个小块中的每个数据xij计算其局部阈值Tij,计算公式为:
Tij=μi+k×σi
其中,Tij表示第i个小块中第j个数据值的局部阈值,μi表示第i个小块的均值,k表示一个可调参数,取值范围为(0,1),σi表示第i个小块的局部噪声标准差;
A4:对于第i个小块中的每个数据值xij比较其与局部阈值Tij的差异,如果|xij-Tij|大于预置阈值h,则将该数据值视为噪声,并进行去除,否则保留该数据值。
所述数据归一化,包括:
B1:计算所有去噪后数据的均值μ;
B2:计算所有去噪后数据的标准差σ;
B3:对于每个样本xi,使用以下公式进行归一化处理:
其中,xnormalized表示归一化后的值,xi表示原始数据值,μ表示均值,σ表示标准差。
S2:对预处理后的运行数据进行特征提取得到紫外线消毒灯运行特征向量,其中深度自编码为所述特征提取的主要方法。
所述S2步骤中对预处理后的运行数据进行特征提取得到紫外线消毒灯运行特征向量,包括:
利用深度自编码提取运行数据的特征向量,所述特征提取流程为:
S21:构建深度自编码器,所述自编码器由编码器和解码器两部分组成,深度自编码器中的编码器负责将输入数据映射到低维的特征空间,而解码器则将低维特征重新恢复为原始数据空间;
S22:使用采集的紫外线灯运行数据对深度自编码器进行训练,最小化重构误差,计算公式为:
h=f(W(l)h(l-1)+b(l))
其中,h(l-1)表示第l-1层的编码器输出,表示第l+1层的解码器输出,||·||2表示欧氏距离,W(l)表示第l层的权重矩阵,b(l)表示第l层的偏置向量,W'(l)表示第l层的权重矩阵,b'(l)表示第l层的偏置向量;
S23:通过反向传播算法更新网络参数,优化网络的权重和偏置,并使用训练好的编码器提取数据的特征向量。
S3:构建紫外线灯异常分类模型,所述模型以提取得到的紫外线消毒灯运行特征向量为输入,以紫外线灯工作状态为输出,其中支持向量机为所述模型的主要实施方法。
所述S3步骤中构建紫外线灯异常分类模型,包括:
S31:确定优化目标函数,其中硬间隔最大化为所述目标函数构建的依据;
S32:将目标函数转化为约束最优化问题,转化后的无约束优化目标函数计算公式为:
S33:根据求解得到的最优参数,计算决策边界来进行分类,计算公式为:
其中:
αi表示调节因子,用于表示每个训练样本的权重;
yi表示训练样本的类别标签,取值为+1或-1,表示紫外线灯运行是否正常;
xi和xj表示训练样本的特征向量;
K(xi,xj)表示核函数,用于计算两个样本之间的相似性。
S4:对构建的紫外线灯异常分类模型进行优化求解得到最优模型参数,根据求解得到的最优参数实例化模型得到紫外线灯异常分类实例。
所述S4步骤中对构建的紫外线灯异常分类模型进行优化求解得到最优模型参数,包括:
S41:随机初始化待优化的参数向量并设置超参数,所述超参数包括学习率α和动量因子β,其中学习率控制每次更新的步长,动量因子控制历史梯度对当前梯度的影响;
S42:初始化动量变量v为零向量,用于存储历史梯度信息,并迭代更新参数,对于每个训练样本x和对应的目标y,执行以下步骤:
S421:根据当前的模型参数,利用模型的前向传播规则计算出预测值;
S422:计算损失函数关于权重和偏置的梯度其中:/>为目标函数,w为权重参数,b为偏置参数;
S423:根据当前的参数梯度进行动量更新和参数更新;
S43:重复迭代直到达到停止条件,在每次迭代中,使用不同的训练样本来更新参数,并更新动量变量,再根据动量变量和学习率来更新权重和偏置。
所述根据当前的参数梯度进行动量更新和参数更新,包括:
C1:根据动量因子和历史梯度以及当前梯度的加权平均计算新的动量变量,计算公式为:
C2:根据动量变量和学习率,更新权重和偏置,计算公式为:
w=w-αv
其中,v表示动量变量,为目标函数,w为权重参数,b为偏置参数,/>分别表示损失函数关于权重和偏置的梯度。
S5:根据得到的紫外线灯异常分类实例进行紫外线灯工作状态判定,若判定为异常则触发相应的告警机制,否则记录紫外线灯自启用至当前时刻的运行时长进行超时使用处理。
所述S5步骤中记录紫外线灯自启用至当前时刻的运行时长进行超时使用处理,包括:
使用微控制器记录运行时长,紫外线灯的运行时长通过记录开启和关闭时间戳,并计算时间差得到,当紫外线灯启动时,记录开始时间戳;当紫外线灯关闭时,记录结束时间戳,两个时间戳的差值即为该次运行的时长,紫外线灯整体运行时间为所有次运行时长之和,若超过1000小时则进行告警提示超时运行,否则不告警。
实施例2:
如图2所示,是本发明一实施例提供的可计时智能紫外线灯的监测***的功能模块图,其可以实现实施例1中的可计时智能紫外线灯的监测方法。
本发明所述可计时智能紫外线灯的监测***100可以安装于电子设备中。根据实现的功能,所述可计时智能紫外线灯的监测***可以包括数据采集模块101、紫外线灯异常分类模块102及异常告警模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
数据采集模块101,用于采集紫外线消毒灯的实时运行数据,对采集的数据进行预处理得到预处理后的运行数据,并对预处理后的运行数据进行特征提取得到紫外线消毒灯运行特征向量;
