发明内容
本发明实施例提供一种人工智能自学习的安全隐患检测方法、***、设备及介质,通过所述方法实现了对电气***潜在安全隐患的准确检测。
第一方面,本发明实施例提供了一种人工智能自学习的安全隐患检测方法,所述方法包括:
获取电气***的监测数据;
若所述监测数据满足第一预设条件,则基于所述监测数据确定至少一个目标参数;
根据所述至少一个目标参数的参数类型以及数值范围判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型,若存在,则基于与所述至少一个目标参数匹配的分类模型获得所述电气***存在的安全隐患的隐患类别;
若已有模型库中不存在与所述至少一个目标参数匹配的分类模型,则基于所述至少一个目标参数建立新的分类模型,并将新的分类模型添加至所述已有模型库。
进一步的,基于所述至少一个目标参数建立新的分类模型,并将新的分类模型添加至所述已有模型库,包括:
接收基于所述至少一个目标参数建立的新分类模型;
将所述新分类模型与已有模型库中的各模型进行匹配,以判断是否存在与所述新分类模型的功能相同的已有模型;
若存在,则将所述新分类模型与功能相同的已有模型合并。
进一步的,将所述新分类模型与已有模型库中的各模型进行匹配,以判断是否存在与所述新分类模型的功能相同的已有模型,包括:
将所述新分类模型对应的处理方式与已有模型库中各模型对应的处理方式进行匹配,若匹配相似度达到设定阈值,则确定存在与所述新分类模型的功能相同的已有模型;和/或,
将所述新分类模型对应的目标参数的参数类型以及数值范围与已有模型库中各模型对应的目标参数的参数类型以及数值范围进行匹配,若匹配相似度达到设定阈值,则确定存在与所述新分类模型的功能相同的已有模型。
进一步的,将所述新分类模型与功能相同的已有模型合并,包括:
将所述新分类模型与功能相同的已有模型进行关联存储。
进一步的,若不存在与所述新分类模型的功能相同的已有模型,则将所述新分类模型与新增模型库中的各新增分类模型进行匹配,以判断是否存在与所述新分类模型功能相同的新增分类模型;
若存在,则将所述新分类模型与功能相同的新增分类模型合并,否则,将所述新分类模型添加至新增模型库。
进一步的,将所述新分类模型与功能相同的新增分类模型合并之后,还包括:
若功能相同的新增分类模型的数量达到设定阈值,将所述功能相同的新增分类模型添加至所述已有模型库。
进一步的,若所述监测数据不满足第一预设条件,则将所述监测数据按照预设规则进行存储;所述目标参数包括:相温度、相电流、无功功率、功率因数或者相温度增量与相电流增量的比值中的至少一个;
所述隐患类别包括:接触不良、短路、漏电、过载以及电路老化中的至少一个。
第二方面,本发明实施例提供了一种人工智能自学习的安全隐患检测***,所述***包括:
获取模块,用于获取电气***的监测数据;
确定模块,用于若所述监测数据满足第一预设条件,则基于所述监测数据确定至少一个目标参数;
判断模块,用于根据所述至少一个目标参数的参数类型以及数值范围判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型;
检测模块,用于若存在与所述至少一个目标参数匹配的分类模型,则基于与所述至少一个目标参数匹配的分类模型获得所述电气***存在的安全隐患的隐患类别;
建立模块,用于若已有模型库中不存在与所述至少一个目标参数匹配的分类模型,则基于所述至少一个目标参数建立新的分类模型,并将新的分类模型添加至所述已有模型库。
第三方面,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的人工智能自学习的安全隐患检测方法。
第四方面,本发明实施例提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7任一项所述的人工智能自学习的安全隐患检测方法。
本发明实施例提供的一种人工智能自学习的安全隐患检测方法,通过获取电气***的监测数据;若所述监测数据满足第一预设条件,则基于所述监测数据确定至少一个目标参数;根据所述至少一个目标参数的参数类型以及数值范围判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型,若存在,则基于与所述至少一个目标参数匹配的分类模型获得所述电气***存在的安全隐患的隐患类别;若已有模型库中不存在与所述至少一个目标参数匹配的分类模型,则基于所述至少一个目标参数建立新的分类模型,并将新的分类模型添加至所述已有模型库的技术手段,解决了现有技术中电气火灾预警方法不会主动对电气***的安全隐患进行检测的问题,实现了对多种电气***存在的尚未达到引起火灾的潜在安全隐患的及时检测。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅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,本领域技术人员在没有作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。
