一种控制指令被执行过程的校验方法及装置与流程

1.本发明涉及计算机技术领域，特别涉及一种控制指令被执行过程的校验方法及装置。


背景技术：

2.目前，随着物联网发展的逐步推进，信息化、智能化的升级逐步从小范围的业务试点，深化到核心业务。在许多重点行业(例如：电力行业等)的核心设备的控制上，如果出现失误，将造成严重的生命、财产事故，对物联网控制的可靠性要求极高。因此，控制命令下达后，对执行器是否可靠、准确地执行了控制命令的校验步骤至关重要。


技术实现要素：

3.本发明目的之一在于提供了一种控制指令被执行过程的校验方法及装置，基于第一控制指令对应的提取策略提取目标数据，基于目标数据对第一控制指令的被执行过程进行校验，实现了对执行器是否可靠、准确地执行了控制命令的校验。
4.本发明实施例提供的一种控制指令被执行过程的校验方法，包括：
5.步骤1：获取本地缓存的多元数据；
6.步骤2：当下发第一控制指令时，基于预设的控制指令-提取策略库，确定第一控制指令对应的提取策略；
7.步骤3：基于提取策略，从多元数据中提取目标数据；
8.步骤4：基于目标数据，对第一控制指令的被执行过程进行校验。
9.优选的，步骤3：基于提取策略，从多元数据中提取目标数据，包括：
10.对提取策略进行解析，获得至少一个需求目标；
11.确定第一控制指令的下发时刻，从多元数据中提取下发时刻前需求目标对应的第一数据，同时，从多元数据中提取下发时刻后需求目标对应的第二数据；
12.将第一数据和对应第二数据进行组合，获得第一待校验数据；
13.获取需求目标的需求类型，需求类型包括：环境参数数据、视频流数据和音频流数据；
14.将第一待校验数据与对应需求类型进行关联；
15.整合第一待校验数据，获得目标数据，完成提取。
16.优选的，步骤4：基于目标数据，对第一控制指令的被执行过程进行校验，包括：
17.当需求类型为环境参数数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第二待校验数据；
18.提取第二待校验数据中的第一数据，并作为第三数据，同时，提取第二待校验数据中的第二数据，并作为第四数据；
19.基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第一预期值；
20.通过如下公式，对第一控制指令的被执行过程进行校验：
[0021][0022][0023]
其中，y1为第一校验结果，值为1表示校验通过，值为0表示校验不通过，为中间变量，c1为第一预期值，t1为预设的第一误差值，为第三数据，为第四数据，mean为求平均值函数；
[0024]
当需求类型为视频流数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第三待校验数据；
[0025]
提取第三待校验数据中的第一数据，并作为第五数据，同时，提取第三待校验数据中的第二数据，并作为第六数据；
[0026]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第二预期值；
[0027]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0028][0029]
其中，y2为第二校验结果，值为1表示校验通过，值为0表示校验不通过，fv为预设的图像分析深度学习算法函数，为第五数据，为第六数据，c2为第二预期值，t2为预设的第二误差值；
[0030]
当需求类型为音频流数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第四待校验数据；
[0031]
提取第四待校验数据中的第一数据，并作为第七数据，同时，提取第四待校验数据中的第二数据，并作为第八数据；
[0032]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第三预期值；
[0033]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0034][0035]
其中，y3为第三校验结果，值为1表示校验通过，值为0表示校验不通过，fa为时间序列音频信息深度学习算法函数，为第七数据，为第八数据，c3为第三预期值，t3为预设的第三误差值。
[0036]
优选的，步骤1：获取本地缓存的多元数据，包括：
[0037]
获取预设的缓存节点集，缓存节点集包括：多个第一缓存节点；
[0038]
基于预设的缓存节点-缓存对象库，确定第一缓存节点的至少一个缓存对象，缓存
对象包括：上传人和上传设备；
[0039]
当缓存对象为上传人时，获取上传人的第一上传记录，第一上传记录包括：多个第一记录项；
[0040]
从第一记录项中提取操作目标、操作时间节点和至少一个第一操作人；
[0041]
基于预设的操作目标-三维空间库，确定操作目标对应的三维空间；
[0042]
基于预设的操作人-面向信息库，确定第一操作人对应于操作时间节点前和/或后预设的第一时间段内的面向信息，面向信息包括：面部位置和多个面向方向；
[0043]
基于预设的映射规则，将面部位置映射于三维空间中，获得第一位置，同时，将面向方向映射于三维空间中，获得第一方向；
[0044]
获取三维空间中操作目标所在的第二位置和操作目标显示的第二方向；
[0045]
获取预设的正确操作判定模型，将第一位置、第一方向、第二位置和第二方向输入正确操作判定模型，获得第一判定结果；
[0046]
当第一判定结果为正确操作时，将对应第一操作人作为第二操作人；
[0047]
基于预设的操作目标-经验值库，确定操作目标需要的第一经验值；
[0048]
基于预设的操作人-经验值库，确定第二操作人的第二经验值；
[0049]
若第二操作人的第二经验值均小于第一经验值，确定对应第二经验值与第一经验值之间的差值；
[0050]
查询预设的操作目标-差值-严重值库，确定操作目标和差值共同对应的第一严重值；
[0051]
汇总第一严重值，获得第一严重值和；
[0052]
若第一严重值和大于等于预设的第一严重值和阈值，剔除对应第一缓存节点；
[0053]
当缓存对象为上传设备时，获取上传设备的第二上传记录，第二上传记录包括：多个第二记录项；
[0054]
从第二记录项中提取目标设备、记录类型和记录时间节点；
[0055]
基于预设的目标设备-状态信息库，确定目标设备对应于记录时间节点前和/或后预设的第二时间段内的状态信息；
[0056]
基于预设的记录类型-验证目标库，确定记录类型对应的至少一个验证目标；
[0057]
从状态信息中提取验证目标对应的目标数据；
[0058]
对目标数据进行缺陷扫描，获取缺陷值；
[0059]
基于预设的目标设备-缺陷值-严重值库，确定目标设备和缺陷值共同对应的第二严重值；
[0060]
汇总第二严重值，获得第二严重值和；
[0061]
若第二严重值和大于等于预设的第二严重值和阈值，剔除对应第一缓存节点；
[0062]
当第一缓存节点中需要剔除的第一缓存节点均被剔除后，将剩余第一缓存节点作为第二缓存节点；
[0063]
通过第二缓存节点获取缓存数据；
[0064]
整合获取的各缓存数据，获得多元数据，完成获取。
[0065]
优选的，控制指令被执行过程的校验方法，还包括：
[0066]
构建控制指令-误判概率库，当校验结果为校验不通过时，基于控制指令-误判概
率库，确定第一控制指令对应的误判概率，若误判概率大于等于预设的概率阈值，基于目标数据，重新对第一控制指令的被执行过程进行校验；
[0067]
其中，构建控制指令-误判概率库，包括：
[0068]
获取预设的控制指令集，控制指令集包括：多个第二控制指令；
[0069]
获取预设的主动获取方式集，主动获取方式集包括：多个主动获取方式；
[0070]
基于主动获取方式，主动获取对应于第二控制指令的至少一个第一误判事件；
[0071]
获取第一误判事件的产生时间节点，同时，获取第一误判事件的第一来源对应的操作记录；
