CN115017270A - 一种基于工作票识别的机房布控方法及系统 - Google Patents

Abstract

本发明涉及机房安全技术领域，尤其涉及一种基于工作票识别的机房布控方法及系统，其方法通过提取机房资产信息、机房人员信息和历史工作票信息中的字段，根据所有字段及其对应的分类构建词料库，基于词料库对实时获取的工作票进行分词，得到分词结果以及对应的类别，根据分词结果以及对应的类别生成布控指令，将布控指令发送至指定的机房管控单元进行布控，从而基于实时的工作票进行布控，提高布控效率和准确性，也便于机房布控。

Description

一种基于工作票识别的机房布控方法及系统

技术领域

本发明涉及机房安全技术领域，尤其涉及一种基于工作票识别的机房布控方法及系统。

背景技术

随着配网技术的发展，配网主站上的业务也越来越多，配网主站机房的维护、设备上架业务也随之增多。但由于主站人员有限，在机房内作业较多的情况下，往往无法同时兼顾监护工作人员作业和自身工作。

目前现有的机房监控系统均是通过UWB定位技术及视频监控技术，在作业过程对作业人员进行监控。但由于每次作业都要人工根据工作票内容中的人员，作业时间，手动去配置门禁。根据工作票内容中的人员、作业时间、工作位置手动规划UWB定位的范围等，这样布控方式既操作繁琐又费时费力，而且容易出错。

发明内容

本发明提供了一种基于工作票识别的机房布控方法及系统，解决了现有技术中的机房布控方式既操作繁琐又费时费力，而且容易出错的技术问题。

有鉴于此，本发明第一方面提供了一种基于工作票识别的机房布控方法，包括以下步骤：

获取机房资产信息、机房人员信息和历史工作票信息；

对所述机房资产信息、所述机房人员信息和所述历史工作票信息分别提取相应的字段，对所有字段进行分类，根据所有字段及其对应的分类构建词料库；

基于所述词料库利用预先训练好的分词模型对实时获取的工作票进行分词，得到分词结果以及对应的类别，根据所述分词结果以及对应的类别生成布控指令；

将所述布控指令发送至指定的机房管控单元进行布控。

优选地，对所述机房资产信息、所述机房人员信息和所述历史工作票信息分别提取相应的字段，对所有字段进行分类，根据所有字段及其对应的分类构建词料库的步骤具体包括：

构建初始语料库；

提取所述机房资产信息中的资产名称、资产型号、资产厂家和资产位置分别对应的资产字段，将所述资产字段以及对应的类别导入到所述初始语料库中；

提取所述机房人员信息中的人员姓名、人员ID、人员所在单位名称以及是否为外单位人员情况分别对应的人员字段，将所述人员字段以及对应的类别导入到所述初始语料库中；

提取所述历史工作票信息中的工作内容，对所述工作内容进行字段分割，得到工作票字段，确定每个工作票字段的工作票字段类别，所述工作票字段类别包括上架事项、下架事项、检修事项、禁止事项、允许事项、操作开始时间和操作结束时间，将所有工作票字段以及对应的工作票字段类别导入到所述初始语料库中，得到语料库。

优选地，本方法还包括：

基于所述词料库对历史工作票信息进行分词，得到历史工作票分词结果；

将所述历史工作票分词结果与所述历史工作票信息进行比对，若所述历史工作票信息中存在未分词到的字段，则重复执行上一步骤直至历史工作票信息中所有字段被分词处理，得到相应的分词出现次数。

优选地，本方法还包括：

基于深度学习算法，利用初始分词模型通过所述词料库对所述历史工作票信息进行分词处理，得到历史工作票分词结果；

利用下式中的联合概率计算公式计算历史工作票分词结果中每个分词的准确值：

式中，

表示第一个分词的准确值，

表示第一个分词出现的次数，

表示第一个分词和第二个分词同时出现的次数，

第一个分词和第三个分词同时出现的次数，

表示第一个分词与最后一个分词同时出现的次数；

对联合概率计算公式两边取对数得到：

判断分词的准确值是否大于预设的准确值，若判断分词的准确值大于预设的准确值，则对相应分词的出现次数加一，若判断分词的准确值不大于预设的准确值，则对相应分词的出现次数减一，并根据历史工作票信息对相应的分词进行纠错，将纠错后的分词加入到词料库中，重复训练分词直至所有分词的准确值均大于预设的准确值，得到分词模型。