紫外线灯异常分类模块102,用于构建紫外线灯异常分类模型,对构建的紫外线灯异常分类模型进行优化求解得到最优模型参数,根据求解得到的最优参数实例化模型得到紫外线灯异常分类实例;
异常告警模块103,用于根据得到的紫外线灯异常分类实例进行紫外线灯工作状态判定,若判定为异常则触发相应的告警机制,否则记录紫外线灯自启用至当前时刻的运行时长进行超时使用处理。
详细地,本发明实施例中所述可计时智能紫外线灯的监测***100中的所述各模块在使用时采用与上述的图1中所述的可计时智能紫外线灯的监测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3:
如图3所示,是本发明一实施例提供的实现可计时智能紫外线灯的监测方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现可计时智能紫外线灯的监测的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接,并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种可计时智能紫外线灯的监测方法,其特征在于,所述方法包括:
S1:采集紫外线消毒灯的实时运行数据,所述数据包括辐射强度和光谱特征,对采集的数据进行预处理得到预处理后的运行数据,所述预处理包括去除噪声和数据归一化;
S2:对预处理后的运行数据进行特征提取得到紫外线消毒灯运行特征向量,其中深度自编码为所述特征提取的主要方法;
S3:构建紫外线灯异常分类模型,所述模型以提取得到的紫外线消毒灯运行特征向量为输入,以紫外线灯工作状态为输出,其中支持向量机为所述模型的主要实施方法;
S4:对构建的紫外线灯异常分类模型进行优化求解得到最优模型参数,根据求解得到的最优参数实例化模型得到紫外线灯异常分类实例;
S5:根据得到的紫外线灯异常分类实例进行紫外线灯工作状态判定,若判定为异常则触发相应的告警机制,否则记录紫外线灯自启用至当前时刻的运行时长进行超时使用处理。
2.如权利要求1所述的一种可计时智能紫外线灯的监测方法,其特征在于,所述S1步骤中采集紫外线消毒灯的实时运行数据,包括:
采集紫外线灯运行辐射强度和光谱特征数据,其中辐射强度采集通过紫外线光电传感器将紫外线辐射转换为电信号,通过对传感器输出电压或电流的测量,获取辐射强度的数值;光谱特征通过多个光电传感器组成的阵列,同时获取不同波长范围内的紫外线辐射强度,每个传感器负责测量预置波长下的辐射,并通过数组输出提供多通道的辐射强度数据。
3.如权利要求1所述的一种可计时智能紫外线灯的监测方法,其特征在于,所述S1步骤中对采集的数据进行预处理得到预处理后的运行数据,包括:
对采集的数据进行预处理得到预处理后的运行数据,其中自适应阈值去噪为所述数据预处理的主要实施方法,具体流程为:
A1:将采集的运行数据进行随机分块;
A2:使用滑动窗口,计算每个小块内的局部方差,并根据局部方差计算局部噪声标准差σi,计算公式为:
σi=k×Median(|Xj-Median(Xj)|)
其中,σi表示第i个小块的局部噪声标准差,k表示一个可调参数,取值范围为(0,1),Xj表示第j个小块的数据;
A3:对于第i个小块中的每个数据xij计算其局部阈值Tij,计算公式为:
Tij=μi+k×σi
其中,Tij表示第i个小块中第j个数据值的局部阈值,μi表示第i个小块的均值,k表示一个可调参数,取值范围为(0,1),σi表示第i个小块的局部噪声标准差;
A4:对于第i个小块中的每个数据值xij比较其与局部阈值Tij的差异,如果|xij-Tij|大于预置阈值h,则将该数据值视为噪声,并进行去除,否则保留该数据值。
4.如权利要求1所述的一种可计时智能紫外线灯的监测方法,其特征在于,所述S1步骤中数据归一化,包括:
B1:计算所有去噪后数据的均值μ;
B2:计算所有去噪后数据的标准差σ;
B3:对于每个样本xi,使用以下公式进行归一化处理:
其中,xnormalized表示归一化后的值,xi表示原始数据值,μ表示均值,σ表示标准差。
5.如权利要求1所述的一种可计时智能紫外线灯的监测方法,其特征在于,所述S2步骤中对预处理后的运行数据进行特征提取得到紫外线消毒灯运行特征向量,包括:
利用深度自编码提取运行数据的特征向量,所述特征提取流程为:
S21:构建深度自编码器,所述自编码器由编码器和解码器两部分组成,深度自编码器中的编码器负责将输入数据映射到低维的特征空间,而解码器则将低维特征重新恢复为原始数据空间;
S22:使用采集的紫外线灯运行数据对深度自编码器进行训练,最小化重构误差,计算公式为:
其中,h(l-1)表示第l-1层的编码器输出,表示第l+1层的解码器输出,||·||2表示欧氏距离,W(l)表示第l层的权重矩阵,b(l)表示第l层的偏置向量,W'(l)表示第l层的权重矩阵,b'(l)表示第l层的偏置向量;
S23:通过反向传播算法更新网络参数,优化网络的权重和偏置,并使用训练好的编码器提取数据的特征向量。
6.如权利要求1所述的一种可计时智能紫外线灯的监测方法,其特征在于,所述S3步骤中构建紫外线灯异常分类模型,包括:
S31:确定优化目标函数,其中硬间隔最大化为所述目标函数构建的依据;