[0072]
将操作记录中的多个第三记录项按照时序进行排序，获得记录序列；
[0073]
确定记录序列中对应于产生时间节点的第一位置；
[0074]
基于预设的控制指令-验证策略库，确定第二控制指令对应的验证策略；
[0075]
对验证策略进行解析，获取至少一组验证方向和验证范围；
[0076]
提取记录序列中第一位置的验证方向上验证范围内的第三记录项，并作为第四记录项；
[0077]
获取预设的误操作判定模型，将第二控制指令和第四记录项输入误操作判定模型，获取第二判定结果；
[0078]
若第二判定结果为存在误操作时，剔除对应第一误判事件；
[0079]
当第一误判事件中需要剔除的第一误判事件均被剔除后，将剩余第一误判事件作为第二误判事件；
[0080]
当被动获取到对应于第二控制指令的至少一个第三误判事件时，获取第三误判事件的第二来源；
[0081]
获取对第二来源进行担保的多个第三来源，同时，确定第二来源和第三来源之间的担保关系，担保关系包括：直接担保和间接担保；
[0082]
若担保关系为直接担保，获取第三来源的第一担保圈；
[0083]
确定存在于第一担保圈内的多个第四来源；
[0084]
基于预设的来源-恶意记录库，确定第四来源对应的至少一个第一恶意记录；
[0085]
获取预设的风险评定模型，将第一恶意记录输入风险值评定模型，获取第一风险值；
[0086]
汇总第一风险值，获得第一风险值和；
[0087]
若担保关系为间接担保，获取同时对第二来源和第三来源进行担保的至少一个第五来源；
[0088]
获取第五来源的第二担保圈；
[0089]
确定存在于第二担保圈内的多个第六来源；
[0090]
基于来源-恶意记录库，确定第六来源对应的至少一个第二恶意记录；
[0091]
将第二恶意记录输入风险评定模型，获取第二风险值；
[0092]
汇总第二风险值，获得第二风险值和；
[0093]
若第一风险值和小于等于预设的第一风险值和阈值和/或第二风险值和小于等于预设的第二风险值和阈值，剔除对应第三误判事件；
[0094]
当第三误判事件中需要剔除的第三误判事件均被剔除后，将剩余第三误判事件作
为第四误判事件；
[0095]
获取预设的概率判定模型，将第二误判事件和第四误判事件输入概率判定模型，获取概率；
[0096]
将概率与对应控制指令进行组合，获得一个对照组；
[0097]
获取预设的空白数据库，将对照组存入空白数据库；
[0098]
当需要存入空白数据库的对照组均存入后，将空白数据库作为控制指令-误判概率库，完成构建。
[0099]
本发明实施例提供的一种控制指令被执行过程的校验系统，包括：
[0100]
获取模块，用于获取本地缓存的多元数据；
[0101]
确定模块，用于当下发第一控制指令时，基于预设的控制指令-提取策略库，确定第一控制指令对应的提取策略；
[0102]
提取模块，用于基于提取策略，从多元数据中提取目标数据；
[0103]
校验模块，用于基于目标数据，对第一控制指令的被执行过程进行校验。
[0104]
优选的，提取模块执行如下操作：
[0105]
对提取策略进行解析，获得至少一个需求目标；
[0106]
确定第一控制指令的下发时刻，从多元数据中提取下发时刻前需求目标对应的第一数据，同时，从多元数据中提取下发时刻后需求目标对应的第二数据；
[0107]
将第一数据和对应第二数据进行组合，获得第一待校验数据；
[0108]
获取需求目标的需求类型，需求类型包括：环境参数数据、视频流数据和音频流数据；
[0109]
将第一待校验数据与对应需求类型进行关联；
[0110]
整合第一待校验数据，获得目标数据，完成提取。
[0111]
优选的，校验模块执行如下操作：
[0112]
当需求类型为环境参数数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第二待校验数据；
[0113]
提取第二待校验数据中的第一数据，并作为第三数据，同时，提取第二待校验数据中的第二数据，并作为第四数据；
[0114]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第一预期值；
[0115]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0116][0117][0118]
其中，y1为第一校验结果，值为1表示校验通过，值为0表示校验不通过，为中间变量，c1为第一预期值，t1为预设的第一误差值，为第三数据，为第四数据，mean为求平均值函数；
[0119]
当需求类型为视频流数据时，提取目标数据中需求类型关联的第一待校验数据，
并作为第三待校验数据；
[0120]
提取第三待校验数据中的第一数据，并作为第五数据，同时，提取第三待校验数据中的第二数据，并作为第六数据；
[0121]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第二预期值；
[0122]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0123][0124]
其中，y2为第二校验结果，值为1表示校验通过，值为0表示校验不通过，fv为预设的图像分析深度学习算法函数，为第五数据，为第六数据，c2为第二预期值，t2为预设的第二误差值；
[0125]
当需求类型为音频流数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第四待校验数据；
[0126]
提取第四待校验数据中的第一数据，并作为第七数据，同时，提取第四待校验数据中的第二数据，并作为第八数据；
[0127]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第三预期值；
[0128]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0129][0130]
其中，y3为第三校验结果，值为1表示校验通过，值为0表示校验不通过，fa为时间序列音频信息深度学习算法函数，为第七数据，为第八数据，c3为第三预期值，t3为预设的第三误差值。
[0131]
优选的，获取模块执行如下操作：
[0132]
获取预设的缓存节点集，缓存节点集包括：多个第一缓存节点；
[0133]
基于预设的缓存节点-缓存对象库，确定第一缓存节点的至少一个缓存对象，缓存对象包括：上传人和上传设备；
[0134]
当缓存对象为上传人时，获取上传人的第一上传记录，第一上传记录包括：多个第一记录项；
[0135]
从第一记录项中提取操作目标、操作时间节点和至少一个第一操作人；
[0136]
基于预设的操作目标-三维空间库，确定操作目标对应的三维空间；
[0137]
基于预设的操作人-面向信息库，确定第一操作人对应于操作时间节点前和/或后预设的第一时间段内的面向信息，面向信息包括：面部位置和多个面向方向；
[0138]
基于预设的映射规则，将面部位置映射于三维空间中，获得第一位置，同时，将面向方向映射于三维空间中，获得第一方向；
[0139]
获取三维空间中操作目标所在的第二位置和操作目标显示的第二方向；
[0140]
获取预设的正确操作判定模型，将第一位置、第一方向、第二位置和第二方向输入
正确操作判定模型，获得第一判定结果；
[0141]
当第一判定结果为正确操作时，将对应第一操作人作为第二操作人；
[0142]
基于预设的操作目标-经验值库，确定操作目标需要的第一经验值；
[0143]
基于预设的操作人-经验值库，确定第二操作人的第二经验值；
[0144]
若第二操作人的第二经验值均小于第一经验值，确定对应第二经验值与第一经验值之间的差值；
[0145]
查询预设的操作目标-差值-严重值库，确定操作目标和差值共同对应的第一严重值；
[0146]
汇总第一严重值，获得第一严重值和；
[0147]
若第一严重值和大于等于预设的第一严重值和阈值，剔除对应第一缓存节点；