优选地，所述指定的机房管控单元包括门禁单元、电子围栏单元和监视单元；

则将所述布控指令发送至指定的机房管控单元进行布控的步骤具体包括：

将人员姓名、人员ID、人员所在部门、是否为外单位人员、操作开始时间和操作结束时间分别对应的分词结果生成门禁操作指令发送至所述门禁单元；

将资产名称、资产型号、资产厂家和资产位置、人员姓名和人员ID分别对应的分词结果生成电子围栏操作指令发送至所述电子围栏单元；

将人员姓名、人员ID、资产位置、上架事项、下架事项、检修事项、禁止事项和允许事项分别对应的分词结果生成监视操作指令发送至所述监视单元。

第二方面，本发明还提供了一种基于工作票识别的机房布控系统，包括：

信息获取模块，用于获取机房资产信息、机房人员信息和历史工作票信息；

词料库构建模块，用于对所述机房资产信息、所述机房人员信息和所述历史工作票信息分别提取相应的字段，对所有字段进行分类，根据所有字段及其对应的分类构建词料库；

布控生成模块，用于基于所述词料库利用预先训练好的分词模型对实时获取的工作票进行分词，得到分词结果以及对应的类别，根据所述分词结果以及对应的类别生成布控指令；

布控执行模块，用于将所述布控指令发送至指定的机房管控单元进行布控。

优选地，所述词料库构建模块具体包括：

构建模块，用于构建初始语料库；

第一提取模块，用于提取所述机房资产信息中的资产名称、资产型号、资产厂家和资产位置分别对应的资产字段，将所述资产字段以及对应的类别导入到所述初始语料库中；

第二提取模块，用于提取所述机房人员信息中的人员姓名、人员ID、人员所在单位名称以及是否为外单位人员情况分别对应的人员字段，将所述人员字段以及对应的类别导入到所述初始语料库中；

第三提取模块，用于提取所述历史工作票信息中的工作内容，对所述工作内容进行字段分割，得到工作票字段，确定每个工作票字段的工作票字段类别，所述工作票字段类别包括上架事项、下架事项、检修事项、禁止事项、允许事项、操作开始时间和操作结束时间，将所有工作票字段以及对应的工作票字段类别导入到所述初始语料库中，得到语料库。

优选地，本系统还包括：

分词模块，用于基于所述词料库对历史工作票信息进行分词，得到历史工作票分词结果；

比对模块，用于将所述历史工作票分词结果与所述历史工作票信息进行比对，若所述历史工作票信息中存在未分词到的字段，则重复执行所述分词模块的工作直至历史工作票信息中所有字段被分词处理，得到相应的分词出现次数。

优选地，本系统还包括：

分词处理模块，用于基于深度学习算法，利用初始分词模型通过所述词料库对所述历史工作票信息进行分词处理，得到历史工作票分词结果；

准确值计算模块，用于利用下式中的联合概率计算公式计算历史工作票分词结果中每个分词的准确值：

式中，

表示第一个分词的准确值，

表示第一个分词出现的次数，

表示第一个分词和第二个分词同时出现的次数，

第一个分词和第三个分词同时出现的次数，

表示第一个分词与最后一个分词同时出现的次数；

对联合概率计算公式两边取对数得到：

训练模块，用于判断分词的准确值是否大于预设的准确值，若判断分词的准确值大于预设的准确值，则对相应分词的出现次数加一，若判断分词的准确值不大于预设的准确值，则对相应分词的出现次数减一，并根据历史工作票信息对相应的分词进行纠错，将纠错后的分词加入到词料库中，重复训练分词直至所有分词的准确值均大于预设的准确值，得到分词模型。

