CN118154175A - 基于数据驱动的高速公路隧道照明运行故障监测方法 - Google Patents

Abstract

本发明涉及光学设备测试技术领域，具体涉及一种基于数据驱动的高速公路隧道照明运行故障监测方法，该方法通过获取照明设备的训练集，并根据训练集中每个训练样本对中两个照明参数序列之间的局部相关关系，以及两个照明参数序列的波动情况，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性，进而确定训练集中所有训练样本对中的正常照明参数和异常照明参数，并对分类模型进行训练，利用训练好的分类模型进行照明运行故障检测。本发明有效提高了照明运行故障检测的准确性。

Description

基于数据驱动的高速公路隧道照明运行故障监测方法

技术领域

本发明涉及技术领域，具体涉及一种基于数据驱动的高速公路隧道照明运行故障监测方法。

背景技术

高速公路隧道照明是指在高速公路隧道内安装的照明设施，其主要作用是为隧道内的行车提供良好的照明条件，以确保驾驶员的视觉舒适度和行车安全性。高速公路隧道照明运行故障包括灯具故障，控制***故障，安装故障等。监测隧道照明设施的运行故障对于保障行车安全、节能环保、提高服务可靠性和改善维护管理具有重要作用。

其中，在对高速公路隧道照明运行故障中的灯具故障进行监测的过程中，传统可以采集隧道灯的光照强度，当光照强度小于一定的阈值时，则可以判定隧道灯发生故障。但是随着隧道节能灯的推广使用，由于隧道节能灯的光照强度本身会随着天气光照强度而发生变化，且会受到隧道内车辆灯光的影响，当隧道节能灯发生异常闪烁故障时，简单的通过固定阈值比较的方法则难以判断隧道灯是否发生故障，从而导致隧道照明运行故障监测不够准确。

发明内容

本发明的目的在于提供一种基于数据驱动的高速公路隧道照明运行故障监测方法，用于解决现有隧道照明运行故障监测不够准确的问题。

为解决上述技术问题，本发明提供了一种基于数据驱动的高速公路隧道照明运行故障监测方法，包括以下步骤：

获取照明设备的训练集，所述训练集中包括各个训练样本对，每个训练样本对中包括相同设定时段的有车状态的照明参数序列和无车状态的照明参数序列；

根据每个训练样本对中两个照明参数序列之间的局部相关关系，以及两个照明参数序列的波动情况，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性；

根据所述可能性，对每个训练样本对中两个照明参数序列中的所有照明参数进行二分类，得到每个训练样本对中的正常照明参数和异常照明参数；

利用所述训练集中所有训练样本对中的正常照明参数和异常照明参数，对分类模型进行训练，并利用训练好的分类模型进行照明运行故障检测。

进一步的，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性，包括：

根据每个训练样本对中每个照明参数序列的每个时间点的各个邻域时间点的照明参数与对应照明参数序列的照明参数之间的波动趋势关系，每个照明参数序列的每个时间点与其各个邻域时间点的照明参数之间的差异，以及两个照明参数序列的相同时间点的各个邻域时间点的照明参数之间的关联关系，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性；

根据每个训练样本对中两个照明参数序列的相同时间点的各个邻域时间点所对应的初始可能性，对每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性进行修正，最终得到每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性。

进一步的，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性，包括：

对每个训练样本对中每个照明参数序列的每个时间点及其各个邻域时间点的照明参数进行曲线拟合，得到拟合曲线，确定对应照明参数序列的各个时间点在所述拟合曲线上对应的照明参数取值，并确定对应照明参数序列的各个时间点的照明参数与在所述拟合曲线上对应的照明参数取值之间的累计差异；

根据每个训练样本对中两个照明参数序列的相同时间点的各个邻域时间点的照明参数所构成局部序列之间的关联关系，确定每个训练样本对中两个照明参数序列的相同时间点对应的照明参数关联指标；

根据每个训练样本对中每个照明参数序列的每个时间点与其各个邻域时间点之间的照明参数平均差异，确定每个训练样本对中每个照明参数序列的每个时间点对应的照明参数差异指标；

根据每个训练样本对中两个照明参数序列的相同时间点对应的两个累计差异、照明参数关联指标和两个照明参数差异指标，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性。

进一步的，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性，包括：

确定每个训练样本对中两个照明参数序列的相同时间点对应的两个累计差异的相加值的负相关映射结果，以及两个照明参数差异指标的相加值的负相关映射结果，得到第一可能指标值和第二可能指标值；

