CN114048439B - 一种基于ai的安全行为分析系统及方法 - Google Patents
一种基于ai的安全行为分析系统及方法 Download PDFInfo
- Publication number
- CN114048439B CN114048439B CN202111175064.1A CN202111175064A CN114048439B CN 114048439 B CN114048439 B CN 114048439B CN 202111175064 A CN202111175064 A CN 202111175064A CN 114048439 B CN114048439 B CN 114048439B
- Authority
- CN
- China
- Prior art keywords
- acquiring
- value
- source
- record
- analysis
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
- G06F21/31—User authentication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioethics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种基于AI的安全行为分析系统及方法,其中,系统包括:第一构建模块,用于构建身份信息库和安全行为分析库;训练模块,用于将身份信息库和安全行为分析库输入预设的AI分析模型,进行模型训练;分析模块,用于获取生产现场的多个监控点的监控信息,将监控信息输入训练好的AI分析模型,进行行为分析,获取分析结果;预警模块,用于当分析结果包含至少一个第一风险行为时,进行相应预警。本发明的基于AI的安全行为分析系统及方法,使用训练好的AI分析模型实时对现场生产人员的行为进行行为分析,无需设置大量巡检人员对生产人员的行为进行监督,降低了人力成本,也解决了巡检人员的监督能力有限,不能面面俱到的问题。
Description
技术领域
本发明涉及生产管理技术领域,特别涉及一种基于AI的安全行为分析系统及方法。
背景技术
目前,一些油田、石化生产企业,为了保障生产过程中的安全,大多设置多个巡检人员,对生产人员的行为进行监督;但是,这样做人力成本较高,同时,巡检人员的监督能力有限,不能面面俱到。
发明内容
本发明目的之一在于提供了一种基于AI的安全行为分析系统及方法,将身份信息库和安全行为分析库输入AI分析模型进行训练,使用训练好的AI分析模型实时对现场生产人员的行为进行行为分析,确定是否存在风险行为,若是,进行预警,无需设置大量巡检人员对生产人员的行为进行监督,降低了人力成本,也解决了巡检人员的监督能力有限,不能面面俱到的问题。
本发明实施例提供的一种基于AI的安全行为分析系统,包括:
第一构建模块,用于构建身份信息库和安全行为分析库;
训练模块,用于将身份信息库和安全行为分析库输入预设的AI分析模型,进行模型训练;
分析模块,用于获取生产现场的多个监控点的监控信息,将监控信息输入训练好的AI分析模型,进行行为分析,获取分析结果;
预警模块,用于当分析结果包含至少一个第一风险行为时,进行相应预警。
优选的,第一构建模块执行如下操作:
获取多个工作人员的第一身份,同时,记录获取第一身份的获取流程;
对获取流程进行流程分析,获取流程序列;
从流程序列中选取最后一个第一流程,并作为第二流程,同时,将其余第一流程作为第三流程;
获取第二流程涉及的第一来源方,同时,获取第三流程涉及的第二来源方;
获取第一来源方的第一担保圈;
判断第二来源方是否在第一担保圈内,若否,将对应第二来源方作为第三来源方,同时,确定涉及第三来源方的第三流程,并作为第四流程;
从流程序列中选取第四流程相邻的第三流程,并作为第五流程;
确定第五流程涉及的第二来源方,并作为第四来源方;
当第四来源方的数目为1时,剔除对应第一身份;
当第四来源方的数目为2时,获取第四来源的第二担保圈;
判断第三来源方是否均在第二担保圈内,若否,剔除对应第一身份;
当第一身份中需要剔除的第一身份均剔除后,将剩余第一身份作为第二身份;
获取预设的第一空白数据库,将第二身份输入第一空白数据库;
当需要输入第一空白数据库的第二身份均输入后,将第一空白数据库作为身份信息库,完成构建。
优选的,第一构建模块执行如下操作:
获取多个测试人员的第一安全行为分析记录;
获取第一安全行为分析记录的第一来源,同时,确定第一来源的来源类型,来源类型包括:线下来源和线上来源;
当第一来源的来源类型为线下来源时,获取第一来源对应的第一测试组的经验值;
若经验值小于等于预设的第一阈值,剔除对应第一安全行为分析记录;
否则,获取第一测试组的测试记录;
提取测试记录中对应于第一安全行为分析记录的多个第一记录项;
获取第一记录项的第一产生时间点,基于第一产生时间点,将第一记录项按照时序进行排序,获得第一记录项序列;
设置完毕后,选取第一记录项序列中最后一个第一记录项,并作为第二记录项,同时,选取第一记录项序列中第二记录项前预设数目个第一记录项,并作为第三记录项;
获取第三记录项的测试类型,测试类型包括:正向测试和反向测试;
当第三记录项的测试类型为正向测试时,将对应第三记录项作为第四记录项;
当第三记录项的测试类型为反向测试时,将对应第三记录项作为第五记录项;
获取第四记录项的第一产生时间点,并作为第二产生时间点,基于第二产生时间点,将第四记录项按照时序进行排序,获得第二记录项序列;
获取预设的第一结果稳定性分析模型,将第二记录项序列输入第一结果稳定性分析模型,获取第一结果;
获取第五记录项的第一产生时间点,并作为第三产生时间点,基于第三产生时间点,将第四记录项按照时序进行排序,获得第三记录项序列;
获取预设的第二结果稳定性分析模型,将第三记录项序列输入第二结果稳定性分析模型,获取第二结果;
当第一结果为不稳定和/或第二结果为不稳定时,剔除对应第一安全行为分析记录;
当第一来源的来源类型为线上来源时,获取第一来源对应的第二测试组和共享场景;
获取共享场景对第二测试组进行担保的担保值,同时,获取第二测试组的信用值;
若担保值小于等于预设的第二阈值和/或信用值小于等于预设的第三阈值,剔除对应第一安全行为分析记录;
当第一安全行为分析记录中需要剔除的第一安全行为分析记录均被剔除后,将剩余第一安全行为分析记录作为第二安全行为分析记录;
获取预设的第二空白数据库,将第二安全行为分析记录输入第二空白数据库;
当需要输入第二空白数据库的第二安全行为分析记录均输入后,将第二空白数据库作为安全行为分析库,完成构建。
优选的,预警模块执行如下操作:
基于预设的风险行为-预警策略库,确定第一风险行为对应的预警策略;
基于预警策略,进行预警。
优选的,基于AI的安全行为分析系统,还包括:
第二构建模块,用于构建风险行为-应对策略库,基于风险行为-应对策略库,确定第一风险行为对应的第一应对策略,基于第一应对策略,进行相应应对;
第二构建模块执行如下操作:
获取预设的风险行为集,风险行为集包括:多个第二风险行为;
获取对应于第二风险行为的多个第二应对策略,同时,确定第二应对策略对应的第一应对场景的第一属性信息;
获取生产现场中发生第二风险行为时需要应对的第二应对场景的第二属性信息;
对第一属性信息进行特征分析,获取至少一个第一特征;
对第二属性信息进行特征分析,获取至少一个第二特征;
将第一特征和第二特征进行特征匹配,若匹配符合,将匹配符合的第二特征作为第三特征;
基于预设的特征-应对场景-价值度库,确定第三特征和第二应对场景对应的价值度;
汇总价值度,获得价值度和;
将第二应对策略按照对应价值度和从大到小进行排序,获得策略序列;
选取策略序列中前n个第二应对策略,作为第三应对策略;
获取第三应对策略对应的至少一个第一效果值,同时,确定第一效果值的效果类型,效果类型包括:暂态和稳态;
当第一效果值的效果类型为暂态时,将对应第一效果值作为第二效果值;
