CN108133417A - 工程设备贷款风险评估方法及系统 - Google Patents

Abstract

本发明涉及工程设备金融领域，特别是基于智能硬件的贷款风险评估方法及系统。该方法包括：贷款前风险评估，根据工程设备的工作量评定贷款前的风险等级；贷款发放，根据贷款前的所述风险等级确定贷款额度和贷款方式。上述技术方案中，根据所述工程设备的工作量评估贷款的风险，而工程设备的工作量是与所述工程设备的贷款方的收入情况最直接相关的参数。根据工作量评定风险能够更加准确的反馈所述工程设备的贷款风险。

Description

工程设备贷款风险评估方法及系统

技术领域

本发明涉及工程设备金融领域，特别是基于智能硬件的贷款风险评估方法及系统。

背景技术

工程设备广泛用于国防建设工程、交通运输建设，能源工业建设和生产、矿山等原材料工业建设和生产、农林水利建设、工业与民用建筑、城市建设、环境保护等领域，随着国家产业结构调整和增长方式转变以及战略性新兴产业的快速发展、西部大开发、振兴东北、中部崛起和建设新疆等国家战略的进一步落实，需要大量的工程设备去完成建设任务。

目前在工程设备领域的金融贷款业务很火爆，出现很多购买工程设备的够买贷、维修贷款等金融产品。例如，申请公布号CN102306367A，申请公布日2012年1月4日的发明专利申请，公开了一种用于工程机械的基于物联网的在线风险评估和管控系统。申请公布号CN106157133A，申请公布日2016年11月23日的发明专利申请，公开了一种车辆金融风险控制系统以及方法。但是这些贷款的风控还是基于机主的征信与收入，或者工程设备作为固定资产本身新修程度或者维护情况，风控效率低，风险大。

发明内容

本发明为了解决上述技术问题，提出了一种工程设备贷款风险评估方法，其特征在于，包括：

贷款前风险评估，根据工程设备的工作量评定贷款前的风险等级；

贷款发放，根据贷款前的所述风险等级确定贷款额度和贷款方式。

上述技术方案中，根据所述工程设备的工作量评估贷款的风险，而工程设备的工作量是与所述工程设备的贷款方的收入情况最直接相关的参数。根据工作量评定风险能够更加准确的反馈所述工程设备的贷款风险。

作为优选，还包括：贷款风险监测，根据工程设备的工作量评定当前的风险等级，当所述工程设备当前的风险等级高于所述工程设备贷款前的风险等级时进行风险预警。能够在发放贷款以后的贷款期间，准确的监控所述工程设备的贷款风险。

作为优选，所述风险等级的评定包括：

步骤S1，计算所述工作量系数M；

步骤S2，根据所述工作量系数M计算风险系数，所述风险系数=100*（1-M）；

步骤S3，根据所述风险系数确定风险等级。

作为优选，所述步骤S1包括：

步骤S1-1，获取所述工程设备的油箱液位数据和工作时间数据；

步骤S1-2，基于所述工作时间数据计算所述工程设备的平均月开工率P，并且/或者基于所述工作时间数据计算所述工程设备的平均月工作时间率Q，并且/或者基于所述油箱液位数据计算所述工程设备的平均月加油频率N；