实施例一
图1为本发明实施例一提供的一种人工智能自学习的安全隐患检测方法流程示意图。本实施例公开的火灾安全隐患的检测方法适用于对各种场景中的电气***的潜在安全隐患进行检测的情况,所述各种场景例如可以是商场、医院、工厂、酒店、住宅、写字楼、娱乐场所、仓库或者学校等,该人工智能自学习的安全隐患检测方法可以由人工智能自学习的安全隐患检测***来执行,其中该***可由软件和/或硬件实现,并一般集成在终端中,例如服务器等。具体参见图1所示,该方法可以包括如下步骤:
110、获取电气***的监测数据。
其中,电气***的监测数据包括电气***运行时的监测数据和电气***因故障停机时的监测数据。由于电气***在供电过程中,会因为电气线路、用电设备以及供配电设备出现故障而释放出大量热量,从而引燃电气本体或者其他可燃物而导致火灾,为了确保电气***的安全性,可以每隔一段时间主动获取电气***的监测数据,并基于所述监测数据对电气***的安全性进行分析,以在确定电气***存在安全隐患时,及时采取相应措施,确保电气***的安全。其中,所述监测数据包括但不限于以下数据,如电流数据、温度数据及功率数据等,随着电气***的不断创新,可能还会出现新的监测数据。
具体的,所述监测数据可通过配置在电气***对应位置处的传感器获得,例如通过配置在电气线路中的温度传感器获取被监测线路的温度数据,或者通过配置在电气线路中的探测器获取被监测线路的剩余电路数据等。
示例性的,获取电气***的监测数据,包括:
通过监测终端按照设定频率实时获取电气***的监测数据;
其中,所述监测终端为配置在电气***前端用于监测电气***的各种电力特征数据的设备。监测终端的监测频率可自行设置,监测终端的良好性能确保了监测数据的多样性和准确性,本实施例不对监测终端的结构以及监测方式进行限定,只要能获得种类多样且准确的监测数据即可。监测终端获取监测数据后,可进一步将监测数据打包并上传至云服务器,由云服务器完成后续的数据判别、校验、目标参数计算以及隐患类别的检测;或者监测终端获取监测数据后,由监测终端完成后续的数据判别、校验以及目标参数计算的操作,并将计算结果,即目标参数上传至云服务器,由云服务器进行隐患类别的检测。
120、若所述监测数据满足第一预设条件,则基于所述监测数据确定至少一个目标参数。
其中,所述第一预设条件具体可以是一个数值范围或者数值区间,还可以是具体的数据属性标识。例如,当所述监测数据为电气线路的剩余电流时,所述第一预设条件具体可以是根据国标对电气线路剩余电流的规定得到的一个电流数值范围,例如[300mA-1000mA],若监测到的剩余电流落在该数值范围内,则确定所述监测数据满足第一预设条件,否则确定所述监测数据不满足第一预设条件。
进一步的,所述监测数据包括电气***运行时的数据和电气***由于出现故障而停机时的数据,而用于确定电气***安全隐患的数据为电气***运行时的数据,所以所述第一预设条件具体还可以是用于标识监测数据属于电气***运行时的数据的属性标识,若监测到的数据的属性标识与属于电气***运行时的数据的属性标识一致,则确定所述监测数据满足第一预设条件。需要说明的是,在监测终端将采集的监测数据上传至云服务器时,通常会对监测数据添加属性标识,以标识当前的监测数据是电气***运行时的监测数据,还是电气***停机时的监测数据。
若所述监测数据满足第一预设条件,则基于所述监测数据确定至少一个目标参数,具体为,所述监测数据指监测到的电气***运行时的原始数据,所述目标参数指用于分析电气***是否存在安全隐患以及安全隐患对应的隐患类别的数据,所述目标参数可以是所述监测数据本身,例如监测数据为电气线路的温度值,同时,所述目标参数也为电气线路的温度值;所述目标参数还可以是通过对所述监测数据进行一定的运算处理得到。
示例性的,基于所述监测数据确定至少一个目标参数,包括:
按照预设公式对所述监测数据进行计算,以确定至少一个目标参数。
例如当所述监测数据包括线电流时,所述目标参数可以是基于线电流按照线电流与相电流之间的转换公式计算得到的某相的相电流,或者所述目标参数为线电流的平均值;当所述监测数据包括电流和电压时,所述目标参数可以是基于电流、电压按照功率的计算公式得到的功率数据;当所述监测数据包括:相温度T和相电流I时,可以按照预设公式(K2=T/I)计算相温度T和相电流I的比值K2,K2则为所述目标参数。优选的,所述目标参数包括:相温度、相电流、无功功率、功率因数或者相温度增量与相电流增量的比值中的至少一个。