优选地，所述指定的机房管控单元包括门禁单元、电子围栏单元和监视单元；

所述布控执行模块具体包括：

第一布控模块，用于将人员姓名、人员ID、人员所在部门、是否为外单位人员、操作开始时间和操作结束时间分别对应的分词结果生成门禁操作指令发送至所述门禁单元；

第二布控模块，用于将资产名称、资产型号、资产厂家和资产位置、人员姓名和人员ID分别对应的分词结果生成电子围栏操作指令发送至所述电子围栏单元；

第三布控模块，用于将人员姓名、人员ID、资产位置、上架事项、下架事项、检修事项、禁止事项和允许事项分别对应的分词结果生成监视操作指令发送至所述监视单元。

从以上技术方案可以看出，本发明具有以下优点：

本发明通过提取机房资产信息、机房人员信息和历史工作票信息中的字段，根据所有字段及其对应的分类构建词料库，基于所述词料库利用预先训练好的分词模型对实时获取的工作票进行分词，得到分词结果以及对应的类别，根据分词结果以及对应的类别生成布控指令，将布控指令发送至指定的机房管控单元进行布控，从而基于实时的工作票进行布控，提高布控效率和准确性，也便于机房布控。

附图说明

图1为本发明实施例提供的一种基于工作票识别的机房布控方法的流程图；

图2为本发明实施例提供的一种基于工作票识别的机房布控系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了便于理解，请参阅图1，本发明提供的一种基于工作票识别的机房布控方法，包括以下步骤：

S1、获取机房资产信息、机房人员信息和历史工作票信息。

其中，可以从机房作业管控系统中获取机房资产信息、机房人员信息和历史工作票信息。在一个示例中，还包括机房地图信息、UWB轨迹定位信息。

S2、对机房资产信息、机房人员信息和历史工作票信息分别提取相应的字段，对所有字段进行分类，根据所有字段及其对应的分类构建词料库。

其中，对于机房资产信息、机房人员信息和历史工作票信息中的关键字段均有对应的类别，

S3、基于词料库利用预先训练好的分词模型对实时获取的工作票进行分词，得到分词结果以及对应的类别，根据分词结果以及对应的类别生成布控指令。

S4、将布控指令发送至指定的机房管控单元进行布控。

需要说明的是，通过提取机房资产信息、机房人员信息和历史工作票信息中的字段，根据所有字段及其对应的分类构建词料库，基于词料库利用预先训练好的分词模型对实时获取的工作票进行分词，得到分词结果以及对应的类别，根据分词结果以及对应的类别生成布控指令，将布控指令发送至指定的机房管控单元进行布控，从而基于实时的工作票进行布控，提高布控效率和准确性，也便于机房布控。

在一个具体实施例中，步骤S2具体包括：

S201、构建初始语料库。

其中，初始语料库可以为常用词构成的语料库。

S202、提取机房资产信息中的资产名称、资产型号、资产厂家和资产位置分别对应的资产字段，将资产字段以及对应的类别导入到初始语料库中。

其中，机房资产信息以资产台账形式存在，其通过台账项目（资产名称、资产型号、资产厂家和资产位置）进行匹配，即可得到相应的字段，其中，资产位置包括机柜位置、区域位置（I区、II区或III区）。

S203、提取机房人员信息中的人员姓名、人员ID、人员所在单位名称以及是否为外单位人员情况分别对应的人员字段，将人员字段以及对应的类别导入到初始语料库中、

其中，为了便于对内部人员和外单位人员进行区分管理，通过提取是否为外单位人员情况的字段，并与相应的人员姓名和人员ID进行绑定，以确定人员情况。

S204、提取历史工作票信息中的工作内容，对工作内容进行字段分割，得到工作票字段，确定每个工作票字段的工作票字段类别，工作票字段类别包括上架事项、下架事项、检修事项、禁止事项、允许事项、操作开始时间和操作结束时间，将所有工作票字段以及对应的工作票字段类别导入到初始语料库中，得到语料库。

