CN113341825A - 设备运维智能监测方法及系统 - Google Patents

Abstract

本发明公开了一种设备运维智能监测方法及系统，其中方法包括：实时采集运维人员操作设备的监控数据和设备对操作行为的反馈数据；从运维人员的运维动作序列中提取出人体骨骼点位置变化特征，并从设备反馈数据中提取出设备反馈特征；将人体骨骼点位置变化特征和设备反馈特征融合成混合特征；将混合特征输入到预先训练形成的运维动作分类模型中，模型输出对运维人员的设备运维动作的分类结果；将模型输出的分类结果与关联设备的标准运维动作进行一致性匹配，并根据匹配率判定运维动作是否合规。本发明实现了对设备运维的无人化、自动化监测，能够有效防止运维人员运维造假，且可避免人为监管方式容易出现的监管错漏。

Description

设备运维智能监测方法及系统

技术领域

本发明涉及设备管理技术领域，具体涉及一种设备运维智能监测方法及系统。

背景技术

设备的管理和维护质量的好坏直接关系到设备能否长期保持良好地工作精度和性能。目前，对于设备运维管理的监管多采用远程视频监控方式，即在设备运维现场安装摄像头，后台管理人员通过远程端监控软件对设备运维现场进行人为监管。但这种传统的人为监管方式效率低下，当设备运维场景较多时，人为监管方式难以顾及到每一个设备运维现场，容易出现监管错漏。为了解决这个问题，企业通常的做法是，增加后台监管人员，但增加人员无疑会额外增加企业的运行成本，造成人力资源浪费。

另外，通常情况下，设备的运维检测具有一套严格的运维规范，运维人员若不按照运维规范维护设备可能会影响设备性能，严重情况下可能会损坏设备。但人为监管方式对于判断运维人员的运维动作是否合规高度依赖后台监管人员自身的运维经验，存在较大的主观性，而且通过肉眼观看运维现场视频判断运维人员的运维操作是否规范相当费时费力，在需要同时对多个运维场景进行监管时，这种肉眼判断方式显然难以适用。正因为传统的人为监管方式难以对设备运维是否合规作出准确、客观、全面的判断，导致造假运维事件频发，严重情况下，甚至会影响设备运行安全。

发明内容

本发明以规范运维人员的设备运维动作、防止运维造假、减少人为监管错漏，提升设备运维监测的智能化水平为目的，提供了一种设备运维智能监测方法及系统。

为达此目的，本发明采用以下技术方案：

提供一种设备运维智能监测方法，步骤包括：

1)实时采集运维人员操作设备的监控数据和所述设备对所述运维人员的操作行为的反馈数据；

2)从所述运维人员的运维动作序列中提取出人体骨骼点位置变化特征，并从设备反馈数据中提取出设备反馈特征，并获取所述运维人员的身份特征及设备操作权限特征；

3)将所述人体骨骼点位置变化特征、所述设备反馈特征、所述运维人员的所述身份特征和所述设备操作权限特征融合成混合特征；

4)将所述混合特征输入到预先训练形成的运维动作分类模型中，所述模型输出对所述运维人员的设备运维动作的分类结果；

5)将所述模型输出的所述分类结果与关联所述设备的标准运维动作进行一致性匹配，并判断匹配率是否大于预设的匹配率阈值，

若是，则判定所述运维人员的设备运维动作合规；

若否，则判定所述运维人员的设备运维动作不合规。

作为本发明的一种优选方案，所述设备反馈数据包括所述运维人员操作所述设备时的设备响应数据、设备所处位置信息数据、设备运行状态数据以及设备基础信息数据中的任意一种或多种。

作为本发明的一种优选方案，若所述设备反馈数据为所述设备响应数据，则所述步骤5)中，判断所述运维人员的设备运维动作是否合规的方法为：

若所述运维人员在执行所述设备运维动作后的预设间隔时间内，所述设备未产生所执行的所述设备运维动作对应的所述设备响应数据，则判定所述运维人员所执行的所述设备运维动作不合规。

