本發(fā)明涉及防呆控制，尤其涉及一種ai防呆方法及系統(tǒng)。

背景技術(shù)：

1、隨著信息技術(shù)的快速發(fā)展，各種智能設(shè)備和系統(tǒng)在日常生活及工業(yè)生產(chǎn)中得到了廣泛的應(yīng)用，用戶通過這些智能系統(tǒng)進(jìn)行各種操作，從簡單的信息查詢到復(fù)雜的工業(yè)控制過程，然而，在使用過程中，由于用戶的疏忽、不熟悉操作流程或系統(tǒng)本身存在的復(fù)雜性，誤操作時(shí)有發(fā)生，誤操作可能導(dǎo)致數(shù)據(jù)丟失、設(shè)備損壞、生產(chǎn)效率降低甚至安全事故等問題，給個(gè)人、企業(yè)乃至社會(huì)帶來不可估量的損失。傳統(tǒng)的防呆措施往往依賴于人工檢查和基于規(guī)則的簡單自動(dòng)化檢查，這些方法不僅效率低下，而且，這些規(guī)則往往缺乏靈活性，難以應(yīng)對(duì)日益復(fù)雜的操作環(huán)境和新興威脅，一旦出現(xiàn)未被現(xiàn)有規(guī)則覆蓋的新情況，就容易發(fā)生誤操作而無法得到及時(shí)有效的阻止，并且，基于現(xiàn)有的規(guī)則也無法對(duì)未發(fā)生的可能誤操作進(jìn)行預(yù)測，從而實(shí)現(xiàn)提前預(yù)防的功能。

2、因此，有必要提供一種ai防呆方法及系統(tǒng)解決上述技術(shù)問題。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提供一種ai防呆方法及系統(tǒng)，達(dá)到靈活高效地阻斷誤操作發(fā)生以及提前預(yù)防誤操作發(fā)生的有益效果。

2、本發(fā)明提供了一種ai防呆方法，所述防呆方法包括以下步驟：

3、s1：獲取用戶操作目標(biāo)的實(shí)時(shí)運(yùn)行數(shù)據(jù)、當(dāng)前操作行為序列和歷史操作行為序列；

4、s2：在防呆過程中，基于實(shí)時(shí)運(yùn)行數(shù)據(jù)，并利用預(yù)訓(xùn)練的初級(jí)防呆監(jiān)測模型對(duì)誤操作行為進(jìn)行初級(jí)干預(yù)，以及基于當(dāng)前操作行為序列和歷史操作行為序列，利用預(yù)訓(xùn)練的高級(jí)防呆監(jiān)測模型對(duì)誤操作行為進(jìn)行高級(jí)干預(yù)，其中，所述誤操作行為是與用戶操作目標(biāo)的當(dāng)前運(yùn)行狀態(tài)相悖的操作行為；

5、s3：合并初級(jí)干預(yù)后的輸出結(jié)果和高級(jí)干預(yù)后的輸出結(jié)果，并通過用戶操作目標(biāo)的用戶界面反饋給用戶。

6、優(yōu)選的，所述當(dāng)前操作行為序列為包含當(dāng)前操作行為發(fā)生時(shí)刻的預(yù)設(shè)時(shí)間窗口內(nèi)執(zhí)行的所有操作行為的數(shù)據(jù)，所述歷史操作行為序列是過去一段時(shí)間窗口內(nèi)執(zhí)行的所有操作行為的數(shù)據(jù)。

7、優(yōu)選的，所述初級(jí)干預(yù)，包括以下步驟：

8、獲取用戶操作目標(biāo)的實(shí)時(shí)運(yùn)行數(shù)據(jù)；

9、基于獲取的實(shí)時(shí)運(yùn)行數(shù)據(jù)，利用初級(jí)防呆監(jiān)測模型識(shí)別出與當(dāng)前用戶操作目標(biāo)運(yùn)行狀態(tài)相悖的操作行為集合；