若所述监测数据不满足第一预设条件,则认为所述监测数据为异常数据,将所述异常数据按照预设规则进行存储。具体的,参见图2所示的一种异常数据的处理方法的流程示意图,所述方法包括如下步骤:
210、判断所述异常数据是否有效,若是,则继续执行步骤220,否则执行步骤260。
以所述监测数据为电气***运行时的电流数据为例,若当前监测到的电流数据为2000mA,显然不满足第一预设条件([300mA-1000mA]),故该电流数据为异常数据,由于该电流数据属于电气***运行时的数据,故该电流数据为有效数据,此时,则将该电流数据保存至异常数据库,并生成异常信息警示,以提醒相关负责人对电气***进行安全排查。若该电流数据属于电气***因故障而停机时的数据,则确定该电流数据为无效数据,直接剔除即可。
220、将所述异常数据保存至异常数据库,并生成异常信息警示,以提醒相关负责人对电气***进行安全排查,继续执行步骤230。
230、判断所述异常数据与异常数据库中已有的异常数据是否可以合并,若是,则执行步骤240a,否则执行步骤240b。
判断所述异常数据与异常数据库中已有的异常数据是否可以合并,具体为判断异常数据库中是否存在与所述异常数据处于相同数值范围的已有异常数据,若存在,则确定存在可以与所述异常数据合并的匹配数据,则将所述异常数据与匹配的数据合并,合并的实质为:将所述异常数据与匹配的数据关联存储,其目的是为了标识所述异常数据与匹配的数据可能代表了相同的安全隐患,方便工程人员进行隐患排查,所述匹配的数据指与所述异常数据处于相同数值范围的已有异常数据。
240a、将所述异常数据与匹配的已有异常数据进行合并,并判断合并后的异常数据出现的频次,若所述频次达到设定阈值,则继续执行步骤250a,否则执行步骤250b。
合并后的异常数据出现的频次越高,说明电气***出现与所述异常数据对应隐患的可能性越大。
240b、将所述异常数据作为新的异常数据保存在异常数据库中。
250a、将所述合并后的异常数据作为新的隐患类别参数,并更新隐患类别参数数据库。当工程人员确定出该隐患类别参数对应的隐患类别时,则将该隐患类别参数与对应的隐患类别作为新的分类模型保存至已有模型库中,以不断丰富已有模型库中的模型种类,提高已有模型库的分类功能。
250b、将所述合并后的异常数据保存至异常数据库。
260、剔除。
130、根据所述至少一个目标参数的参数类型以及数值范围判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型,若存在,则执行步骤140;若不存在,则执行步骤150。
其中,所述目标参数的参数类型具体指参数的含义,例如参数类型可以是电流、温度或者功率等。已有模型库中的各分类模型具体可以是预先通过大量的训练样本进行训练得到的一种或者多种网络模型,所述训练样本包括目标参数以及具有该目标参数时电气***存在的隐患类别,所述网络模型例如可以是:深度神经网络模型或者卷积神经网络模型等。已有模型库中的各分类模型还可以是预先确定的目标参数与对应的隐患类别之间的对应关系,例如当目标参数包括:A相的温度、A相的电流、A相的温度增量与相电流增量的比值,无功功率以及功率因数时,目标参数与对应的隐患类别之间的对应关系可参见表1所示:
表1:目标参数与对应的隐患类别之间的对应关系
需要说明的是,上述表1仅起示例性作用,不对本实施例进行限定。
由此,当获取到所述至少一个目标参数之后,判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型,具体的,基于所述至少一个目标参数的参数类型以及对应的数值范围判断已有模型库中是否存在匹配的分类模型,若存在,则调用与所述至少一个目标参数匹配的分类模型,基于所述分类模型得到当前电气***存在的安全隐患的隐患类别。
140、基于与所述至少一个目标参数匹配的分类模型获得所述电气***存在的安全隐患的隐患类别。
具体的,基于目标参数与对应的隐患类别之间的对应关系得到当前电气***存在的安全隐患的隐患类别。其中,所述隐患类别包括:接触不良、短路、漏电、过载、电路老化、使用大功率电器、易燃物堆积以及绝缘损坏中的至少一个。需要说明的是,随着应用场景的增加,还会出现很多新的隐患类别,并不限于上述几种。
进一步的,所述分类模型还可给出隐患类别对应的处理方式,例如隐患类别为“电路老化”时,对应的处理方式为“及时更换线路电线”等,所述分类模型还可给出隐患类别对应的隐患级别,例如,漏电级别为“严重”,此时则可进一步触发报警器进行预警,以提高相关人员的重视。
150、基于所述至少一个目标参数建立新的分类模型,并将新的分类模型添加至所述已有模型库。