作为本发明的一种优选方案，若所述设备反馈数据为所述设备所处位置信息数据，则所述步骤5)中，判断所述运维人员的设备运维动作是否合规的方法为：

若为所述运维人员指定的设备运维地点与当前运维的设备所处位置不相匹配，则判定所述运维人员的所有设备运维动作不合规。

作为本发明的一种优选方案，若所述设备反馈数据为所述设备运行状态数据，则所述步骤5)中，判断所述运维人员的设备运维动作是否合规的方法为：

若所述运维人员执行所述设备运维动作后的一持续时间内，所述设备的运行状态由正常转变为异常，则判定所述运维人员所执行的所述设备运维动作不合规。

作为本发明的一种优选方案，若所述设备反馈数据为设备型号，所述步骤5)中，判断所述运维人员的设备运维动作是否合规的方法为：

若对所述运维人员指定维护的设备型号与当前运维的设备型号不相匹配时，则判定所述运维人员的所有设备运维动作不合规。

作为本发明的一种优选方案，训练所述运维动作分类模型的方法包括：

步骤S1，实时采集所述运维人员标准操作所述设备的监控数据和所述设备对所述运维人员的标准操作行为的反馈数据；

步骤S2，从标准的所述设备运维动作序列中提取出人体骨骼点位置变化特征，并从设备反馈数据中提取出设备反馈特征，并获取具有设备操作权限的所述运维人员的身份特征和设备操作权限特征；

步骤S3，将所述人体骨骼点位置变化特征、所述设备反馈特征、所述运维人员的身份特征和设备操作权限特征融合为标准混合特征；

步骤S4，以所述标准混合特征和所述标准混合特征对应的设备标准运维动作为训练样本输入到深度神经网络中进行模型训练，形成所述运维动作分类模型。

作为本发明的一种优选方案，所述步骤5)中，通过DTW动态时间规整方法对模型输出的所述分类结果与所述运维动作序列进行一致性匹配。

作为本发明的一种优选方案，在执行所述步骤2)之前，首先通过图像识别方法对所述运维人员的设备运维动作是否合规进行判断，判断方法具体包括：

步骤L1，从当前帧图像中识别出所述运维人员的人脸特征，并将识别的所述人脸特征与运维人员信息库中的人脸进行逐一比对，

若比对成功，则转入步骤L2；

若比对失败，则终止后续的运维动作合规判断流程；

步骤L2，从当前帧图像中识别出所述运维人员和所述设备的所处位置，并计算所述运维人员与所述设备的距离；

步骤L3，判断所述运维人员在所述当前帧图像中相距所述设备的距离是否小于一预设距离阈值，

若是，则转入步骤L4；

若否，则判定所述运维人员当前并不处于设备运维过程中，并终止后续的运维动作合规判断流程；

步骤L4，判断所述设备在所述当前帧图像中的设备门是否打开，

若是，则转入所述步骤2)；

若否，则判定所述运维人员当前并不处于设备运维过程中，并终止后续的运维动作合规判断流程。

本发明还提供了一种设备运维智能监测系统，可实现所述的设备运维智能检测方法，所述系统包括：

数据采集模块，用于实时采集运维人员操作设备的监控数据和所述设备对所述运维人员的操作行为的反馈数据；

特征提取模块，连接所述数据采集模块，用于从实时采集的所述运维人员的运维动作序列中提取出人体骨骼点位置变化特征，并从设备反馈数据中提取出设备反馈特征，并获取所述运维人员的身份特征及设备操作权限特征；