10、基于相悖的操作行為集合，結(jié)合預(yù)定義的干預(yù)措施映射表來確定并執(zhí)行相應(yīng)的干預(yù)措施。

11、優(yōu)選的，所述高級(jí)干預(yù)，包括以下步驟：

12、對(duì)獲取的當(dāng)前操作行為序列進(jìn)行預(yù)處理，并從預(yù)處理后的當(dāng)前操作行為序列中提取關(guān)鍵特征；

13、將提取的關(guān)鍵特征、當(dāng)前操作行為序列、歷史操作行為序列輸入預(yù)訓(xùn)練的高級(jí)防呆監(jiān)測模型，獲得當(dāng)前操作行為的當(dāng)前風(fēng)險(xiǎn)評(píng)分以及未來潛在誤操作行為的預(yù)測風(fēng)險(xiǎn)評(píng)分；

14、基于當(dāng)前風(fēng)險(xiǎn)評(píng)分對(duì)當(dāng)前操作行為進(jìn)行干預(yù)，基于預(yù)測風(fēng)險(xiǎn)評(píng)分對(duì)未來潛在誤操作行為進(jìn)行干預(yù)。

15、優(yōu)選的，所述對(duì)獲取的當(dāng)前操作行為序列進(jìn)行預(yù)處理，并從中提取關(guān)鍵特征，包括以下步驟：

16、通過噪聲過濾去除當(dāng)前操作行為序列中的重復(fù)事件、無效數(shù)據(jù)和異常值；

17、將噪聲過濾后的當(dāng)前操作行為序列進(jìn)行數(shù)據(jù)清洗；

18、提取數(shù)據(jù)清洗后的當(dāng)前操作行為序列的關(guān)鍵特征，其中，關(guān)鍵特征包括操作頻率、操作間隔、操作序列、用戶習(xí)慣、動(dòng)作模式；

19、對(duì)提取的關(guān)鍵特征進(jìn)行歸一化處理，得到歸一化處理后的關(guān)鍵特征。

20、優(yōu)選的，所述當(dāng)前風(fēng)險(xiǎn)評(píng)分的獲取，包括以下步驟：

21、將提取的關(guān)鍵特征輸入高級(jí)防呆監(jiān)測模型的第一級(jí)分類器，并對(duì)當(dāng)前操作行為的關(guān)鍵特征進(jìn)行初步分類，并對(duì)分類結(jié)果進(jìn)行標(biāo)記，如果標(biāo)記為正常，則直接將當(dāng)前操作行為的當(dāng)前風(fēng)險(xiǎn)評(píng)分設(shè)為預(yù)設(shè)的正常值，如果標(biāo)記為異常，則進(jìn)行下一步；

22、將第一級(jí)分類器標(biāo)記為異常的分類結(jié)果輸入到高級(jí)防呆監(jiān)測模型的第二級(jí)分類器進(jìn)行分析，獲得當(dāng)前操作行為的風(fēng)險(xiǎn)評(píng)分；

23、將當(dāng)前操作行為序列輸入到預(yù)訓(xùn)練的長短期記憶網(wǎng)絡(luò)模型中，獲得當(dāng)前操作行為的序列分析評(píng)分；

24、使用加權(quán)融合方法將當(dāng)前操作行為的風(fēng)險(xiǎn)評(píng)分和序列分析評(píng)分進(jìn)行加權(quán)融合，獲得當(dāng)前操作行為的當(dāng)前風(fēng)險(xiǎn)評(píng)分。

25、優(yōu)選的，所述預(yù)測風(fēng)險(xiǎn)評(píng)分的獲取，采用將歷史操作序列輸入到預(yù)訓(xùn)練的長短期記憶網(wǎng)絡(luò)模型中，獲得未來潛在誤操作行為的預(yù)測風(fēng)險(xiǎn)評(píng)分。

26、優(yōu)選的，所述基于當(dāng)前風(fēng)險(xiǎn)評(píng)分對(duì)當(dāng)前操作行為進(jìn)行干預(yù)，基于預(yù)測風(fēng)險(xiǎn)評(píng)分對(duì)未來潛在誤操作行為進(jìn)行干預(yù)，包括以下步驟：