步骤S1-3，根据所述工程设备的平均月开工率P、平均月工作时间率Q、平均月加油频率N中的一项或者多项计算所述工作量系数M；

所述平均月开工率P，为统计期间内的月开工率的平均值；

所述平均月工作时间率Q，为统计期间内的月工作小时率的平均值；

所述平均月加油频率N，为统计期间内的月加油频率的平均值。

作为优选，获取所述工作时间数据的方法包括：

根据工程设备工作时的振动数据计算所述工程设备的工作时间数据。

作为优选，所述步骤S1包括：

步骤S1-1，获取所述工程设备的工作时间数据和满操作次数；

步骤S1-2，基于所述工作时间数据和所述满操作次数计算所述工程设备的平均月工作时间率Q和平均月满操作量率O；

步骤S1-3，根据所述工程设备的平均月工作时间率Q和平均月满操作量率O计算所述工作量系数M；

所述平均月工作时间率Q，为统计期间内的累积工作小时率的平均值；

所述平均月满操作量率O，为统计期间内的累积操作量率的平均值。

作为优选，获取所述工作时间数据的方法包括：

步骤SA-1，以时间间隔t1检测在所述工程设备上拍摄的图像，当所述图像中的物体位置改变时认为所述工程设备开启工作，进入步骤SA-2；

步骤SA-2，以时间间隔t2检测在所述工程设备上拍摄的图像，当所述图像中的物体位置停止改变时认为所述工程设备停止工作，进入步骤SA-3；

步骤SA-3，计算所述工作设备停止工作和开启工作之间的时间间隔作为所述工作时间。

作为优选，获取所述工程设备的满操作次数的方法包括：

分析在所述工程设备上拍摄的图像，使用深度学习模型卷积神经网络判断所述工程设备是否进行满操作，并且记录所述工程设备完成的满操作次数。

本发明还提供一种工程设备贷款风险评估系统，其特征在于，包括：

风险评定服务器，包括存储模块和处理模块；其中，所述存储模块存储有计算机程序，所述程序被所述处理模块执行时能够实现上述任一项所述的风险评估方法；

风险评定参数检测硬件，安装在所述工程设备上，用于检测计算所述工作量所需的参数数据并发送至所述风险评定服务器。

上述技术方案中，所述风险评定参数检测硬件安装在所述工程设备上，实时检测用于评估所述工程设备的贷款风险等级所需的参数并发送至所述风险评定服务器；所述风险评定服务器根据所述工程设备的工作量评估贷款的风险，而工程设备的工作量是与所述工程设备的贷款方的收入情况最直接相关的参数。根据工作量评定风险能够更加准确的反馈所述工程设备的贷款风险。

作为优选，所述风险评定参数检测硬件包括用于检测所述工程设备位置信息的定位装置；所述数据传输装置将所述位置信息发送至所述风险评定服务器。

附图说明

图1本发明实施例三的工程设备贷款风险评定参数检测系统示意图。

图2本发明实施例四的工程设备贷款风险评定参数检测系统示意图。

具体实施方式

以下具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

实施例一

一种工程设备贷款风险评估方法，包括：

一．贷款前风险评估

贷款前风险评估是通过安装在工程设备上的风险评定参数检测硬件上传到风险评定服务器后所得的数据进行风险评定算法计算得到的。本实施例中，通过风险评定参数检测硬件获得的数据进行风险评定算法的方式为：

步骤S1，计算所述工作量系数M。具体包括步骤：

步骤S1-1，获取所述工程设备的油箱液位数据和工作时间数据。风险评定参数检测硬件采集得到的数据包括工程设备的工作时间数据和油箱液位数据。获取工程设备半年以来的工作时间数据和油箱液位数据。本实施例中，根据工程设备工作时的振动数据计算所述工程设备的工作时间数据。

步骤S1-2，基于所述工作时间数据计算所述工程设备的平均月开工率P、基于所述工作时间数据计算所述工程设备的平均月工作时间率Q、基于所述油箱液位数据计算所述工程设备的平均月加油频率N。

平均月开工率P，为统计期间内（例如半年内）的月开工率的平均值。每个月的月开工率为该月中一天工作时间超过1小时的天数占该月总天数之比。

平均月工作时间率Q，为统计期间内（例如半年内）的月累积工作小时率的平均值。每个月的月累积工作小时率为该月每天的工作时间累加所得月累积工作小时/360所得，如果计算结果大于1，那么取1。

平均月加油频率N，为统计期间内（例如半年内）的月加油频率的平均值。每个月的月加油频率为该月加满油次数/30所得，该项有个补偿系数，补偿不同年代不同机型的工程设备的不同油耗。比如系数为k，k取值0-1范围。新机型的k取值为1，年代久的机型k取值0.8。加满油的判断以测得油位数据所得，比如判断出油位变化从20%-100%为加满油，但是90%-100%这种变化不认为是加满油。

