危化品储存事故人因风险分析模型构建方法、分析方法及装置

技术领域

本发明涉及事故风险分析技术领域，特别涉及一种危化品储存事故人因风险分析模型构建方法、分析方法及装置。

背景技术

化工产品中有80％以上都属于危险化学品(以下简称为危化品)。危化品具有易燃、易爆、有毒和腐蚀性等特性，在生产、储存、使用、经营、运输和处置环节都容易发生泄漏、火灾或者爆炸等事故，造成人员伤亡、财产损失和环境破坏等后果。化工原料、化工药品、化工试剂、农药等危险品通常储存在危化品仓库、石油库、储罐等场所中。由于危化品储存场所中存放的危化品数量大、品种多、危险性强，因此危化品储存环节的安全隐患有时甚至高于生产、运输、使用等环节。同时，国内外大量的调查统计结果表明，每年由于人因差错而导致的事故占事故总数的60％以上，由此引发的重大事故更是达到80％以上。因此，人因风险因素是造成危险化学品事故的关键性致因要素。

针对危化品储存事故致因人因风险因素相关模型研究，主要有软件－硬件－环境－和人(SHEL)模型，“瑞士奶酪”模型和人因分析与分类系统(HFACS)模型。其中，HFACS模型更是在众多行业中被采用，获得了广泛认可。HFACS只能对事故人因进行定性分析、分类，然而造成危化品储存事故的原因较多，仅仅对危化品储存事故原因进行定性分析还不足以确保分析结果的有效性以及全面性。

发明内容

为了解决上述现有技术中存在的至少一个技术问题，本发明实施例提供了一种危化品储存事故人因风险分析模型构建方法、分析方法及装置。所述技术方案如下：

第一方面，提供了一种危化品储存事故人因风险分析模型构建方法，包括：

根据危化品储存事故的历史数据建立危化品储存事故人因风险分析的HFACS模型，所述HFACS模型包括：人因风险因素；

利用决策实验室分析法和解释结构模型法分析所述HFACS模型中的所述人因风险因素，构建危化品储存事故的贝叶斯网络模型；

利用最大期望算法对所述贝叶斯网络模型的模型参数进行极大似然估计，确定所述贝叶斯网络模型的模型参数，获得所述人因风险因素的先验概率。

进一步地，所述根据危化品储存事故的历史数据建立危化品储存事故人因风险分析的HFACS模型，包括：

获取危化品储存事故的历史数据，所述历史数据包括：危化品储存事故的特征数据；

根据所述特征数据构建初始HFACS模型，所述初始HFACS模型包括：初始人因风险因素；

利用故障树分析法获得所述初始HFACS模型中各初始人因风险因素的影响频次，根据各所述初始人因风险因素的影响频次确定所述HFACS模型的所述人因风险因素，建立所述HFACS模型。

进一步地，所述HFACS模型中的所述人因风险因素，包括：不安全行为、不安全行为前提条件、不安全监督和组织影响，

所述不安全行为包括：差错、违规，所述差错包括：技能差错和决策差错；所述违规包括：作业违规；

所述不安全行为前提条件包括：环境管理、操作者状态、人员因素，所述环境管理包括：技术环境；所述操作者状态包括：身体/能力缺陷；所述人员因素包括：沟通与协调和个人准备状态；