27、基于當(dāng)前風(fēng)險(xiǎn)評(píng)分和預(yù)設(shè)的當(dāng)前風(fēng)險(xiǎn)評(píng)分閾值確定當(dāng)前操作行為是否為誤操作，若為誤操作，采取相應(yīng)的第一干預(yù)措施進(jìn)行干預(yù)；

28、基于預(yù)測風(fēng)險(xiǎn)評(píng)分和預(yù)設(shè)的預(yù)測風(fēng)險(xiǎn)評(píng)分閾值確定未來潛在誤操作行為是否有誤操作風(fēng)險(xiǎn)，若有誤操作風(fēng)險(xiǎn)，采取相應(yīng)的第二干預(yù)措施進(jìn)行預(yù)干預(yù)。

29、優(yōu)選的，其中所述第一干預(yù)措施和第二干預(yù)措施均包括禁止關(guān)聯(lián)操作、暫停當(dāng)前操作、發(fā)出警告提示、延遲指令執(zhí)行、要求二次確認(rèn)、替代操作建議。

30、一種ai防呆系統(tǒng)，應(yīng)用于一種ai防呆方法，所述防呆系統(tǒng)包括：

31、數(shù)據(jù)收集模塊，用于獲取用戶操作目標(biāo)的實(shí)時(shí)運(yùn)行數(shù)據(jù)、當(dāng)前操作行為序列和歷史操作行為序列；

32、防呆干預(yù)模塊，用于在防呆過程中，基于實(shí)時(shí)運(yùn)行數(shù)據(jù)，并利用預(yù)訓(xùn)練的初級(jí)防呆監(jiān)測模型對(duì)誤操作行為進(jìn)行初級(jí)干預(yù)，以及基于當(dāng)前操作行為序列和歷史操作行為序列，利用預(yù)訓(xùn)練的高級(jí)防呆監(jiān)測模型對(duì)誤操作行為進(jìn)行高級(jí)干預(yù)，其中，所述誤操作行為是與用戶操作目標(biāo)的當(dāng)前運(yùn)行狀態(tài)相悖的操作行為；

33、結(jié)果反饋模塊，用于合并初級(jí)干預(yù)后的輸出結(jié)果和高級(jí)干預(yù)后的輸出結(jié)果，并通過用戶操作目標(biāo)的用戶界面反饋給用戶。

34、與相關(guān)技術(shù)相比較，本發(fā)明提供的一種ai防呆方法及系統(tǒng)具有如下有益效果：

35、本發(fā)明通過結(jié)合實(shí)時(shí)運(yùn)行數(shù)據(jù)，利用初級(jí)防呆監(jiān)測模型干預(yù)明顯的誤操作行為，結(jié)合當(dāng)前操作行為序列以及歷史操作行為序列，利用高級(jí)防呆監(jiān)測模型，對(duì)誤操作行為進(jìn)行更細(xì)致的監(jiān)測和干預(yù)，尤其是高級(jí)防呆監(jiān)測模型采用長短期記憶網(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)，能夠捕捉到時(shí)間序列中的復(fù)雜模式，從而提高了誤操作預(yù)測的準(zhǔn)確性，在提高對(duì)當(dāng)前誤操作行為的判斷還能對(duì)未來可能發(fā)生的誤操作行為進(jìn)行預(yù)測，實(shí)現(xiàn)提前預(yù)警，減少誤操作發(fā)生的概率。初級(jí)干預(yù)和高級(jí)干預(yù)相結(jié)合的方式提供了多層級(jí)的安全保障，初級(jí)干預(yù)基于實(shí)時(shí)數(shù)據(jù)快速響應(yīng)，而高級(jí)干預(yù)則通過對(duì)操作行為序列的深入分析提供更為全面的風(fēng)險(xiǎn)評(píng)估，兩者相輔相成，共同作用于降低誤操作風(fēng)險(xiǎn)。