[0148]
当缓存对象为上传设备时，获取上传设备的第二上传记录，第二上传记录包括：多个第二记录项；
[0149]
从第二记录项中提取目标设备、记录类型和记录时间节点；
[0150]
基于预设的目标设备-状态信息库，确定目标设备对应于记录时间节点前和/或后预设的第二时间段内的状态信息；
[0151]
基于预设的记录类型-验证目标库，确定记录类型对应的至少一个验证目标；
[0152]
从状态信息中提取验证目标对应的目标数据；
[0153]
对目标数据进行缺陷扫描，获取缺陷值；
[0154]
基于预设的目标设备-缺陷值-严重值库，确定目标设备和缺陷值共同对应的第二严重值；
[0155]
汇总第二严重值，获得第二严重值和；
[0156]
若第二严重值和大于等于预设的第二严重值和阈值，剔除对应第一缓存节点；
[0157]
当第一缓存节点中需要剔除的第一缓存节点均被剔除后，将剩余第一缓存节点作为第二缓存节点；
[0158]
通过第二缓存节点获取缓存数据；
[0159]
整合获取的各缓存数据，获得多元数据，完成获取。
[0160]
优选的，控制指令被执行过程的校验系统，还包括：
[0161]
重新校验模块，用于构建控制指令-误判概率库，当校验结果为校验不通过时，基于控制指令-误判概率库，确定第一控制指令对应的误判概率，若误判概率大于等于预设的概率阈值，基于目标数据，重新对第一控制指令的被执行过程进行校验；
[0162]
重新校验模块执行如下操作：
[0163]
获取预设的控制指令集，控制指令集包括：多个第二控制指令；
[0164]
获取预设的主动获取方式集，主动获取方式集包括：多个主动获取方式；
[0165]
基于主动获取方式，主动获取对应于第二控制指令的至少一个第一误判事件；
[0166]
获取第一误判事件的产生时间节点，同时，获取第一误判事件的第一来源对应的操作记录；
[0167]
将操作记录中的多个第三记录项按照时序进行排序，获得记录序列；
[0168]
确定记录序列中对应于产生时间节点的第一位置；
[0169]
基于预设的控制指令-验证策略库，确定第二控制指令对应的验证策略；
[0170]
对验证策略进行解析，获取至少一组验证方向和验证范围；
[0171]
提取记录序列中第一位置的验证方向上验证范围内的第三记录项，并作为第四记录项；
[0172]
获取预设的误操作判定模型，将第二控制指令和第四记录项输入误操作判定模型，获取第二判定结果；
[0173]
若第二判定结果为存在误操作时，剔除对应第一误判事件；
[0174]
当第一误判事件中需要剔除的第一误判事件均被剔除后，将剩余第一误判事件作为第二误判事件；
[0175]
当被动获取到对应于第二控制指令的至少一个第三误判事件时，获取第三误判事件的第二来源；
[0176]
获取对第二来源进行担保的多个第三来源，同时，确定第二来源和第三来源之间的担保关系，担保关系包括：直接担保和间接担保；
[0177]
若担保关系为直接担保，获取第三来源的第一担保圈；
[0178]
确定存在于第一担保圈内的多个第四来源；
[0179]
基于预设的来源-恶意记录库，确定第四来源对应的至少一个第一恶意记录；
[0180]
获取预设的风险评定模型，将第一恶意记录输入风险值评定模型，获取第一风险值；
[0181]
汇总第一风险值，获得第一风险值和；
[0182]
若担保关系为间接担保，获取同时对第二来源和第三来源进行担保的至少一个第五来源；
[0183]
获取第五来源的第二担保圈；
[0184]
确定存在于第二担保圈内的多个第六来源；
[0185]
基于来源-恶意记录库，确定第六来源对应的至少一个第二恶意记录；
[0186]
将第二恶意记录输入风险评定模型，获取第二风险值；
[0187]
汇总第二风险值，获得第二风险值和；
[0188]
若第一风险值和小于等于预设的第一风险值和阈值和/或第二风险值和小于等于预设的第二风险值和阈值，剔除对应第三误判事件；
[0189]
当第三误判事件中需要剔除的第三误判事件均被剔除后，将剩余第三误判事件作为第四误判事件；
[0190]
获取预设的概率判定模型，将第二误判事件和第四误判事件输入概率判定模型，获取概率；
[0191]
将概率与对应控制指令进行组合，获得一个对照组；
[0192]
获取预设的空白数据库，将对照组存入空白数据库；
[0193]
当需要存入空白数据库的对照组均存入后，将空白数据库作为控制指令-误判概率库，完成构建。
[0194]
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。
[0195]
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
[0196]
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：
[0197]
图1为本发明实施例中一种控制指令被执行过程的校验方法的流程图；
[0198]
图2为本发明实施例中一种控制指令被执行过程的校验应用的示意图；
[0199]
图3为本发明实施例中一种控制指令被执行过程的校验系统的示意图。
具体实施方式
[0200]
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。
[0201]
本发明实施例提供了一种控制指令被执行过程的校验方法，如图1所示，包括：
[0202]
步骤1：获取本地缓存的多元数据；
[0203]
步骤2：当下发第一控制指令时，基于预设的控制指令-提取策略库，确定第一控制指令对应的提取策略；
[0204]
步骤3：基于提取策略，从多元数据中提取目标数据；
[0205]
步骤4：基于目标数据，对第一控制指令的被执行过程进行校验。
[0206]
上述技术方案的工作原理及有益效果为：
[0207]
预设的控制指令-提取策略库具体为：包含不同控制指令对应的提取策略的数据库，例如：控制指令为关闭某阀门，提取策略为提取该阀门对应的监控数据(视频和音频等)；
[0208]
如图2所示，各设备(例如：视频监控设备和音频监控设备等)采集多元数据(例如：视频流数据、音频流数据)，在上传至服务器时，本地也进行缓存；当下发第一控制指令(例如：关闭某阀门)时，基于对应的提取策略，提取目标数据(例如：指令下达时刻前后阀门的视频数据、音频数据等)；基于目标数据，对第一控制指令的被执行过程进行校验(例如：校验指令下达时刻前后视频数据中是否表征阀门由开至关、校验指令下达时刻前后是否出现阀门关闭声音等)；
[0209]
本发明实施例基于第一控制指令对应的提取策略提取目标数据，基于目标数据对第一控制指令的被执行过程进行校验，实现了对执行器是否可靠、准确地执行了控制命令的校验。
[0210]
本发明实施例提供了一种控制指令被执行过程的校验方法，步骤3：基于提取策略，从多元数据中提取目标数据，包括：
[0211]
对提取策略进行解析，获得至少一个需求目标；
[0212]
确定第一控制指令的下发时刻，从多元数据中提取下发时刻前需求目标对应的第一数据，同时，从多元数据中提取下发时刻后需求目标对应的第二数据；
[0213]
将第一数据和对应第二数据进行组合，获得第一待校验数据；
[0214]
获取需求目标的需求类型，需求类型包括：环境参数数据、视频流数据和音频流数据；
[0215]
将第一待校验数据与对应需求类型进行关联；
[0216]
整合第一待校验数据，获得目标数据，完成提取。
[0217]
上述技术方案的工作原理及有益效果为：
[0218]
解析提取策略中的需求目标(例如：第一控制指令为关闭某阀门，需求目标为该阀门的视频流数据)；从多元数据中提取第一控制指令下发时刻前后的第一数据和第二数据；将第一数据和第二数据进行组合，获得第一待校验数据，并与对应需求类型进行关联；整合各第一待校验数据，获得目标数据。
[0219]
本发明实施例提供了一种控制指令被执行过程的校验方法，步骤4：基于目标数据，对第一控制指令的被执行过程进行校验，包括：