特征融合模块，连接所述特征提取模块，用于将所述人体骨骼点位置变化特征、所述设备反馈特征、所述运维人员的所述身份特征和所述设备操作权限特征融合成混合特征；

设备运维动作分类模块，连接所述特征融合模块，用于将所述混合特征输入到预先训练形成的运维动作分类模型中，通过所述模型输出对所述运维人员的设备运维动作的分类结果；

运维动作匹配模块，连接所述设备运维动作分类模块，用于将所述模型输出的所述分类结果与关联所述设备的标准运维动作进行一致性匹配；

运维动作是否合规判断模块，连接所述运维动作匹配模块，用于判断所述分类结果与所述标准运维动作的匹配率是否大于预设的匹配率阈值，

若是，则判定所述运维人员的设备运维动作合规；

若否，则判定所述运维人员的设备运维动作不合规；

所述运维动作是否合规判断模块中具体包括：

第一合规判断单元，用于在所述运维人员执行的所述设备运维动作无法与对应的设备响应数据相匹配时，判定所述运维人员所执行的所述设备运维动作不合规；

第二合规判断单元，用于在为所述运维人员指定的设备运维地点无法与实际运维的设备所处位置信息数据相匹配时，判定所述运维人员对所述设备的所有运维动作不合规；

第三合规判断单元，用于在所述运维人员执行所述设备运维动作后的一持续时间内，所述设备的运行状态由正常转变为异常，则判定所述运维人员所执行的所述设备运维动作不合规；

第四合规判断单元，用于在为所述运维人员指定维护的设备型号与当前运维的设备型号不相匹配时，判定所述运维人员的所有设备运维动作不合规。

本发明通过预先训练形成的运维动作分类模型以融合的混合特征为模型输出，输出对运维人员的设备运维动作的分类结果，并根据分类结果与关联设备的标准运维动作的匹配度，判定运维人员的运维动作是否合规，实现了对设备运维的无人化、自动化监测，可避免人为监管方式容易出现的监管错漏。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述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他的附图。

图1是本发明一实施例提供的设备运维智能监测方法的实现步骤图；

图2是本发明训练运维动作分类模型的方法步骤图；

图3是形成混合特征前判断运维人员的设备运维动作是否合规的方法步骤图；

图4是本发明一实施例提供的设备运维智能监测系统的结构示意图；

图5是设备运维智能监测系统中的运维动作是否合规判断模块的内部结构示意图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

如图1所示，本发明实施例提供的设备运维智能监测方法，包括如下步骤：

步骤1)，实时采集运维人员操作设备的监控数据和设备对运维人员的操作行为的反馈数据；本实施例中，设备反馈数据包括但不限于运维人员操作设备时的设备响应数据(比如，当运维人员按下设备启动按键后，设备将自动生成启动数据作为对运维动作“按下启动按键”的设备响应数据)、设备所处位置信息数据(比如设备A当前处于水站房1中)、设备运行状态数据(比如设备当前运行正常或异常)和设备基础信息数据(比如设备名称、设备型号等)；

步骤2)从运维人员的运维动作序列(从视频帧图像中识别出运维动作的现有方法有许多，比如可通过预先训练的神经网络模型对运维动作进行识别)中提取出人体骨骼点位置变化特征，并从设备反馈数据中提取出设备反馈特征，并获取运维人员的身份特征及设备操作权限特征；

举例而言，对设备1的维护流程为，开机-打开泄水阀-泄水1小时后关闭泄水阀-关机。为了完成这一套设备维护流程，运维人员的标准运维动作为：首先将手指放到开机按钮处并按下按钮，然后将手指移到泄水阀位置处打开泄水阀，泄水1小时后将手指再次移到泄水阀位置处关闭泄水阀，最后将手指移到关机按钮处并按下按钮。所以这里的人体骨骼点位置变化特征可以理解为从一个设备运维动作位置变化为另一个设备运维动作位置的变化特征，比如进行开机操作的手指骨骼点的所处位置为开机按钮处，打开泄水阀时的手指骨骼点在泄水阀所处位置处，那么从开机到打开泄水阀的人体骨骼点位置变化特征可由手指骨骼点的位置变化特征(手指骨骼点从开机按钮处变化到泄水阀按钮处)来表征。

设备反馈特征为设备反馈数据的数据特征，比如运维人员按下开机按钮后，设备会生成开机数据，这个开机数据即为对运维人员的开机动作的反馈。这个开机数据可用向量、矩阵等特征形式表示，即为该开机数据的设备反馈特征。