其中，工作内容是存在数据库表的字段里的，工作票是对应数据库表里的记录，则可以通过数据库表即可获取到工作内容。

在一个具体实施例中，本方法还包括：

S5、基于词料库对历史工作票信息进行分词，得到历史工作票分词结果；

S6、将历史工作票分词结果与历史工作票信息进行比对，若历史工作票信息中存在未分词到的字段，则重复执行上一步骤直至历史工作票信息中所有字段被分词处理，得到相应的分词出现次数。

其中，通过将语料库循环抽取语句对历史工作票进行分词，得到分词结果，由于语料库的词语存在遗漏，则可能出现有些词语识别不到，不停地训练，让语料库能够更加精准地识别语义并进行分词处理。

在分词过程中，当得到语料库中的某句语句时，能识别到的词会以Wn表示识别到的第几个词，识别不到的字会以O表示，当看到O识别不到的字，通过手工组词并归类入库，这样词库中会增加新的词语，下次碰到相同的词就会自动识别了。

在一个具体实施例中，本方法还包括：

基于深度学习算法，利用初始分词模型通过词料库对历史工作票信息进行分词处理，得到历史工作票分词结果；

利用下式中的联合概率计算公式计算历史工作票分词结果中每个分词的准确值：

式中，

表示第一个分词的准确值，

表示第一个分词出现的次数，

表示第一个分词和第二个分词同时出现的次数，

第一个分词和第三个分词同时出现的次数，

表示第一个分词与最后一个分词同时出现的次数；

对联合概率计算公式两边取对数得到：

判断分词的准确值是否大于预设的准确值，若判断分词的准确值大于预设的准确值，则对相应分词的出现次数加一，若判断分词的准确值不大于预设的准确值，则对相应分词的出现次数减一，并根据历史工作票信息对相应的分词进行纠错，将纠错后的分词加入到词料库中，重复训练分词直至所有分词的准确值均大于预设的准确值，得到分词模型。

其中，由于前述通过语料库对历史工作票进行不断地分词训练，在机房管控工作票的语境环境下，各词语的出现次数已经都记录在了词料库中，而对于实时获取的工作票进行分词，则会使频率越高的词语，则会越容易选中。

在一个具体实施例中，指定的机房管控单元包括门禁单元、电子围栏单元和监视单元；

则步骤S4具体包括：

S401、将人员姓名、人员ID、人员所在部门、是否为外单位人员、操作开始时间和操作结束时间分别对应的分词结果生成门禁操作指令发送至门禁单元；

S402、将资产名称、资产型号、资产厂家和资产位置、人员姓名和人员ID分别对应的分词结果生成电子围栏操作指令发送至电子围栏单元；

S403、将人员姓名、人员ID、资产位置、上架事项、下架事项、检修事项、禁止事项和允许事项分别对应的分词结果生成监视操作指令发送至监视单元。

在一个示例中，在对实时获取的工作票进行分词归类后，形成了一条布控指令，如：张三和李四，在2022.5.20 9:00-2022.5.31 18:00进入安全接入区，下架P23机柜U12服务器和上架P35机柜U03服务器。则通过布控指令根据

词语类别绑定相应的布控单元进行布控。

其中，将张三和李四绑定到系统的人员管理，人员管理中存有他们各自的头像，将头像信息和他俩绑定的门卡信息，作业时间信息发送给门禁，门禁对他们没在作业时间内是不能验证通过。

同时，当工作时间达到工作票中的工作结束时间或工作票达到工作票终结阶段时，系统自动回收临时门禁权限，工作人员无法进入机房，若检测到仍有人员停留在工作区域，马上在管控平台中告警，同时，视频AI会检测工作区域中是否存在物品遗漏，并进行告警。

将资产位置发送到电子围栏单元，根据区域位置和机柜位置，识别到了安全接入区P23机柜和P35机柜，根据机房地图自动生成电子围栏，电子围栏包含工作区域和工作人员进出的必经路线。通过UWB轨迹追踪，定位工作人员是否有超越电子围栏超过10秒，若有，马上在管控平台中报警。