若已有模型库中不存在与所述至少一个目标参数匹配的分类模型,则可通过人工排查,或者通过神经网络的自学习功能,确定当前电气***存在的隐患类别,并将所述至少一个目标参数与对应的隐患类别作为新的分类模型补充至模型库中,以不断地丰富模型库中的分类模型,提高模型库中分类模型的分类功能。
在上述技术方案的基础上,进一步的,根据所述至少一个目标参数的参数类型以及数值范围判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型之前,所述方法还可以包括:
根据所述至少一个目标参数判断所述电气***是否存在安全隐患,若存在,则继续执行所述“根据所述至少一个目标参数的参数类型以及数值范围判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型”的步骤。示例性的,根据所述至少一个目标参数判断所述电气***是否存在安全隐患,包括:
根据所述目标参数的等级确定所述电气***是否存在安全隐患,例如假设所述目标参数为某相的温度,且对应的温度值为50度,经过等级判别得到等级判别结果为2级,达到安全隐患级别,因此确定当前电气***存在安全隐患;若对应的温度值为10度,经过等级判别得到等级判别结果为0级,未达到安全隐患级别,因此确定当前电气***不存在安全隐患。
或者,判断所述至少一个目标参数中的设定关键值是否超过设定阈值,若是,则确定所述电气***存在安全隐患。其中,所述设定关键值可是一个参数,例如上述举例中的温度值,还可以是几个参数之间的组合,例如当温度达到30度,同时相电流达到100mA,则确定当前电气***存在安全隐患。所述设定关键值以及对应的阈值可根据工程经验进行设置。
如果确定当前电气***存在安全隐患,则进一步进行安全隐患分析,执行步骤130,以确定隐患类别,并可根据隐患类别采取对应措施,以免发生安全事故,如果不存在安全隐患,返回执行步骤110,继续获取电气***的监测数据,对电气***进行连续不断的安全隐患监控。
本实施例提供的一种人工智能自学习的安全隐患检测方法,通过基于模型库中已有的分类模型结合电气***前端的监测数据,实现了对电气***隐患类别的检测,达到了在电气火灾酝酿期及时进行火灾预警的目的,降低了电气火灾的发生率,同时,当模型库中不存在与当前目标参数匹配的分类模型时,基于当前目标参数建立新的分类模型,并添加至模型库,实现了对模型库的实时扩充,提高了模型库的检测功能。
实施例二
图3为本发明实施例二提供的一种人工智能自学习的安全隐患检测方法的流程示意图,本实施例的技术方案在上述实施例的基础上进行了进一步地优化,具体的,对上述步骤150“基于所述至少一个目标参数建立新的分类模型,并将新的分类模型添加至所述已有模型库”进行了优化,优化的好处是实现了对模型库的实时扩充,提高了模型库的检测功能。在该方法实施例中未详尽描述的部分请参考实施例一。具体参见图3所示,该方法包括如下步骤:
310、获取电气***的监测数据,若所述监测数据满足第一预设条件,则基于所述监测数据确定至少一个目标参数。
320、根据所述至少一个目标参数的参数类型以及数值范围判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型,若存在,则执行步骤330;若不存在,则执行步骤340。
330、基于与所述至少一个目标参数匹配的分类模型获得所述电气***存在的安全隐患的隐患类别。
340、接收基于所述至少一个目标参数建立的新分类模型。
具体的,可加入人工的参与,基于所述至少一个目标参数建立新分类模型,具体可通过人工排查的方式确定所述目标参数对应的隐患类别,然后将所述目标参数与对应的隐患类别作为新的分类模型上传至云服务器,由云服务器对所述新分类模型进行存储。
350、将所述新分类模型与已有模型库中的各模型进行匹配,以判断是否存在与所述新分类模型的功能相同的已有模型,若存在,则继续执行步骤360a,否则执行步骤360b。
具体的,通过将新分类模型的参数类型、数值范围以及对应的隐患类别与已有模型库中各模型的参数类型、数值范围以及对应的隐患类别进行匹配,判断是否存在与新分类模型的功能相同的已有模型。例如新分类模型的参数类型为电流,电流值为500mA,对应的隐患类别为漏电,同时已有模型库中的一个分类模型的参数类型也为电流,电流值为400mA,对应的隐患类别为漏电,则认为该已有分类模型与所述新分类模型的功能相同,可将两者合并,合并的实质为将两个功能相同的模型关联存储,即认为这两个模型可用于检测相同的隐患类别,以规范各分类模型的存储方式,提高模型库中各分类模型被匹配调用的速度,进而提高安全隐患的检测效率。
示例性的,将所述新分类模型与已有模型库中的各模型进行匹配,以判断是否存在与所述新分类模型的功能相同的已有模型,包括:
将所述新分类模型对应的处理方式与已有模型库中各模型对应的处理方式进行匹配,若匹配相似度达到设定阈值,则确定存在与所述新分类模型的功能相同的已有模型;和/或,