S32:将目标函数转化为约束最优化问题,转化后的无约束优化目标函数计算公式为:
S33:根据求解得到的最优参数,计算决策边界来进行分类,计算公式为:
其中:
αi表示调节因子,用于表示每个训练样本的权重;
yi表示训练样本的类别标签,取值为+1或-1,表示紫外线灯运行是否正常;
xi和xj表示训练样本的特征向量;
K(xi,xj)表示核函数,用于计算两个样本之间的相似性。
7.如权利要求1所述的一种可计时智能紫外线灯的监测方法,其特征在于,所述S4步骤中对构建的紫外线灯异常分类模型进行优化求解得到最优模型参数,包括:
S41:随机初始化待优化的参数向量并设置超参数,所述超参数包括学习率α和动量因子β,其中学习率控制每次更新的步长,动量因子控制历史梯度对当前梯度的影响;
S42:初始化动量变量v为零向量,用于存储历史梯度信息,并迭代更新参数,对于每个训练样本x和对应的目标y,执行以下步骤:
S421:根据当前的模型参数,利用模型的前向传播规则计算出预测值;
S422:计算损失函数关于权重和偏置的梯度其中:/>为目标函数,w为权重参数,b为偏置参数;
S423:根据当前的参数梯度进行动量更新和参数更新;
S43:重复迭代直到达到停止条件,在每次迭代中,使用不同的训练样本来更新参数,并更新动量变量,再根据动量变量和学习率来更新权重和偏置。
8.如权利要求7所述的一种可计时智能紫外线灯的监测方法,其特征在于,所述根据当前的参数梯度进行动量更新和参数更新,包括:
C1:根据动量因子和历史梯度以及当前梯度的加权平均计算新的动量变量,计算公式为:
C2:根据动量变量和学习率,更新权重和偏置,计算公式为:
w=w-αv
其中,v表示动量变量,为目标函数,w为权重参数,b为偏置参数,/>和/>分别表示损失函数关于权重和偏置的梯度。
9.如权利要求1所述的一种可计时智能紫外线灯的监测方法,其特征在于,所述S5步骤中记录紫外线灯自启用至当前时刻的运行时长进行超时使用处理,包括:
使用微控制器记录运行时长,紫外线灯的运行时长通过记录开启和关闭时间戳,并计算时间差得到,当紫外线灯启动时,记录开始时间戳;当紫外线灯关闭时,记录结束时间戳,两个时间戳的差值即为该次运行的时长,紫外线灯整体运行时间为所有次运行时长之和,若超过1000小时则进行告警提示超时运行,否则不告警。
10.一种可计时智能紫外线灯的监测***,其特征在于,所述***包括:
数据采集模块,用于采集紫外线消毒灯的实时运行数据,对采集的数据进行预处理得到预处理后的运行数据,并对预处理后的运行数据进行特征提取得到紫外线消毒灯运行特征向量;
紫外线灯异常分类模块,用于构建紫外线灯异常分类模型,对构建的紫外线灯异常分类模型进行优化求解得到最优模型参数,根据求解得到的最优参数实例化模型得到紫外线灯异常分类实例;
异常告警模块,用于根据得到的紫外线灯异常分类实例进行紫外线灯工作状态判定,若判定为异常则触发相应的告警机制,否则记录紫外线灯自启用至当前时刻的运行时长进行超时使用处理,以实现一种如权利要求1-9任一项所述的可计时智能紫外线灯的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311808717.4A CN117786513A (zh) | 2023-12-26 | 2023-12-26 | 一种可计时智能紫外线灯的监测方法与*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311808717.4A CN117786513A (zh) | 2023-12-26 | 2023-12-26 | 一种可计时智能紫外线灯的监测方法与*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117786513A true CN117786513A (zh) | 2024-03-29 |
Family
ID=90393904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311808717.4A Pending CN117786513A (zh) | 2023-12-26 | 2023-12-26 | 一种可计时智能紫外线灯的监测方法与*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117786513A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110207997A (zh) * | 2019-07-24 | 2019-09-06 | 中国人民解放军国防科技大学 | 基于卷积自编码器的液体火箭发动机故障检测方法 |
CN110730037A (zh) * | 2019-10-21 | 2020-01-24 | 苏州大学 | 一种基于动量梯度下降法的相干光通信***光信噪比监测方法 |
CN111209815A (zh) * | 2019-12-28 | 2020-05-29 | 杭州电子科技大学 | 一种基于动量优化的bp神经网络的非接触式疲劳驾驶检测方法 |
-
2023
