基于神经网络的检修作业风险分析方法、装置及终端与流程

本发明属于电力检修技术领域，尤其涉及一种基于神经网络的检修作业风险分析方法、装置、终端及计算机可读存储介质。

背景技术：

目前，电力检修作为一种劳动技术密集型作业，具有复杂性、频繁性以及危险性的特点，包括了如高空作业、焊接作业和交叉作业等任务量大、劳动强度高的现场作业。在作业过程中，由于技术人员的操作不规范或者是技术设备不稳定等方面的因素，存在许多安全隐患，容易引发安全事故。

因此，对电力检修作业进行风险分析，实现对事故隐患的提前发现是保障电网安全和人员安全的重要分析项目，然而，由于电力检修的作业现场环境特殊，作业事项繁多，引发事故的影响因子多，作业事项之间的关联存在一定的模糊性，常规的风险分析方法进行风险量化分析过程复杂、风险分析结果的准确性也不够高。

技术实现要素：

有鉴于此，本发明提供了一种于神经网络的检修作业风险分析方法、装置、终端及计算机可读存储介质，以解决现有技术中对于电力检修作业的风险量化分析过程复杂、风险分析结果的准确性不够高的问题。

本发明实施例的第一方面提供了一种基于神经网络的检修作业风险分析方法，包括：

获取本次检修作业的作业信息，其中，所述作业信息包括作业类型信息和作业流程信息；

基于所述作业类型信息确定目标神经网络，其中，所述目标神经网络表示用于对所述本次检修作业进行风险分析的分析模型；

对所述作业信息进行特征提取，得到所述本次检修作业的多个作业特征项；

将所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。

本发明实施例的第二方面提供了一种基于神经网络的检修作业风险分析装置，所述装置包括：

作业信息获取单元，用于获取本次检修作业的作业信息，其中，所述作业信息包括作业类型信息和作业流程信息；

模型确定单元，用于基于所述作业类型信息确定目标神经网络，其中，所述目标神经网络表示用于对所述本次检修作业进行风险分析的分析模型；

特征提取单元，用于对所述作业信息进行特征提取，得到所述本次检修作业的多个作业特征项；

风险分析单元，用于将所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。

本发明实施例的第三方面提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述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任一项所述基于神经网络的检修作业风险分析方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如任一项所述基于神经网络的检修作业风险分析方法的步骤。

本发明与现有技术相比存在的有益效果是：

本发明获取本次检修作业的作业信息，其中，所述作业信息包括作业类型信息和作业流程信息；基于所述作业类型信息确定目标神经网络，其中，所述目标神经网络表示用于对所述本次检修作业进行风险分析的分析模型；对所述作业信息进行特征提取，得到所述本次检修作业的多个作业特征项；将所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。可见，本发明通过对不同作业类型的检修作业分别建立对应的风险分析模型，将作业流程信息中提取到的作业特征项作为风险分析模型的输入，可以得到各作业特征项分别对应的作业风险概率，从而降低了风险量化分析的难度，并且，所建立的风险分析模型可以根据一段时间内的检修作业结果记录进行模型参数的更新，有利于提高风险分析结果的准确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的基于神经网络的检修作业风险分析方法的一个实现流程图；

图2是本发明实施例提供的基于神经网络的检修作业风险分析方法的另一个实现流程图；

图3是本发明实施例提供的基于神经网络的检修作业风险分析装置的结构示意图；

图4是本发明实施例提供的终端的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。

参见图1，其示出了本发明实施例提供的基于神经网络的检修作业风险分析方法的一个实现流程图，详述如下：

在步骤101中、获取本次检修作业的作业信息，其中，所述作业信息包括作业类型信息和作业流程信息。

在本发明实施例中，电力检修作业的作业类型可以包括停电作业、带电作业、间接带电作业和远离作业其中的至少一项。电力检修作业的作业流程信息可以包括进行本次检修作业的各个操作步骤，其中，同一操作步骤在不同的作业类型下风险概率是不同的，因此，可以针对不同的作业类型分别建立风险分析模型以对不同作业类型的检修作业进行风险分析。

在步骤102中、基于所述作业类型信息确定目标神经网络，其中，所述目标神经网络表示用于对所述本次检修作业进行风险分析的分析模型。

在本发明实施例中，由于不同的作业类型分别建立风险分析模型(神经网络)，可以根据本次检修作业的作业类型信息确定目标神经网络，该目标神经网络为表示用于对所述本次检修作业进行风险分析的分析模型。

在本发明实施例中，目标神经网络可以对某检修作业流程中各作业操作步骤的风险概率进行预测，由于各操作步骤在不同的作业流程中其风险概率可能是不同的，通过神经网络进行风险预测的方式可以考虑到各操作步骤的相互关联关系，也即考虑到了在同一作业流程内先后进行的作业操作步骤的影响关系，由此得到的风险预测结果更加贴合实际，准确性也更高。

在步骤103中、对所述作业信息进行特征提取，得到所述本次检修作业的多个作业特征项。

在本发明实施例中，通过对本次检修作业的作业信息进行特征提取，将其作业过程中的每个操作步骤量化为一个作业特征，从而可以得到多个作业特征项，也即，该多个作业特征项可以作为一个多维特征数据，该多维特征数据中的每个维度表示本次检修作业过程中的一个操作步骤。

在步骤104中、将所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。

在本发明实施例中，通过将提取到的多个作业特征项输入到目标神经网络，利用该目标神经网络对输入的多个作业特征项进行风险预测，可以得到所述多个作业特征项分别对应的作业风险概率。

在本发明实施例中，所述目标神经网络需要预先进行训练，以提高风险预测的准确性，具体的，可以收集历年进行检修作业的作业记录数据，作业记录数据中统计不同的作业操作步骤在各自作业流程中的事故发生率，以作业步骤作为输入，调整神经网络的权重参数使其输出逼近事故发生率。从而得到训练号的神经网络用于检修作业的风险预测。

可选的，在上述步骤104之后还可以包括：

选取作业风险概率最高的指定个数的作业特征项；

获取所述指定个数的作业特征项分别对应的作业安全预案；

输出所述作业安全预案。

在本发明实施例中，在得到各作业特征项的风险概率之后，可以从中选取指定个数的作业特征项，例如选取风险概率最高的前三个作业特征项，将这三个作业特征项对应的作业安全预案输出给作业人员，从而可以对作业人员进行作业训练，降低作业风险的发生概率，提高作业人员的风险应对能力。

可选的，在上述步骤102之前还可以包括：

建立与所述作业类型信息对应的初始神经网络；根据检修作业事故统计数据生成训练集；利用所述训练集对所述初始神经网络进行训练，得到所述目标神经网络。

可选的，在所述利用所述训练集对所述初始神经网络进行训练之前还包括：

获取指定专家对检修作业流程中的各操作步骤的评价权重值；

将所述评价权重值作业设置为所述初始神经网络的初始参数；

相应的，所述利用所述训练集对所述初始神经网络进行训练，得到所述目标神经网络包括：

利用所述训练集对将所述评价权重值设置为初始参数的初始神经网络进行训练，得到所述目标神经网络。

在本发明实施例中，为了减少对神经网络进行训练的工作量，可以邀请相关专家对各作业步骤的风险影响权重进行预赋值，例如，可以邀请资深检修专家、检修班组成员、班组长、技术员或者其它熟悉检修作业步骤和检修风险的人员对各种检修作用中每个检修步骤可能产生的风险严重程序进行评估，通过归一化整理后得到各作业步骤的评价权重值，并将该评价权重值作为神经网络的初始参数。从而有利于缩减训练过程，并一定程度上提高了神经网络进行风险预测的准确性。