当第一效果值的效果类型为稳态时,将对应第一效果值作为第三效果值;
汇总第二效果值,获得第一效果值和,赋予第一效果值和预设的第一权重,获得第一目标值;
汇总第三效果值,获得第二效果值和,赋予第二效果值和预设的第二权重,获得第二目标值;
汇总第一目标值和第二目标值,获得比较值;
将最大比较值对应的第三应对策略与对应第二风险行为进行配对组合,获得一个对照组;
获取预设的第三空白数据库,将对照组输入第三空白数据库;
当需要输入第三空白数据库的对照组均输入后,将第三空白数据库作为风险行为-应对策略库,完成构建。
本发明实施例提供的一种基于AI的安全行为分析方法,包括:
步骤S1:构建身份信息库和安全行为分析库;
步骤S2:将身份信息库和安全行为分析库输入预设的AI分析模型,进行模型训练;
步骤S3:获取生产现场的多个监控点的监控信息,将监控信息输入训练好的AI分析模型,进行行为分析,获取分析结果;
步骤S4:当分析结果包含至少一个第一风险行为时,进行相应预警。
优选的,步骤S1中,构建身份信息库,包括:
获取多个工作人员的第一身份,同时,记录获取第一身份的获取流程;
对获取流程进行流程分析,获取流程序列;
从流程序列中选取最后一个第一流程,并作为第二流程,同时,将其余第一流程作为第三流程;
获取第二流程涉及的第一来源方,同时,获取第三流程涉及的第二来源方;
获取第一来源方的第一担保圈;
判断第二来源方是否在第一担保圈内,若否,将对应第二来源方作为第三来源方,同时,确定涉及第三来源方的第三流程,并作为第四流程;
从流程序列中选取第四流程相邻的第三流程,并作为第五流程;
确定第五流程涉及的第二来源方,并作为第四来源方;
当第四来源方的数目为1时,剔除对应第一身份;
当第四来源方的数目为2时,获取第四来源的第二担保圈;
判断第三来源方是否均在第二担保圈内,若否,剔除对应第一身份;
当第一身份中需要剔除的第一身份均剔除后,将剩余第一身份作为第二身份;
获取预设的第一空白数据库,将第二身份输入第一空白数据库;
当需要输入第一空白数据库的第二身份均输入后,将第一空白数据库作为身份信息库,完成构建。
优选的,步骤S1中,构建安全行为分析库,包括:
获取多个测试人员的第一安全行为分析记录;
获取第一安全行为分析记录的第一来源,同时,确定第一来源的来源类型,来源类型包括:线下来源和线上来源;
当第一来源的来源类型为线下来源时,获取第一来源对应的第一测试组的经验值;
若经验值小于等于预设的第一阈值,剔除对应第一安全行为分析记录;
否则,获取第一测试组的测试记录;
提取测试记录中对应于第一安全行为分析记录的多个第一记录项;
获取第一记录项的第一产生时间点,基于第一产生时间点,将第一记录项按照时序进行排序,获得第一记录项序列;
设置完毕后,选取第一记录项序列中最后一个第一记录项,并作为第二记录项,同时,选取第一记录项序列中第二记录项前预设数目个第一记录项,并作为第三记录项;
获取第三记录项的测试类型,测试类型包括:正向测试和反向测试;
当第三记录项的测试类型为正向测试时,将对应第三记录项作为第四记录项;
当第三记录项的测试类型为反向测试时,将对应第三记录项作为第五记录项;
获取第四记录项的第一产生时间点,并作为第二产生时间点,基于第二产生时间点,将第四记录项按照时序进行排序,获得第二记录项序列;
获取预设的第一结果稳定性分析模型,将第二记录项序列输入第一结果稳定性分析模型,获取第一结果;
获取第五记录项的第一产生时间点,并作为第三产生时间点,基于第三产生时间点,将第四记录项按照时序进行排序,获得第三记录项序列;
获取预设的第二结果稳定性分析模型,将第三记录项序列输入第二结果稳定性分析模型,获取第二结果;
当第一结果为不稳定和/或第二结果为不稳定时,剔除对应第一安全行为分析记录;
当第一来源的来源类型为线上来源时,获取第一来源对应的第二测试组和共享场景;
获取共享场景对第二测试组进行担保的担保值,同时,获取第二测试组的信用值;
若担保值小于等于预设的第二阈值和/或信用值小于等于预设的第三阈值,剔除对应第一安全行为分析记录;
当第一安全行为分析记录中需要剔除的第一安全行为分析记录均被剔除后,将剩余第一安全行为分析记录作为第二安全行为分析记录;
获取预设的第二空白数据库,将第二安全行为分析记录输入第二空白数据库;
当需要输入第二空白数据库的第二安全行为分析记录均输入后,将第二空白数据库作为安全行为分析库,完成构建。
优选的,步骤S4,当分析结果包含至少一个第一风险行为时,进行相应预警,包括:
基于预设的风险行为-预警策略库,确定第一风险行为对应的预警策略;
基于预警策略,进行预警。
优选的,基于AI的安全行为分析方法,还包括:
构建风险行为-应对策略库,基于风险行为-应对策略库,确定第一风险行为对应的第一应对策略,基于第一应对策略,进行相应应对;
其中,构建风险行为-应对策略库,包括:
获取预设的风险行为集,风险行为集包括:多个第二风险行为;
获取对应于第二风险行为的多个第二应对策略,同时,确定第二应对策略对应的第一应对场景的第一属性信息;
获取生产现场中发生第二风险行为时需要应对的第二应对场景的第二属性信息;
对第一属性信息进行特征分析,获取至少一个第一特征;
对第二属性信息进行特征分析,获取至少一个第二特征;
将第一特征和第二特征进行特征匹配,若匹配符合,将匹配符合的第二特征作为第三特征;
基于预设的特征-应对场景-价值度库,确定第三特征和第二应对场景对应的价值度;
汇总价值度,获得价值度和;
将第二应对策略按照对应价值度和从大到小进行排序,获得策略序列;
选取策略序列中前n个第二应对策略,作为第三应对策略;
获取第三应对策略对应的至少一个第一效果值,同时,确定第一效果值的效果类型,效果类型包括:暂态和稳态;
当第一效果值的效果类型为暂态时,将对应第一效果值作为第二效果值;
当第一效果值的效果类型为稳态时,将对应第一效果值作为第三效果值;
汇总第二效果值,获得第一效果值和,赋予第一效果值和预设的第一权重,获得第一目标值;
汇总第三效果值,获得第二效果值和,赋予第二效果值和预设的第二权重,获得第二目标值;
汇总第一目标值和第二目标值,获得比较值;
将最大比较值对应的第三应对策略与对应第二风险行为进行配对组合,获得一个对照组;
获取预设的第三空白数据库,将对照组输入第三空白数据库;
当需要输入第三空白数据库的对照组均输入后,将第三空白数据库作为风险行为-应对策略库,完成构建。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于AI的安全行为分析系统的示意图;
图2为本发明实施例中又一基于AI的安全行为分析系统的示意图;
图3为本发明实施例中一种基于AI的安全行为分析方法的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种基于AI的安全行为分析系统,如图1所示,包括:
第一构建模块1,用于构建身份信息库和安全行为分析库;
训练模块2,用于将身份信息库和安全行为分析库输入预设的AI分析模型,进行模型训练;
分析模块3,用于获取生产现场的多个监控点的监控信息,将监控信息输入训练好的AI分析模型,进行行为分析,获取分析结果;
预警模块4,用于当分析结果包含至少一个第一风险行为时,进行相应预警。
上述技术方案的工作原理及有益效果为:
构建身份信息库(存储生产现场人员的身份信息,例如:人脸I D)和安全行为分析库(存储不同测试人员分析生产现场人员是否安全的记录,例如:分析生产现场人员的行为图像,做出判别);将该两者输入预设的AI分析模型(机器学习模型),进行模型训练(利用机器学习算法进行学习);将多个监控点(例如:厂房A区)的监控信息(现场人员的行为图像等)输入训练好的AI分析模型进行行为分析,获取分析结果;当分析结果包含至少一个第一风险行为(例如:某某即将产生误操作)时,进行相应预警(例如:告之相关巡检人员);
本发明实施例将身份信息库和安全行为分析库输入AI分析模型进行训练,使用训练好的AI分析模型实时对现场生产人员的行为进行行为分析,确定是否存在风险行为,若是,进行预警,无需设置大量巡检人员对生产人员的行为进行监督,降低了人力成本,也解决了巡检人员的监督能力有限,不能面面俱到的问题。