步骤S1-3，根据所述工程设备的平均月开工率P、平均月工作时间率Q、平均月加油频率N中的一项或者多项计算所述工作量系数M。具体的：

工作量系数M= x*P+y*Q+z*N，其中x、y、z为平均月开工率P、平均月工作时间率Q、平均月加油频率N的权重系数，x+y+z=1。一般情况下x=y=z=1/3，特殊情况下比如工程设备工作的环境特殊需要调整x、y、z的权重系数。

步骤S2，根据所述工作量系数M计算风险系数，风险系数=100*（1-M）。风险系数越高，表示贷款风险越大。

步骤S3，根据所述风险系数确定风险等级。

根据风险系数划分为几个等级。具体在本实施例中，根据风险系数值分为5个等级：

0-20为第一等级，风险很低，处于这个等级的贷款风险极低；

风险系数值21-40为第二等级，风险较低；

风险系数值41-60为第三等级，风险一般；

风险系数值61-80为第四等级，风险有点大；

风险系数值81-100为第五等级，风险很大。

二．贷款发放

根据贷款前的所述风险等级确定贷款额度和贷款方式。例如，贷款前的风险等级越高，贷款额度越小、贷款方式越谨慎；贷款前的风险等级越低，贷款额度越大、贷款方式可以更加灵活。

三．贷款期间贷款风险监测

根据工程设备的工作量评定当前的风险等级，当工程设备当前的风险等级高于工程设备贷款前的风险等级时进行风险预警。具体包括：

步骤S1，计算工程设备当前的工作量系数M。具体包括步骤：

步骤S1-1，获取所述工程设备的油箱液位数据和工作时间数据。风险评定参数检测硬件采集得到的数据包括工程设备的工作时间数据和油箱液位数据。基于当前时间，获取工程设备3个月以来的工作时间数据和油箱液位数据。当前的风险等级的数据考察期间小于贷款前的风险等级数据考察期间，只考察最近一段期间内工程设备的贷款风险，能够及时发现工程设备贷款的风险缺陷。本实施例中，根据工程设备工作时的振动数据计算所述工程设备的工作时间数据。

步骤S1-2，基于所述工作时间数据计算所述工程设备的平均月开工率P、基于所述工作时间数据计算所述工程设备的平均月工作时间率Q、基于所述油箱液位数据计算所述工程设备的平均月加油频率N。

平均月开工率P，为统计期间内（例如3个月内）的月开工率的平均值。每个月的月开工率为该月中一天工作时间超过1小时的天数占该月总天数之比。

平均月工作时间率Q，为统计期间内（例如3个月内）的月累积工作小时率的平均值。每个月的月累积工作小时率为该月每天的工作时间累加所得月累积工作小时/360所得，如果计算结果大于1，那么取1。

平均月加油频率N，为统计期间内（例如3个月内）的月加油频率的平均值。每个月的月加油频率为该月加满油次数/30所得，该项有个补偿系数，补偿不同年代不同机型的工程设备的不同油耗。比如系数为k，k取值0-1范围。新机型的k取值为1，年代久的机型k取值0.8。

步骤S1-3，根据所述工程设备的平均月开工率P、平均月工作时间率Q、平均月加油频率N中的一项或者多项计算所述工作量系数M。具体的：

工作量系数M= x*P+y*Q+z*N，其中x、y、z为平均月开工率P、平均月工作时间率Q、平均月加油频率N的权重系数，x+y+z=1。一般情况下x=y=z=1/3，特殊情况下比如工程设备工作的环境特殊需要调整x、y、z的权重系数。

步骤S2，根据所述工作量系数M计算风险系数，风险系数=100*（1-M）。风险系数越高，表示贷款风险越大。

步骤S3，根据所述风险系数确定风险等级。

根据风险系数划分为几个等级。具体在本实施例中，根据风险系数值分为5个等级：

0-20为第一等级，风险很低，处于这个等级的贷款风险极低；

风险系数值21-40为第二等级，风险较低；

风险系数值41-60为第三等级，风险一般；

风险系数值61-80为第四等级，风险有点大；

风险系数值81-100为第五等级，风险很大。

步骤S4，比较当前的风险等级和贷款前的风险等级。当所述工程设备当前的风险等级高于所述工程设备贷款前的风险等级时进行风险预警。风险预警的方式警告贷款方，该工程设备的抵押方可能会出现还款风险。另外，风险评定参数检测硬件还可以实时监测并上传工程设备的位置，使得贷款方能够获取工程设备的位置信息。或者当需要进行风险预警时，主动监控工程设备的位置或者提醒贷款方监控工程设备的位置。