运维人员的身份特征主要为运维人员的人脸特征，本发明通过将识别到的运维人员的人脸与人脸库中的人脸进行逐一比对，以判定当前操作设备的人员是否为具有运维资质的运维人员。

设备操作权限指的是当前操作设备的运维人员是否具有操作该设备的权限。设备操作权限特征是将运维人员是否具有设备操作权限以特征形式表示。

步骤3)将人体骨骼点位置变化特征、设备反馈特征、运维人员的身份特征和设备操作权限特征融合成混合特征；现有的特征融合方法有许多，所以关于本发明采用的特征融合的具体方法在此不做阐述，比如人体骨骼点位置变化特征表示为A，设备反馈特征表示B，运维人员的身份特征表示为1(表示该运维人员确实为具有运维资质的人员)，设备操作权限特征表示为1(表示该运维人员具有维护当前设备的权限)，则混合特征可以表示为AB11；

步骤4)将混合特征输入到预先训练形成的运维动作分类模型中，模型输出对运维人员的设备运维动作的分类结果；

举例而言，对设备1的维护流程为，开机-打开泄水阀-泄水1小时后关闭泄水阀-关机。运维人员在12:01′05″执行了开机动作，在12:01′10″执行了泄水阀打开动作，在13:00′05″执行了泄水阀关闭动作，在13:00′10″执行了关机动作。假设该运维人员具有对设备1的运维权限，那么运维动作分类模型对该运维人员的运维动作的分类依据不再考虑该运维人员的身份特征和设备操作权限特征，只考虑该运维人员的人体骨骼点位置变化特征和设备反馈特征。由于该运维人员执行开机动作时，设备1作出了“开机”这一正常反馈，则模型将该运维人员在12:01′05″将手指骨骼点放在开机按钮上的开机动作分类为“1”(表示开机动作合规)；由于该运维人员执行泄水阀打开动作时，设备1作出了“泄水阀已打开”的正常反馈，则模型将该运维人员在12:01′10″将手指骨骼点放在泄水阀上的打开泄水阀的动作分类为“1”；但由于规定设备1打开泄水阀后需持续泄水1小时才能关闭泄水阀，但运维人员在13:00′05″就执行了泄水阀关闭动作，此时泄水持续时间还未达到1小时，则模型将该运维人员在13:00′05″将手指骨骼点放在泄水阀上的关闭泄水阀的动作分类为“0”(表示泄水阀关闭动作不合规)；由于设备1对关机动作作出了正常反馈，则模型对该运维人员的关机动作分类为“1”。最终，模型对该运维人员对设备1完成的整套运维动作作出的分类结果为“1101”，但实际上，设备1对应的标准运维动作对应的分类结果应该为“1111”。虽然该运维人员未在泄水持续时间达到1小时后关闭泄水阀，但该运维人员关闭泄水阀的时间距离泄水满1小时仅剩01′05′，通常情况下，类似的设备运维不合规情况是可以被判定为合规的，所以为了避免由于存在类似的不合规运维动作而直接判定全套运维动作不合规的错误判定，本发明实施例提供的设备运维智能监测方法还包括：

步骤5)将模型输出的分类结果与关联设备的标准运维动作进行一致性匹配(本发明优选通过DTW动态时间规整方法对模型输出的分类结果与运维动作序列进行一致性匹配)，并判断匹配率是否大于预设的匹配率阈值，

若是，则判定运维人员的设备运维动作合规；

若否，则判定该运维人员的设备运维动作不合规。

比如，将上述的分类结果“1101”与设备1对应的标准运维动作所对应的分类结果“1111”进行一致性匹配，匹配率为75％，若预设的匹配率阈值为90％，则判定运维人员对设备1的该套运维动作是不合规的。

本实施例中，设备反馈数据包括但不限于运维人员操作设备时的设备响应数据、设备所处位置信息数据、设备运行状态数据以及设备基础信息数据。当设备反馈数据为设备响应数据时，步骤5)中，判断运维人员的设备运维动作是否合规的方法为：