所述不安全监督包括：监管不力、作业组织不合理、问题整改不力和监督违规；

所述组织影响包括：资源管理、组织氛围、组织过程。

进一步地，所述利用决策实验室分析法与解释结构模型法分析所述HFACS模型中的所述人因风险因素，构建危化品储存事故的贝叶斯网络模型，包括：

建立所述HFACS模型中的各所述人因风险因素的直接关联矩阵；

根据所述直接关联矩阵建立各所述人因风险因素的综合关联矩阵；

根据所述综合关联矩阵确定所述人因风险因素的整体影响矩阵；

根据预设阈值利用所述整体影响矩阵计算所述解释结构模型的可达矩阵；

对所述可达矩阵进行区域分解和级间分解，绘制解释结构模型图；

将所述解释结构模型图转化为所述贝叶斯网络模型。

进一步地，所述利用最大期望算法对所述贝叶斯网络模型的模型参数进行极大似然估计，确定所述贝叶斯网络模型的模型参数，获得所述人因风险因素的先验概率，包括：

确定贝叶斯网络模型需要计算的条件概率的个数；

利用最大期望算法对条件概率进行极大似然估计，获得初始极大似然概率；

根据所述初始极大似然概率迭代计算所述条件概率，直至迭代收敛。

第二方面，提供了一种危化品储存事故人因风险分析方法，包括：

获取待分析危化品储存事故的特征数据；

将待分析危化品储存事故的特征数据输入至第一方面任一项构建的贝叶斯网络模型中，计算人因风险因素的后验概率；

确定所述后验概率满足预设条件的人因风险因素，作为待分析危化品储存事故的潜在人因风险因素。

第三方面，提供了一种危化品储存事故人因风险分析模型构建装置，包括：

HFACS模型建立模块，用于根据危化品储存事故的历史数据建立危化品储存事故人因风险分析的HFACS模型，所述HFACS模型包括：人因风险因素；

贝叶斯网络模型构建模块，用于利用决策实验室分析法和解释结构模型法分析所述HFACS模型中的所述人因风险因素，构建危化品储存事故的贝叶斯网络模型；

参数确定模块，用于利用最大期望算法对所述贝叶斯网络模型的模型参数进行极大似然估计，确定所述贝叶斯网络模型的模型参数，获得所述人因风险因素的先验概率。

进一步地，HFACS模型建立模块，包括：

数据获取模块，用于获取危化品储存事故的历史数据，所述历史数据包括：危化品储存事故的特征数据。

初始HFACS模型构建模块，用于根据所述特征数据构建初始HFACS模型，所述初始HFACS模型包括：初始人因风险因素。

故障树分析模块，用于利用故障树分析法获得所述初始HFACS模型中各初始人因风险因素的影响频次，根据各所述初始人因风险因素的影响频次确定所述HFACS模型的所述人因风险因素，建立所述HFACS模型。

进一步地，HFACS模型建立模块，包括：

HFACS分析模块，用于获取危化品存储事故的历史数据确定HFACS模型的层级因素，HFACS模型的层级因素包括：不安全行为、不安全行为前提条件、不安全监督和组织影响；不安全行为包括：技能差错、决策差错、作业违规；不安全行为前提条件包括：环境管理、操作者状态、人员因素，环境管理包括：技术管理，操作者状态包括：身体/能力缺陷，人员因素包括：沟通与协调、个人准备状态；不安全监督包括：监管不力、作业组织不合理、问题整改不力和监督违规；组织影响包括：资源管理、组织氛围、组织过程。

进一步地，贝叶斯网络模型构建模块，包括：决策实验分析模块，用于：建立所述HFACS模型中的各所述人因风险因素的直接关联矩阵；根据所述直接关联矩阵建立各所述人因风险因素的综合关联矩阵；根据所述综合关联矩阵确定所述人因风险因素的整体影响矩阵。

解释模型结构分析模块，用于：根据预设阈值利用所述整体影响矩阵计算所述解释结构模型的可达矩阵；对所述可达矩阵进行区域分解和级间分解，绘制解释结构模型图。

进一步地，参数确定模块，具体用于：

根据贝叶斯网络模型确定需要计算的条件概率的个数；

利用最大期望算法对条件概率进行极大似然估计，获得初始极大似然概率；

根据初始极大似然概率迭代计算条件概率，直至迭代收敛。

第四方面，提供了一种危化品储存事故人因风险分析装置，包括：

特征提取模块，用于获取待分析危化品储存事故的特征数据；

概率计算模块，用于将待分析危化品储存事故的特征数据输入至如第一方面任一项构建的贝叶斯网络模型中，计算人因风险因素的后验概率；

因素筛选模块，用于确定所述后验概率确满足预设条件的人因风险因素，作为待分析危化品储存事故的潜在人因风险因素。

第五方面，提供了一种电子设备，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行如第一方面任一所述的方法。

第六方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如第一方面任一所述的方法。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例公开的模型建立方法，利用根据危化品储存事故历史数据建立的HFACS模型对危化品储存事故人因风险因素进行深入分析，并对人因风险因素进行分析。以决策实验室分析法和解释结构模型法得到的危化品储存事故人因因果关系图作为贝叶斯网络结构，通过参数学习建立危化品储存事故人因的贝叶斯网络模型。