实施例二

一种工程设备贷款风险评估方法，包括：

一．贷款前风险评估

贷款前风险评估是通过安装在工程设备上的风险评定参数检测硬件上传到风险评定服务器后所得的数据进行风险评定算法计算得到的。本实施例中，通过风险评定参数检测硬件获得的数据进行风险评定算法的方式为：

步骤S1，计算所述工作量系数M。具体包括步骤：

步骤S1-1，获取所述工程设备的满操作次数和工作时间数据。风险评定参数检测硬件在工程设备上拍摄图像。工程设备的满操作次数和工作时间数据均是基于风险评定参数检测硬件拍摄的图像分析获得的。对风险评定参数检测硬件拍摄的图像数据的分析可以通过风险评定参数检测硬件在本地进行，可以通过风险评定参数检测硬件上传至风险评定服务器以后由风险评定服务器进行。获取工程设备半年以来的工作时间数据和满操作次数。本实施例中，风险评定参数检测硬件检测图像中各物体位置的改变，如果改变认为设备开启工作中，以一定时间间隔检测并计时，这样得到工程设备工作时间。对某些工程设备，比如挖机，图像中有挖斗，使用深度学习模型卷积神经网络CNN对其判断挖斗是否装满，挖斗每次是否装满都判断记录，然后统计工作时间和满操作次数。

步骤S1-2，基于所述工作时间数据和所述满操作次数计算所述工程设备的平均月工作时间率Q和平均月满操作量率O。

平均月工作时间率Q，为统计期间内（例如半年内）的月累积工作小时率的平均值。每个月的月累积工作小时率为该月每天的工作时间累加所得月累积工作小时/360所得，如果计算结果大于1，那么取1。

平均月满操作量率O，为统计期间内（例如半年内）的累积操作量率的平均值。不同的工程设备的施工目的不同，累计操作量所指代的对量也不同。本实施例中，以挖机为例进行描述。根据不同型号的挖掘机，铲斗容量是固定的，比如为a 立方，得到满载挖斗次数n后，可以计算每天的挖掘量为a*n，然后把当月的挖掘量累加起来，该月累积挖掘量/50000为该月累积操作量率，平均月满操作率O为每个月累积操作量率的平均值。

步骤S1-3，根据所述工程设备的平均月工作时间率Q和平均月满操作量率O计算所述工作量系数M。具体的：

工作量M=k*Q+g*O，其中k、g为平均月工作时间率Q、平均月满操作量率O的权重系数，k+g=1，一般情况下k=3/4，g=1/4。特殊情况下，比如工程设备工作的环境特殊或者工地计算方式的差别需要调整k、g的权重系数。

步骤S2，根据所述工作量系数M计算风险系数，风险系数=100*（1-M）。风险系数越高，表示贷款风险越大。

步骤S3，根据所述风险系数确定风险等级。

根据风险系数划分为几个等级。具体在本实施例中，根据风险系数值分为5个等级：

0-20为第一等级，风险很低，处于这个等级的贷款风险极低；

风险系数值21-40为第二等级，风险较低；

风险系数值41-60为第三等级，风险一般；

风险系数值61-80为第四等级，风险有点大；

风险系数值81-100为第五等级，风险很大。

二．贷款发放

根据贷款前的所述风险等级确定贷款额度和贷款方式。例如，贷款前的风险等级越高，贷款额度越小、贷款方式越谨慎；贷款前的风险等级越低，贷款额度越大、贷款方式可以更加灵活。