将所述新分类模型对应的目标参数的参数类型以及数值范围与已有模型库中各模型对应的目标参数的参数类型以及数值范围进行匹配,若匹配相似度达到设定阈值,则确定存在与所述新分类模型的功能相同的已有模型。
模型对应的处理方式具体为,例如模型对应的隐患类别为过载,则对应的处理方式为减轻负载等。
360a、将所述新分类模型与功能相同的已有模型合并。
360b、将所述新分类模型与新增模型库中的各新增分类模型进行匹配,以判断是否存在与所述新分类模型功能相同的新增分类模型,若存在,则执行步骤370a,否则执行步骤370b。
若已有模型库中不存在与所述新分类模型的功能相同的已有模型,则将所述新分类模型保存至新增分类模型库,并将所述新分类模型与新增模型库中的各新增分类模型进行匹配,以判断是否存在与所述新分类模型功能相同的新增分类模型,若存在,则将所述新分类模型与功能相同的新增分类模型合并,否则,将所述新分类模型作为新增模型添加至新增模型库。
370a、将所述新分类模型与功能相同的新增分类模型合并,并继续执行步骤380。
370b、将所述新分类模型添加至新增模型库。
380、若功能相同的新增分类模型的数量达到设定阈值,则将所述功能相同的新增分类模型作为成熟的分类模型添加至所述已有模型库。
本实施例提供的一种人工智能自学习的安全隐患检测方法,在上述实施例的基础上,当已有模型库中不存在与所述至少一个目标参数匹配的分类模型,则基于所述至少一个目标参数建立新的分类模型,并基于一定规则将新的分类模型添加至所述已有模型库,实现了对已有模型库的实时扩充,提高了模型库的检测功能。
实施例三
图4为本发明实施例三提供的一种人工智能自学习的安全隐患检测***的结构示意图。参见图4所示,所述***包括:获取模块410、确定模块420、判断模块430、检测模块440和建立模块450;
其中,获取模块410,用于获取电气***的监测数据;确定模块420,用于若所述监测数据满足第一预设条件,则基于所述监测数据确定至少一个目标参数;判断模块430,用于根据所述至少一个目标参数的参数类型以及数值范围判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型;检测模块440,用于若存在与所述至少一个目标参数匹配的分类模型,则基于与所述至少一个目标参数匹配的分类模型获得所述电气***存在的安全隐患的隐患类别;建立模块450,用于若已有模型库中不存在与所述至少一个目标参数匹配的分类模型,则基于所述至少一个目标参数建立新的分类模型,并将新的分类模型添加至所述已有模型库。
进一步的,建立模块450包括:
接收单元,用于接收基于所述至少一个目标参数建立的新分类模型;
判断单元,用于将所述新分类模型与已有模型库中的各模型进行匹配,以判断是否存在与所述新分类模型的功能相同的已有模型;
合并单元,用于将所述新分类模型与功能相同的已有模型合并。
进一步的,判断单元具体用于将所述新分类模型对应的处理方式与已有模型库中各模型对应的处理方式进行匹配,若匹配相似度达到设定阈值,则确定存在与所述新分类模型的功能相同的已有模型;和/或,
将所述新分类模型对应的目标参数的参数类型以及数值范围与已有模型库中各模型对应的目标参数的参数类型以及数值范围进行匹配,若匹配相似度达到设定阈值,则确定存在与所述新分类模型的功能相同的已有模型。
进一步的,合并单元具体用于:
将所述新分类模型与功能相同的已有模型进行关联存储。
进一步的,所述***还包括:匹配模块,用于当不存在与所述新分类模型的功能相同的已有模型时,将所述新分类模型与新增模型库中的各新增分类模型进行匹配,以判断是否存在与所述新分类模型功能相同的新增分类模型;
所述合并单元还用于将所述新分类模型与功能相同的新增分类模型合并,
进一步的,所述***还包括:添加模块,用于当不存在与所述新分类模型功能相同的新增分类模型时,将所述新分类模型添加至新增模型库。
进一步的,所述添加模块还用于将所述新分类模型与功能相同的新增分类模型合并之后,若功能相同的新增分类模型的数量达到设定阈值时,将所述功能相同的新增分类模型添加至所述已有模型库。
进一步的,若所述监测数据不满足第一预设条件,则将所述监测数据按照预设规则进行存储;所述目标参数包括:相温度、相电流、无功功率、功率因数或者相温度增量与相电流增量的比值中的至少一个;所述隐患类别包括:接触不良、短路、漏电、过载以及电路老化中的至少一个。
本实施例提供的人工智能自学习的安全隐患检测***,通过基于模型库中已有的分类模型结合电气***前端的监测数据,实现了对电气***隐患类别的检测,达到了在电气火灾酝酿期及时进行火灾预警的目的,降低了电气火灾的发生率,同时,当模型库中不存在与当前目标参数匹配的分类模型时,基于当前目标参数建立新的分类模型,并添加至模型库,实现了对模型库的实时扩充,提高了模型库的检测功能。