将每个训练样本对中两个照明参数序列的相同时间点对应的第一可能指标值、第二可能指标值和照明参数关联指标的乘积值，确定为确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性。

进一步的，最终得到每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性，包括：

确定每个训练样本对中两个照明参数序列的相同时间点的各个左相邻时间点所对应的初始可能性的平均值以及各个右相邻时间点所对应的初始可能性的平均值，得到第一初始可能性均值和第二初始可能性均值；

分别计算每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性与对应第一初始可能性均值和第二初始可能性均值之间的乘积值，得到第一乘积值和第二乘积值；

确定每个训练样本对中两个照明参数序列的相同时间点对应的第一乘积值和第二乘积值中的最大值，并将所述最大值作为修正后的每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性。

进一步的，得到每个训练样本对中的正常照明参数和异常照明参数，包括：

根据所述可能性，对每个训练样本对中两个照明参数序列中的所有照明参数进行二分类，得到第一类别和第二类别，所述第一类别中照明参数属于正常运行状态的可能性大于所述第二类别中照明参数属于正常运行状态的可能性；

将所述第一类别中的所有照明参数确定为正常照明参数，并确定所述第二类别中每个相同时间点的两个照明参数对应的两个累计差异中的最大累计差异，将所述第二类别中所述最大累计差异对应的照明参数确定异常照明参数。

进一步的，根据所述可能性，利用k-means聚类算法对每个训练样本对中两个照明参数序列中的所有照明参数进行二分类。

进一步的，所述分类模型为支持向量机，对分类模型进行训练还包括：

根据正常照明参数和异常照明参数属于正常运行状态的可能性，分别对所述支持向量机中正常照明参数和异常照明参数到超平面的距离进行修正，并基于修正后的距离，对分类模型进行训练，得到训练好的分类模型。

进一步的，分别对所述支持向量机中正常照明参数和异常照明参数到超平面的距离进行修正，包括：

对正常照明参数属于正常运行状态的可能性进行负相关映射，并将负相关映射结果与对应正常照明参数到超平面的距离的乘积值，确定为对应正常照明参数到超平面的修正后的距离；

对异常照明参数属于正常运行状态的可能性进行正相关映射，并将正相关映射结果与对应异常照明参数到超平面的距离的乘积值，确定为对应异常照明参数到超平面的修正后的距离。

进一步的，进行照明运行故障检测，包括：

将待检测灯光的连续的各个照明参数分别输入到训练好的分类模型，由分类模型输出每个照明参数的类型，若连续设定数量个照明参数的类型为异常照明参数，则判定待检测灯光出现故障。

本发明具有如下有益效果：由于道路照明设备的照明强度不仅会随着太阳光照强度进行变化，还会随着有车无车的状态进行变化，而在无车状态下的隧道灯的照明强度具有一定的规律性，在有车状态下的隧道灯的照明强度也具有一定的规律性，且两种情况下的照明强度变化规律具备相似性，因此将相同设定时段的有车状态的照明参数序列和无车状态的照明参数序列构成一个训练样本对，从而构成训练集。对于每个训练样本对，对两个照明参数序列之间的局部变化趋势一致性进行分析，一致性越低，说明对应局部段的照明参数极有可能发生了异常，同时对于单个照明参数序列而言，由于正常情况下太阳光照强度不会发生突变，照明参数序列中的照明参数也不会发生突变，且照明参数序列中的所有照明参数符合一定的变化规律，因此对两个照明参数序列之间的局部相关关系，以及两个照明参数序列的波动情况进行分析，确定两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性大小，进而根据该可能性大小，对两个照明参数序列中的所有照明参数进行二分类，以准确得到正常照明参数和异常照明参数，进而完成分类模型的训练，最终实现照明运行故障检测。由于本发明通过获取有车状态的照明参数序列数据和无车状态的照明参数序列数据，并将其进行组合，从而可以根据两个照明参数序列数据的数据特征进行分析，即基于数据驱动，从而准确识别出其中的正常照明参数和异常照明参数，保证了分类模型训练的准确性，从而最终提高了照明运行故障检测的准确性。

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和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明实施例的基于数据驱动的高速公路隧道照明运行故障监测方法的流程图；

图2为本发明实施例的确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

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。另外，本文所涉及公式中的所有参数或者指标均为归一化之后的消除了量纲影响的数值。