若运维人员在执行设备运维动作后的预设间隔时间内，比如启动设备开机按钮的3s内，设备为产生执行的设备运维动作对应的设备响应数据(开机响应数据)，则判定运维人员所执行的设备运维动作(开机动作)不合规。原因可能为，运维人员作了开机动作但实际未按下开机按钮等。

若设备反馈数据为设备所处位置信息数据，则步骤5)中，判断运维人员的设备运维动作是否合规的方法为：

若为运维人员指定的设备运维地点与当前运维的设备所处位置不相匹配(表明运维人员不具备对当前设备的运维权限)，则判定运维人员的所有设备运维动作均不合规。

若设备反馈数据为设备运行状态数据，则步骤5)中，判断运维人员的设备运维动作是否合规的方法为：

若运维人员执行设备运维动作后的一持续时间内，设备的运行状态由正常转变为异常，则判定运维人员所执行的设备运维动作不合规。

若设备反馈数据为设备型号或设备名称时，步骤5)中，判断运维人员的设备运维动作是否合规的方法为：

若对运维人员指定维护的设备型号或设备名称与当前运维的设备型号或设备名称不相匹配时，则判定运维人员的所有设备运维动作均不合规。

图2示出了运维动作分类模型的训练方法步骤图。如图2所示，本发明实施例训练运维动作分类模型的方法包括：

步骤S1，实时采集运维人员标准操作(维护)设备的监控数据和设备对运维人员的标准操作行为的反馈数据；

步骤S2，从标准的设备运维动作序列中提取出人体骨骼点位置变化特征，并从设备反馈数据中提取出设备反馈特征，并获取具有设备操作权限的运维人员的身份特征和设备操作权限特征；

步骤S3，将人体骨骼点位置变化特征、设备反馈特征、运维人员的身份特征和设备操作权限特征融合为标准混合特征；

步骤S4，以标准混合特征和标准混合特征对应的设备标准运维动作为训练样本输入到深度神经网络中进行模型训练，形成运维动作分类模型。

为了提高运维动作合规判断的效率，优选地，在执行设备运维智能监测方法的步骤2)之前，首先通过首先通过图像识别方法对运维人员的设备运维动作是否合规进行判断，如图3所示，该判断方法具体包括：

步骤L1，从当前帧图像中识别出运维人员的人脸特征，并将识别的人脸特征与运维人员信息库中的人脸进行逐一比对，

若比对成功，则转入步骤L2；

若比对失败，则终止后续的运维动作合规判断流程；

步骤L2，从当前帧图像中识别出运维人员和设备的所处位置，并计算运维人员与设备的距离；

步骤L3，判断运维人员在当前帧图像中相距设备的距离是否小于一预设距离阈值，

若是，则转入步骤L4；

若否，则判定运维人员当前并不处于设备运维过程中，并终止后续的运维动作合规判断流程；

步骤L4，判断设备在当前帧图像中的设备门是否打开，

若是，则转入步骤2)；

若否，则判定运维人员当前并不处于设备运维过程中，并终止后续的运维动作合规判断流程。

本发明还提供了一种设备运维智能监测系统，可实现所述的设备运维智能检测方法，如图4所示，该系统包括：

数据采集模块，用于实时采集运维人员操作设备的监控数据和设备对运维人员的操作行为的反馈数据；

特征提取模块，连接数据采集模块，用于从实时采集的运维人员的运维动作序列中提取出人体骨骼点位置变化特征，并从设备反馈数据中提取出设备反馈特征，并获取运维人员的身份特征及设备操作权限特征；