本发明实施例提供了一种基于AI的安全行为分析系统,第一构建模块1执行如下操作:
获取多个工作人员的第一身份,同时,记录获取第一身份的获取流程;
对获取流程进行流程分析,获取流程序列;
从流程序列中选取最后一个第一流程,并作为第二流程,同时,将其余第一流程作为第三流程;
获取第二流程涉及的第一来源方,同时,获取第三流程涉及的第二来源方;
获取第一来源方的第一担保圈;
判断第二来源方是否在第一担保圈内,若否,将对应第二来源方作为第三来源方,同时,确定涉及第三来源方的第三流程,并作为第四流程;
从流程序列中选取第四流程相邻的第三流程,并作为第五流程;
确定第五流程涉及的第二来源方,并作为第四来源方;
当第四来源方的数目为1时,剔除对应第一身份;
当第四来源方的数目为2时,获取第四来源的第二担保圈;
判断第三来源方是否均在第二担保圈内,若否,剔除对应第一身份;
当第一身份中需要剔除的第一身份均剔除后,将剩余第一身份作为第二身份;
获取预设的第一空白数据库,将第二身份输入第一空白数据库;
当需要输入第一空白数据库的第二身份均输入后,将第一空白数据库作为身份信息库,完成构建。
上述技术方案的工作原理及有益效果为:
获取工作人员的第一身份(例如:人脸I D),记录获取流程(例如:用户使用APP1录入人脸信息,APP1不一定与我方有直接合作,APP1传给APP2,APP2传给APP3,APP3传给APP4,APP4与我方有直接合作,传给我方即可);对获取流程进行流程分析(拆解与时序排序),获取流程序列;确定与我方有直接合作的第一来源方(例如:APP4),同时,确定第二来源方(例如:APP1、APP2和APP3),若要使得第一身份有效,第一来源方需对所有第二来源方进行担保(落在其第一担保圈内);若存在不在第一担保圈内的第三来源方(例如:APP2),相邻APP1和APP3需对其进行担保(落在其第二担保圈内),否则第二身份也无效;第一身份的源头方(例如:APP1)一定需第一来源方进行担保;
本发明实施例在获取第一身份时,基于获取流程筛选出不可信的第一身份,将剩余第二身份用于构建身份信息库,保证工作人员的第一身份获取的精准性,同时,无需每个工作人员现场进行身份信息录入,提升了便捷性。
本发明实施例提供了一种基于AI的安全行为分析系统,第一构建模块1执行如下操作:
获取多个测试人员的第一安全行为分析记录;
获取第一安全行为分析记录的第一来源,同时,确定第一来源的来源类型,来源类型包括:线下来源和线上来源;
当第一来源的来源类型为线下来源时,获取第一来源对应的第一测试组的经验值;
若经验值小于等于预设的第一阈值,剔除对应第一安全行为分析记录;
否则,获取第一测试组的测试记录;
提取测试记录中对应于第一安全行为分析记录的多个第一记录项;
获取第一记录项的第一产生时间点,基于第一产生时间点,将第一记录项按照时序进行排序,获得第一记录项序列;
设置完毕后,选取第一记录项序列中最后一个第一记录项,并作为第二记录项,同时,选取第一记录项序列中第二记录项前预设数目个第一记录项,并作为第三记录项;
获取第三记录项的测试类型,测试类型包括:正向测试和反向测试;
当第三记录项的测试类型为正向测试时,将对应第三记录项作为第四记录项;
当第三记录项的测试类型为反向测试时,将对应第三记录项作为第五记录项;
获取第四记录项的第一产生时间点,并作为第二产生时间点,基于第二产生时间点,将第四记录项按照时序进行排序,获得第二记录项序列;
获取预设的第一结果稳定性分析模型,将第二记录项序列输入第一结果稳定性分析模型,获取第一结果;
获取第五记录项的第一产生时间点,并作为第三产生时间点,基于第三产生时间点,将第四记录项按照时序进行排序,获得第三记录项序列;
获取预设的第二结果稳定性分析模型,将第三记录项序列输入第二结果稳定性分析模型,获取第二结果;
当第一结果为不稳定和/或第二结果为不稳定时,剔除对应第一安全行为分析记录;
当第一来源的来源类型为线上来源时,获取第一来源对应的第二测试组和共享场景;
获取共享场景对第二测试组进行担保的担保值,同时,获取第二测试组的信用值;
若担保值小于等于预设的第二阈值和/或信用值小于等于预设的第三阈值,剔除对应第一安全行为分析记录;
当第一安全行为分析记录中需要剔除的第一安全行为分析记录均被剔除后,将剩余第一安全行为分析记录作为第二安全行为分析记录;
获取预设的第二空白数据库,将第二安全行为分析记录输入第二空白数据库;
当需要输入第二空白数据库的第二安全行为分析记录均输入后,将第二空白数据库作为安全行为分析库,完成构建。
上述技术方案的工作原理及有益效果为:
获取多个测试人员的第一安全行为分析记录(例如:分析行为图像的过程等),确定第一来源以及第一来源的来源类型,来源类型分为线下来源(生产场地自身的测试人员上传的)和线上来源(其他生产场地自身的测试人员上传的);当来源类型为线下来源时,确定第一测试组的经验值(可基于测试时长、人员组成进行判定),若经验值小于预设的第一阈值(例如:85)时,测试经验不足,剔除对应第一安全行为分析记录;否则,获取第一测试组的测试记录,确定第一记录项,并按照时序排序成第一记录项序列;第一记录项序列中最后一个第一记录项一定是做出第一安全行为分析记录可行决定的记录项,将其作为第二记录项;选取之前预设的数目(例如:15)个第一记录项,作为第三记录项;确定第三记录项的测试类型,测试类型包含正向测试(例如:利用安全行为分析方法检测是否存在风险行为,若是,确定是否真实存在风险行为)和反向测试(例如:做出风险行为,确定安全行为分析方法是否能够识别出);将同为正向测试的第四记录项输入预设的第一结果稳定性分析模型(利用机器学习算法对大量人工分析正向测试结果稳定性的记录进行学习后生成的),对第四记录项反应的正向测试结果稳定性(结果一致性)进行分析;将同为反向测试的第五记录项输入预设的第二结果稳定性分析模型(利用机器学习算法对大量人工分析反向测试结果稳定性的记录进行学习后生成的);若存在不稳定,说明第一安全行为分析记录不是在测试结果稳定的情况下得出的,剔除对应第一安全行为分析记录;当来源类型为线上来源时,获取对应第二测试组和共享场景(例如:某共享平台);确定担保值(可基于测试组向共享场景缴纳的担保金评定),担保值越大,担保力度越大;确定信用值(可基于测试组历史上发布信息的真实性进行评定),信用值越大,对应第二测试组历史表现越好;若担保值小于等于预设的第二阈值(例如:97)和/或信用值小于等于预设的第三阈值(例如:98),剔除对应第一安全行为分析记录;
本发明实施例在获取第一安全行为分析记录,确定第一来源,基于第一来源的来源类型的不同,进行适应性验证,剔除验证不通过的第一安全行为分析记录,保证剩下的第二安全行为分析记录的来源可靠,提升了安全行为分析库构建的质量。
本发明实施例提供了一种基于AI的安全行为分析系统,预警模块4执行如下操作:
基于预设的风险行为-预警策略库,确定第一风险行为对应的预警策略;
基于预警策略,进行预警。
上述技术方案的工作原理及有益效果为:
预设的风险行为-预警策略库具体为:包含不同风险行为对应的预警策略的数据库,例如:风险行为为某工作人员未佩戴安全帽,预警策略为广播对其进行点名提醒。
本发明实施例提供了一种基于AI的安全行为分析系统,如图2所示,还包括:
第二构建模块5,用于构建风险行为-应对策略库,基于风险行为-应对策略库,确定第一风险行为对应的第一应对策略,基于第一应对策略,进行相应应对;
第二构建模块5执行如下操作:
获取预设的风险行为集,风险行为集包括:多个第二风险行为;
获取对应于第二风险行为的多个第二应对策略,同时,确定第二应对策略对应的第一应对场景的第一属性信息;
获取生产现场中发生第二风险行为时需要应对的第二应对场景的第二属性信息;
对第一属性信息进行特征分析,获取至少一个第一特征;
对第二属性信息进行特征分析,获取至少一个第二特征;
将第一特征和第二特征进行特征匹配,若匹配符合,将匹配符合的第二特征作为第三特征;