本发明实施例所提供的人工智能自学习的安全隐患检测***可执行本发明任意实施例所提供的人工智能自学习的安全隐患检测方法,具备执行方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的人工智能自学习的安全隐患检测方法。
实施例四
图5为本发明实施例四提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图5显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,***存储器28,连接不同***组件(包括***存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,***总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及***组件互连(PCI)总线。
电子设备12典型地包括多种计算机***可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
***存储器28可以包括易失性存储器形式的计算机***可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例,存储***34可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如人工智能自学习的安全隐患检测***的获取模块410、确定模块420、判断模块430、检测模块440和建立模块450)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如人工智能自学习的安全隐患检测***的获取模块410、确定模块420、判断模块430、检测模块440和建立模块450)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID***、磁带驱动器以及数据备份存储***等。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的人工智能自学习的安全隐患检测方法,该方法包括:
获取电气***的监测数据;
若所述监测数据满足第一预设条件,则基于所述监测数据确定至少一个目标参数;
根据所述至少一个目标参数的参数类型以及数值范围判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型,若存在,则基于与所述至少一个目标参数匹配的分类模型获得所述电气***存在的安全隐患的隐患类别;
若已有模型库中不存在与所述至少一个目标参数匹配的分类模型,则基于所述至少一个目标参数建立新的分类模型,并将新的分类模型添加至所述已有模型库。
处理单元16通过运行存储在***存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的人工智能自学习的安全隐患检测方法。
当然,本领域技术人员可以理解,处理器还可以实现本发明任意实施例所提供的人工智能自学习的安全隐患检测方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明实施例所提供的人工智能自学习的安全隐患检测方法,该方法包括:
获取电气***的监测数据;
若所述监测数据满足第一预设条件,则基于所述监测数据确定至少一个目标参数;
根据所述至少一个目标参数的参数类型以及数值范围判断已有模型库中是否存在与所述至少一个目标参数匹配的分类模型,若存在,则基于与所述至少一个目标参数匹配的分类模型获得所述电气***存在的安全隐患的隐患类别;
若已有模型库中不存在与所述至少一个目标参数匹配的分类模型,则基于所述至少一个目标参数建立新的分类模型,并将新的分类模型添加至所述已有模型库。
当然,本发明实施例所提供的一种计算机可读存储介质,其上存储的计算机程序不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的人工智能自学习的安全隐患检测方法中的相关操作。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、***或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、***或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、***或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。