本发明实施例公开的分析方法，可以利用单起事故调查报告中已经明确体现出的事故信息作为证据，通过贝叶斯网络技术推理出未在事故调查报告中明确体现的潜在人因风险因素，提高事故原因分析的全面性与准确性，有利于建立针对性预防措施来有效预防危险化学品储存事故的发生。

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危化品储存事故人因风险分析模型构建方法流程图；

图2是本发明实施例提供的基于FTA与HFACS模型结合的危化品储存事故分析方法流程图；

图3是本发明实施例提供的基于FTA与HFACS模型的危化品储存燃爆事故故障树分析图；

图4是本发明实施例提供的未进行参数学习的危化品储存事故贝叶斯网络模型；

图5是本发明实施例提供的危化品储存事故人因风险分析模型构建装置模块示意图；

图6是本发明实施例提供的电子设备结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如背景技术所述，基于HFACS分析危化品储存事故致因人因风险因素的模型中只能对事故人因进行定性分析无法确保分析结果的准确性和全面性。因此本发明公开一种危化品储存事故人因风险分析模型构建方法、分析方法及装置，具体技术方案如下：

如图1所示，一种危化品储存事故人因风险分析模型构建方法，包括：

S1、根据危化品储存事故的历史数据建立危化品储存事故人因风险分析的HFACS模型，HFACS模型包括：人因风险因素。

上述，HFACS(人为因素分析及分类系统)模型根据Reason的事故致因模型(瑞士奶酪模型)建立，是一种综合的人因失误分析模型。在航空领域中，HFACS模型主要用于航空飞行事故调查，其中包括四个层级因素：不安全行为、不安全行为前提条件、不安全监督和组织影响。本发明实施例中根据危化品储存事故的历史数据对HFACS模型进行修改，使其适用于危化品储存事故的人因风险分析。由于无法通过现有的危化品储存事故调查报告判定一线员工的违规行为是“习惯性”还是“偶然性”本发明实施例将原适用于航空飞行事故调查的HFACS模型中的“习惯性违规和偶然性违规”合并为“作业违规”；将HFACS模型中“机组资源管理”被改为“沟通与协调”；将“监督不充分”修改为“监督不力”；将“运行计划不适当”修改为“作业组织不合理”；将“没有纠正问题”修改为“问题整改不力”。

示例性地，表1－表4依次列出了适用于危化品储存事故人因风险因素分析的组织影响、不安全监督、不安全行为前提条件、不安全行为四个层级因素中的各单项因素。

表1组织影响

表2不安全监督

表3不安全行为前提条件

表4不安全行为

在一个实施例中，步骤S1中根据危化品储存事故的历史数据建立危化品储存事故人因风险分析的HFACS模型，包括：

获取危化品存储事故的历史数据，历史数据包括：危化品储存事故的特征数据；

根据特征数据构建初始HFACS模型，初始HFACS模型包括：初始人因风险因素；

利用故障树分析法获得初始HFACS模型中各初始人因风险因素的影响频次，根据各初始人因风险因素的影响频次确定HFACS模型的人因风险因素，建立HFACS模型。

上述步骤中，可从相关网站采集预设时间段内的危化品储存事故历史数据，将收集到的历史数据建立危化品储存事故数据库。例如，以全国各级政府应急管理局、中国化学品安全协会官方网站、应急管理部化学品登记中心作为事故历史数据采集的主要来源对我国2010—2022年期间发生的危化品储存事故进行整理，并以公开出版物或者其他搜索引擎网站的数据作为补充。

上述，运用故障树(FTA)分析事故，编制出事故树图，找出导致顶上事件发生的基本原因事件中的不安全行为数据。针对不安全行为，运用HFACS模型对不安全行为、不安全行为的前提条件、不安全监督、组织影响四个层级的内容进行详细分析。故障树(FTA)分析法能够更加具体地对危化品储存事故人因风险因素单项因素进行分类，确定危化品储存事故人因风险分析的HFACS模型中的各人因风险因素。

