一种具有智能控制功能的LED驱动器及控制方法与流程

本发明涉及led驱动器，尤其涉及一种具有智能控制功能的led驱动器及控制方法。

背景技术：

1、led驱动器，是指驱动led发光或led模块组件正常工作的电源调整电子器件。由于led pn结的导通特性决定，它能适应的电源的电压和电流变动范围十分狭窄，稍许偏离就可能无法点亮led或者发光效率严重降低，或者缩短使用寿命甚至烧毁芯片。现行的工频电源和常见的电池电源均不适合直接供给led，led驱动器就是这种可以驱使led在最佳电压或电流状态下工作的电子组件。led驱动器能够实时地了解led工作的情况，而一个led驱动器往往会同时驱动多个led灯，从而控制多个led灯，而一般而言，led灯的工作状态往往是从一种状态转移至另一种状态，从而导致了led灯在工作时产生异常，现有技术中由于一个led驱动器往往控制着多个led灯,导致了不能够快速以及准确地识别出异常工作的led灯。

技术实现思路

1、本发明克服了现有技术的不足，提供了一种具有智能控制功能的led驱动器及控制方法。

2、为达上述目的，本发明采用的技术方案为：

3、本发明第一方面提供了一种具有智能控制功能的led驱动器，所述驱动器包括：

4、数据获取模块，通过所述数据获取模块获取当前led驱动器所控制的在预设时间之内led工作参数数据信息；

5、数据处理模块，通过所述数据处理模块对所述在预设时间之内led工作参数数据信息进行处理，获取预处理后的led工作参数数据信息；

6、状态转移模块，通过所述状态描述模块对所述预处理后的led工作参数数据信息进行工作状态转移预测，生成预测结果；

7、调控模块，通过所述调控模块根据所述预测结果生成led灯的调控参数，并基于led灯的调控参数对相应的led灯进行调控。

8、进一步地，本发明的一个较佳实施例中，获取当前led驱动器所控制的在预设时间之内led工作参数数据信息，具体包括：

9、构建数据库，获取led驱动器所控制的led通信地址信息，并将所述数据库分为若干个存储空间，同时引入注意力机制，通过所述注意力机制计算出每一led通信地址信息的注意力分数信息；

10、从所述led通信地址信息的注意力分数信息选取出随机一个led通信地址信息的注意力分数信息作为初始样本数据，计算所述初始样本数据与其余每一led通信地址信息的注意力分数信息之间的欧式距离；

11、根据所述欧式距离的大小值进行排序，生成排序结果，并根据所述排序结果将led通信地址信息依次输入到所述数据库的存储空间中；

12、通过所述数据库获取当前led驱动器所控制的led通信地址信息，同时构建时间戳，并获取led通信地址信息对应的led的工作参数数据信息，结合所述时间戳，生成当前led驱动器所控制的在预设时间之内led工作参数数据信息。

13、进一步地，本发明的一个较佳实施例中，对所述在预设时间之内led工作参数数据信息进行处理，获取预处理后的led工作参数数据信息，具体包括：

14、根据所述在预设时间之内led工作参数数据信息构建样本数据，并引入模糊聚类算法，初始化聚类中心，并根据所述聚类中心计算每一样本数据的欧式距离；

15、通过所述每一样本数据的欧式距离的总欧式距离值，并根据所述总欧式距离值计算出簇内样本数据的平均欧式距离值，预设平均欧式距离阈值信息；

16、判断所述簇内样本数据的平均欧式距离值是否大于所述平均欧式距离阈值信息，若所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息，生成每一样本数据所处的隶属度范围，并作为预处理后的led工作参数数据信息输出；

17、若所述簇内样本数据的平均欧式距离值不大于所述平均欧式距离阈值信息，重新调整聚类中心的个数，直至所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息。

18、进一步地，本发明的一个较佳实施例中，对所述预处理后的led工作参数数据信息进行工作状态转移预测，生成预测结果，具体包括：

19、引入马尔科夫链，通过所述马尔科夫链对所述预处理后的led工作参数数据信息进行状态转移概率计算，获取每一预处理后的led工作参数数据信息的状态转移概率值；

20、根据所述每一预处理后的led工作参数数据信息的状态转移概率值构建状态转移矩阵，同时，基于深度学习网络构建led状态转移预测模型，并引入fcbf算法；

21、通过fcbf算法计算所述状态转移矩阵中每个样本数据是否存在冗余对称点，若存在冗余对称特征数据，并根据所述冗余对称特征数据构建冗余样本数据，将所述冗余样本数据从状态转移矩阵中剔除，生成处理后的状态转移矩阵；

22、将所述处理后的状态转移矩阵输入到所述led状态转移预测模型中进行编码学习，当所述led状态转移预测模型符合预设要求，输出led状态转移预测模型，通过所述led状态转移预测模型预测当前led的工作状态转移概率，生成预测结果。

23、进一步地，本发明的一个较佳实施例中，所述的一种具有智能控制功能的led驱动器，还包括以下步骤：

24、获取每个聚类中心的样本数据信息，并引入马氏距离算法，通过马氏距离算法计算每个类簇中样本数据之间的马氏距离值，同时，预设马氏距离阈值信息；

25、判断所述马氏距离值是否大于所述马氏距离阈值信息，若所述马氏距离值大于所述马氏距离阈值信息，计算所述马氏距离值大于所述马氏距离阈值信息的样本数据与其他聚类中心的马氏距离值，生成二次马氏距离值；

26、根据所述二次马氏距离值进行排序，生成马氏距离排序结果，并从所述马氏距离排序结果中获取最小的马氏距离值对应的聚类中心；

27、重新将所述马氏距离值大于所述马氏距离阈值信息的样本数据分配至最小的马氏距离值对应的聚类中心。

28、进一步地，本发明的一个较佳实施例中，根据所述预测结果生成led灯的调控参数，包括以下步骤：

29、根据所述预测结果获取led驱动器所控制的每一led灯的状态转移概率值，设置相关的转移概率阈值，并判断所述led灯的状态转移概率值是否大于相关的转移概率阈值；

30、当所述led灯的状态转移概率值大于相关的转移概率阈值时，则将状态转移概率值大于相关的转移概率阈值的led灯作为异常工作状态的led灯，并获取异常工作状态的led灯所处的工作状态信息；

31、当所述异常工作状态的led灯所处的工作状态信息超过预定的工作状态信息时，则获取异常工作状态的led灯的通信地址信息，并根据所述异常工作状态的led灯的通信地址信息生成预警信息；

32、当所述异常工作状态的led灯所处的工作状态信息不超过预定的工作状态信息时，根据异常工作状态的led灯所处的工作状态信息生成led灯的调控参数。

33、本发明第二方面提供了一种具有智能控制功能的led驱动器的控制方法，应用于任一项所述的一种具有智能控制功能的led驱动器，包括以下步骤：

34、获取当前led驱动器所控制的在预设时间之内led工作参数数据信息；

35、对所述在预设时间之内led工作参数数据信息进行处理，获取预处理后的led工作参数数据信息；

36、对所述预处理后的led工作参数数据信息进行工作状态转移预测，生成预测结果；

37、根据所述预测结果生成led灯的调控参数，并基于led灯的调控参数对相应的led灯进行调控。

38、在本方法中，获取当前led驱动器所控制的在预设时间之内led工作参数数据信息，具体包括：

39、构建数据库，获取led驱动器所控制的led通信地址信息，并将所述数据库分为若干个存储空间，同时引入注意力机制，通过所述注意力机制计算出每一led通信地址信息的注意力分数信息；

40、从所述led通信地址信息的注意力分数信息选取出随机一个led通信地址信息的注意力分数信息作为初始样本数据，计算所述初始样本数据与其余每一led通信地址信息的注意力分数信息之间的欧式距离；

41、根据所述欧式距离的大小值进行排序，生成排序结果，并根据所述排序结果将led通信地址信息依次输入到所述数据库的存储空间中；

42、通过所述数据库获取当前led驱动器所控制的led通信地址信息，同时构建时间戳，并获取led通信地址信息对应的led的工作参数数据信息，结合所述时间戳，生成当前led驱动器所控制的在预设时间之内led工作参数数据信息。

43、在本方法中，对所述在预设时间之内led工作参数数据信息进行处理，获取预处理后的led工作参数数据信息，具体包括：

44、根据所述在预设时间之内led工作参数数据信息构建样本数据，并引入模糊聚类算法，初始化聚类中心，并根据所述聚类中心计算每一样本数据的欧式距离；

45、通过所述每一样本数据的欧式距离的总欧式距离值，并根据所述总欧式距离值计算出簇内样本数据的平均欧式距离值，预设平均欧式距离阈值信息；

46、判断所述簇内样本数据的平均欧式距离值是否大于所述平均欧式距离阈值信息，若所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息，生成每一样本数据所处的隶属度范围，并作为预处理后的led工作参数数据信息输出；

47、若所述簇内样本数据的平均欧式距离值不大于所述平均欧式距离阈值信息，重新调整聚类中心的个数，直至所述簇内样本数据的平均欧式距离值大于所述平均欧式距离阈值信息。

48、在本方法中，对所述预处理后的led工作参数数据信息进行工作状态转移预测，生成预测结果，具体包括：

49、引入马尔科夫链，通过所述马尔科夫链对所述预处理后的led工作参数数据信息进行状态转移概率计算，获取每一预处理后的led工作参数数据信息的状态转移概率值；

50、根据所述每一预处理后的led工作参数数据信息的状态转移概率值构建状态转移矩阵，同时，基于深度学习网络构建led状态转移预测模型，并引入fcbf算法；

51、通过fcbf算法计算所述状态转移矩阵中每个样本数据是否存在冗余对称点，若存在冗余对称特征数据，并根据所述冗余对称特征数据构建冗余样本数据，将所述冗余样本数据从状态转移矩阵中剔除，生成处理后的状态转移矩阵；

52、将所述处理后的状态转移矩阵输入到所述led状态转移预测模型中进行编码学习，当所述led状态转移预测模型符合预设要求，输出led状态转移预测模型，通过所述led状态转移预测模型预测当前led的工作状态转移概率，生成预测结果。

53、本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：

54、本发明通过获取当前led驱动器所控制的在预设时间之内led工作参数数据信息，从而对在预设时间之内led工作参数数据信息进行处理，获取预处理后的led工作参数数据信息，进而对预处理后的led工作参数数据信息进行工作状态转移预测，生成预测结果，最后根据预测结果生成led灯的调控参数，并基于led灯的调控参数对相应的led灯进行调控。本发明通过引入马尔科夫链对led灯的工作状态转移概率值进行计算，从而通过融合深度学习网络以及fcbf算法对led状态转移预测模型，进一步优化了led状态转移预测模型的计算量，提高了对led工作状态的预测复杂度，从而优化了led状态转移预测模型的运算速度，能够快速地应对led状态变化的情况，从而对led异常工作状态进行快速识别以及补偿。