由上可知，本发明获取本次检修作业的作业信息，其中，所述作业信息包括作业类型信息和作业流程信息；基于所述作业类型信息确定目标神经网络，其中，所述目标神经网络表示用于对所述本次检修作业进行风险分析的分析模型；对所述作业信息进行特征提取，得到所述本次检修作业的多个作业特征项；将所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。可见，本发明通过对不同作业类型的检修作业分别建立对应的风险分析模型，将作业流程信息中提取到的作业特征项作为风险分析模型的输入，可以得到各作业特征项分别对应的作业风险概率，从而降低了风险量化分析的难度，并且，所建立的风险分析模型可以根据一段时间内的检修作业结果记录进行模型参数的更新，有利于提高风险分析结果的准确性。

图2示出了本发明实施例提供的基于神经网络的检修作业风险分析的另一个实现流程图，详述如下：

在步骤201中、获取本次检修作业的作业信息，其中，所述作业信息包括作业类型信息、作业流程信息和作业环境信息；

在步骤202中、基于所述作业类型信息确定目标神经网络，其中，所述目标神经网络表示用于对所述本次检修作业进行风险分析的分析模型；

在步骤203中、对所述作业信息进行特征提取，得到所述本次检修作业的多个作业特征项。

上述步骤201至步骤203具体可参见图1所示实施例中的步骤101至步骤103，在此不再赘述。

在步骤204中、基于所述作业环境信息得到所述本次检修作业的环境特征。

考虑到作业环境的不同对风险概率也会造成一定的影响，在本发明实施例中，还需要获取本次检修作业的环境特征，并将该环境特征作为预测作业风险发生概率的一个影响因素。

在本发明实施例中，作业环境信息可以包括风力信息、温度信息、雨雾信息等气象信息，还可以包括设备密度、人员可操作空间、作业高度等信息。

相应的，本发明实施例所提供的神经网络进行风险预测之前同样需要针对上述作业环境信息进行预先训练。

在步骤205中、将所述环境特征和所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。

在本发明实施例中，由于考虑到了环境的影响，从而使得预测到的作业风险概率更加准确。

可选的，在上述步骤205之后还可以包括：

选取作业风险概率最高的指定个数的作业特征项；获取所述指定个数的作业特征项分别对应的作业安全预案；输出所述作业安全预案。

在本发明实施例中，在得到各作业特征项的风险概率之后，可以从中选取指定个数的作业特征项，例如选取风险概率最高的前三个作业特征项，将这三个作业特征项对应的作业安全预案输出给作业人员，从而可以对作业人员进行作业训练，降低作业风险的发生概率，提高作业人员的风险应对能力。

可选的，在上述步骤202之前还可以包括：

建立与所述作业类型信息对应的初始神经网络；根据检修作业事故统计数据生成训练集；利用所述训练集对所述初始神经网络进行训练，得到所述目标神经网络。

可选的，在所述利用所述训练集对所述初始神经网络进行训练之前还包括：

获取指定专家对检修作业流程中的各操作步骤的评价权重值；

将所述评价权重值作业设置为所述初始神经网络的初始参数；

相应的，所述利用所述训练集对所述初始神经网络进行训练，得到所述目标神经网络包括：

利用所述训练集对将所述评价权重值设置为初始参数的初始神经网络进行训练，得到所述目标神经网络。

在本发明实施例中，为了减少对神经网络进行训练的工作量，可以邀请相关专家对各作业步骤的风险影响权重进行预赋值，例如，可以邀请资深检修专家、检修班组成员、班组长、技术员或者其它熟悉检修作业步骤和检修风险的人员对各种检修作用中每个检修步骤可能产生的风险严重程序进行评估，通过归一化整理后得到各作业步骤的评价权重值，并将该评价权重值作为神经网络的初始参数。从而有利于缩减训练过程，并一定程度上提高了神经网络进行风险预测的准确性。

由上可知，本发明获取本次检修作业的作业信息，其中，所述作业信息包括作业类型信息和作业流程信息；基于所述作业类型信息确定目标神经网络，其中，所述目标神经网络表示用于对所述本次检修作业进行风险分析的分析模型；对所述作业信息进行特征提取，得到所述本次检修作业的多个作业特征项；将所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。可见，本发明通过对不同作业类型的检修作业分别建立对应的风险分析模型，将作业流程信息中提取到的作业特征项作为风险分析模型的输入，可以得到各作业特征项分别对应的作业风险概率，从而降低了风险量化分析的难度，并且，所建立的风险分析模型可以根据一段时间内的检修作业结果记录进行模型参数的更新，有利于提高风险分析结果的准确性。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。

图3示出了本发明实施例提供的基于神经网络的检修作业风险分析装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

如图3所示，基于神经网络的检修作业风险分析装置3包括：作业信息获取单元31，模型确定单元32，特征提取单元33和风险分析单元34。

作业信息获取单元31，用于获取本次检修作业的作业信息，其中，所述作业信息包括作业类型信息和作业流程信息；

模型确定单元32，用于基于所述作业类型信息确定目标神经网络，其中，所述目标神经网络表示用于对所述本次检修作业进行风险分析的分析模型；

特征提取单元33，用于对所述作业信息进行特征提取，得到所述本次检修作业的多个作业特征项；

风险分析单元34，用于将所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。

可选的，所述作业信息还包括作业环境信息，所述装置3还包括：

环境特征分析单元，用于在所述风险分析单元34将所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率之前，基于所述作业环境信息得到所述本次检修作业的环境特征；

相应的，风险分析单元34还用于，将所述环境特征和所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。

可选的，所述装置3还包括：

作业特征项选取单元，用于所述风险分析单元34得到所述多个作业特征项分别对应的作业风险概率之后，选取作业风险概率最高的指定个数的作业特征项；

作业安全预案获取单元，用于获取所述指定个数的作业特征项分别对应的作业安全预案；

输出单元，用于输出所述作业安全预案。

可选的，所述装置3还包括：

神经网络建立单元，用于建立与所述作业类型信息对应的初始神经网络；

训练集生成单元，用于根据检修作业事故统计数据生成训练集；

训练单元，用于利用所述训练集对所述初始神经网络进行训练，得到所述目标神经网络。

可选的，所述装置3还包括：

权重获取单元，用于获取指定专家对检修作业流程中的各操作步骤的评价权重值；

初始参数设置单元，用于将所述评价权重值作业设置为所述初始神经网络的初始参数；

训练单元具体用于，利用所述训练集对将所述评价权重值设置为初始参数的初始神经网络进行训练，得到所述目标神经网络。

由上可知，本发明获取本次检修作业的作业信息，其中，所述作业信息包括作业类型信息和作业流程信息；基于所述作业类型信息确定目标神经网络，其中，所述目标神经网络表示用于对所述本次检修作业进行风险分析的分析模型；对所述作业信息进行特征提取，得到所述本次检修作业的多个作业特征项；将所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。可见，本发明通过对不同作业类型的检修作业分别建立对应的风险分析模型，将作业流程信息中提取到的作业特征项作为风险分析模型的输入，可以得到各作业特征项分别对应的作业风险概率，从而降低了风险量化分析的难度，并且，所建立的风险分析模型可以根据一段时间内的检修作业结果记录进行模型参数的更新，有利于提高风险分析结果的准确性。

图4是本发明一实施例提供的终端的示意图。如图4所示，该实施例的终端4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个基于神经网络的检修作业风险分析方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示单元31至34的功能。

示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如，所述计算机程序42可以被分割成作业信息获取单元，模型确定单元，特征提取单元和风险分析单元，各单元具体功能如下：

作业信息获取单元，用于获取本次检修作业的作业信息，其中，所述作业信息包括作业类型信息和作业流程信息；

模型确定单元，用于基于所述作业类型信息确定目标神经网络，其中，所述目标神经网络表示用于对所述本次检修作业进行风险分析的分析模型；

特征提取单元，用于对所述作业信息进行特征提取，得到所述本次检修作业的多个作业特征项；

风险分析单元，用于将所述多个作业特征项输入所述目标神经网络，得到所述多个作业特征项分别对应的作业风险概率。

所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端4的示例，并不构成对终端4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。

所称处理器40可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器41可以是所述终端4的内部存储单元，例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备，例如所述终端4上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述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。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述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，均应包含在本发明的保护范围之内。