如图2所示，FTA分析包括：运用FTA理论分析事故，编制事故树图，找出导致事故发生的基本原因事件中的不安全行为；运用HFACS模型对不安全行为、不安全行为的前提条件、不安全监督、组织影响四个层级的内容进行深层次分析。通过FTA分析和HFACS模型分析确定危化品储存事故各原因之间的逻辑关系，进而提出对策措施，确定HFACS模型中各人因风险因素。

以危险化学品储运事故中危险化学品泄漏导致燃爆事故为例，绘制FTA与HFACS结合的故障树如图3所示。图3中，危化品在储存过程中发生燃爆事故，事故由点火源、泄露达到可燃浓度，两个因素导致。泄露达到可燃浓度由设备故障和人为失误导致。本发明实施例中，经过HFACS模型分析，人为失误包括：组织影响、不安全监督、不安全行为的前提条件、不安全行为四个层级因素。组织影响包括：资源管理、组织氛围、组织过程；不安全监督包括：监管不力、作业组织不合理、问题整改不力、监督违规；不安全行为的前提条件包括：技术环境、身体/能力缺陷、沟通与协调、个人准备状态；不安全行为包括：技能差错、决策差错、作业违规。

S2、利用决策实验室分析法和解释结构模型法分析HFACS模型中的人因风险因素，构建危化品储存事故的贝叶斯网络模型。

上述，决策实验室法，也称为决策试验与评价实验室法(Decision Making Trialand Evaluation Laboratory，DEMATEL)可以通过确定评价指标系统中各个因素之间的逻辑关系并通过矩阵运算计算出每个因素的相关，从而确定系统中因素间的因果关系和每个因素在系统中的地位。决策实验室分析法常被用来研究存在相互关联的系统因素之间的关系，从而来探索问题本质。解释结构模型(ISM)是一种系统分析方法，用于得到要素之间的复杂相互关系和层次。其思想是先通过调查或者技术手段找出问题的组成要素或影响因素，然后通过矩阵模型分析各要素之间的联系，得到一个多级递阶结构模型。

上述，贝叶斯网络模型又称为信度网，由一个有向无环图和条件概率表组成，有向无环图中的节点表示变量，节点之间的连接线表示变量之间的依赖关系。

在一个实施例中，步骤S2包括：

S21、建立HFACS模型中的各人因风险因素的直接关联矩阵；

S22、根据直接关联矩阵建立各人因风险因素的综合关联矩阵；

S23、根据综合关联矩阵确定人因风险因素的整体影响矩阵；

S24、根据预设阈值利用所述整体影响矩阵计算解释结构模型的可达矩阵；

S25、对可达矩阵进行区域分解和级间分解，绘制解释结构模型图；

S26、将上述解释结构模型图转化为贝叶斯网络模型。

上述，步骤S21具体包括：

邀请多位专家对影响因素相互影响关系进行打分，得到初始直接关联矩阵A：

式(1)中A＝(a

步骤S22具体包括：

将直接关联矩阵A按照式(2)进行归一化处理，得到矩阵Z：

将归一化后的直接关联矩阵Z照式(3)处理，得到综合关联矩阵T：

T＝Z(I-Z)

其中，(I-Z)

步骤S23包括：

根据综合关联矩阵T，得到人因影响因素的影响度、被影响度、中心度和原因度：

影响度Tr，通过综合关联矩阵T中与其对应的各行之和得出：

T

被影响度Tc，通过综合关联矩阵T中与其对应的各列之和得出：

T

因素F

M

因素F

R

确定整体影响矩阵H：

H＝I+T   (8)

步骤S24包括：

通过确定阈值λ，构建ISM模型的可达矩阵K：

根据可达集R(S

S3、利用最大期望算法对贝叶斯网络模型结构进行参数进行极大似然估计，确定贝叶斯网络模型的模型参数，获得人因风险因素的先验概率。

在一个实施例中，步骤S3包括：

确定贝叶斯网络模型需要计算的条件概率的数量；

利用最大期望算法进行极大似然估计，获得初始极大似然概率；

根据极大似然概率迭代计算条件概率，直至迭代收敛。

上述，DEMATEL-ISM分析得到的贝叶斯网络结构，结合具体贝叶斯网络结构确定要计算的条件概率个数，使用最大期望算法(EM算法)初始化分布参数，通过迭代进行极大似然估计，利用极大似然概率求出新的条件概率参数，直至迭代收敛。