为了解决现有隧道照明运行故障监测不够准确的问题，本发明实施例提供了一种基于数据驱动的高速公路隧道照明运行故障监测方法，该方法首先获取隧道灯的训练集，并确定训练集中每个训练样本中每个时间点两个照明参数都属于正常数据的可能性，从而确定正常照明参数和异常照明参数，进而结合正常照明参数和异常照明参数所对应的可能性，利用这些正常照明参数和异常照明参数对SVM支持向量机进行训练，并利用SVM支持向量机进行隧道灯的照明运行故障检测，从而有效解决了通过固定阈值比较的方法则难以判断隧道灯是否发生故障的问题，提高了隧道照明运行故障监测的准确性。

下面将结合附图，对本发明实施例提供的一种基于数据驱动的高速公路隧道照明运行故障监测方法进行详细介绍。

图1为本发明实施例提供的一种基于数据驱动的高速公路隧道照明运行故障监测方法的基本流程示意图，如图1所示，该方法具体包括如下步骤：

步骤S1：获取照明设备的训练集，所述训练集中包括各个训练样本对，每个训练样本对中包括相同时段的有车状态的照明参数序列和无车状态的照明参数序列。

为了对隧道内每个照明设备即每个隧道灯进行运行状态监测，获取每个隧道灯对应的训练集，该训练集中由多个训练样本对构成，每个训练样本对中包括相同时段的有车状态的照明参数序列和无车状态的照明参数序列。

具体的，为了获取隧道内每个隧道灯对应的训练集，可在隧道内按照隧道灯照明强度传感器， 并按照设定采集频率对隧道灯照明强度进行采集，如一分钟采集一次，从而得到每个设定时段内的各个照明强度，如一天内的各个照明强度，将每个照明强度作为一个照明参数，并将这些照明参数按照时序进行排列，从而得到一个照明参数序列。

考虑到隧道灯的照明强度不仅会随着太阳光照强度进行变化，还会随着有车无车的状态进行变化，例如，白天太阳光线较强，夜晚或阴天光线强度较低，为了节省能耗，较强光线下隧道灯的照明强度会降低，而较弱光线下隧道灯的照明强度会增加，而当检测到车辆进入隧道时，***会自动增大隧道灯的照明强度以提供更好的视觉条件，而在无车状态下隧道灯的照明强度则会相对减弱，为了便于后续对正常照明参数和异常照明参数进行精准划分，在获取隧道内每个隧道灯对应的照明参数序列的过程中，需要同时获取在无车状态下的多个照明参数序列以及在有车状态下的多个照明参数序列。具体在获取这些照明参数序列时，可以在隧道建成并投入使用前，或者隧道检修过程中，获取每个隧道灯在无车状态下的多个照明参数序列，这些照明参数序列包括隧道灯在正常运行状态下的照明参数序列，以及在模拟的不同故障下的照明参数序列，这里的不同故障主要是指不是直接熄灭的不同程度的闪烁故障。考虑到隧道内位置相近的隧道灯受到太阳光照强度以及车辆的影响情况比较接近，为了快速获取足够的数据，在获取每个隧道灯在无车状态下的多个照明参数序列的过程中，还可以同时对该隧道灯、隧道内与该隧道灯位置相近的多个隧道灯，以及与该隧道灯型号一致，且光照明参数变化一致或者比较相近的其他隧道灯进行数据采集，并将采集到的数据均作为该隧道灯的照明参数序列，此处不做限制。同时，通过模拟一直有车状态，获取每个隧道灯在有车状态下的多个照明参数序列，这些照明参数序列同样包括隧道灯在正常运行状态下的照明参数序列，以及在模拟的不同故障下的照明参数序列。

在获取到每个隧道灯在无车状态下的多个照明参数序列以及在有车状态下的多个照明参数序列之后，将在无车状态下的多个照明参数序列与在有车状态下的多个照明参数序列进行两两组合，在组合时可以选择获取时间比较相近的两个照明参数序列进行组合，在此不做具体限制。此时每个组合包括一个有车状态的照明参数序列和一个无车状态的照明参数序列，将该组合作为对应隧道灯的一个训练样本对，隧道灯的所有训练样本对共同构成了一个训练集，从而获取每个隧道灯的训练集。

步骤S2：根据每个训练样本对中两个照明参数序列之间的局部相关关系，以及两个照明参数序列的波动情况，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性。

在每个训练样本对中，通过根据两个照明参数序列之间的趋势相关性和变化快慢性，确定每个时间点上的两个照明参数都属于正常运行状态的初始可能性，其次由于高峰用电区间电流电压不稳定，可能造成某个点的波动，但是不能造成持续波动，根据周围数据点再去进行校正这个时间点上两个照明参数都属于正常运行状态的可能性，从而最终得到每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性。

在本发明实施例中，根据每个训练样本对中每个照明参数序列的每个时间点的各个邻域时间点的照明参数与对应照明参数序列的照明参数之间的波动趋势关系，每个照明参数序列的每个时间点与其各个邻域时间点的照明参数之间的差异，以及两个照明参数序列的相同时间点的各个邻域时间点的照明参数之间的关联关系，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性。

进一步的，如图2所示，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性，包括：

步骤S201：对每个训练样本对中每个照明参数序列的每个时间点及其各个邻域时间点的照明参数进行曲线拟合，得到拟合曲线，确定对应照明参数序列的各个时间点在所述拟合曲线上对应的照明参数取值，并确定对应照明参数序列的各个时间点的照明参数与在所述拟合曲线上对应的照明参数取值之间的累计差异；

步骤S202：根据每个训练样本对中两个照明参数序列的相同时间点的各个邻域时间点的照明参数所构成局部序列之间的关联关系，确定每个训练样本对中两个照明参数序列的相同时间点对应的照明参数关联指标；

步骤S203：根据每个训练样本对中每个照明参数序列的每个时间点与其各个邻域时间点之间的照明参数平均差异，确定每个训练样本对中每个照明参数序列的每个时间点对应的照明参数差异指标；

步骤S204：根据每个训练样本对中两个照明参数序列的相同时间点对应的两个累计差异、照明参数关联指标和两个照明参数差异指标，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性。

具体的，对于每个训练样本对中无车状态的照明参数序列来说，由于受到太阳光照强度的影响，其照明参数应该与光照强度呈现相反的关系，所以正常无车状态下的照明参数应该呈现一个下凹函数的曲线样式，对于一直有车状态的照明参数序列来说，其应该比无车状态下的照明强度高一层，但是趋势应该呈现一致，而且隧道灯照明强度不会产生突变，所以有车无车状态下相邻数据点的照明强度差值并不会发生突变，根据此可以确定每个时间节点上的两个数据都属于正常运行状态的初始可能性。

对于每个训练样本对中的每个照明参数序列，为了确定该照明参数序列的每个时间点的各个邻域时间点的照明参数与该照明参数序列的照明参数之间的波动趋势关系，将该照明参数序列中每个时间点的左右各5个时间点作为其对应的各个邻域时间点，并根据每个时间点及其各个邻域时间点，以及这些时间点对应的照明参数，进行凹函数的多项式拟合，得到拟合曲线。进而确定该照明参数序列的各个时间点在该拟合曲线上对应的照明参数取值，并确定该照明参数序列的每个时间点的照明参数与在拟合曲线上对应的照明参数取值之间的差值绝对值，并将该照明参数序列中所有时间点的差值绝对值的累加和作为该照明参数序列中每个时间点对应的累计差异。

应当理解的是，为了确定该照明参数序列的每个时间点的各个邻域时间点的照明参数与该照明参数序列的照明参数之间的波动趋势关系，作为其他的实施方式，还可以确定该照明参数序列中每个时间点及其各个邻域时间点之外的各个时间点，这里称为分析时间点，根据该照明参数序列中各个分析时间点及其对应的照明参数，进行凹函数的多项式拟合，得到拟合曲线。进行凹函数的多项式拟合的具体方法可以根据需要进行选取，此处不做具体限定。进而确定该照明参数序列的对应时间点及其各个邻域时间点在该拟合曲线上对应的照明参数取值，并确定该照明参数序列的对应时间点及其各个邻域时间点的照明参数与在拟合曲线上对应的照明参数取值之间的差值绝对值，并将该照明参数序列中对应时间点及其各个邻域时间点的差值绝对值的累加和作为该照明参数序列中每个时间点对应的累计差异。

由于正常情况下每个训练样本对中的两个照明参数序列的变化趋势应当一致，因此确定两个照明参数序列的相同时间点的各个邻域时间点的照明参数所构成局部序列之间的皮尔逊相关系数，并根据该皮尔逊相关系数，确定该相同时间点对应的照明参数关联指标，皮尔逊相关系数越大时，说明在两个照明参数序列中相同时间点的各个邻域时间点的照明参数所构成两个局部序列之间的趋势越相似，对应的照明参数关联指标的取值越大。在本发明实施例中，计算该皮尔逊相关系数与数值1相加和除以数值2的商值，并将该商值作为照明参数关联指标。

由于正常情况下太阳光照强度不会发生突变，因此每个训练样本对中的每个照明参数序列中的照明参数也不会发生突变，因此确定每个训练样本对中每个照明参数序列的每个时间点与其各个邻域时间点之间的照明参数的差值绝对值的平均值，得到照明参数平均差异，将该照明参数平均差异作为对应照明参数序列中对应时间点对应的照明参数差异指标。

基于此，在本发明实施例中，根据每个训练样本对中两个照明参数序列的相同时间点对应的两个累计差异、照明参数关联指标和两个照明参数差异指标，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性，即：确定每个训练样本对中两个照明参数序列的相同时间点对应的两个累计差异的相加值的负相关映射结果，以及两个照明参数差异指标的相加值的负相关映射结果，得到第一可能指标值和第二可能指标值；将每个训练样本对中两个照明参数序列的相同时间点对应的第一可能指标值、第二可能指标值和照明参数关联指标的乘积值，确定为确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性。

此时，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性，对应的计算公式为：

；

其中，表示每个训练样本对中两个照明参数序列A和B的时间点/>的两个照明参数属于正常运行状态的初始可能性；/>表示每个训练样本对中的照明参数序列A的时间点/>对应的累计差异，/>表示照明参数序列A的第/>个时间点的照明参数，与照明参数序列A的第/>个时间点在时间点/>对应的拟合曲线上的照明参数取值之间的差值绝对值；表示每个训练样本对中的照明参数序列B的时间点/>对应的累计差异，/>表示照明参数序列B的第/>个时间点的照明参数，与照明参数序列B的第/>个时间点在时间点/>对应的拟合曲线上的照明参数取值之间的差值绝对值；/>表示每个训练样本对中两个照明参数序列A和B的时间点/>对应的照明参数关联指标；/>表示每个训练样本对中的照明参数序列A的时间点/>对应的照明参数平均差异，/>表示照明参数序列A的时间点/>与其第/>个邻域时间点之间的照明参数的差值绝对值；/>表示每个训练样本对中的照明参数序列B的时间点/>对应的照明参数平均差异，/>表示照明参数序列B的时间点/>与其第/>个邻域时间点之间的照明参数的差值绝对值；/>表示每个训练样本对中每个照明参数序列的时间点总数量；/>表示每个训练样本对中每个照明参数序列的每个时间点的邻域时间点总数量；/>表示以自然常数e为底数的指数函数。

在上述公式中，利用指数函数对每个训练样本对中两个照明参数序列的相同时间点对应的两个累计差异的相加值进行负相关映射得到，得到第一可能指标值，相同时间点的累计差异取值越大，说明该时间点所在局部段的照明参数变化趋势与对应整个照明参数序列的变化趋势越不相近，第一可能指标值的取值就越小，该时间点所在局部段与整个状态下所有数据点的误差较大，那么说明该局部段处越可能发生了数据异常，对应时间点的两个照明参数属于正常运行状态的初始可能性就越小。同时，正常有车和无车状态下相同时间点周围的数据变化趋势应当一致，当两个照明参数序列的相同时间点所在局部段之间的变化趋势越不一致时，即照明参数关联指标的取值越小，说明对应时间点越可能发生了数据异常，对应时间点的两个照明参数属于正常运行状态的初始可能性就越小。最后，因为太阳光照不会产生突变，所以两个照明参数序列中相邻数据点也不会发生突变，利用指数函数对相同时间点对应的两个照明参数差异指标的相加值进行负相关映射得到，得到第二可能指标值，当相邻数据点差异越大时，则说明极有可能发生了异常情况，得到第二可能指标值的取值越小，此时对应时间点的两个照明参数属于正常运行状态的初始可能性就越小。

在隧道灯工作过程中，由于高峰用电区间电流电压不稳定，可能造成某个时间点的照明参数的波动，但是不能造成持续波动，而隧道灯异常通常具有一定的持续性，所以对于上述确定的每个训练样本对中每个时间点上的两个照明参数都属于正常运行状态的可能性，可以根据时间点两侧的周围时间点所对应的可能性进行校正，周围一侧时间点的照明参数属于正常运行状态的可能性越大，那么该时间点上的两个照明参数属于正常运行状态的可能性也应当越大， 从而最终得到这个时间节点上两个照明参数都属于正常运行状态的可能性。

因此，确定每个训练样本对中两个照明参数序列的相同时间点的各个左相邻时间点所对应的初始可能性的平均值以及各个右相邻时间点所对应的初始可能性的平均值，得到第一初始可能性均值和第二初始可能性均值；分别计算每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性与对应第一初始可能性均值和第二初始可能性均值之间的乘积值，得到第一乘积值和第二乘积值；确定每个训练样本对中两个照明参数序列的相同时间点对应的第一乘积值和第二乘积值中的最大值，并将所述最大值作为修正后的每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性。其中，左相邻时间点是指每个训练样本对中两个照明参数序列的某个相同时间点的左侧10个相邻的时间点，右相邻时间点是指每个训练样本对中两个照明参数序列的某个相同时间点的左侧10个相邻的时间点。

步骤S3：根据所述可能性，对每个训练样本对中两个照明参数序列中的所有照明参数进行二分类，得到每个训练样本对中的正常照明参数和异常照明参数。

在通过上述步骤确定每个训练样本对中两个照明参数序列中的所有时间点上的两个数据都属于正常运行数据的可能性之后，根据该可能性，对每个训练样本对中两个照明参数序列中的所有照明参数进行二分类，得到第一类别和第二类别，所述第一类别中照明参数属于正常运行状态的可能性大于所述第二类别中照明参数属于正常运行状态的；将所述第一类别中的所有照明参数确定为正常照明参数，并确定所述第二类别中每个相同时间点的两个照明参数对应的两个累计差异中的最大累计差异，将所述第二类别中所述最大累计差异对应的照明参数确定异常照明参数。

在本发明实施例中，根据每个训练样本对中两个照明参数序列中的所有时间点上的两个数据都属于正常运行数据的可能性，利用k均值聚类算法（k-means clusteringalgorithm, k-means）对每个训练样本对中两个照明参数序列中的所有照明参数进行二分类，当然，作为其他的实施方式，也可以选择使用其他合适的聚类方法，将每个训练样本对中两个照明参数序列中的所有照明参数分成两类，每一类中的所有照明参数所对应的可能性相近，此处不做限定。比较两个类别中所对应的可能性，将可能性高的那个类别称为第一类别，并将另外一个类别称为第二类别。将第一类别中的所有照明参数视为正常运行的数据，也就是正常照明参数，而对于第二类别中可能性表现较低的时间点上的两个照明参数，其中必有一个属于异常数据，有可能两个都属于异常数据，有可能一个属于异常数据，一个属于正常数据。因此选取上述凹函数多项式拟合误差最大的一个，进行确定故障数据，即确定该时间点对应两个累计差异中的最大累计差异，并将该最大累计差异对应的照明参数确定为异常照明参数，并为了提高精度，将另外一个照明参数从第二类别中剔除，从而可以确定各个异常照明参数。

步骤S4：利用所述训练集中所有训练样本对中的正常照明参数和异常照明参数，对分类模型进行训练，并利用训练好的分类模型进行照明运行故障检测。

为了便于后续进行照明运行故障检测，需要选择分类模型，并利用训练集中所有训练样本对中的正常照明参数和异常照明参数对该分类模型进行训练，本发明实施例所选择的分类模型为SVM 支持向量机。

在SVM 支持向量机中为了确定最优超平面，首先要定义超平面，然后计算样本点到超平面的距离，这个距离称为间隔。在SVM 支持向量机中，我们希望找到一个超平面，使得所有样本点到这个超平面的距离都尽可能远，也就是最大化间隔。然后求解支持向量，确定最优超平面，即：通过求解优化问题，找到使得间隔最大化的最优超平面，从而实现对数据集的最优分类。

因此，利用训练集中所有训练样本对中的正常照明参数和异常照明参数对SVM 支持向量机进行训练，找到最优超平面，从而得到训练好的SVM 支持向量机。由于训练的具体实现过程属于现有技术，此处不再进行赘述。

进一步的，考虑到在利用训练集中所有训练样本对中的正常照明参数和异常照明参数，对SVM 支持向量机进行训练的过程中，由于同一个类别中不同照明参数属于此类别的可能性并不相同，即不同正常照明参数的可能性可能不同，不同异常照明参数的可能性也可能不同，可以根据正常照明参数和异常照明参数属于正常运行状态的可能性，分别对SVM支持向量机中正常照明参数和异常照明参数到超平面的距离进行修正优化，该距离是指现有技术中所确定的距离，从而实现可以更好的确定超平面。

具体的，根据正常照明参数和异常照明参数属于正常运行状态的可能性，分别对SVM支持向量机中正常照明参数和异常照明参数到超平面的距离进行修正优化，包括：对正常照明参数属于正常运行状态的可能性进行负相关映射，并将负相关映射结果与对应正常照明参数到超平面的距离的乘积值，确定为对应正常照明参数到超平面的修正后的距离；对异常照明参数属于正常运行状态的可能性进行正相关映射，并将正相关映射结果与对应异常照明参数到超平面的距离的乘积值，确定为对应异常照明参数到超平面的修正后的距离。

在本发明实施例中，根据正常照明参数和异常照明参数属于正常运行状态的可能性，分别对SVM支持向量机中正常照明参数和异常照明参数到超平面的距离进行修正优化，对应的计算公式为：

；

；

其中，表示训练集中所有训练样本对中的第/>个正常照明参数到超平面的修正后的距离；/>表示训练集中所有训练样本对中的第/>个正常照明参数属于正常运行状态的可能性；/>表示训练集中所有训练样本对中的第/>个正常照明参数到超平面的距离；/>表示训练集中所有训练样本对中的第/>个异常照明参数到超平面的修正后的距离；/>表示训练集中所有训练样本对中的第/>个异常照明参数属于正常运行状态的可能性；/>表示训练集中所有训练样本对中的第/>个异常照明参数到超平面的距离；/>表示以自然常数e为底数的指数函数；/>表示正相关归一化函数。

在上述公式中，在对SVM支持向量机进行训练寻找最优超平面的过程中，要使得两个不同类别的数据点都能被最大化地分隔开来，通常最优超平面的选择是通过最大化支持向量到超平面的距离来实现，因此在选择超平面的过程中，利用正常照明参数和异常照明参数属于正常运行状态的可能性，对正常照明参数和异常照明参数到超平面的距离进行校正，对于正常照明参数而言，使得可能性更高的数据到超平面的距离更近，对于异常照明参数而言，使得可能性更高的数据到超平面的距离更远，其目的是为了使得两类数据的界限更准确，从而便于更好的确定超平面的位置，最终实现数据的精准分类。

基于训练集中所有训练样本对中的正常照明参数和异常照明参数，以及正常照明参数和异常照明参数到超平面的修正后的距离，对SVM支持向量机进行训练，最终得到训练好的SVM支持向量机，该训练好的SVM支持向量机即为训练好的分类模型，并利用该训练好的分类模型进行照明运行故障检测。

在利用训练好的分类模型进行照明运行故障检测的过程中，将待检测灯光的连续的各个照明参数分别输入到训练好的分类模型，由分类模型输出每个照明参数的类型，若连续设定数量个照明参数的类型为异常照明参数，则判定待检测灯光出现故障。需要说明的是，待检测灯光可以是获取训练集时所对应的隧道灯，也可以是与该分类模型相适配的其他隧道灯，当其他隧道灯与获取训练集时所对应的隧道灯型号一致，且光照明参数变化一致或者比较相近时，则认为与该分类模型相适配。设定数量的取值可以根据监测需要进行合理设置，当监测要求较高时，则将设定数量的取值设置的较小，反之则设置的较大，本实施例设置该设定数量的取值为10，即当待检测灯光出现连续出现10个照明参数都属于异常照明参数时，则认为当前待检测灯光运行出现故障，应该及时对其进行检修处理，此时进行故障报警。

需要说明的是：以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (9)

1.一种基于数据驱动的高速公路隧道照明运行故障监测方法，其特征在于，包括以下步骤：

获取照明设备的训练集，所述训练集中包括各个训练样本对，每个训练样本对中包括相同设定时段的有车状态的照明参数序列和无车状态的照明参数序列；

根据每个训练样本对中两个照明参数序列之间的局部相关关系，以及两个照明参数序列的波动情况，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性；

根据所述可能性，对每个训练样本对中两个照明参数序列中的所有照明参数进行二分类，得到每个训练样本对中的正常照明参数和异常照明参数；

利用所述训练集中所有训练样本对中的正常照明参数和异常照明参数，对分类模型进行训练，并利用训练好的分类模型进行照明运行故障检测；

确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性，包括：

根据每个训练样本对中每个照明参数序列的每个时间点的各个邻域时间点的照明参数与对应照明参数序列的照明参数之间的波动趋势关系，每个照明参数序列的每个时间点与其各个邻域时间点的照明参数之间的差异，以及两个照明参数序列的相同时间点的各个邻域时间点的照明参数之间的关联关系，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性；

根据每个训练样本对中两个照明参数序列的相同时间点的各个邻域时间点所对应的初始可能性，对每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性进行修正，最终得到每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性。

2.根据权利要求1所述的一种基于数据驱动的高速公路隧道照明运行故障监测方法，其特征在于，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性，包括：

对每个训练样本对中每个照明参数序列的每个时间点及其各个邻域时间点的照明参数进行曲线拟合，得到拟合曲线，确定对应照明参数序列的各个时间点在所述拟合曲线上对应的照明参数取值，并确定对应照明参数序列的各个时间点的照明参数与在所述拟合曲线上对应的照明参数取值之间的累计差异；

根据每个训练样本对中两个照明参数序列的相同时间点的各个邻域时间点的照明参数所构成局部序列之间的关联关系，确定每个训练样本对中两个照明参数序列的相同时间点对应的照明参数关联指标；

根据每个训练样本对中每个照明参数序列的每个时间点与其各个邻域时间点之间的照明参数平均差异，确定每个训练样本对中每个照明参数序列的每个时间点对应的照明参数差异指标；

根据每个训练样本对中两个照明参数序列的相同时间点对应的两个累计差异、照明参数关联指标和两个照明参数差异指标，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性。

3.根据权利要求2所述的一种基于数据驱动的高速公路隧道照明运行故障监测方法，其特征在于，确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性，包括：

确定每个训练样本对中两个照明参数序列的相同时间点对应的两个累计差异的相加值的负相关映射结果，以及两个照明参数差异指标的相加值的负相关映射结果，得到第一可能指标值和第二可能指标值；

将每个训练样本对中两个照明参数序列的相同时间点对应的第一可能指标值、第二可能指标值和照明参数关联指标的乘积值，确定为确定每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性。

4.根据权利要求1或2所述的一种基于数据驱动的高速公路隧道照明运行故障监测方法，其特征在于，最终得到每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性，包括：

确定每个训练样本对中两个照明参数序列的相同时间点的各个左相邻时间点所对应的初始可能性的平均值以及各个右相邻时间点所对应的初始可能性的平均值，得到第一初始可能性均值和第二初始可能性均值；

分别计算每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的初始可能性与对应第一初始可能性均值和第二初始可能性均值之间的乘积值，得到第一乘积值和第二乘积值；

确定每个训练样本对中两个照明参数序列的相同时间点对应的第一乘积值和第二乘积值中的最大值，并将所述最大值作为修正后的每个训练样本对中两个照明参数序列的相同时间点的两个照明参数属于正常运行状态的可能性。

5.根据权利要求2所述的一种基于数据驱动的高速公路隧道照明运行故障监测方法，其特征在于，得到每个训练样本对中的正常照明参数和异常照明参数，包括：

根据所述可能性，对每个训练样本对中两个照明参数序列中的所有照明参数进行二分类，得到第一类别和第二类别，所述第一类别中照明参数属于正常运行状态的可能性大于所述第二类别中照明参数属于正常运行状态的可能性；

将所述第一类别中的所有照明参数确定为正常照明参数，并确定所述第二类别中每个相同时间点的两个照明参数对应的两个累计差异中的最大累计差异，将所述第二类别中所述最大累计差异对应的照明参数确定异常照明参数。

6.根据权利要求1所述的一种基于数据驱动的高速公路隧道照明运行故障监测方法，其特征在于，根据所述可能性，利用k-means聚类算法对每个训练样本对中两个照明参数序列中的所有照明参数进行二分类。

7.根据权利要求1所述的一种基于数据驱动的高速公路隧道照明运行故障监测方法，其特征在于，所述分类模型为支持向量机，对分类模型进行训练还包括：

根据正常照明参数和异常照明参数属于正常运行状态的可能性，分别对所述支持向量机中正常照明参数和异常照明参数到超平面的距离进行修正，并基于修正后的距离，对分类模型进行训练，得到训练好的分类模型。

8.根据权利要求7所述的一种基于数据驱动的高速公路隧道照明运行故障监测方法，其特征在于，分别对所述支持向量机中正常照明参数和异常照明参数到超平面的距离进行修正，包括：

对正常照明参数属于正常运行状态的可能性进行负相关映射，并将负相关映射结果与对应正常照明参数到超平面的距离的乘积值，确定为对应正常照明参数到超平面的修正后的距离；

对异常照明参数属于正常运行状态的可能性进行正相关映射，并将正相关映射结果与对应异常照明参数到超平面的距离的乘积值，确定为对应异常照明参数到超平面的修正后的距离。

9.根据权利要求1所述的一种基于数据驱动的高速公路隧道照明运行故障监测方法，其特征在于，进行照明运行故障检测，包括：

将待检测灯光的连续的各个照明参数分别输入到训练好的分类模型，由分类模型输出每个照明参数的类型，若连续设定数量个照明参数的类型为异常照明参数，则判定待检测灯光出现故障。