根据分词后的操作类，识别到了下架和上架，下架安全接入区P23机柜U12服务器和上架安全接入区P35机柜U03服务器，管控系统对监控和VR进行布防，工作人员佩戴智能眼镜，如作业人员在安全接入区P23机柜或P35机柜前未戴智能眼镜，视频监控则会告警，并将告警上送到管控系统。戴好智能眼镜后对安全接入区P23机柜U12服务器或P35机柜U03服务器进行操作时，智能眼镜上的摄像头，对着正在操作的U位设备，实时监视人员工作内容,如作业人员没有按照工作票里申请的操作，则VR会产生告警，并将告警上送到管控系统。

以上为本发明提供的一种基于工作票识别的机房布控方法的实施例的详细描述，以下为本发明提供的一种基于工作票识别的机房布控系统的实施例的详细描述。

为了方便理解，请参阅图2，本发明提供的一种基于工作票识别的机房布控系统，包括：

信息获取模块100，用于获取机房资产信息、机房人员信息和历史工作票信息；

词料库构建模块200，用于对机房资产信息、机房人员信息和历史工作票信息分别提取相应的字段，对所有字段进行分类，根据所有字段及其对应的分类构建词料库；

布控生成模块300，用于基于词料库利用预先训练好的分词模型对实时获取的工作票进行分词，得到分词结果以及对应的类别，根据分词结果以及对应的类别生成布控指令；

布控执行模块400，用于将布控指令发送至指定的机房管控单元进行布控。

在一个具体实施例中，词料库构建模块具体包括：

构建模块，用于构建初始语料库；

第一提取模块，用于提取机房资产信息中的资产名称、资产型号、资产厂家和资产位置分别对应的资产字段，将资产字段以及对应的类别导入到初始语料库中；

第二提取模块，用于提取机房人员信息中的人员姓名、人员ID、人员所在单位名称以及是否为外单位人员情况分别对应的人员字段，将人员字段以及对应的类别导入到初始语料库中；

第三提取模块，用于提取历史工作票信息中的工作内容，对工作内容进行字段分割，得到工作票字段，确定每个工作票字段的工作票字段类别，工作票字段类别包括上架事项、下架事项、检修事项、禁止事项、允许事项、操作开始时间和操作结束时间，将所有工作票字段以及对应的工作票字段类别导入到初始语料库中，得到语料库。

在一个具体实施例中，本系统还包括：

分词模块，用于基于词料库对历史工作票信息进行分词，得到历史工作票分词结果；

比对模块，用于将历史工作票分词结果与历史工作票信息进行比对，若历史工作票信息中存在未分词到的字段，则重复执行分词模块的工作直至历史工作票信息中所有字段被分词处理，得到相应的分词出现次数。

在一个具体实施例中，本系统还包括：

分词处理模块，用于基于深度学习算法，利用初始分词模型通过词料库对历史工作票信息进行分词处理，得到历史工作票分词结果；

准确值计算模块，用于利用下式中的联合概率计算公式计算历史工作票分词结果中每个分词的准确值：

式中，

表示第一个分词的准确值，

表示第一个分词出现的次数，

表示第一个分词和第二个分词同时出现的次数，

第一个分词和第三个分词同时出现的次数，

表示第一个分词与最后一个分词同时出现的次数；

对联合概率计算公式两边取对数得到：

训练模块，用于判断分词的准确值是否大于预设的准确值，若判断分词的准确值大于预设的准确值，则对相应分词的出现次数加一，若判断分词的准确值不大于预设的准确值，则对相应分词的出现次数减一，并根据历史工作票信息对相应的分词进行纠错，将纠错后的分词加入到词料库中，重复训练分词直至所有分词的准确值均大于预设的准确值，得到分词模型。

其中，在训练阶段，分词分析结果准确率不高，识别后，让正确语义的词出线次数加一，并对错误的分词进行纠正，再重新对所有的历史工作票进行分词，随着训练次数增加，分词的语义变得越来越准确，实际应用于实时工作票后，可以通过概率算出准确真实的语义。