图4可作为危化品储存事故的贝叶斯网络结构图。采用Netica软件绘制出贝叶斯网络结构模型，并对每个节点的名称、标题以及是否离散等属性进行定义。图4中区域A代表“组织影响”，区域B代表“不安全监督”，区域C代表“不安全行为前提条件”，区域D代表“不安全行为”，图4中字母所代表含义如下表5所示。需要指出的是，每个危化品储存事故人因风险因素只有两个离散的状态，即不发生(用0表示)，发生(用1表示)，分别对应于图中的“state0”和“state1”，由于还未进行参数学习，因此每个网络节点的状态概率值均等于50％。

表5

采用Netica软件对无参数的危化品储存事故贝叶斯网络进行参数学习，得到各人因风险因素先验概率。在此之前，需将收集整理的危化品储存事故样本数据转化为Netica可识别的代码形式。在统计编码完成之后，直接将该表格导入Netica软件中利用“IncorpCase File”功能进行参数学习，得到参数学习后的危化品储存事故贝叶斯网络模型，后续可以借助此模型进行危险化学品储存事故人因推理

基于上述本发明公开的危化品储存事故人因风险分析模型构建方法，本发明实施例还公开一种危化品储存事故人因风险分析方法，包括：

获取待分析危化品储存事故的特征数据。

将待分析危化品储存事故的特征数据输入至本发明实施例公开的危化品储存事故人因风险分析的贝叶斯网络模型中，计算人因风险因素的后验概率；

确定后验概率满足预设条件的人因风险因素，作为待分析危化品储存事故的潜在人因风险因素。

上述危化品储存事故人因风险分析的贝叶斯网络模型的构建包括：

S1、根据危化品储存事故的历史数据建立危化品储存事故人因风险分析的HFACS模型，HFACS模型包括：人因风险因素；

S2、利用决策实验室分析法和解释结构模型法分析HFACS模型中的人因风险因素，构建危化品储存事故的贝叶斯网络模型；

S3、利用最大期望算法对贝叶斯网络模型的模型参数进行极大似然估计，确定贝叶斯网络模型的模型参数。

如图5所示，基于上述本发明公开的危化品储存事故人因风险分析模型构建方法，本发明实施例还公开一种危化品储存事故人因风险分析模型构建装置，包括：

HFACS模型建立模块501，用于根据危化品储存事故的历史数据建立危化品储存事故人因风险分析的HFACS模型，HFACS模型包括：人因风险因素。

贝叶斯网络模型构建模块502，用于利用决策实验室分析法和解释结构模型法分析HFACS模型中的人因风险因素，构建危化品储存事故的贝叶斯网络模型。

参数确定模块503，用于利用最大期望算法对贝叶斯网络模型的模型参数进行极大似然估计，确定贝叶斯网络模型的模型参数，获得所述人因风险因素的先验概率。

上述，HFACS模型建立模块501从相关网站采集预设时间段内的危化品储存事故历史数据，将收集到的历史数据建立危化品储存事故数据库。HFACS模型主要包括四个层级因素：不安全行为、不安全行为前提条件、不安全监督和组织影响。决策实验室法可以通过确定评价指标系统中各个因素之间的逻辑关系并通过矩阵运算计算出每个因素的相关，从而确定系统中因素间的因果关系和每个因素在系统中的地位。解释结构模型用于得到要素之间的复杂相互关系和层次。贝叶斯网络模型又称为信度网，由一个有向无环图和条件概率表组成，有向无环图中的节点表示变量，节点之间的连接线表示变量之间的依赖关系。

在一个实施例中，HFACS模型建立模块501，包括：

HFACS分析模块，用于获取危化品存储事故的历史数据确定HFACS模型的层级因素，HFACS模型的层级因素包括：不安全行为、不安全行为前提条件、不安全监督和组织影响；不安全行为包括：技能差错、决策差错、作业违规；不安全行为前提条件包括：环境管理、操作者状态、人员因素，环境管理包括：技术管理，操作者状态包括：身体/能力缺陷，人员因素包括：沟通与协调、个人准备状态；不安全监督包括：监管不力、作业组织不合理、问题整改不力和监督违规；组织影响包括：资源管理、组织氛围、组织过程。