基于预设的特征-应对场景-价值度库,确定第三特征和第二应对场景对应的价值度;
汇总价值度,获得价值度和;
将第二应对策略按照对应价值度和从大到小进行排序,获得策略序列;
选取策略序列中前n个第二应对策略,作为第三应对策略;
获取第三应对策略对应的至少一个第一效果值,同时,确定第一效果值的效果类型,效果类型包括:暂态和稳态;
当第一效果值的效果类型为暂态时,将对应第一效果值作为第二效果值;
当第一效果值的效果类型为稳态时,将对应第一效果值作为第三效果值;
汇总第二效果值,获得第一效果值和,赋予第一效果值和预设的第一权重,获得第一目标值;
汇总第三效果值,获得第二效果值和,赋予第二效果值和预设的第二权重,获得第二目标值;
汇总第一目标值和第二目标值,获得比较值;
将最大比较值对应的第三应对策略与对应第二风险行为进行配对组合,获得一个对照组;
获取预设的第三空白数据库,将对照组输入第三空白数据库;
当需要输入第三空白数据库的对照组均输入后,将第三空白数据库作为风险行为-应对策略库,完成构建。
上述技术方案的工作原理及有益效果为:
获取对应于第二风险行为的多个第二应对策略(不同公司对第二风险行为准备的应对策略);确定第二应对策略对应的第一应对场景(例如:某厂房)的第一属性信息(厂房的可容纳人数,机器布局,机器型号和正常值班人数等);获取生产现场中发生第二风险行为时要应对的第二应对场景(例如:某厂房)的第二属性信息(厂房的可容纳人数,机器布局和机器型号等);分别特征提取出第一特征和第二特征,进行特征匹配,确定第三特征;基于预设的特征-应对场景-价值度库(存储有不同特征和不同应对场景对应的价值度,例如:当工作人员产生风险行为时,厂房的机器型号决定风险后果,因此,型号特征的价值度会大);汇总价值度,获得价值度和;将第二应对策略按照价值度和从大到小进行排序,获得策略序列,选取策略序列中前n个第二应对策略,作为第三应对策略;获取第三应对策略对应的第一效果值(可由原公司提供,原公司可以在后续的使用中确定);确定第一效果值的效果类型,效果类型分为暂态(反应近期内使用的效果大小)和稳态(反应长期使用的效果大小);汇总同为暂态的第二效果值,获得第二效果值和,赋予预设的第一权重(例如:1.2,将1.2与第二效果值和相乘),获得第一目标值;第二目标值的获得与其同理,不予赘述;汇总(求和计算)第一目标值和第二目标值,获得比较值;将最大比较值对应的第三应对策略与对应第二风险行为进行配对组合;
本发明实施例将第一属性信息的第一特征和第二属性信息的第二特征进行特征匹配,设置特征-应对场景-价值度库,便于价值评定,只有价值度和较大时,第二应对策略才能适用与我方生产场地;另外,获取第一效果值,基于效果类型进行分类,赋予不同权重获取比较值,筛选出比较值最大的第三应对策略即表现最佳的第三应对策略与对应第二风险行为进行配对组合,设置合理,提升了风险行为-应对策略库构建的质量。
本发明实施例提供了一种基于AI的安全行为分析系统,第二构建模块5执行如下操作:
获取预设的获取节点集,所述获取节点集包括:多个第一获取节点;
确定所述第一获取节点的节点类型,所述节点类型包括:主节点和协作节点;
若所述第一获取节点的节点类型为主节点时,将对应所述第一获取节点作为第二获取节点;
若所述第一获取节点的节点类型为协作节点时,将对应所述第一获取节点作为第三获取节点;
基于预设的节点关联库,确定与所述第二获取节点关联的所述第三获取节点,并作为第四获取节点;
获取所述第二获取节点的第一可信度和第一风险值;
获取所述第四获取节点的第二可信度和第二风险值;
基于所述第一可信度、第一风险值、第二可信度和第二风险值,计算判定值,计算公式如下:
其中,γ为所述判定值,ε1和ε2为预设的权重值,αi为第i个所述第二获取节点的第一可信度,n为所述第二获取节点的总数目,βi,l为第i个所述第二获取节点关联的第l个第四获取节点的第二可信度,Qi为第i个所述第二获取节点关联的第四获取节点的总数目,ρi为第i个所述第二获取节点的第一风险值,σi,l为第i个所述第二获取节点关联的第l个第四获取节点的第二风险值;
若所述判定值大于等于预设的判定值阈值,将对应所述第二获取节点以及对应所述第二获取节点关联的第四获取节点作为第五获取节点;
通过所述第五获取节点获取对应于所述第二风险行为的多个第二应对策略。
上述技术方案的工作原理及有益效果为:
第一获取节点对应一个生产公司将数据发布至的节点,确定第一获取节点的节点类型,节点类型分为主节点(存储主要数据)和协同节点(存储补充的数据);基于预设的节点关联库(存储有不同获取节点的关联关系的数据库,关联关系具体为,例如:主节点对应的备节点);获取第一可信度(可信程度)、第一风险值(存在风险的大小)、第二可信度和第二风险值,计算判定值,当判定值大于等于预设的判定值阈值(例如:75)时,即可通过对应第五获取节点获取第二应对策略;对第一获取节点进行快速筛选,提升系统效率,保证获取的安全可靠;公式中,第一可信度和第二可信度与判定值呈正相关,第一风险值和第二风险值与判定值呈负相关。
本发明实施例提供了一种基于AI的安全行为分析方法,如图3所示,包括:
步骤S1:构建身份信息库和安全行为分析库;
步骤S2:将身份信息库和安全行为分析库输入预设的AI分析模型,进行模型训练;
步骤S3:获取生产现场的多个监控点的监控信息,将监控信息输入训练好的AI分析模型,进行行为分析,获取分析结果;
步骤S4:当分析结果包含至少一个第一风险行为时,进行相应预警。
上述技术方案的工作原理及有益效果为:
构建身份信息库(存储生产现场人员的身份信息,例如:人脸I D)和安全行为分析库(存储不同测试人员分析生产现场人员是否安全的记录,例如:分析生产现场人员的行为图像,做出判别);将该两者输入预设的AI分析模型(机器学习模型),进行模型训练(利用机器学习算法进行学习);将多个监控点(例如:厂房A区)的监控信息(现场人员的行为图像等)输入训练好的AI分析模型进行行为分析,获取分析结果;当分析结果包含至少一个第一风险行为(例如:某某即将产生误操作)时,进行相应预警(例如:告之相关巡检人员);
本发明实施例将身份信息库和安全行为分析库输入AI分析模型进行训练,使用训练好的AI分析模型实时对现场生产人员的行为进行行为分析,确定是否存在风险行为,若是,进行预警,无需设置大量巡检人员对生产人员的行为进行监督,降低了人力成本,也解决了巡检人员的监督能力有限,不能面面俱到的问题。
本发明实施例提供了一种基于AI的安全行为分析方法,步骤S1中,构建身份信息库,包括:
获取多个工作人员的第一身份,同时,记录获取第一身份的获取流程;
对获取流程进行流程分析,获取流程序列;
从流程序列中选取最后一个第一流程,并作为第二流程,同时,将其余第一流程作为第三流程;
获取第二流程涉及的第一来源方,同时,获取第三流程涉及的第二来源方;
获取第一来源方的第一担保圈;
判断第二来源方是否在第一担保圈内,若否,将对应第二来源方作为第三来源方,同时,确定涉及第三来源方的第三流程,并作为第四流程;
从流程序列中选取第四流程相邻的第三流程,并作为第五流程;
确定第五流程涉及的第二来源方,并作为第四来源方;
当第四来源方的数目为1时,剔除对应第一身份;
当第四来源方的数目为2时,获取第四来源的第二担保圈;
判断第三来源方是否均在第二担保圈内,若否,剔除对应第一身份;
当第一身份中需要剔除的第一身份均剔除后,将剩余第一身份作为第二身份;
获取预设的第一空白数据库,将第二身份输入第一空白数据库;
当需要输入第一空白数据库的第二身份均输入后,将第一空白数据库作为身份信息库,完成构建。
上述技术方案的工作原理及有益效果为:
获取工作人员的第一身份(例如:人脸I D),记录获取流程(例如:用户使用APP1录入人脸信息,APP1不一定与我方有直接合作,APP1传给APP2,APP2传给APP3,APP3传给APP4,APP4与我方有直接合作,传给我方即可);对获取流程进行流程分析(拆解与时序排序),获取流程序列;确定与我方有直接合作的第一来源方(例如:APP4),同时,确定第二来源方(例如:APP1、APP2和APP3),若要使得第一身份有效,第一来源方需对所有第二来源方进行担保(落在其第一担保圈内);若存在不在第一担保圈内的第三来源方(例如:APP2),相邻APP1和APP3需对其进行担保(落在其第二担保圈内),否则第二身份也无效;第一身份的源头方(例如:APP1)一定需第一来源方进行担保;