在一个具体实施例中，指定的机房管控单元包括门禁单元、电子围栏单元和监视单元；

布控执行模块具体包括：

第一布控模块，用于将人员姓名、人员ID、人员所在部门、是否为外单位人员、操作开始时间和操作结束时间分别对应的分词结果生成门禁操作指令发送至门禁单元；

第二布控模块，用于将资产名称、资产型号、资产厂家和资产位置、人员姓名和人员ID分别对应的分词结果生成电子围栏操作指令发送至电子围栏单元；

第三布控模块，用于将人员姓名、人员ID、资产位置、上架事项、下架事项、检修事项、禁止事项和允许事项分别对应的分词结果生成监视操作指令发送至监视单元。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于工作票识别的机房布控方法，其特征在于，包括以下步骤：

获取机房资产信息、机房人员信息和历史工作票信息；

对所述机房资产信息、所述机房人员信息和所述历史工作票信息分别提取相应的字段，对所有字段进行分类，根据所有字段及其对应的分类构建词料库；

基于所述词料库利用预先训练好的分词模型对实时获取的工作票进行分词，得到分词结果以及对应的类别，根据所述分词结果以及对应的类别生成布控指令；

将所述布控指令发送至指定的机房管控单元进行布控。

2.根据权利要求1所述的基于工作票识别的机房布控方法，其特征在于，对所述机房资产信息、所述机房人员信息和所述历史工作票信息分别提取相应的字段，对所有字段进行分类，根据所有字段及其对应的分类构建词料库的步骤具体包括：

构建初始语料库；

提取所述机房资产信息中的资产名称、资产型号、资产厂家和资产位置分别对应的资产字段，将所述资产字段以及对应的类别导入到所述初始语料库中；

提取所述机房人员信息中的人员姓名、人员ID、人员所在单位名称以及是否为外单位人员情况分别对应的人员字段，将所述人员字段以及对应的类别导入到所述初始语料库中；

提取所述历史工作票信息中的工作内容，对所述工作内容进行字段分割，得到工作票字段，确定每个工作票字段的工作票字段类别，所述工作票字段类别包括上架事项、下架事项、检修事项、禁止事项、允许事项、操作开始时间和操作结束时间，将所有工作票字段以及对应的工作票字段类别导入到所述初始语料库中，得到语料库。

3.根据权利要求1所述的基于工作票识别的机房布控方法，其特征在于，还包括：

基于所述词料库对历史工作票信息进行分词，得到历史工作票分词结果；

将所述历史工作票分词结果与所述历史工作票信息进行比对，若所述历史工作票信息中存在未分词到的字段，则重复执行上一步骤直至历史工作票信息中所有字段被分词处理，得到相应的分词出现次数。

4.根据权利要求3所述的基于工作票识别的机房布控方法，其特征在于，还包括：

基于深度学习算法，利用初始分词模型通过所述词料库对所述历史工作票信息进行分词处理，得到历史工作票分词结果；

利用下式中的联合概率计算公式计算历史工作票分词结果中每个分词的准确值：

式中，

表示第一个分词的准确值，

表示第一个分词出现的次数，

表示第一个分词和第二个分词同时出现的次数，

第一个分词和第三个分词同时出现的次数，

表示第一个分词与最后一个分词同时出现的次数；

对联合概率计算公式两边取对数得到：

判断分词的准确值是否大于预设的准确值，若判断分词的准确值大于预设的准确值，则对相应分词的出现次数加一，若判断分词的准确值不大于预设的准确值，则对相应分词的出现次数减一，并根据历史工作票信息对相应的分词进行纠错，将纠错后的分词加入到词料库中，重复训练分词直至所有分词的准确值均大于预设的准确值，得到分词模型。