三．贷款期间贷款风险监测

根据工程设备的工作量评定当前的风险等级，当工程设备当前的风险等级高于工程设备贷款前的风险等级时进行风险预警。具体包括：

步骤S1，计算所述工作量系数M。具体包括步骤：

步骤S1-1，获取所述工程设备的满操作次数和工作时间数据。风险评定参数检测硬件在工程设备上拍摄图像。工程设备的满操作次数和工作时间数据均是基于风险评定参数检测硬件拍摄的图像分析获得的。对风险评定参数检测硬件拍摄的图像数据的分析可以通过风险评定参数检测硬件在本地进行，可以通过风险评定参数检测硬件上传至风险评定服务器以后由风险评定服务器进行。基于当前时间，获取工程设备3个月以来的工作时间数据和满操作次数。本实施例中，风险评定参数检测硬件检测图像中各物体位置的改变，如果改变认为设备开启工作中，以一定时间间隔检测并计时，这样得到工程设备工作时间。对某些工程设备，比如挖机，图像中有挖斗，使用深度学习模型卷积神经网络CNN对其判断挖斗是否装满，挖斗每次是否装满都判断记录，然后统计工作时间和满操作次数。

步骤S1-2，基于所述工作时间数据和所述满操作次数计算所述工程设备的平均月工作时间率Q和平均月满操作量率O。

平均月工作时间率Q，为统计期间内（例如3个月内）的月累积工作小时率的平均值。每个月的月累积工作小时率为该月每天的工作时间累加所得月累积工作小时/360所得，如果计算结果大于1，那么取1。

平均月满操作量率O，为统计期间内（例如半年内）的累积操作量率的平均值。不同的工程设备的施工目的不同，累计操作量所指代的对量也不同。本实施例中，以挖机为例进行描述。根据不同型号的挖掘机，铲斗容量是固定的，比如为a 立方，得到满载挖斗次数n后，可以计算每天的挖掘量为a*n，然后把当月的挖掘量累加起来，该月累积挖掘量/50000为该月累积操作量率，平均月满操作率O为每个月累积操作量率的平均值。

步骤S1-3，根据所述工程设备的平均月工作时间率Q和平均月满操作量率O计算所述工作量系数M。具体的：

工作量M=k*Q+g*O，其中k、g为平均月工作时间率Q、平均月满操作量率O的权重系数，k+g=1，一般情况下k=3/4，g=1/4。特殊情况下，比如工程设备工作的环境特殊或者工地计算方式的差别需要调整k、g的权重系数。

步骤S2，根据所述工作量系数M计算风险系数，风险系数=100*（1-M）。风险系数越高，表示贷款风险越大。

步骤S3，根据所述风险系数确定风险等级。

根据风险系数划分为几个等级。具体在本实施例中，根据风险系数值分为5个等级：

0-20为第一等级，风险很低，处于这个等级的贷款风险极低；

风险系数值21-40为第二等级，风险较低；

风险系数值41-60为第三等级，风险一般；

风险系数值61-80为第四等级，风险有点大；

风险系数值81-100为第五等级，风险很大。

步骤S4，比较当前的风险等级和贷款前的风险等级。当所述工程设备当前的风险等级高于所述工程设备贷款前的风险等级时进行风险预警。风险预警的方式警告贷款方，该工程设备的抵押方可能会出现还款风险。另外，风险评定参数检测硬件还可以实时监测并上传工程设备的位置，使得贷款方能够获取工程设备的位置信息。或者当需要进行风险预警时，主动监控工程设备的位置或者提醒贷款方监控工程设备的位置。