[0220]
当需求类型为环境参数数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第二待校验数据；
[0221]
提取第二待校验数据中的第一数据，并作为第三数据，同时，提取第二待校验数据中的第二数据，并作为第四数据；
[0222]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第一预期值；
[0223]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0224][0225][0226]
其中，y1为第一校验结果，值为1表示校验通过，值为0表示校验不通过，为中间变量，c1为第一预期值，t1为预设的第一误差值，为第三数据，为第四数据，mean为求平均值函数；
[0227]
当需求类型为视频流数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第三待校验数据；
[0228]
提取第三待校验数据中的第一数据，并作为第五数据，同时，提取第三待校验数据中的第二数据，并作为第六数据；
[0229]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第二预期值；
[0230]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0231][0232]
其中，y2为第二校验结果，值为1表示校验通过，值为0表示校验不通过，fv为预设的图像分析深度学习算法函数，为第五数据，为第六数据，c2为第二预期值，t2为预设的第二误差值；
[0233]
当需求类型为音频流数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第四待校验数据；
[0234]
提取第四待校验数据中的第一数据，并作为第七数据，同时，提取第四待校验数据中的第二数据，并作为第八数据；
[0235]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第三预期值；
[0236]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0237][0238]
其中，y3为第三校验结果，值为1表示校验通过，值为0表示校验不通过，fa为时间序列音频信息深度学习算法函数，为第七数据，为第八数据，c3为第三预期值，t3为预设的第三误差值。
[0239]
上述技术方案的工作原理及有益效果为：
[0240]
控制指令-需求类型-预期值库具体为：包含不同控制指令和不同需求类型对应的预期值的数据库，例如：控制指令为关闭某阀门、需求类型为视频流数据、预期值为6；
[0241]
对数字量/模拟量采集单元的数据(环境参数数据)进行校验，通过以下函数进行计算：
[0242][0243]
其中，为(数字量/模拟量传感器数据组数，时间序列长度)组成的二维矩阵；先分别对控制命令下达前后时间序列t0,t1的数据组求均值，再求控制命令前后的数据变化差值，并将结果与预期值c1进行比较，如果绝对值差异在误差阈值范围内，则本步校验成功，进入下一步，对视频流数据进行校验计算；否则，校验失败，向中心报告异常；
[0244]
对视频流数据使用人工智能深度学习算法进行计算。为控制指令下达前后视频抽出的多帧图像矩阵；表示图像分析深度学习算法，根据不同应用场景下实际的精度、计算资源、功耗等要求，选择合适的深度学习模型(比如，图像分析深度学习算法函数可以使用cnn算法)，输出结果与预期值c2进行比较，如果绝对值在误差阈值范围之内，则通过本步校验，进入下一步，对音频流数据进行校验；否则校验失败。
[0245]
对音频流数据使用时间序列分析相关人工智能深度学习算法进行计算。为控制指令下达前后音频序列矩阵；表示时间序列信息相关深度学习算法，根据不同应用场景下实际的精度、计算资源、功耗等要求，选择合适的深度学习模型(比如，时间序列音频信息深度学习算法函数在典型的场景下可以使用bert算法来对音频时序信息进行分析)，输出结果与预期值c3进行比较，如果绝对值在误差阈值范围之内，则通过校验；否则校验失败。
[0246]
本发明实施例提供了一种控制指令被执行过程的校验方法，步骤1：获取本地缓存的多元数据，包括：
[0247]
获取预设的缓存节点集，缓存节点集包括：多个第一缓存节点；
[0248]
基于预设的缓存节点-缓存对象库，确定第一缓存节点的至少一个缓存对象，缓存对象包括：上传人和上传设备；
[0249]
当缓存对象为上传人时，获取上传人的第一上传记录，第一上传记录包括：多个第一记录项；
[0250]
从第一记录项中提取操作目标、操作时间节点和至少一个第一操作人；
[0251]
基于预设的操作目标-三维空间库，确定操作目标对应的三维空间；
[0252]
基于预设的操作人-面向信息库，确定第一操作人对应于操作时间节点前和/或后预设的第一时间段内的面向信息，面向信息包括：面部位置和多个面向方向；
[0253]
基于预设的映射规则，将面部位置映射于三维空间中，获得第一位置，同时，将面向方向映射于三维空间中，获得第一方向；
[0254]
获取三维空间中操作目标所在的第二位置和操作目标显示的第二方向；
[0255]
获取预设的正确操作判定模型，将第一位置、第一方向、第二位置和第二方向输入正确操作判定模型，获得第一判定结果；
[0256]
当第一判定结果为正确操作时，将对应第一操作人作为第二操作人；
[0257]
基于预设的操作目标-经验值库，确定操作目标需要的第一经验值；
[0258]
基于预设的操作人-经验值库，确定第二操作人的第二经验值；
[0259]
若第二操作人的第二经验值均小于第一经验值，确定对应第二经验值与第一经验值之间的差值；
[0260]
查询预设的操作目标-差值-严重值库，确定操作目标和差值共同对应的第一严重值；
[0261]
汇总第一严重值，获得第一严重值和；
[0262]
若第一严重值和大于等于预设的第一严重值和阈值，剔除对应第一缓存节点；
[0263]
当缓存对象为上传设备时，获取上传设备的第二上传记录，第二上传记录包括：多个第二记录项；
[0264]
从第二记录项中提取目标设备、记录类型和记录时间节点；
[0265]
基于预设的目标设备-状态信息库，确定目标设备对应于记录时间节点前和/或后预设的第二时间段内的状态信息；
[0266]
基于预设的记录类型-验证目标库，确定记录类型对应的至少一个验证目标；
[0267]
从状态信息中提取验证目标对应的目标数据；
[0268]
对目标数据进行缺陷扫描，获取缺陷值；
[0269]
基于预设的目标设备-缺陷值-严重值库，确定目标设备和缺陷值共同对应的第二严重值；
[0270]
汇总第二严重值，获得第二严重值和；
[0271]
若第二严重值和大于等于预设的第二严重值和阈值，剔除对应第一缓存节点；
[0272]
当第一缓存节点中需要剔除的第一缓存节点均被剔除后，将剩余第一缓存节点作为第二缓存节点；
[0273]
通过第二缓存节点获取缓存数据；
[0274]
整合获取的各缓存数据，获得多元数据，完成获取。
[0275]
上述技术方案的工作原理及有益效果为：
[0276]
预设的缓存节点-缓存对象库具体为：包含不同缓存节点对应的缓存对象的数据库，缓存对象分为上传人和上传设备，即上传人在将数据上传至服务器时，对应缓存节点缓