本发明实施例在获取第一身份时,基于获取流程筛选出不可信的第一身份,将剩余第二身份用于构建身份信息库,保证工作人员的第一身份获取的精准性,同时,无需每个工作人员现场进行身份信息录入,提升了便捷性。
本发明实施例提供了一种基于AI的安全行为分析方法,步骤S1中,构建安全行为分析库,包括:
获取多个测试人员的第一安全行为分析记录;
获取第一安全行为分析记录的第一来源,同时,确定第一来源的来源类型,来源类型包括:线下来源和线上来源;
当第一来源的来源类型为线下来源时,获取第一来源对应的第一测试组的经验值;
若经验值小于等于预设的第一阈值,剔除对应第一安全行为分析记录;
否则,获取第一测试组的测试记录;
提取测试记录中对应于第一安全行为分析记录的多个第一记录项;
获取第一记录项的第一产生时间点,基于第一产生时间点,将第一记录项按照时序进行排序,获得第一记录项序列;
设置完毕后,选取第一记录项序列中最后一个第一记录项,并作为第二记录项,同时,选取第一记录项序列中第二记录项前预设数目个第一记录项,并作为第三记录项;
获取第三记录项的测试类型,测试类型包括:正向测试和反向测试;
当第三记录项的测试类型为正向测试时,将对应第三记录项作为第四记录项;
当第三记录项的测试类型为反向测试时,将对应第三记录项作为第五记录项;
获取第四记录项的第一产生时间点,并作为第二产生时间点,基于第二产生时间点,将第四记录项按照时序进行排序,获得第二记录项序列;
获取预设的第一结果稳定性分析模型,将第二记录项序列输入第一结果稳定性分析模型,获取第一结果;
获取第五记录项的第一产生时间点,并作为第三产生时间点,基于第三产生时间点,将第四记录项按照时序进行排序,获得第三记录项序列;
获取预设的第二结果稳定性分析模型,将第三记录项序列输入第二结果稳定性分析模型,获取第二结果;
当第一结果为不稳定和/或第二结果为不稳定时,剔除对应第一安全行为分析记录;
当第一来源的来源类型为线上来源时,获取第一来源对应的第二测试组和共享场景;
获取共享场景对第二测试组进行担保的担保值,同时,获取第二测试组的信用值;
若担保值小于等于预设的第二阈值和/或信用值小于等于预设的第三阈值,剔除对应第一安全行为分析记录;
当第一安全行为分析记录中需要剔除的第一安全行为分析记录均被剔除后,将剩余第一安全行为分析记录作为第二安全行为分析记录;
获取预设的第二空白数据库,将第二安全行为分析记录输入第二空白数据库;
当需要输入第二空白数据库的第二安全行为分析记录均输入后,将第二空白数据库作为安全行为分析库,完成构建。
上述技术方案的工作原理及有益效果为:
获取多个测试人员的第一安全行为分析记录(例如:分析行为图像的过程等),确定第一来源以及第一来源的来源类型,来源类型分为线下来源(生产场地自身的测试人员上传的)和线上来源(其他生产场地自身的测试人员上传的);当来源类型为线下来源时,确定第一测试组的经验值(可基于测试时长、人员组成进行判定),若经验值小于预设的第一阈值(例如:85)时,测试经验不足,剔除对应第一安全行为分析记录;否则,获取第一测试组的测试记录,确定第一记录项,并按照时序排序成第一记录项序列;第一记录项序列中最后一个第一记录项一定是做出第一安全行为分析记录可行决定的记录项,将其作为第二记录项;选取之前预设的数目(例如:15)个第一记录项,作为第三记录项;确定第三记录项的测试类型,测试类型包含正向测试(例如:利用安全行为分析方法检测是否存在风险行为,若是,确定是否真实存在风险行为)和反向测试(例如:做出风险行为,确定安全行为分析方法是否能够识别出);将同为正向测试的第四记录项输入预设的第一结果稳定性分析模型(利用机器学习算法对大量人工分析正向测试结果稳定性的记录进行学习后生成的),对第四记录项反应的正向测试结果稳定性(结果一致性)进行分析;将同为反向测试的第五记录项输入预设的第二结果稳定性分析模型(利用机器学习算法对大量人工分析反向测试结果稳定性的记录进行学习后生成的);若存在不稳定,说明第一安全行为分析记录不是在测试结果稳定的情况下得出的,剔除对应第一安全行为分析记录;当来源类型为线上来源时,获取对应第二测试组和共享场景(例如:某共享平台);确定担保值(可基于测试组向共享场景缴纳的担保金评定),担保值越大,担保力度越大;确定信用值(可基于测试组历史上发布信息的真实性进行评定),信用值越大,对应第二测试组历史表现越好;若担保值小于等于预设的第二阈值(例如:97)和/或信用值小于等于预设的第三阈值(例如:98),剔除对应第一安全行为分析记录;
本发明实施例在获取第一安全行为分析记录,确定第一来源,基于第一来源的来源类型的不同,进行适应性验证,剔除验证不通过的第一安全行为分析记录,保证剩下的第二安全行为分析记录的来源可靠,提升了安全行为分析库构建的质量。
本发明实施例提供了一种基于AI的安全行为分析方法,步骤S4,当分析结果包含至少一个第一风险行为时,进行相应预警,包括:
基于预设的风险行为-预警策略库,确定第一风险行为对应的预警策略;
基于预警策略,进行预警。
上述技术方案的工作原理及有益效果为:
预设的风险行为-预警策略库具体为:包含不同风险行为对应的预警策略的数据库,例如:风险行为为某工作人员未佩戴安全帽,预警策略为广播对其进行点名提醒。
本发明实施例提供了一种基于AI的安全行为分析方法,还包括:
构建风险行为-应对策略库,基于风险行为-应对策略库,确定第一风险行为对应的第一应对策略,基于第一应对策略,进行相应应对;
其中,构建风险行为-应对策略库,包括:
获取预设的风险行为集,风险行为集包括:多个第二风险行为;
获取对应于第二风险行为的多个第二应对策略,同时,确定第二应对策略对应的第一应对场景的第一属性信息;
获取生产现场中发生第二风险行为时需要应对的第二应对场景的第二属性信息;
对第一属性信息进行特征分析,获取至少一个第一特征;
对第二属性信息进行特征分析,获取至少一个第二特征;
将第一特征和第二特征进行特征匹配,若匹配符合,将匹配符合的第二特征作为第三特征;
基于预设的特征-应对场景-价值度库,确定第三特征和第二应对场景对应的价值度;
汇总价值度,获得价值度和;
将第二应对策略按照对应价值度和从大到小进行排序,获得策略序列;
选取策略序列中前n个第二应对策略,作为第三应对策略;
获取第三应对策略对应的至少一个第一效果值,同时,确定第一效果值的效果类型,效果类型包括:暂态和稳态;
当第一效果值的效果类型为暂态时,将对应第一效果值作为第二效果值;
当第一效果值的效果类型为稳态时,将对应第一效果值作为第三效果值;
汇总第二效果值,获得第一效果值和,赋予第一效果值和预设的第一权重,获得第一目标值;
汇总第三效果值,获得第二效果值和,赋予第二效果值和预设的第二权重,获得第二目标值;
汇总第一目标值和第二目标值,获得比较值;
将最大比较值对应的第三应对策略与对应第二风险行为进行配对组合,获得一个对照组;
获取预设的第三空白数据库,将对照组输入第三空白数据库;
当需要输入第三空白数据库的对照组均输入后,将第三空白数据库作为风险行为-应对策略库,完成构建。
上述技术方案的工作原理及有益效果为:
获取对应于第二风险行为的多个第二应对策略(不同公司对第二风险行为准备的应对策略);确定第二应对策略对应的第一应对场景(例如:某厂房)的第一属性信息(厂房的可容纳人数,机器布局,机器型号和正常值班人数等);获取生产现场中发生第二风险行为时要应对的第二应对场景(例如:某厂房)的第二属性信息(厂房的可容纳人数,机器布局和机器型号等);分别特征提取出第一特征和第二特征,进行特征匹配,确定第三特征;基于预设的特征-应对场景-价值度库(存储有不同特征和不同应对场景对应的价值度,例如:当工作人员产生风险行为时,厂房的机器型号决定风险后果,因此,型号特征的价值度会大);汇总价值度,获得价值度和;将第二应对策略按照价值度和从大到小进行排序,获得策略序列,选取策略序列中前n个第二应对策略,作为第三应对策略;获取第三应对策略对应的第一效果值(可由原公司提供,原公司可以在后续的使用中确定);确定第一效果值的效果类型,效果类型分为暂态(反应近期内使用的效果大小)和稳态(反应长期使用的效果大小);汇总同为暂态的第二效果值,获得第二效果值和,赋予预设的第一权重(例如:1.2,将1.2与第二效果值和相乘),获得第一目标值;第二目标值的获得与其同理,不予赘述;汇总(求和计算)第一目标值和第二目标值,获得比较值;将最大比较值对应的第三应对策略与对应第二风险行为进行配对组合;
本发明实施例将第一属性信息的第一特征和第二属性信息的第二特征进行特征匹配,设置特征-应对场景-价值度库,便于价值评定,只有价值度和较大时,第二应对策略才能适用与我方生产场地;另外,获取第一效果值,基于效果类型进行分类,赋予不同权重获取比较值,筛选出比较值最大的第三应对策略即表现最佳的第三应对策略与对应第二风险行为进行配对组合,设置合理,提升了风险行为-应对策略库构建的质量。
本发明实施例提供了一种基于AI的安全行为分析方法,获取对应于第二风险行为的多个第二应对策略,包括:
获取预设的获取节点集,所述获取节点集包括:多个第一获取节点;
确定所述第一获取节点的节点类型,所述节点类型包括:主节点和协作节点;
若所述第一获取节点的节点类型为主节点时,将对应所述第一获取节点作为第二获取节点;
若所述第一获取节点的节点类型为协作节点时,将对应所述第一获取节点作为第三获取节点;
基于预设的节点关联库,确定与所述第二获取节点关联的所述第三获取节点,并作为第四获取节点;
获取所述第二获取节点的第一可信度和第一风险值;
获取所述第四获取节点的第二可信度和第二风险值;
基于所述第一可信度、第一风险值、第二可信度和第二风险值,计算判定值,计算公式如下:
其中,γ为所述判定值,ε1和ε2为预设的权重值,αi为第i个所述第二获取节点的第一可信度,n为所述第二获取节点的总数目,βi,l为第i个所述第二获取节点关联的第l个第四获取节点的第二可信度,Qi为第i个所述第二获取节点关联的第四获取节点的总数目,ρi为第i个所述第二获取节点的第一风险值,σi,l为第i个所述第二获取节点关联的第l个第四获取节点的第二风险值;
若所述判定值大于等于预设的判定值阈值,将对应所述第二获取节点以及对应所述第二获取节点关联的第四获取节点作为第五获取节点;
通过所述第五获取节点获取对应于所述第二风险行为的多个第二应对策略。
上述技术方案的工作原理及有益效果为:
第一获取节点对应一个生产公司将数据发布至的节点,确定第一获取节点的节点类型,节点类型分为主节点(存储主要数据)和协同节点(存储补充的数据);基于预设的节点关联库(存储有不同获取节点的关联关系的数据库,关联关系具体为,例如:主节点对应的备节点);获取第一可信度(可信程度)、第一风险值(存在风险的大小)、第二可信度和第二风险值,计算判定值,当判定值大于等于预设的判定值阈值(例如:75)时,即可通过对应第五获取节点获取第二应对策略;对第一获取节点进行快速筛选,提升系统效率,保证获取的安全可靠;公式中,第一可信度和第二可信度与判定值呈正相关,第一风险值和第二风险值与判定值呈负相关。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于AI的安全行为分析系统,其特征在于,包括:
第一构建模块,用于构建身份信息库和安全行为分析库;
训练模块,用于将所述身份信息库和所述安全行为分析库输入预设的AI分析模型,进行模型训练;
分析模块,用于获取生产现场的多个监控点的监控信息,将所述监控信息输入训练好的AI分析模型,进行行为分析,获取分析结果;
预警模块,用于当所述分析结果包含至少一个第一风险行为时,进行相应预警;
获取多个工作人员的第一身份,同时,记录获取所述第一身份的获取流程;
对所述获取流程进行流程分析,获取流程序列;
从所述流程序列中选取最后一个第一流程,并作为第二流程,同时,将其余所述第一流程作为第三流程;
获取所述第二流程涉及的第一来源方,同时,获取所述第三流程涉及的第二来源方;
获取所述第一来源方的第一担保圈;
判断所述第二来源方是否在所述第一担保圈内,若否,将对应所述第二来源方作为第三来源方,同时,确定涉及所述第三来源方的所述第三流程,并作为第四流程;
从所述流程序列中选取所述第四流程相邻的所述第三流程,并作为第五流程;
确定所述第五流程涉及的所述第二来源方,并作为第四来源方;
当所述第四来源方的数目为1时,剔除对应所述第一身份;
当所述第四来源方的数目为2时,获取所述第四来源的第二担保圈;
判断所述第三来源方是否均在所述第二担保圈内,若否,剔除对应所述第一身份;
当所述第一身份中需要剔除的所述第一身份均剔除后,将剩余所述第一身份作为第二身份;
获取预设的第一空白数据库,将所述第二身份输入所述第一空白数据库;
当需要输入所述第一空白数据库的所述第二身份均输入后,将所述第一空白数据库作为身份信息库,完成构建。
2.如权利要求1所述的一种基于AI的安全行为分析系统,其特征在于,所述第一构建模块执行如下操作:
获取多个测试人员的第一安全行为分析记录;
获取所述第一安全行为分析记录的第一来源,同时,确定所述第一来源的来源类型,所述来源类型包括:线下来源和线上来源;
当所述第一来源的来源类型为线下来源时,获取所述第一来源对应的第一测试组的经验值;
若所述经验值小于等于预设的第一阈值,剔除对应所述第一安全行为分析记录;
否则,获取所述第一测试组的测试记录;
提取所述测试记录中对应于所述第一安全行为分析记录的多个第一记录项;
获取所述第一记录项的第一产生时间点,基于所述第一产生时间点,将所述第一记录项按照时序进行排序,获得第一记录项序列;
设置完毕后,选取所述第一记录项序列中最后一个所述第一记录项,并作为第二记录项,同时,选取所述第一记录项序列中所述第二记录项前预设数目个所述第一记录项,并作为第三记录项;
获取所述第三记录项的测试类型,所述测试类型包括:正向测试和反向测试;
当所述第三记录项的测试类型为正向测试时,将对应所述第三记录项作为第四记录项;
当所述第三记录项的测试类型为反向测试时,将对应所述第三记录项作为第五记录项;
获取所述第四记录项的第一产生时间点,并作为第二产生时间点,基于所述第二产生时间点,将所述第四记录项按照时序进行排序,获得第二记录项序列;
获取预设的第一结果稳定性分析模型,将所述第二记录项序列输入所述第一结果稳定性分析模型,获取第一结果;
获取所述第五记录项的第一产生时间点,并作为第三产生时间点,基于所述第三产生时间点,将所述第四记录项按照时序进行排序,获得第三记录项序列;
获取预设的第二结果稳定性分析模型,将所述第三记录项序列输入所述第二结果稳定性分析模型,获取第二结果;
当所述第一结果为不稳定和/或所述第二结果为不稳定时,剔除对应所述第一安全行为分析记录;
当所述第一来源的来源类型为线上来源时,获取所述第一来源对应的第二测试组和共享场景,所述共享场景包括:共享平台;
获取所述共享场景对所述第二测试组进行担保的担保值,所述担保值基于所述第二测试组向共享场景缴纳的担保金评定,同时,获取所述第二测试组的信用值;
若所述担保值小于等于预设的第二阈值和/或所述信用值小于等于预设的第三阈值,剔除对应所述第一安全行为分析记录;
当所述第一安全行为分析记录中需要剔除的所述第一安全行为分析记录均被剔除后,将剩余所述第一安全行为分析记录作为第二安全行为分析记录;
获取预设的第二空白数据库,将所述第二安全行为分析记录输入所述第二空白数据库;
当需要输入所述第二空白数据库的所述第二安全行为分析记录均输入后,将所述第二空白数据库作为安全行为分析库,完成构建。
3.如权利要求1所述的一种基于AI的安全行为分析系统,其特征在于,所述预警模块执行如下操作:
基于预设的风险行为-预警策略库,确定所述第一风险行为对应的预警策略;
