[发明专利]一种设备风险预警方法、装置、终端设备及存储介质

说明书

本发明公开了一种设备风险预警方法、装置、终端设备及存储介质，其中，所述方法包括：获取设备上监测传感器采集的监测数据；将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值；当所述监测风险值大于预设风险阈值时，执行相应的预警操作。本发明中，通过监测传感器实时采集设备上的监测数据，并通过深度学习模型自动、精确地获取监测数据所对应的监测风险值，从而可根据监测风险值准确确定设备是否存在风险，并进行相应的预警操作，实现了设备风险监测的自动性、实时性，提高了设备风险监测的监测效率，进而实现了设备风险预警的及时性。

技术领域

本发明涉及风险控制技术领域，尤其涉及一种设备风险预警方法、装置、终端设备及存储介质。

背景技术

当前，各工厂或者公司为了加强对设备的风险管理，以降低生产过程中工伤事故的发生率，不仅需要建立安全生产的标准程序，并对劳动者进行安全生产方面的培训，从而让劳动者养成安全生产的强烈意识，同时，还需要通过不定时的人工检查等措施来监测设备情况，以发现设备风险，并进行相应的预警操作，从而避免生产过程中工伤事故的发生，但这种人工检查方式往往存在监测不及时、监测效率低等问题，从而很难做到实时把控设备风险，并进行及时的预警操作。

综上，如何实现设备风险监测的实时性、实现设备风险预警的及时性成为本领域技术人员亟待解决的问题。

发明内容

本发明实施例提供了一种设备风险预警方法、装置、终端设备及计算机可读存储介质，能够解决人工检查方式中监测不及时、监测效率低的问题，从而实现设备风险监测的实时性，并实现设备风险预警的及时性。

本发明实施例的第一方面，提供了一种设备风险预警方法，包括：

获取设备上监测传感器采集的监测数据；

将所述监测数据输入至预先训练完成的深度学习模型中，得到所述深度学习模型输出的监测风险值；

当所述监测风险值大于预设风险阈值时，执行相应的预警操作。

进一步地，所述深度学习模型通过以下步骤训练得到：

获取所述设备上监测传感器采集的历史监测数据以及各个所述历史监测数据所对应的设备情况；

根据所述设备情况标记各个所述历史监测数据对应的标准风险值；

将各个所述历史监测数据输入至初始的深度学习模型中，得到所述初始的深度学习模型输出的训练风险值；

计算所述训练风险值与所述历史监测数据对应的标准风险值之间的误差；

若所述误差不满足预设条件，则调整所述深度学习模型的模型参数，并将模型参数调整后的深度学习模型作为初始的深度学习模型，返回执行将各个所述历史监测数据输入至初始的深度学习模型中的步骤以及后续步骤，直到所述误差满足预设条件时，确定所述深度学习模型训练完成，并将误差满足预设条件时的深度学习模型作为训练完成的深度学习模型。

优选地，所述监测传感器包括以下至少一种：红外传感器、粉尘传感器、气体传感器、电流传感器、声音传感器、振频传感器和温度传感器；

所述监测数据包括以下至少一种：所述红外传感器采集的目标物数据、所述粉尘传感器采集的粉尘数据、所述气体传感器采集的气体数据、所述电流传感器采集的电流数据、所述声音传感器采集的声音数据、所述振频传感器采集的振频数据和所述温度传感器采集的温度数据。

可选地，所述当所述监测风险值大于预设风险阈值时，执行相应的预警操作，包括：

当所述监测风险值大于预设风险阈值时，控制所述设备上的报警装置启动，以执行报警操作。

进一步地，所述当所述监测风险值大于预设风险阈值时，执行相应的预警操作，包括：