技術(shù)特征：

1.一種ai防呆方法，其特征在于，所述防呆方法包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種ai防呆方法，其特征在于，所述當(dāng)前操作行為序列為包含當(dāng)前操作行為發(fā)生時(shí)刻的預(yù)設(shè)時(shí)間窗口內(nèi)執(zhí)行的所有操作行為的數(shù)據(jù)，所述歷史操作行為序列是過去一段時(shí)間窗口內(nèi)執(zhí)行的所有操作行為的數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的一種ai防呆方法，其特征在于，所述初級(jí)干預(yù)，包括以下步驟：

4.根據(jù)權(quán)利要求3所述的一種ai防呆方法，其特征在于，所述高級(jí)干預(yù)，包括以下步驟：

5.根據(jù)權(quán)利要求4所述的一種ai防呆方法，其特征在于，所述對(duì)獲取的當(dāng)前操作行為序列進(jìn)行預(yù)處理，并從中提取關(guān)鍵特征，包括以下步驟：

6.根據(jù)權(quán)利要求4所述的一種ai防呆方法，其特征在于，所述當(dāng)前風(fēng)險(xiǎn)評(píng)分的獲取，包括以下步驟：

7.根據(jù)權(quán)利要求4所述的一種ai防呆方法，其特征在于，所述預(yù)測風(fēng)險(xiǎn)評(píng)分的獲取，采用將歷史操作序列輸入到預(yù)訓(xùn)練的長短期記憶網(wǎng)絡(luò)模型中，獲得未來潛在誤操作行為的預(yù)測風(fēng)險(xiǎn)評(píng)分。

8.根據(jù)權(quán)利要求4所述的一種ai防呆方法，其特征在于，所述基于當(dāng)前風(fēng)險(xiǎn)評(píng)分對(duì)當(dāng)前操作行為進(jìn)行干預(yù)，基于預(yù)測風(fēng)險(xiǎn)評(píng)分對(duì)未來潛在誤操作行為進(jìn)行干預(yù)，包括以下步驟：

9.根據(jù)權(quán)利要求8所述的一種ai防呆方法，其特征在于，其中所述第一干預(yù)措施和第二干預(yù)措施均包括禁止關(guān)聯(lián)操作、暫停當(dāng)前操作、發(fā)出警告提示、延遲指令執(zhí)行、要求二次確認(rèn)、替代操作建議。

10.一種ai防呆系統(tǒng)，其特征在于，應(yīng)用于如權(quán)利要求1至9任意一項(xiàng)所述的一種ai防呆方法，所述防呆系統(tǒng)包括：

技術(shù)總結(jié)
本發(fā)明提供一種AI防呆方法及系統(tǒng)，涉及防呆控制技術(shù)領(lǐng)域，本發(fā)明通過結(jié)合實(shí)時(shí)運(yùn)行數(shù)據(jù)，利用初級(jí)防呆監(jiān)測模型干預(yù)明顯的誤操作行為，結(jié)合當(dāng)前操作行為序列以及歷史操作行為序列，利用高級(jí)防呆監(jiān)測模型，對(duì)誤操作行為進(jìn)行更細(xì)致的監(jiān)測和干預(yù)，尤其是高級(jí)防呆監(jiān)測模型采用長短期記憶網(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)，能夠捕捉到時(shí)間序列中的復(fù)雜模式，從而提高了誤操作預(yù)測的準(zhǔn)確性，在提高對(duì)當(dāng)前誤操作行為的判斷還能對(duì)未來可能發(fā)生的誤操作行為進(jìn)行預(yù)測，實(shí)現(xiàn)提前預(yù)警，減少誤操作發(fā)生的概率，初級(jí)干預(yù)和高級(jí)干預(yù)相結(jié)合的方式提供了多層級(jí)的安全保障，兩者相輔相成，共同作用于降低誤操作風(fēng)險(xiǎn)。

技術(shù)研發(fā)人員：曹萌,覃樹炎
受保護(hù)的技術(shù)使用者：廣州德程智能科技股份有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6