基于所述预警策略,进行预警。
4.如权利要求1所述的一种基于AI的安全行为分析系统,其特征在于,还包括:
第二构建模块,用于构建风险行为-应对策略库,基于所述风险行为-应对策略库,确定所述第一风险行为对应的第一应对策略,基于所述第一应对策略,进行相应应对;
所述第二构建模块执行如下操作:
获取预设的风险行为集,所述风险行为集包括:多个第二风险行为;
获取对应于所述第二风险行为的多个第二应对策略,同时,确定所述第二应对策略对应的第一应对场景的第一属性信息;
获取所述生产现场中发生所述第二风险行为时需要应对的第二应对场景的第二属性信息;
对所述第一属性信息进行特征分析,获取至少一个第一特征;
对所述第二属性信息进行特征分析,获取至少一个第二特征;
将所述第一特征和所述第二特征进行特征匹配,若匹配符合,将匹配符合的所述第二特征作为第三特征;
基于预设的特征-应对场景-价值度库,确定所述第三特征和所述第二应对场景对应的价值度;
汇总所述价值度,获得价值度和;
将所述第二应对策略按照对应所述价值度和从大到小进行排序,获得策略序列;
选取所述策略序列中前n个所述第二应对策略,作为第三应对策略;
获取所述第三应对策略对应的至少一个第一效果值,同时,确定所述第一效果值的效果类型,所述效果类型包括:暂态和稳态;
当所述第一效果值的效果类型为暂态时,将对应所述第一效果值作为第二效果值;
当所述第一效果值的效果类型为稳态时,将对应所述第一效果值作为第三效果值;
汇总所述第二效果值,获得第一效果值和,赋予所述第一效果值和预设的第一权重,获得第一目标值;
汇总所述第三效果值,获得第二效果值和,赋予所述第二效果值和预设的第二权重,获得第二目标值;
汇总所述第一目标值和所述第二目标值,获得比较值;
将最大所述比较值对应的所述第三应对策略与对应所述第二风险行为进行配对组合,获得一个对照组;
获取预设的第三空白数据库,将所述对照组输入所述第三空白数据库;
当需要输入所述第三空白数据库的所述对照组均输入后,将所述第三空白数据库作为风险行为-应对策略库,完成构建。
5.一种基于AI的安全行为分析方法,其特征在于,包括:
步骤S1:构建身份信息库和安全行为分析库;
步骤S2:将所述身份信息库和所述安全行为分析库输入预设的AI分析模型,进行模型训练;
步骤S3:获取生产现场的多个监控点的监控信息,将所述监控信息输入训练好的AI分析模型,进行行为分析,获取分析结果;
步骤S4:当所述分析结果包含至少一个第一风险行为时,进行相应预警;
所述步骤S1中,构建身份信息库,包括:
获取多个工作人员的第一身份,同时,记录获取所述第一身份的获取流程;
对所述获取流程进行流程分析,获取流程序列;
从所述流程序列中选取最后一个第一流程,并作为第二流程,同时,将其余所述第一流程作为第三流程;
获取所述第二流程涉及的第一来源方,同时,获取所述第三流程涉及的第二来源方;
获取所述第一来源方的第一担保圈;
判断所述第二来源方是否在所述第一担保圈内,若否,将对应所述第二来源方作为第三来源方,同时,确定涉及所述第三来源方的所述第三流程,并作为第四流程;
从所述流程序列中选取所述第四流程相邻的所述第三流程,并作为第五流程;
确定所述第五流程涉及的所述第二来源方,并作为第四来源方;
当所述第四来源方的数目为1时,剔除对应所述第一身份;
当所述第四来源方的数目为2时,获取所述第四来源的第二担保圈;
判断所述第三来源方是否均在所述第二担保圈内,若否,剔除对应所述第一身份;
当所述第一身份中需要剔除的所述第一身份均剔除后,将剩余所述第一身份作为第二身份;
获取预设的第一空白数据库,将所述第二身份输入所述第一空白数据库;
当需要输入所述第一空白数据库的所述第二身份均输入后,将所述第一空白数据库作为身份信息库,完成构建。
6.如权利要求5所述的一种基于AI的安全行为分析方法,其特征在于,所述步骤S1中,构建安全行为分析库,包括:
获取多个测试人员的第一安全行为分析记录;
获取所述第一安全行为分析记录的第一来源,同时,确定所述第一来源的来源类型,所述来源类型包括:线下来源和线上来源;
当所述第一来源的来源类型为线下来源时,获取所述第一来源对应的第一测试组的经验值;
若所述经验值小于等于预设的第一阈值,剔除对应所述第一安全行为分析记录;
否则,获取所述第一测试组的测试记录;
提取所述测试记录中对应于所述第一安全行为分析记录的多个第一记录项;
获取所述第一记录项的第一产生时间点,基于所述第一产生时间点,将所述第一记录项按照时序进行排序,获得第一记录项序列;
设置完毕后,选取所述第一记录项序列中最后一个所述第一记录项,并作为第二记录项,同时,选取所述第一记录项序列中所述第二记录项前预设数目个所述第一记录项,并作为第三记录项;
获取所述第三记录项的测试类型,所述测试类型包括:正向测试和反向测试;
当所述第三记录项的测试类型为正向测试时,将对应所述第三记录项作为第四记录项;
当所述第三记录项的测试类型为反向测试时,将对应所述第三记录项作为第五记录项;
获取所述第四记录项的第一产生时间点,并作为第二产生时间点,基于所述第二产生时间点,将所述第四记录项按照时序进行排序,获得第二记录项序列;
获取预设的第一结果稳定性分析模型,将所述第二记录项序列输入所述第一结果稳定性分析模型,获取第一结果;
获取所述第五记录项的第一产生时间点,并作为第三产生时间点,基于所述第三产生时间点,将所述第四记录项按照时序进行排序,获得第三记录项序列;
获取预设的第二结果稳定性分析模型,将所述第三记录项序列输入所述第二结果稳定性分析模型,获取第二结果;
当所述第一结果为不稳定和/或所述第二结果为不稳定时,剔除对应所述第一安全行为分析记录;
当所述第一来源的来源类型为线上来源时,获取所述第一来源对应的第二测试组和共享场景,所述共享场景包括:共享平台;
获取所述共享场景对所述第二测试组进行担保的担保值,所述担保值基于所述第二测试组向共享场景缴纳的担保金评定,同时,获取所述第二测试组的信用值;
若所述担保值小于等于预设的第二阈值和/或所述信用值小于等于预设的第三阈值,剔除对应所述第一安全行为分析记录;
当所述第一安全行为分析记录中需要剔除的所述第一安全行为分析记录均被剔除后,将剩余所述第一安全行为分析记录作为第二安全行为分析记录;
获取预设的第二空白数据库,将所述第二安全行为分析记录输入所述第二空白数据库;
当需要输入所述第二空白数据库的所述第二安全行为分析记录均输入后,将所述第二空白数据库作为安全行为分析库,完成构建。
7.如权利要求5所述的一种基于AI的安全行为分析方法,其特征在于,所述步骤S4,当所述分析结果包含至少一个第一风险行为时,进行相应预警,包括:
基于预设的风险行为-预警策略库,确定所述第一风险行为对应的预警策略;
基于所述预警策略,进行预警。
8.如权利要求5所述的一种基于AI的安全行为分析方法,其特征在于,还包括:
构建风险行为-应对策略库,基于所述风险行为-应对策略库,确定所述第一风险行为对应的第一应对策略,基于所述第一应对策略,进行相应应对;
其中,构建风险行为-应对策略库,包括:
获取预设的风险行为集,所述风险行为集包括:多个第二风险行为;
获取对应于所述第二风险行为的多个第二应对策略,同时,确定所述第二应对策略对应的第一应对场景的第一属性信息;
获取所述生产现场中发生所述第二风险行为时需要应对的第二应对场景的第二属性信息;
对所述第一属性信息进行特征分析,获取至少一个第一特征;
对所述第二属性信息进行特征分析,获取至少一个第二特征;
将所述第一特征和所述第二特征进行特征匹配,若匹配符合,将匹配符合的所述第二特征作为第三特征;
基于预设的特征-应对场景-价值度库,确定所述第三特征和所述第二应对场景对应的价值度;
汇总所述价值度,获得价值度和;
将所述第二应对策略按照对应所述价值度和从大到小进行排序,获得策略序列;
选取所述策略序列中前n个所述第二应对策略,作为第三应对策略;
获取所述第三应对策略对应的至少一个第一效果值,同时,确定所述第一效果值的效果类型,所述效果类型包括:暂态和稳态;
当所述第一效果值的效果类型为暂态时,将对应所述第一效果值作为第二效果值;