存其上传的数据，上传设备与之同理；预设的操作目标-三维空间库具体为：包含不同操作目标对应的三维空间的数据库，例如：操作目标为某阀门，三维空间即为该阀门附近范围内的一比一虚拟空间；预设的操作人-面向信息库具体为：包含不同操作人对应的面向信息库，面向信息具体为：操作人的面部位置(可由定位传感器采集)和脸部朝向(可由朝向传感器采集)；预设的第一时间段具体为：例如，5秒；预设的映射规则具体为：例如，操作目标为某阀门，确定面部与阀门之间的位置关系，将面部位置映射至三维空间中，确定面部朝向，也映射至三维空间中；预设的正确操作判断模型具体为：利用机器学习算法对大量人工判定操作是否正确的记录进行学习后生成的模型，例如：该模型用于判定操作人面部是否与阀门的距离较小(小于正常可视距离)、判定操作人的面部朝向与阀门的朝向满足可视关系(一般为两者的向量的夹角为钝角)；预设的操作目标-经验值库具体为：包含不同操作目标需要的经验值，例如：操作目标为某阀门，经验值为60；预设的操作目标-差值-严重值库具体为：包含不同操作目标，不同差值对应的严重值的数据库，差值越大，事件越验证，严重值越大；预设的第一严重值和阈值具体为：例如，388；预设的目标设备-状态信息库具体为：包含不同目标设备对应的状态信息的数据库，例如：目标设备为采集某阀门图像的监控设备，状态信息为温度、负载等；预设的第二时间段具体为：例如，3秒；预设的记录类型-验证目标库具体为：包含不同记录类型对应的验证目标的数据库，例如：记录类型为阀门视频记录，对应的验证目标为验证其温度是否正常、方向是否对准等；预设的目标设备-缺陷值-严重值库具体为：包含不同目标设备和不同缺陷值对应的严重值，缺陷值越大，严重值越大；预设的第二严重值和阈值具体为：425；汇总具体为：求和计算；
[0277]
在实际使用中，一些设备不能靠传感器等进行采集，例如：高温作业设备的状态参数，传感器会受温度影响，需要人工巡视进行采集，因此，第一缓存节点的缓存对象分为上传人和上传设备两种，当缓存对象为上传人时，需要验证该上传人是否有违规操作记录，即验证第一记录项(包含记录数据、操作目标、操作时间节点和操作人)是否合规，验证第一操作人是否正确进行操作(例如：面朝阀门且保持间距较小即可视)进行采集，若是，将对应第一操作人作为第二操作人，但是，由于一些设备的巡检采集较于复杂(例如：数值波动，经验足的巡检人员会果断得出围绕其进行波动的中间值或众数)，确定第二操作人的第二经验值是否高于操作目标所需的第一经验值，若均没有，上传人产生违规操作，确定第一严重值和；当缓存对象为上传设备时，确定目标设备在产生记录的记录时间节点前后状态是否正常，若否，确定第二严重值和；基于第一严重值和和第二严重值和剔除对应第一缓存节点，获取第二缓存节点；通过第二缓存节点获取缓存数据，进行整合，获得多元数据；极大程度上保证了多元数据获取的精准性，提升了多元数据的数据质量，同时，筛选严格，提升了操作人的犯错成本，一定程度上降低了其犯错概率。
[0278]
本发明实施例提供了一种控制指令被执行过程的校验方法，还包括：
[0279]
构建控制指令-误判概率库，当校验结果为校验不通过时，基于控制指令-误判概率库，确定第一控制指令对应的误判概率，若误判概率大于等于预设的概率阈值，基于目标数据，重新对第一控制指令的被执行过程进行校验；
[0280]
其中，构建控制指令-误判概率库，包括：
[0281]
获取预设的控制指令集，控制指令集包括：多个第二控制指令；
[0282]
获取预设的主动获取方式集，主动获取方式集包括：多个主动获取方式；
[0283]
基于主动获取方式，主动获取对应于第二控制指令的至少一个第一误判事件；
[0284]
获取第一误判事件的产生时间节点，同时，获取第一误判事件的第一来源对应的操作记录；
[0285]
将操作记录中的多个第三记录项按照时序进行排序，获得记录序列；
[0286]
确定记录序列中对应于产生时间节点的第一位置；
[0287]
基于预设的控制指令-验证策略库，确定第二控制指令对应的验证策略；
[0288]
对验证策略进行解析，获取至少一组验证方向和验证范围；
[0289]
提取记录序列中第一位置的验证方向上验证范围内的第三记录项，并作为第四记录项；
[0290]
获取预设的误操作判定模型，将第二控制指令和第四记录项输入误操作判定模型，获取第二判定结果；
[0291]
若第二判定结果为存在误操作时，剔除对应第一误判事件；
[0292]
当第一误判事件中需要剔除的第一误判事件均被剔除后，将剩余第一误判事件作为第二误判事件；
[0293]
当被动获取到对应于第二控制指令的至少一个第三误判事件时，获取第三误判事件的第二来源；
[0294]
获取对第二来源进行担保的多个第三来源，同时，确定第二来源和第三来源之间的担保关系，担保关系包括：直接担保和间接担保；
[0295]
若担保关系为直接担保，获取第三来源的第一担保圈；
[0296]
确定存在于第一担保圈内的多个第四来源；
[0297]
基于预设的来源-恶意记录库，确定第四来源对应的至少一个第一恶意记录；
[0298]
获取预设的风险评定模型，将第一恶意记录输入风险值评定模型，获取第一风险值；
[0299]
汇总第一风险值，获得第一风险值和；
[0300]
若担保关系为间接担保，获取同时对第二来源和第三来源进行担保的至少一个第五来源；
[0301]
获取第五来源的第二担保圈；
[0302]
确定存在于第二担保圈内的多个第六来源；
[0303]
基于来源-恶意记录库，确定第六来源对应的至少一个第二恶意记录；
[0304]
将第二恶意记录输入风险评定模型，获取第二风险值；
[0305]
汇总第二风险值，获得第二风险值和；
[0306]
若第一风险值和小于等于预设的第一风险值和阈值和/或第二风险值和小于等于预设的第二风险值和阈值，剔除对应第三误判事件；
[0307]
当第三误判事件中需要剔除的第三误判事件均被剔除后，将剩余第三误判事件作为第四误判事件；
[0308]
获取预设的概率判定模型，将第二误判事件和第四误判事件输入概率判定模型，获取概率；
[0309]
将概率与对应控制指令进行组合，获得一个对照组；
[0310]
获取预设的空白数据库，将对照组存入空白数据库；
[0311]
当需要存入空白数据库的对照组均存入后，将空白数据库作为控制指令-误判概率库，完成构建。
[0312]
上述技术方案的工作原理及有益效果为：
[0313]
预设的概率阈值具体为：例如，0.2；主动获取方式具体为：例如，主动进入其他同样使用上述指令被执行过程校验方法的机构的数据库中进行检索；预设的控制指令-验证策略库具体为：包含不同控制指令对应的验证策略的数据库，例如：控制指令为关闭某阀门，验证策略为验证误判事件产生的时间节点前(验证方向)3天(验证范围)内是否有对该阀门进行非正常(例如：添加不合格的润滑剂)的操作；预设的误操作判定模型具体为：利用机器学习算法对大量人工判定误操作的记录进行学习生成的模型，该模型可以判断第四记录项中是否存在控制指令对应的误操作；预设的来源-恶意记录库具体为：包含不同来源对应的恶意记录(数据作假)的数据库；预设的风险评定模型具体为：利用机器学习算法对大量人工评定恶意记录的风险程度的记录进行学习后生成的模型，该模型可输出风险值，风险值越大，风险程度越高；预设的第一风险值和阈值具体为：例如，855；预设的第二风险值和阈值具体为：例如，750；预设的概率判定模型具体为：利用机器学习算法对大量人工判定误判事件的发生概率的记录进行学习后生成的模型；预设的空白数据库具体为：一数据库，内无内容；汇总具体为：求和计算；
[0314]
由于时间序列音频信息深度学习算法不成熟问题等，对第一控制指令被执行过程进行校验，一定会发生误判，是概率问题；因此，可确定不同第一控制指令对应的误判概率，概率较大时，需要重新进行校验；
[0315]
在构建控制指令-误判概率库时，首先获取误判事件，获取方式分为主动获取(自身进行主动获取，对方允许自身进入对方的数据库)和被动获取(他方发送给自己，对方不允许自身进入对方的数据库)，当获取方式为主动获取时，需要验证对应第一来源的操作记录获取的第一误判事件产生的时间节点前和/或后验证范围内是否有误操作发生，若是，剔除对应第一误判事件，例如：第一控制指令为关闭阀门，然后阀门无法关闭时由于用户未及时添加润滑剂或添加了不合格的润滑剂，造成阀门关闭受阻；当获取方式为被动获取时，首先，确定对获取的第三误判事件的第二来源进行担保的第三来源和第二来源之间的担保关系，担保关系分为两种，分别为直接担保(第三来源对第二来源进行担保)和间接担保(第三来源和第二来源均被同一来源进行担保，其之间形成一种担保关系)；当担保关系为直接担保时，获取第三来源的第一担保圈(第二来源也在该担保圈内)，基于第一担保圈中第四来源的恶意记录，确定第一风险值和，第一风险值和越大，第一担保圈作废(当担保圈内的来源产生恶意记录时，会减少担保圈的寿命，当担保圈作废时，担保关系也不存在)的进度越快；当担保关系为间接担保时，确定同时对第二来源和第三来源进行担保的第五来源；获取第五来源的第二担保圈，确定第二风险值和；第二风险值和越大，第二担保圈作废的进度越快；剔除对应第三误判事件，基于剩下的第四误判事件进行概率确定，极大程度上提升了概率确定的准确性，保证了数据获取的经准确。
[0316]
本发明实施例提供了一种控制指令被执行过程的校验方法，还包括：
[0317]
随机获取对所述第一控制指令的被执行过程进行校验的校验流程；
[0318]
对所述校验流程进行流程拆分，获得多个第一流程；
[0319]
获取预设的规范验证模型，将所述第一流程输入所述规范验证模型，获取规范值；
[0320]
若所述规范值小于等于预设的规范阈值，将对应所述第一流程作为第二流程，其余所述第一流程作为第三流程；
[0321]
获取预设的影响分析模型，将所述第二流程和所述第三流程输入所述影响分析模型，获取多个影响值；
[0322]
基于所述规范值、规范阈值和影响值计算判定指数，计算公式如下：
[0323][0324]
其中，γ为所述判定指数，βi为第i个所述影响值，n为所述影响值的总数目，α为所述规范值，α0为所述规范值阈值，σ1和σ2为预设的权重值；
[0325]
若所述判定指数大于等于预设的判定指数阈值，对相应所述第一控制指令的被执行过程重新进行校验。
[0326]
上述技术方案的工作原理及有益效果为：
[0327]
预设的规范验证模型具体为：利用机器学习算法对大量人工验证流程规范性的记录进行学习后生成的模型，该模型可以验证流程规范性，输出规范值，规范值越大，流程越规范；预设的规范阈值具体为：例如，95；预设的影响分析模型具体为：利用机器学习算法对大量人工流程不规范对其余流程造成影响的影响程度进行分析的记录进行学习后生成的模型，该模型可以分析流程之间的影响，输出多个影响值，影响值越大，影响越大；预设的判定指数阈值具体为：例如，75；
[0328]
本发明实施例随机获取对所述第一控制指令的被执行过程进行校验的校验流程，计算判定指数，进行进一步校验，当判定指数大于等于判定指数阈值时，对所述第一控制指令的被执行过程重新进行校验，提升了系统的规范性；公式中，影响值与判定指数呈正相关，规范值与判定指数呈负相关。
[0329]
本发明实施例提供了一种控制指令被执行过程的校验系统，如图3所示，包括：
[0330]
获取模块1，用于获取本地缓存的多元数据；
[0331]
确定模块2，用于当下发第一控制指令时，基于预设的控制指令-提取策略库，确定第一控制指令对应的提取策略；
[0332]
提取模块3，用于基于提取策略，从多元数据中提取目标数据；
[0333]
校验模块4，用于基于目标数据，对第一控制指令的被执行过程进行校验。
[0334]
上述技术方案的工作原理及有益效果为：
[0335]
预设的控制指令-提取策略库具体为：包含不同控制指令对应的提取策略的数据库，例如：控制指令为关闭某阀门，提取策略为提取该阀门对应的监控数据(视频和音频等)；
[0336]
各设备(例如：视频监控设备和音频监控设备等)采集多元数据(例如：视频流数据、音频流数据)，在上传至服务器时，本地也进行缓存；当下发第一控制指令(例如：关闭某阀门)时，基于对应的提取策略，提取目标数据(例如：指令下达时刻前后阀门的视频数据、音频数据等)；基于目标数据，对第一控制指令的被执行过程进行校验(例如：校验指令下达时刻前后视频数据中是否表征阀门由开至关、校验指令下达时刻前后是否出现阀门关闭声音等)；
[0337]
本发明实施例基于第一控制指令对应的提取策略提取目标数据，基于目标数据对第一控制指令的被执行过程进行校验，实现了对执行器是否可靠、准确地执行了控制命令的校验。
[0338]
本发明实施例提供了一种控制指令被执行过程的校验系统，提取模块3执行如下操作：
[0339]
对提取策略进行解析，获得至少一个需求目标；
[0340]
确定第一控制指令的下发时刻，从多元数据中提取下发时刻前需求目标对应的第一数据，同时，从多元数据中提取下发时刻后需求目标对应的第二数据；
[0341]
将第一数据和对应第二数据进行组合，获得第一待校验数据；
[0342]
获取需求目标的需求类型，需求类型包括：环境参数数据、视频流数据和音频流数据；
[0343]
将第一待校验数据与对应需求类型进行关联；
[0344]
整合第一待校验数据，获得目标数据，完成提取。
[0345]
上述技术方案的工作原理及有益效果为：
[0346]
解析提取策略中的需求目标(例如：第一控制指令为关闭某阀门，需求目标为该阀门的视频流数据)；从多元数据中提取第一控制指令下发时刻前后的第一数据和第二数据；将第一数据和第二数据进行组合，获得第一待校验数据，并与对应需求类型进行关联；整合各第一待校验数据，获得目标数据。
[0347]
本发明实施例提供了一种控制指令被执行过程的校验系统，校验模块4执行如下操作：
[0348]
当需求类型为环境参数数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第二待校验数据；
[0349]
提取第二待校验数据中的第一数据，并作为第三数据，同时，提取第二待校验数据中的第二数据，并作为第四数据；
[0350]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第一预期值；
[0351]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0352][0353][0354]
其中，y1为第一校验结果，值为1表示校验通过，值为0表示校验不通过，为中间变量，c1为第一预期值，t1为预设的第一误差值，为第三数据，为第四数据，mean为求平均值函数；
[0355]
当需求类型为视频流数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第三待校验数据；
[0356]
提取第三待校验数据中的第一数据，并作为第五数据，同时，提取第三待校验数据中的第二数据，并作为第六数据；
[0357]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第二预期值；
[0358]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0359][0360]
其中，y2为第二校验结果，值为1表示校验通过，值为0表示校验不通过，fv为预设的图像分析深度学习算法函数，为第五数据，为第六数据，c2为第二预期值，t2为预设的第二误差值；
[0361]
当需求类型为音频流数据时，提取目标数据中需求类型关联的第一待校验数据，并作为第四待校验数据；
[0362]
提取第四待校验数据中的第一数据，并作为第七数据，同时，提取第四待校验数据中的第二数据，并作为第八数据；
[0363]
基于预设的控制指令-需求类型-预期值库，确定第一控制指令和需求类型共同对应的第三预期值；
[0364]
通过如下公式，对第一控制指令的被执行过程进行校验：
[0365][0366]
其中，y3为第三校验结果，值为1表示校验通过，值为0表示校验不通过，fa为时间序列音频信息深度学习算法函数，为第七数据，为第八数据，c3为第三预期值，t3为预设的第三误差值。
[0367]
上述技术方案的工作原理及有益效果为：
[0368]
控制指令-需求类型-预期值库具体为：包含不同控制指令和不同需求类型对应的预期值的数据库，例如：控制指令为关闭某阀门、需求类型为视频流数据、预期值为6；
[0369]
对数字量/模拟量采集单元的数据(环境参数数据)进行校验，通过以下函数进行计算：
[0370][0371]
其中，为(数字量/模拟量传感器数据组数，时间序列长度)组成的二维矩阵；先分别对控制命令下达前后时间序列t0,t1的数据组求均值，再求控制命令前后的数据变化差值，并将结果与预期值c1进行比较，如果绝对值差异在误差阈值范围内，则本步校验成功，进入下一步，对视频流数据进行校验计算；否则，校验失败，向中心报告异常；
[0372]
对视频流数据使用人工智能深度学习算法进行计算。为控制指令下达前后视频抽出的多帧图像矩阵；表示图像分析深度学习算法，根据不同应用场景下实际的精度、计算资源、功耗等要求，选择合适的深度学习模型(比如，图像分析
深度学习算法函数可以使用cnn算法)，输出结果与预期值c2进行比较，如果绝对值在误差阈值范围之内，则通过本步校验，进入下一步，对音频流数据进行校验；否则校验失败。
[0373]
对音频流数据使用时间序列分析相关人工智能深度学习算法进行计算。为控制指令下达前后音频序列矩阵；表示时间序列信息相关深度学习算法，根据不同应用场景下实际的精度、计算资源、功耗等要求，选择合适的深度学习模型(比如，时间序列音频信息深度学习算法函数在典型的场景下可以使用bert算法来对音频时序信息进行分析)，输出结果与预期值c3进行比较，如果绝对值在误差阈值范围之内，则通过校验；否则校验失败。
[0374]
本发明实施例提供了一种控制指令被执行过程的校验系统，获取模块1执行如下操作：
[0375]
获取预设的缓存节点集，缓存节点集包括：多个第一缓存节点；
[0376]
基于预设的缓存节点-缓存对象库，确定第一缓存节点的至少一个缓存对象，缓存对象包括：上传人和上传设备；
[0377]
当缓存对象为上传人时，获取上传人的第一上传记录，第一上传记录包括：多个第一记录项；
[0378]
从第一记录项中提取操作目标、操作时间节点和至少一个第一操作人；
[0379]
基于预设的操作目标-三维空间库，确定操作目标对应的三维空间；
[0380]
基于预设的操作人-面向信息库，确定第一操作人对应于操作时间节点前和/或后预设的第一时间段内的面向信息，面向信息包括：面部位置和多个面向方向；
[0381]
基于预设的映射规则，将面部位置映射于三维空间中，获得第一位置，同时，将面向方向映射于三维空间中，获得第一方向；
[0382]
获取三维空间中操作目标所在的第二位置和操作目标显示的第二方向；
[0383]
获取预设的正确操作判定模型，将第一位置、第一方向、第二位置和第二方向输入正确操作判定模型，获得第一判定结果；
[0384]
当第一判定结果为正确操作时，将对应第一操作人作为第二操作人；
[0385]
基于预设的操作目标-经验值库，确定操作目标需要的第一经验值；
[0386]
基于预设的操作人-经验值库，确定第二操作人的第二经验值；
[0387]
若第二操作人的第二经验值均小于第一经验值，确定对应第二经验值与第一经验值之间的差值；
[0388]
查询预设的操作目标-差值-严重值库，确定操作目标和差值共同对应的第一严重值；
[0389]
汇总第一严重值，获得第一严重值和；
[0390]
若第一严重值和大于等于预设的第一严重值和阈值，剔除对应第一缓存节点；
[0391]
当缓存对象为上传设备时，获取上传设备的第二上传记录，第二上传记录包括：多个第二记录项；
[0392]
从第二记录项中提取目标设备、记录类型和记录时间节点；
[0393]
基于预设的目标设备-状态信息库，确定目标设备对应于记录时间节点前和/或后预设的第二时间段内的状态信息；
[0394]
基于预设的记录类型-验证目标库，确定记录类型对应的至少一个验证目标；
[0395]
从状态信息中提取验证目标对应的目标数据；
[0396]
对目标数据进行缺陷扫描，获取缺陷值；
[0397]
基于预设的目标设备-缺陷值-严重值库，确定目标设备和缺陷值共同对应的第二严重值；
[0398]
汇总第二严重值，获得第二严重值和；
[0399]
若第二严重值和大于等于预设的第二严重值和阈值，剔除对应第一缓存节点；
[0400]
当第一缓存节点中需要剔除的第一缓存节点均被剔除后，将剩余第一缓存节点作为第二缓存节点；
[0401]
通过第二缓存节点获取缓存数据；
[0402]
整合获取的各缓存数据，获得多元数据，完成获取。
[0403]
上述技术方案的工作原理及有益效果为：
[0404]
预设的缓存节点-缓存对象库具体为：包含不同缓存节点对应的缓存对象的数据库，缓存对象分为上传人和上传设备，即上传人在将数据上传至服务器时，对应缓存节点缓存其上传的数据，上传设备与之同理；预设的操作目标-三维空间库具体为：包含不同操作目标对应的三维空间的数据库，例如：操作目标为某阀门，三维空间即为该阀门附近范围内的一比一虚拟空间；预设的操作人-面向信息库具体为：包含不同操作人对应的面向信息库，面向信息具体为：操作人的面部位置(可由定位传感器采集)和脸部朝向(可由朝向传感器采集)；预设的第一时间段具体为：例如，5秒；预设的映射规则具体为：例如，操作目标为某阀门，确定面部与阀门之间的位置关系，将面部位置映射至三维空间中，确定面部朝向，也映射至三维空间中；预设的正确操作判断模型具体为：利用机器学习算法对大量人工判定操作是否正确的记录进行学习后生成的模型，例如：该模型用于判定操作人面部是否与阀门的距离较小(小于正常可视距离)、判定操作人的面部朝向与阀门的朝向满足可视关系(一般为两者的向量的夹角为钝角)；预设的操作目标-经验值库具体为：包含不同操作目标需要的经验值，例如：操作目标为某阀门，经验值为60；预设的操作目标-差值-严重值库具体为：包含不同操作目标，不同差值对应的严重值的数据库，差值越大，事件越验证，严重值越大；预设的第一严重值和阈值具体为：例如，388；预设的目标设备-状态信息库具体为：包含不同目标设备对应的状态信息的数据库，例如：目标设备为采集某阀门图像的监控设备，状态信息为温度、负载等；预设的第二时间段具体为：例如，3秒；预设的记录类型-验证目标库具体为：包含不同记录类型对应的验证目标的数据库，例如：记录类型为阀门视频记录，对应的验证目标为验证其温度是否正常、方向是否对准等；预设的目标设备-缺陷值-严重值库具体为：包含不同目标设备和不同缺陷值对应的严重值，缺陷值越大，严重值越大；预设的第二严重值和阈值具体为：425；汇总具体为：求和计算；
[0405]
在实际使用中，一些设备不能靠传感器等进行采集，例如：高温作业设备的状态参数，传感器会受温度影响，需要人工巡视进行采集，因此，第一缓存节点的缓存对象分为上传人和上传设备两种，当缓存对象为上传人时，需要验证该上传人是否有违规操作记录，即验证第一记录项(包含记录数据、操作目标、操作时间节点和操作人)是否合规，验证第一操作人是否正确进行操作(例如：面朝阀门且保持间距较小即可视)进行采集，若是，将对应第一操作人作为第二操作人，但是，由于一些设备的巡检采集较于复杂(例如：数值波动，经验足的巡检人员会果断得出围绕其进行波动的中间值或众数)，确定第二操作人的第二经验
值是否高于操作目标所需的第一经验值，若均没有，上传人产生违规操作，确定第一严重值和；当缓存对象为上传设备时，确定目标设备在产生记录的记录时间节点前后状态是否正常，若否，确定第二严重值和；基于第一严重值和和第二严重值和剔除对应第一缓存节点，获取第二缓存节点；通过第二缓存节点获取缓存数据，进行整合，获得多元数据；极大程度上保证了多元数据获取的精准性，提升了多元数据的数据质量，同时，筛选严格，提升了操作人的犯错成本，一定程度上降低了其犯错概率。
[0406]
本发明实施例提供了一种控制指令被执行过程的校验系统，还包括：
[0407]
重新校验模块4，用于构建控制指令-误判概率库，当校验结果为校验不通过时，基于控制指令-误判概率库，确定第一控制指令对应的误判概率，若误判概率大于等于预设的概率阈值，基于目标数据，重新对第一控制指令的被执行过程进行校验；
[0408]
重新校验模块4执行如下操作：
[0409]
获取预设的控制指令集，控制指令集包括：多个第二控制指令；
[0410]
获取预设的主动获取方式集，主动获取方式集包括：多个主动获取方式；
[0411]
基于主动获取方式，主动获取对应于第二控制指令的至少一个第一误判事件；
[0412]
获取第一误判事件的产生时间节点，同时，获取第一误判事件的第一来源对应的操作记录；
[0413]
将操作记录中的多个第三记录项按照时序进行排序，获得记录序列；
[0414]
确定记录序列中对应于产生时间节点的第一位置；
[0415]
基于预设的控制指令-验证策略库，确定第二控制指令对应的验证策略；
[0416]
对验证策略进行解析，获取至少一组验证方向和验证范围；
[0417]
提取记录序列中第一位置的验证方向上验证范围内的第三记录项，并作为第四记录项；
[0418]
获取预设的误操作判定模型，将第二控制指令和第四记录项输入误操作判定模型，获取第二判定结果；
[0419]
若第二判定结果为存在误操作时，剔除对应第一误判事件；
[0420]
当第一误判事件中需要剔除的第一误判事件均被剔除后，将剩余第一误判事件作为第二误判事件；
[0421]
当被动获取到对应于第二控制指令的至少一个第三误判事件时，获取第三误判事件的第二来源；
[0422]
获取对第二来源进行担保的多个第三来源，同时，确定第二来源和第三来源之间的担保关系，担保关系包括：直接担保和间接担保；
[0423]
若担保关系为直接担保，获取第三来源的第一担保圈；
[0424]
确定存在于第一担保圈内的多个第四来源；
[0425]
基于预设的来源-恶意记录库，确定第四来源对应的至少一个第一恶意记录；
[0426]
获取预设的风险评定模型，将第一恶意记录输入风险值评定模型，获取第一风险值；
[0427]
汇总第一风险值，获得第一风险值和；
[0428]
若担保关系为间接担保，获取同时对第二来源和第三来源进行担保的至少一个第五来源；
[0429]
获取第五来源的第二担保圈；
[0430]
确定存在于第二担保圈内的多个第六来源；
[0431]
基于来源-恶意记录库，确定第六来源对应的至少一个第二恶意记录；
[0432]
将第二恶意记录输入风险评定模型，获取第二风险值；
[0433]
汇总第二风险值，获得第二风险值和；
[0434]
若第一风险值和小于等于预设的第一风险值和阈值和/或第二风险值和小于等于预设的第二风险值和阈值，剔除对应第三误判事件；
[0435]
当第三误判事件中需要剔除的第三误判事件均被剔除后，将剩余第三误判事件作为第四误判事件；
[0436]
获取预设的概率判定模型，将第二误判事件和第四误判事件输入概率判定模型，获取概率；
[0437]
将概率与对应控制指令进行组合，获得一个对照组；
[0438]
获取预设的空白数据库，将对照组存入空白数据库；
[0439]
当需要存入空白数据库的对照组均存入后，将空白数据库作为控制指令-误判概率库，完成构建。
[0440]
上述技术方案的工作原理及有益效果为：
[0441]
预设的概率阈值具体为：例如，0.2；主动获取方式具体为：例如，主动进入其他同样使用上述指令被执行过程校验方法的机构的数据库中进行检索；预设的控制指令-验证策略库具体为：包含不同控制指令对应的验证策略的数据库，例如：控制指令为关闭某阀门，验证策略为验证误判事件产生的时间节点前(验证方向)3天(验证范围)内是否有对该阀门进行非正常(例如：添加不合格的润滑剂)的操作；预设的误操作判定模型具体为：利用机器学习算法对大量人工判定误操作的记录进行学习生成的模型，该模型可以判断第四记录项中是否存在控制指令对应的误操作；预设的来源-恶意记录库具体为：包含不同来源对应的恶意记录(数据作假)的数据库；预设的风险评定模型具体为：利用机器学习算法对大量人工评定恶意记录的风险程度的记录进行学习后生成的模型，该模型可输出风险值，风险值越大，风险程度越高；预设的第一风险值和阈值具体为：例如，855；预设的第二风险值和阈值具体为：例如，750；预设的概率判定模型具体为：利用机器学习算法对大量人工判定误判事件的发生概率的记录进行学习后生成的模型；预设的空白数据库具体为：一数据库，内无内容；汇总具体为：求和计算；
[0442]
由于时间序列音频信息深度学习算法不成熟问题等，对第一控制指令被执行过程进行校验，一定会发生误判，是概率问题；因此，可确定不同第一控制指令对应的误判概率，概率较大时，需要重新进行校验；
[0443]
在构建控制指令-误判概率库时，首先获取误判事件，获取方式分为主动获取(自身进行主动获取，对方允许自身进入对方的数据库)和被动获取(他方发送给自己，对方不允许自身进入对方的数据库)，当获取方式为主动获取时，需要验证对应第一来源的操作记录获取的第一误判事件产生的时间节点前和/或后验证范围内是否有误操作发生，若是，剔除对应第一误判事件，例如：第一控制指令为关闭阀门，然后阀门无法关闭时由于用户未及时添加润滑剂或添加了不合格的润滑剂，造成阀门关闭受阻；当获取方式为被动获取时，首先，确定对获取的第三误判事件的第二来源进行担保的第三来源和第二来源之间的担保关
系，担保关系分为两种，分别为直接担保(第三来源对第二来源进行担保)和间接担保(第三来源和第二来源均被同一来源进行担保，其之间形成一种担保关系)；当担保关系为直接担保时，获取第三来源的第一担保圈(第二来源也在该担保圈内)，基于第一担保圈中第四来源的恶意记录，确定第一风险值和，第一风险值和越大，第一担保圈作废(当担保圈内的来源产生恶意记录时，会减少担保圈的寿命，当担保圈作废时，担保关系也不存在)的进度越快；当担保关系为间接担保时，确定同时对第二来源和第三来源进行担保的第五来源；获取第五来源的第二担保圈，确定第二风险值和；第二风险值和越大，第二担保圈作废的进度越快；剔除对应第三误判事件，基于剩下的第四误判事件进行概率确定，极大程度上提升了概率确定的准确性，保证了数据获取的经准确。
[0444]
本发明实施例提供了一种控制指令被执行过程的校验系统，还包括：
[0445]
流程校验模块，所述流程校验模块执行如下操作：
[0446]
随机获取对所述第一控制指令的被执行过程进行校验的校验流程；
[0447]
对所述校验流程进行流程拆分，获得多个第一流程；
[0448]
获取预设的规范验证模型，将所述第一流程输入所述规范验证模型，获取规范值；
[0449]
若所述规范值小于等于预设的规范阈值，将对应所述第一流程作为第二流程，其余所述第一流程作为第三流程；
[0450]
获取预设的影响分析模型，将所述第二流程和所述第三流程输入所述影响分析模型，获取多个影响值；
[0451]
基于所述规范值、规范阈值和影响值计算判定指数，计算公式如下：
[0452][0453]
其中，γ为所述判定指数，βi为第i个所述影响值，n为所述影响值的总数目，α为所述规范值，α0为所述规范值阈值，σ1和σ2为预设的权重值；
[0454]
若所述判定指数大于等于预设的判定指数阈值，对相应所述第一控制指令的被执行过程重新进行校验。
[0455]
上述技术方案的工作原理及有益效果为：
[0456]
预设的规范验证模型具体为：利用机器学习算法对大量人工验证流程规范性的记录进行学习后生成的模型，该模型可以验证流程规范性，输出规范值，规范值越大，流程越规范；预设的规范阈值具体为：例如，95；预设的影响分析模型具体为：利用机器学习算法对大量人工流程不规范对其余流程造成影响的影响程度进行分析的记录进行学习后生成的模型，该模型可以分析流程之间的影响，输出多个影响值，影响值越大，影响越大；预设的判定指数阈值具体为：例如，75；
[0457]
本发明实施例随机获取对所述第一控制指令的被执行过程进行校验的校验流程，计算判定指数，进行进一步校验，当判定指数大于等于判定指数阈值时，对所述第一控制指令的被执行过程重新进行校验，提升了系统的规范性；公式中，影响值与判定指数呈正相关，规范值与判定指数呈负相关。
[0458]
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。