5.根据权利要求2所述的基于工作票识别的机房布控方法，其特征在于，所述指定的机房管控单元包括门禁单元、电子围栏单元和监视单元；

则将所述布控指令发送至指定的机房管控单元进行布控的步骤具体包括：

将人员姓名、人员ID、人员所在部门、是否为外单位人员、操作开始时间和操作结束时间分别对应的分词结果生成门禁操作指令发送至所述门禁单元；

将资产名称、资产型号、资产厂家和资产位置、人员姓名和人员ID分别对应的分词结果生成电子围栏操作指令发送至所述电子围栏单元；

将人员姓名、人员ID、资产位置、上架事项、下架事项、检修事项、禁止事项和允许事项分别对应的分词结果生成监视操作指令发送至所述监视单元。

6.一种基于工作票识别的机房布控系统，其特征在于，包括：

信息获取模块，用于获取机房资产信息、机房人员信息和历史工作票信息；

词料库构建模块，用于对所述机房资产信息、所述机房人员信息和所述历史工作票信息分别提取相应的字段，对所有字段进行分类，根据所有字段及其对应的分类构建词料库；

布控生成模块，用于基于所述词料库利用预先训练好的分词模型对实时获取的工作票进行分词，得到分词结果以及对应的类别，根据所述分词结果以及对应的类别生成布控指令；

布控执行模块，用于将所述布控指令发送至指定的机房管控单元进行布控。

7.根据权利要求6所述的基于工作票识别的机房布控系统，其特征在于，所述词料库构建模块具体包括：

构建模块，用于构建初始语料库；

第一提取模块，用于提取所述机房资产信息中的资产名称、资产型号、资产厂家和资产位置分别对应的资产字段，将所述资产字段以及对应的类别导入到所述初始语料库中；

第二提取模块，用于提取所述机房人员信息中的人员姓名、人员ID、人员所在单位名称以及是否为外单位人员情况分别对应的人员字段，将所述人员字段以及对应的类别导入到所述初始语料库中；

第三提取模块，用于提取所述历史工作票信息中的工作内容，对所述工作内容进行字段分割，得到工作票字段，确定每个工作票字段的工作票字段类别，所述工作票字段类别包括上架事项、下架事项、检修事项、禁止事项、允许事项、操作开始时间和操作结束时间，将所有工作票字段以及对应的工作票字段类别导入到所述初始语料库中，得到语料库。

8.根据权利要求6所述的基于工作票识别的机房布控系统，其特征在于，还包括：

分词模块，用于基于所述词料库对历史工作票信息进行分词，得到历史工作票分词结果；

比对模块，用于将所述历史工作票分词结果与所述历史工作票信息进行比对，若所述历史工作票信息中存在未分词到的字段，则重复执行所述分词模块的工作直至历史工作票信息中所有字段被分词处理，得到相应的分词出现次数。

9.根据权利要求8所述的基于工作票识别的机房布控系统，其特征在于，还包括：

分词处理模块，用于基于深度学习算法，利用初始分词模型通过所述词料库对所述历史工作票信息进行分词处理，得到历史工作票分词结果；

准确值计算模块，用于利用下式中的联合概率计算公式计算历史工作票分词结果中每个分词的准确值：

式中，

表示第一个分词的准确值，

表示第一个分词出现的次数，

表示第一个分词和第二个分词同时出现的次数，

第一个分词和第三个分词同时出现的次数，

表示第一个分词与最后一个分词同时出现的次数；

对联合概率计算公式两边取对数得到：

训练模块，用于判断分词的准确值是否大于预设的准确值，若判断分词的准确值大于预设的准确值，则对相应分词的出现次数加一，若判断分词的准确值不大于预设的准确值，则对相应分词的出现次数减一，并根据历史工作票信息对相应的分词进行纠错，将纠错后的分词加入到词料库中，重复训练分词直至所有分词的准确值均大于预设的准确值，得到分词模型。

10.根据权利要求7所述的基于工作票识别的机房布控系统，其特征在于，所述指定的机房管控单元包括门禁单元、电子围栏单元和监视单元；

所述布控执行模块具体包括：

第一布控模块，用于将人员姓名、人员ID、人员所在部门、是否为外单位人员、操作开始时间和操作结束时间分别对应的分词结果生成门禁操作指令发送至所述门禁单元；

第二布控模块，用于将资产名称、资产型号、资产厂家和资产位置、人员姓名和人员ID分别对应的分词结果生成电子围栏操作指令发送至所述电子围栏单元；

第三布控模块，用于将人员姓名、人员ID、资产位置、上架事项、下架事项、检修事项、禁止事项和允许事项分别对应的分词结果生成监视操作指令发送至所述监视单元。

Images