特征融合模块，连接特征提取模块，用于将人体骨骼点位置变化特征、设备反馈特征、运维人员的所述身份特征和设备操作权限特征融合成混合特征；

设备运维动作分类模块，连接特征融合模块，用于将混合特征输入到预先训练形成的运维动作分类模型中，通过模型输出对运维人员的设备运维动作的分类结果；

运维动作匹配模块，连接设备运维动作分类模块，用于将模型输出的分类结果与关联设备的标准运维动作进行一致性匹配；

运维动作是否合规判断模块，连接运维动作匹配模块，用于判断分类结果与标准运维动作的匹配率是否大于预设的匹配率阈值，

若是，则判定运维人员的设备运维动作合规；

若否，则判定运维人员的设备运维动作不合规；

如图5所示，运维动作是否合规判断模块中具体包括：

第一合规判断单元，用于在运维人员执行的设备运维动作无法与对应的设备响应数据相匹配时，判定运维人员所执行的设备运维动作不合规；

第二合规判断单元，用于在为运维人员指定的设备运维地点无法与实际运维的设备所处位置信息数据相匹配时，判定运维人员对设备的所有运维动作不合规；

第三合规判断单元，用于在运维人员执行设备运维动作后的一持续时间内，设备的运行状态由正常转变为异常，则判定运维人员所执行的设备运维动作不合规；

第四合规判断单元，用于在为运维人员指定维护的设备型号与当前运维的设备型号不相匹配时，判定运维人员的所有设备运维动作不合规。

需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (10)

1.一种设备运维智能监测方法，其特征在于，步骤包括：

1)实时采集运维人员操作设备的监控数据和所述设备对所述运维人员的操作行为的反馈数据；

2)从所述运维人员的运维动作序列中提取出人体骨骼点位置变化特征，并从设备反馈数据中提取出设备反馈特征，并获取所述运维人员的身份特征及设备操作权限特征；

3)将所述人体骨骼点位置变化特征、所述设备反馈特征、所述运维人员的所述身份特征和所述设备操作权限特征融合成混合特征；

4)将所述混合特征输入到预先训练形成的运维动作分类模型中，所述模型输出对所述运维人员的设备运维动作的分类结果；

5)将所述模型输出的所述分类结果与关联所述设备的标准运维动作进行一致性匹配，并判断匹配率是否大于预设的匹配率阈值，

若是，则判定所述运维人员的设备运维动作合规；

若否，则判定所述运维人员的设备运维动作不合规。

2.根据权利要求1所述的设备运维智能监测方法，其特征在于，所述设备反馈数据包括所述运维人员操作所述设备时的设备响应数据、设备所处位置信息数据、设备运行状态数据以及设备基础信息数据中的任意一种或多种。

3.根据权利要求2所述的设备运维智能监测方法，其特征在于，若所述设备反馈数据为所述设备响应数据，则所述步骤5)中，判断所述运维人员的设备运维动作是否合规的方法为：

若所述运维人员在执行所述设备运维动作后的预设间隔时间内，所述设备未产生所执行的所述设备运维动作对应的所述设备响应数据，则判定所述运维人员所执行的所述设备运维动作不合规。

4.根据权利要求2所述的设备运维智能监测方法，其特征在于，若所述设备反馈数据为所述设备所处位置信息数据，则所述步骤5)中，判断所述运维人员的设备运维动作是否合规的方法为：

若为所述运维人员指定的设备运维地点与当前运维的设备所处位置不相匹配，则判定所述运维人员的所有设备运维动作不合规。

5.根据权利要求2所述的设备运维智能监测方法，其特征在于，若所述设备反馈数据为所述设备运行状态数据，则所述步骤5)中，判断所述运维人员的设备运维动作是否合规的方法为：

若所述运维人员执行所述设备运维动作后的一持续时间内，所述设备的运行状态由正常转变为异常，则判定所述运维人员所执行的所述设备运维动作不合规。

6.根据权利要求2所述的设备运维智能监测方法，其特征在于，若所述设备反馈数据为设备型号，所述步骤5)中，判断所述运维人员的设备运维动作是否合规的方法为：

若对所述运维人员指定维护的设备型号与当前运维的设备型号不相匹配时，则判定所述运维人员的所有设备运维动作不合规。

7.根据权利要求1所述的设备运维智能监测方法，其特征在于，训练所述运维动作分类模型的方法包括：

步骤S1，实时采集所述运维人员标准操作所述设备的监控数据和所述设备对所述运维人员的标准操作行为的反馈数据；

步骤S2，从标准的所述设备运维动作序列中提取出人体骨骼点位置变化特征，并从设备反馈数据中提取出设备反馈特征，并获取具有设备操作权限的所述运维人员的身份特征和设备操作权限特征；

步骤S3，将所述人体骨骼点位置变化特征、所述设备反馈特征、所述运维人员的身份特征和设备操作权限特征融合为标准混合特征；

步骤S4，以所述标准混合特征和所述标准混合特征对应的设备标准运维动作为训练样本输入到深度神经网络中进行模型训练，形成所述运维动作分类模型。

8.根据权利要求1所述的设备运维智能监测方法，其特征在于，所述步骤5)中，通过DTW动态时间规整方法对模型输出的所述分类结果与所述运维动作序列进行一致性匹配。

9.根据权利要求1所述的设备运维智能监测方法，其特征在于，在执行所述步骤2)之前，首先通过图像识别方法对所述运维人员的设备运维动作是否合规进行判断，判断方法具体包括：

步骤L1，从当前帧图像中识别出所述运维人员的人脸特征，并将识别的所述人脸特征与运维人员信息库中的人脸进行逐一比对，

若比对成功，则转入步骤L2；

若比对失败，则终止后续的运维动作合规判断流程；

步骤L2，从当前帧图像中识别出所述运维人员和所述设备的所处位置，并计算所述运维人员与所述设备的距离；

步骤L3，判断所述运维人员在所述当前帧图像中相距所述设备的距离是否小于一预设距离阈值，

若是，则转入步骤L4；

若否，则判定所述运维人员当前并不处于设备运维过程中，并终止后续的运维动作合规判断流程；

步骤L4，判断所述设备在所述当前帧图像中的设备门是否打开，

若是，则转入所述步骤2)；

若否，则判定所述运维人员当前并不处于设备运维过程中，并终止后续的运维动作合规判断流程。

10.一种设备运维智能监测系统，可实现如权利要求1-9任意一项所述的设备运维智能检测方法，其特征在于，所述系统包括：

数据采集模块，用于实时采集运维人员操作设备的监控数据和所述设备对所述运维人员的操作行为的反馈数据；

特征提取模块，连接所述数据采集模块，用于从实时采集的所述运维人员的运维动作序列中提取出人体骨骼点位置变化特征，并从设备反馈数据中提取出设备反馈特征，并获取所述运维人员的身份特征及设备操作权限特征；

特征融合模块，连接所述特征提取模块，用于将所述人体骨骼点位置变化特征、所述设备反馈特征、所述运维人员的所述身份特征和所述设备操作权限特征融合成混合特征；

设备运维动作分类模块，连接所述特征融合模块，用于将所述混合特征输入到预先训练形成的运维动作分类模型中，通过所述模型输出对所述运维人员的设备运维动作的分类结果；

运维动作匹配模块，连接所述设备运维动作分类模块，用于将所述模型输出的所述分类结果与关联所述设备的标准运维动作进行一致性匹配；

运维动作是否合规判断模块，连接所述运维动作匹配模块，用于判断所述分类结果与所述标准运维动作的匹配率是否大于预设的匹配率阈值，

若是，则判定所述运维人员的设备运维动作合规；

若否，则判定所述运维人员的设备运维动作不合规；

所述运维动作是否合规判断模块中具体包括：

第一合规判断单元，用于在所述运维人员执行的所述设备运维动作无法与对应的设备响应数据相匹配时，判定所述运维人员所执行的所述设备运维动作不合规；

第二合规判断单元，用于在为所述运维人员指定的设备运维地点无法与实际运维的设备所处位置信息数据相匹配时，判定所述运维人员对所述设备的所有运维动作不合规；

第三合规判断单元，用于在所述运维人员执行所述设备运维动作后的一持续时间内，所述设备的运行状态由正常转变为异常，则判定所述运维人员所执行的所述设备运维动作不合规；

第四合规判断单元，用于在为所述运维人员指定维护的设备型号与当前运维的设备型号不相匹配时，判定所述运维人员的所有设备运维动作不合规。

Images