实施例三

一种工程设备贷款风险评估系统，包括：

风险评定服务器，包括存储模块和处理模块；其中，所述存储模块存储有计算机程序，所述程序被所述处理模块执行时能够实现实施例一中所述的风险评估方法。

风险评定参数检测硬件，安装在工程设备上，用于检测计算所述工作量所需的参数数据并发送至所述风险评定服务器。

具体的，本实施例中的风险评定参数检测硬件为安装在工程设备上的工程设备贷款风险评定参数检测系统。如图1所示，该系统包括：

液位检测装置，与工程设备的油箱液位传感器电连接，检测工程设备的油箱液位；

加速度检测装置，固定在工程设备上，检测工程设备的振动；

定位装置，用于检测工程设备的位置。

数据传输终端（DTU），包括WIFI通信模块、2g/3g/4g模块。数据传输终端通过WIFI方式与液位检测装置无线通信，通过2g/3g/4g模块与风险评定服务器无线通信。数据传输终端采集液位检测装置、加速度检测装置以及定位装置的数据，在DTU上进行处理以后按照一定时间间隔通过2g/3g/4g模块传输到风险评定服务器。DTU安装于工程设备的刚性结构上，例如驾驶室门柱、机舱的结构钢梁、底盘的结构件等等。具体在本实施例中，DTU通过3M胶片粘于驾驶室门柱或者窗玻璃上。DTU 电连接至工程设备的蓄电池的供电接口，从蓄电池获电工作。例如，DTU电连接车载电器的点烟器接口、设备的保险丝盒，或者DTU与其它机载电器的电源线并联。

其中，加速度检测装置和定位装置可以分别为独立于DTU的装置设置在工程设备上，通过有线或者无线的方式与DTU进行通信实现数据传输；也可以为集成在DTU中的一个单独的模块。本实施例中的DTU内集成有加速度传感器（即加速度检测装置），DTU安装于驾驶室门柱或者窗玻璃后，工程设备工作时的振动数据通过门柱或者窗玻璃传递到DTU，被DTU内部的加速度传感器捕捉到后用于计算工程设备的工作时间。DTU内部还集成有GPS模块（即定位装置），可以实时获取工程设备的位置。

风险评定服务器接收每各工程设备的DTU发送上来的数据，并存储在风险评定服务器上。风险评定服务器根据传输上来的工作时间数据、油箱液位数据、位置数据进行实施例一中的工程设备贷款风险评估。

实施例四

一种工程设备贷款风险评估系统，包括：

风险评定服务器，包括存储模块和处理模块；其中，所述存储模块存储有计算机程序，所述程序被所述处理模块执行时能够实现实施例二中所述的风险评估方法。

风险评定参数检测硬件，安装在工程设备上，用于检测计算所述工作量所需的参数数据并发送至所述风险评定服务器。

具体的，本实施例中的风险评定参数检测硬件为安装在工程设备上的工程设备贷款风险评定参数检测系统。如图2所示，该系统包括：

摄像装置，朝向工程设备的操作位置固定在所述工程设备上，记录所述工程设备的工作图像。具体在本实施中，将摄像装置固定在工程设备（如挖机）的前档位置。

定位装置，用于检测工程设备的位置；

数据传输终端（DTU），包括2g/3g/4g模块。数据传输终端通过有线或者无线的方式与摄像装置通信，通过2g/3g/4g模块与风险评定服务器无线通信。

DTU把摄像装置拍摄到的视频或者照片等图像数据传输到风险评定服务器。还有一种方式是采用集成有图像分析模块的摄像装置在本地对拍摄到的视频或者照片等图像数据进行分析，把分析结果通过无线或者有线的方式传输到DTU。DTU按照一定的时间间隔将摄像装置和定位装置的数据通过2g/3g/4g模传输到远程的风险评定服务器。

DTU安装于工程设备的刚性结构上，例如驾驶室门柱、机舱的结构钢梁、底盘的结构件等等。具体在本实施例中，DTU通过3M胶片粘于驾驶室门柱或者窗玻璃上。DTU 电连接至工程设备的蓄电池的供电接口，从蓄电池获电工作。例如，DTU电连接车载电器的点烟器接口、设备的保险丝盒，或者DTU与其它机载电器的电源线并联。

另外，定位装置可以为独立于DTU的装置设置在工程设备上，通过有线或者无线的方式与DTU进行通信实现数据传输；也可以为集成在DTU中的一个单独的模块。本实施例中的DTU内集成有GPS模块（即定位装置），可以实时获取工程设备的位置。

风险评定服务器接收每各工程设备的DTU发送上来的数据，并存储在风险评定服务器上。风险评定服务器根据传输上来的工作时间数据、油箱液位数据、位置数据进行实施例一中的工程设备贷款风险评估。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种工程设备贷款风险评估方法，其特征在于，包括：

