本發(fā)明涉及人工智能，具體而言，涉及一種基于人工智能的煙站違規(guī)操作預(yù)警方法及系統(tǒng)。

背景技術(shù)：

1、在煙草行業(yè)的生產(chǎn)運營中，煙站作為煙葉加工與管理的關(guān)鍵環(huán)節(jié)，其操作的規(guī)范性與安全性對于保障煙草制品質(zhì)量、維護生產(chǎn)秩序以及確保人員安全至關(guān)重要。然而，傳統(tǒng)的煙站違規(guī)操作監(jiān)測手段主要依賴于人工巡查與定期抽檢，這種方式不僅效率低下，難以實現(xiàn)對煙站生產(chǎn)全流程的實時、全面監(jiān)控，而且受限于人力因素，容易出現(xiàn)漏檢、誤檢等情況，導(dǎo)致一些潛在的違規(guī)操作無法被及時發(fā)現(xiàn)和糾正。

2、隨著信息技術(shù)的發(fā)展，部分煙站開始引入自動化監(jiān)測系統(tǒng)，然而現(xiàn)有的自動化監(jiān)測系統(tǒng)往往采用固定的分析模式，缺乏對不同數(shù)據(jù)源之間關(guān)聯(lián)性的深入挖掘，難以從海量的監(jiān)測數(shù)據(jù)中提取出有價值的違規(guī)特征信息。在面對復(fù)雜多變的煙站生產(chǎn)環(huán)境時，無法根據(jù)實時情況動態(tài)調(diào)整分析策略，導(dǎo)致對違規(guī)操作的識別準確率和及時性較低。而且，現(xiàn)有的預(yù)警機制通?；诤唵蔚拈撝蹬袛啵?dāng)監(jiān)測數(shù)據(jù)超過預(yù)設(shè)閾值時才會觸發(fā)預(yù)警，這種方式無法綜合考慮多種因素對違規(guī)操作的影響，容易產(chǎn)生誤報或漏報的情況，無法滿足煙站對違規(guī)操作精準預(yù)警的實際需求。

技術(shù)實現(xiàn)思路

1、鑒于上述提及的問題，結(jié)合本發(fā)明的第一方面，本發(fā)明實施例提供一種基于人工智能的煙站違規(guī)操作預(yù)警方法，所述方法包括：

2、獲取目標煙站的多模態(tài)監(jiān)測數(shù)據(jù)集合，所述多模態(tài)監(jiān)測數(shù)據(jù)集合包括煙葉質(zhì)量監(jiān)測數(shù)據(jù)、設(shè)備操作日志數(shù)據(jù)及環(huán)境參數(shù)監(jiān)測數(shù)據(jù)；

3、對所述多模態(tài)監(jiān)測數(shù)據(jù)集合進行時序行為特征提取處理，得到煙葉加工流程中的時序行為軌跡序列、設(shè)備操作合規(guī)性特征集合及環(huán)境異常波動特征集合；

4、調(diào)用預(yù)訓(xùn)練的多模態(tài)違規(guī)識別模型，對所述時序行為軌跡序列、所述設(shè)備操作合規(guī)性特征集合及所述環(huán)境異常波動特征集合進行動態(tài)權(quán)重分配處理，生成融合違規(guī)特征向量；

5、基于所述融合違規(guī)特征向量確定所述目標煙站的違規(guī)操作概率分布，根據(jù)所述違規(guī)操作概率分布生成煙站違規(guī)預(yù)警策略；

6、將所述煙站違規(guī)預(yù)警策略反饋至煙站監(jiān)管終端以觸發(fā)違規(guī)操作攔截指令。

7、再一方面，本發(fā)明實施例還提供一種基于人工智能的煙站違規(guī)操作預(yù)警系統(tǒng)，包括處理器、機器可讀存儲介質(zhì)，所述機器可讀存儲介質(zhì)和所述處理器連接，所述機器可讀存儲介質(zhì)用于存儲程序、指令或代碼，所述處理器用于執(zhí)行所述機器可讀存儲介質(zhì)中的程序、指令或代碼，以實現(xiàn)上述的方法。

8、基于以上方面，本申請實施例實現(xiàn)了對煙站生產(chǎn)全流程的精準監(jiān)控與智能預(yù)警，顯著提升了煙站違規(guī)操作識別的全面性和準確性。具體而言，通過獲取涵蓋煙葉質(zhì)量、設(shè)備操作及環(huán)境參數(shù)等多維度的監(jiān)測數(shù)據(jù)集合，在此基礎(chǔ)上，通過對多模態(tài)監(jiān)測數(shù)據(jù)進行時序行為特征提取，不僅精準刻畫了煙葉加工流程的動態(tài)行為軌跡，還深入挖掘了設(shè)備操作的合規(guī)性特征以及環(huán)境參數(shù)的異常波動模式，為后續(xù)違規(guī)識別提供了豐富且具關(guān)聯(lián)性的特征信息。進一步地，預(yù)訓(xùn)練的多模態(tài)違規(guī)識別模型通過動態(tài)權(quán)重分配機制，將不同來源的特征信息進行智能融合，生成具有高度代表性的融合違規(guī)特征向量，有效提升了違規(guī)特征識別的靈敏度和特異性?；谌诤线`規(guī)特征向量確定的違規(guī)操作概率分布，能夠精確量化煙站各環(huán)節(jié)的違規(guī)風(fēng)險，進而生成針對性的違規(guī)預(yù)警策略，實現(xiàn)了從風(fēng)險識別到預(yù)警決策的全鏈條智能化。最終，通過將預(yù)警策略實時反饋至煙站監(jiān)管終端并觸發(fā)違規(guī)操作攔截指令，形成了閉環(huán)的違規(guī)防控體系，不僅大幅提高了煙站違規(guī)操作的及時發(fā)現(xiàn)率和處置效率，還有效降低了因違規(guī)操作引發(fā)的生產(chǎn)事故和質(zhì)量風(fēng)險。