- 2023-12-26 CN CN202311808717.4A patent/CN117786513A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110207997A (zh) * | 2019-07-24 | 2019-09-06 | 中国人民解放军国防科技大学 | 基于卷积自编码器的液体火箭发动机故障检测方法 |
CN110730037A (zh) * | 2019-10-21 | 2020-01-24 | 苏州大学 | 一种基于动量梯度下降法的相干光通信***光信噪比监测方法 |
CN111209815A (zh) * | 2019-12-28 | 2020-05-29 | 杭州电子科技大学 | 一种基于动量优化的bp神经网络的非接触式疲劳驾驶检测方法 |
Non-Patent Citations (2)
Title |
---|
YUHANG SHANG 等: "A novel fault diagnosis strategy for LED lamps via light output time-frequency characteristics analysis and machine learning", 《HTTPS://DOI.ORG/10.1016/J.HELIYON.2023.E19737 》, 1 September 2023 (2023-09-01), pages 1 - 15 * |
王静逸 著: "《分布式人工智能》", 30 September 2020, 北京:机械工业出版社, pages: 305 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020126021A (ja) | 異常音検知装置および異常音検知方法 | |
CN114998838B (zh) | 一种危化品智能存储柜实时监测方法与装置 | |
CN115389439B (zh) | 基于大数据的河流污染物监测方法及*** | |
Xu et al. | A parallel GRU recurrent network model and its application to multi-channel time-varying signal classification | |
Tang et al. | Convolution neural network based polycrystalline silicon photovoltaic cell linear defect diagnosis using electroluminescence images | |
CN113866455A (zh) | 基于深度学习的桥梁加速度监测数据异常检测方法、***和装置 | |
CN116630766A (zh) | 一种多源信息数据处理***、方法及设备 | |
CN114113471A (zh) | 一种基于机器学习的人工鼻冰箱食品新鲜度检测方法及*** | |
CN109165396B (zh) | 一种故障演化趋势的设备剩余使用寿命预测方法 | |
Chen et al. | An atrial fibrillation detection system based on machine learning algorithm with mix-domain features and hardware acceleration | |
CN117786513A (zh) | 一种可计时智能紫外线灯的监测方法与*** | |
CN117893057A (zh) | 一种基于深度学习的光伏组串积灰程度评价方法及*** | |
CN116956282B (zh) | 基于网络资产内存时间序列多特征数据的异常检测*** | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN117220283A (zh) | 一种光伏发电功率预测方法、装置和设备 | |
CN116841808A (zh) | 多核处理器异常检测方法、装置、电子设备及存储介质 | |
CN117747104B (zh) | 一种基于大数据的脑卒中数字智能化预警方法及*** | |
CN117318312B (zh) | 电力能耗数据展示的方法及装置 | |
CN117171627B (zh) | 一种基于成像技术的电力设备噪声源点识别方法及*** | |
CN116680636A (zh) | 一种时序分析的风力发电机履冰预测方法 | |
CN117743810B (zh) | 一种脑电信号监测的意图理解分析方法 | |
CN117074628B (zh) | 一种多传感器空气质量检测设备故障定位方法 | |
CN118013443B (zh) | 基于生成模型算法的在线实时真空干泵异常检测方法 | |
CN114580467B (zh) | 基于数据增强和Tri-Training的电力数据异常检测方法及*** | |
CN113868093B (zh) | 垃圾文件监测方法、装置、设备及存储介质 |
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 |