贷款前风险评估，根据工程设备的工作量评定贷款前的风险等级；

贷款发放，根据贷款前的所述风险等级确定贷款额度和贷款方式。

2.根据权利要求1所述的一种工程设备贷款风险评估方法，其特征在于，还包括：

贷款风险监测，根据工程设备的工作量评定当前的风险等级，当所述工程设备当前的风险等级高于所述工程设备贷款前的风险等级时进行风险预警。

3.根据权利要求1所述的一种工程设备贷款风险评估方法，其特征在于，所述风险等级的评定包括：

步骤S1，计算所述工作量系数M；

步骤S2，根据所述工作量系数M计算风险系数，所述风险系数=100*（1-M）；

步骤S3，根据所述风险系数确定风险等级。

4.根据权利要求3所述的一种工程设备贷款风险评估方法，其特征在于：所述步骤S1包括：

步骤S1-1，获取所述工程设备的油箱液位数据和工作时间数据；

步骤S1-2，基于所述工作时间数据计算所述工程设备的平均月开工率P，并且/或者基于所述工作时间数据计算所述工程设备的平均月工作时间率Q，并且/或者基于所述油箱液位数据计算所述工程设备的平均月加油频率N；

步骤S1-3，根据所述工程设备的平均月开工率P、平均月工作时间率Q、平均月加油频率N中的一项或者多项计算所述工作量系数M；

所述平均月开工率P，为统计期间内的月开工率的平均值；

所述平均月工作时间率Q，为统计期间内的月工作小时率的平均值；

所述平均月加油频率N，为统计期间内的月加油频率的平均值。

5.根据权利要求4所述的一种工程设备贷款风险评估方法，其特征在于，获取所述工作时间数据的方法包括：

根据工程设备工作时的振动数据计算所述工程设备的工作时间数据。

6.根据权利要求3所述的一种工程设备贷款风险评估方法，其特征在于，所述步骤S1包括：

步骤S1-1，获取所述工程设备的工作时间数据和满操作次数；

步骤S1-2，基于所述工作时间数据和所述满操作次数计算所述工程设备的平均月工作时间率Q和平均月满操作量率O；

步骤S1-3，根据所述工程设备的平均月工作时间率Q和平均月满操作量率O计算所述工作量系数M；

所述平均月工作时间率Q，为统计期间内的累积工作小时率的平均值；

所述平均月满操作量率O，为统计期间内的累积操作量率的平均值。

7.根据权利要求6所述的一种工程设备贷款风险评估方法，其特征在于，获取所述工作时间数据的方法包括：

步骤SA-1，以时间间隔t1检测在所述工程设备上拍摄的图像，当所述图像中的物体位置改变时认为所述工程设备开启工作，进入步骤SA-2；

步骤SA-2，以时间间隔t2检测在所述工程设备上拍摄的图像，当所述图像中的物体位置停止改变时认为所述工程设备停止工作，进入步骤SA-3；

步骤SA-3，计算所述工作设备停止工作和开启工作之间的时间间隔作为所述工作时间。

8.根据权利要求6所述的一种工程设备贷款风险评估方法，其特征在于，获取所述工程设备的满操作次数的方法包括：

分析在所述工程设备上拍摄的图像，使用深度学习模型卷积神经网络判断所述工程设备是否进行满操作，并且记录所述工程设备完成的满操作次数。

9.一种工程设备贷款风险评估系统，其特征在于，包括：

风险评定服务器，包括存储模块和处理模块；其中，所述存储模块存储有计算机程序，所述程序被所述处理模块执行时能够实现权利要求1-8中任一项所述的风险评估方法；

风险评定参数检测硬件，安装在所述工程设备上，用于检测计算所述工作量所需的参数数据并发送至所述风险评定服务器。

10.根据权利要求9所述的一种工程设备贷款风险评估系统，其特征在于：

所述风险评定参数检测硬件包括用于检测所述工程设备位置信息的定位装置；

所述数据传输装置将所述位置信息发送至所述风险评定服务器。