技術(shù)特征：

1.一種基于人工智能的煙站違規(guī)操作預(yù)警方法，其特征在于，所述方法包括：

2.根據(jù)權(quán)利要求1所述的基于人工智能的煙站違規(guī)操作預(yù)警方法，其特征在于，所述對所述多模態(tài)監(jiān)測數(shù)據(jù)集合進行時序行為特征提取處理，得到煙葉加工流程中的時序行為軌跡序列、設(shè)備操作合規(guī)性特征集合及環(huán)境異常波動特征集合，包括：

3.根據(jù)權(quán)利要求1所述的基于人工智能的煙站違規(guī)操作預(yù)警方法，其特征在于，所述調(diào)用預(yù)訓(xùn)練的多模態(tài)違規(guī)識別模型，對所述時序行為軌跡序列、所述設(shè)備操作合規(guī)性特征集合及所述環(huán)境異常波動特征集合進行動態(tài)權(quán)重分配處理，生成融合違規(guī)特征向量，包括：

4.根據(jù)權(quán)利要求3所述的基于人工智能的煙站違規(guī)操作預(yù)警方法，其特征在于，所述調(diào)用所述多模態(tài)違規(guī)識別模型中的動態(tài)權(quán)重分配層，基于所述煙葉加工行為編碼向量、所述設(shè)備操作風(fēng)險編碼向量及所述環(huán)境異常編碼向量之間的跨模態(tài)相關(guān)性評分，生成模態(tài)權(quán)重分配系數(shù)集合，包括：

5.根據(jù)權(quán)利要求3所述的基于人工智能的煙站違規(guī)操作預(yù)警方法，其特征在于，所述基于所述融合違規(guī)特征向量確定所述目標煙站的違規(guī)操作概率分布，包括：

6.根據(jù)權(quán)利要求5所述的基于人工智能的煙站違規(guī)操作預(yù)警方法，其特征在于，所述根據(jù)所述違規(guī)操作概率分布生成煙站違規(guī)預(yù)警策略，包括：

7.根據(jù)權(quán)利要求6所述的基于人工智能的煙站違規(guī)操作預(yù)警方法，其特征在于，所述將所述煙站違規(guī)預(yù)警策略反饋至煙站監(jiān)管終端以觸發(fā)違規(guī)操作攔截指令，包括：

8.根據(jù)權(quán)利要求1所述的基于人工智能的煙站違規(guī)操作預(yù)警方法，其特征在于，所述多模態(tài)違規(guī)識別模型的訓(xùn)練方法包括：

9.根據(jù)權(quán)利要求8所述的基于人工智能的煙站違規(guī)操作預(yù)警方法，其特征在于，所述對所述歷史多模態(tài)監(jiān)測數(shù)據(jù)集合進行時序行為特征提取處理，得到歷史時序行為軌跡序列、歷史設(shè)備操作合規(guī)性特征集合及歷史環(huán)境異常波動特征集合，包括：

10.一種基于人工智能的煙站違規(guī)操作預(yù)警系統(tǒng)，其特征在于，所述基于人工智能的煙站違規(guī)操作預(yù)警系統(tǒng)包括處理器和存儲器，所述存儲器和所述處理器連接，所述存儲器用于存儲程序、指令或代碼，所述處理器用于執(zhí)行所述存儲器中的程序、指令或代碼，以實現(xiàn)上述權(quán)利要求1-9任意一項所述的基于人工智能的煙站違規(guī)操作預(yù)警方法。

技術(shù)總結(jié)
本發(fā)明提供一種基于人工智能的煙站違規(guī)操作預(yù)警方法及系統(tǒng)，首先獲取目標煙站包含煙葉質(zhì)量、設(shè)備操作日志及環(huán)境參數(shù)的多模態(tài)監(jiān)測數(shù)據(jù)集合。接著對該集合進行時序行為特征提取，得到煙葉加工流程時序行為軌跡序列、設(shè)備操作合規(guī)性及環(huán)境異常波動特征集合，然后調(diào)用預(yù)訓(xùn)練的多模態(tài)違規(guī)識別模型，對上述特征進行動態(tài)權(quán)重分配，生成融合違規(guī)特征向量，基于此融合違規(guī)特征向量確定違規(guī)操作概率分布，進而生成煙站違規(guī)預(yù)警策略，最后將煙站違規(guī)預(yù)警策略反饋至煙站監(jiān)管終端，觸發(fā)違規(guī)操作攔截指令，由此利用多模態(tài)數(shù)據(jù)和人工智能技術(shù)實現(xiàn)煙站違規(guī)操作的有效預(yù)警與攔截。

技術(shù)研發(fā)人員：宋航,樊海峰,羅文斌,馬韋麗,楊永春,顧云霄,何愷
受保護的技術(shù)使用者：四川省煙草公司涼山州公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15