在一个实施例中，HFACS模型建立模块501，包括：

数据获取模块，用于获取危化品储存事故的历史数据，历史数据包括：危化品储存事故的特征数据。

初始HFACS模型构建模块，用于根据特征数据构建初始HFACS模型，初始HFACS模型包括：初始人因风险因素。

故障树分析模块，用于利用故障树分析法获得初始HFACS模型中各初始人因风险因素的影响频次，根据各初始人因风险因素的影响频次确定HFACS模型的人因风险因素，建立HFACS模型。

上述，运用故障树(FTA)分析事故，编制出事故树图，找出导致顶上事件发生的基本原因事件中的不安全行为数据。

在一个实施例中，贝叶斯网络模型构建模块502，包括：

决策实验分析模块，用于：建立HFACS模型中的各人因风险因素的直接关联矩阵；根据直接关联矩阵建立各人因风险因素的综合关联矩阵；根据综合关联矩阵确定人因风险因素的整体影响矩阵。

解释模型结构分析模块，用于：根据预设阈值利用整体影响矩阵计算解释结构模型的可达矩阵；对可达矩阵进行区域分解和级间分解，绘制解释结构模型图。

转换模块，用于将解释结构模型图转化为贝叶斯网络模型。

上述，决策实验分析模块和解释模型结构分析模块进行矩阵计算依据的公式与本发明实施例公开的方法中步骤S2的具体计算方法一致，在此不再赘述。

在一个实施例中，参数确定模块503，具体用于：

根据贝叶斯网络模型确定需要计算的条件概率的个数；

利用最大期望算法对条件概率进行极大似然估计，获得初始极大似然概率；

根据初始极大似然概率迭代计算条件概率，直至迭代收敛。

基于上述本发明公开的危化品储存事故人因风险分析方法，本发明实施例还提供一种危化品储存事故人因风险分析装置，包括：

特征提取模块，用于获取待分析危化品储存事故的特征数据；

概率计算模块，用于将待分析危化品储存事故的特征数据输入至如本发明实施例构建的贝叶斯网络模型中，计算人因风险因素的后验概率；

因素筛选模块，用于确定后验概率满足预设条件的人因风险因素，作为待分析危化品储存事故的潜在人因风险因素。

另外本发明实施例还提供了一种电子设备，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行上述实施例公开的危化品储存事故人因风险分析模型构建方法。

其中，图6示例性的展示出了电子设备的系统架构，具体可以包括处理器610，视频显示适配器611，磁盘驱动器612，输入/输出接口613，网络接口614，以及存储器620。上述处理器610、视频显示适配器611、磁盘驱动器612、输入/输出接口613、网络接口614，与存储器620之间可以通过通信总线630进行通信连接。

其中，处理器610可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。

存储器620可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器620可以存储用于控制电子设备运行的操作系统621，用于控制电子设备的低级别操作的基本输入输出系统(BIOS)。另外，还可以存储网页浏览器623，数据存储管理系统624，以及设备标识信息处理系统625等等。上述设备标识信息处理系统625就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器620中，并由处理器610来调用执行。

输入/输出接口613用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

网络接口614用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线630包括一通路，在设备的各个组件(例如处理器610、视频显示适配器611、磁盘驱动器612、输入/输出接口613、网络接口614，与存储器620)之间传输信息。

另外，该电子设备还可以从虚拟资源对象领取条件信息数据库中获得具体领取条件的信息，以用于进行条件判断，等等。

需要说明的是，尽管上述设备仅示出了处理器610、视频显示适配器611、磁盘驱动器612、输入/输出接口613、网络接口614，存储器620，总线630等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。

特别地，根据本申请的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储器被安装，或者从ROM被安装。在该计算机程序被处理器执行时，执行本申请的实施例的方法中限定的上述功能。

需要说明的是，本申请的实施例的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(RadioFrequency，射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：响应于检测到终端的外设模式未激活时，获取终端上应用的帧率；在帧率满足息屏条件时，判断节点是否正在获取终端的屏幕信息；响应于判断结果为节点未获取终端的屏幕信息，控制屏幕进入立即暗淡模式。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在节点计算机上执行、部分地在节点计算机上执行、作为一个独立的软件包执行、部分在节点计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到节点计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中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，既可以位于一个地方，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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上对本申请所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。

上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。