当所述第一效果值的效果类型为稳态时,将对应所述第一效果值作为第三效果值;
汇总所述第二效果值,获得第一效果值和,赋予所述第一效果值和预设的第一权重,获得第一目标值;
汇总所述第三效果值,获得第二效果值和,赋予所述第二效果值和预设的第二权重,获得第二目标值;
汇总所述第一目标值和所述第二目标值,获得比较值;
将最大所述比较值对应的所述第三应对策略与对应所述第二风险行为进行配对组合,获得一个对照组;
获取预设的第三空白数据库,将所述对照组输入所述第三空白数据库;
当需要输入所述第三空白数据库的所述对照组均输入后,将所述第三空白数据库作为风险行为-应对策略库,完成构建。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175064.1A CN114048439B (zh) | 2021-10-09 | 2021-10-09 | 一种基于ai的安全行为分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111175064.1A CN114048439B (zh) | 2021-10-09 | 2021-10-09 | 一种基于ai的安全行为分析系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114048439A CN114048439A (zh) | 2022-02-15 |
CN114048439B true CN114048439B (zh) | 2022-07-26 |
Family
ID=80204982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111175064.1A Active CN114048439B (zh) | 2021-10-09 | 2021-10-09 | 一种基于ai的安全行为分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114048439B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548590B (zh) * | 2022-03-02 | 2023-02-03 | 江苏悦达绿色建筑科技有限公司 | 一种基于物联网的工程精装修智慧管理平台及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017128681A1 (zh) * | 2016-01-29 | 2017-08-03 | 上海新卡说信息技术有限公司 | 一种适于交易处理的会员管理系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3094424C (en) * | 2019-06-21 | 2022-02-22 | China University Of Mining And Technology | Safety monitoring and early-warning method for man-machine interaction behavior of underground conveyor belt operator |
CN110490124A (zh) * | 2019-08-15 | 2019-11-22 | 成都睿晓科技有限公司 | 一种智能化的加油站现场服务与风险管控系统 |
CN114730407A (zh) * | 2019-09-30 | 2022-07-08 | 西门子股份公司 | 使用神经网络对工作环境中的人类行为进行建模 |
CN111680856B (zh) * | 2020-01-14 | 2023-07-25 | 国家电网有限公司 | 电力监控系统用户行为安全预警方法和系统 |
CN111428632A (zh) * | 2020-03-23 | 2020-07-17 | 中国科学院重庆绿色智能技术研究院 | 一种绞车状态检测方法及矿工行为检测方法 |
CN112329526A (zh) * | 2020-09-29 | 2021-02-05 | 爱动超越人工智能科技(北京)有限责任公司 | 一种基于ai视觉的驾驶行为实时分析预警系统及方法 |
CN113469654B (zh) * | 2021-07-05 | 2024-03-15 | 安徽南瑞继远电网技术有限公司 | 一种基于智能算法融合的变电站多层次安全管控系统 |
-
2021
- 2021-10-09 CN CN202111175064.1A patent/CN114048439B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017128681A1 (zh) * | 2016-01-29 | 2017-08-03 | 上海新卡说信息技术有限公司 | 一种适于交易处理的会员管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114048439A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109461078B (zh) | 一种基于资金交易网络的异常交易识别方法及系统 | |
CN106951984B (zh) | 一种系统健康度动态分析预测方法及装置 | |
CN110417721A (zh) | 安全风险评估方法、装置、设备及计算机可读存储介质 | |
CN101459537A (zh) | 基于多层次多角度分析的网络安全态势感知系统及方法 | |
CN114048439B (zh) | 一种基于ai的安全行为分析系统及方法 | |
CN111476425A (zh) | 一种工程项目造价进度监管系统及方法 | |
CN113239087A (zh) | 一种反窃电稽查监控方法及系统 | |
CN113704018A (zh) | 应用运维数据处理方法、装置、计算机设备及存储介质 | |
CN111767192A (zh) | 基于人工智能的业务数据检测方法、装置、设备和介质 | |
CN111930726A (zh) | 基于离线表单的等级保护测评数据采集、分析方法及系统 | |
CN110928859A (zh) | 模型监控方法、装置、计算机设备和存储介质 | |
CN116644954B (zh) | 抽蓄工程施工安全风险智能化决策方法 | |
CN114154166A (zh) | 异常数据识别方法、装置、设备和存储介质 | |
CN112995288A (zh) | 基于知识管理的维保方法、装置和电子设备 | |
CN116934043A (zh) | 一种动漫设计任务精细化管理系统 | |
CN111049685A (zh) | 电力系统的网络安全感知系统、网络安全感知方法和装置 | |
CN114048346B (zh) | 一种基于gis的安全生产一体化管控平台及方法 | |
CN116232695A (zh) | 一种网络安全运维关联分析系统 | |
CN113723499B (zh) | 一种锂电池极耳焊接异常检测方法及系统 | |
CN114662095A (zh) | 基于操作数据的安全监测方法、装置、设备及存储介质 | |
Shchur et al. | Anomaly detection in car-booking graphs | |
CN114665986B (zh) | 一种蓝牙钥匙的测试系统及方法 | |
CN112632371A (zh) | 银行业务反欺诈方法与系统 | |
CN111275306A (zh) | 电梯改造评估方法及电梯改造评估系统 | |
CN115345465B (zh) | 一种基于基层治理事件的多色层级管理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |