一种智能客户关怀系统
阅读：747发布：2020-05-16
专利汇可以提供一种智能客户关怀系统专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种智能客户关怀系统，通过网络建模模拟的方式来模拟计算机的各种故障，并将分析结果与待测计算机的历史数据进行比较，以此来判断待测计算机发生故障的概率，一方面，通过在线实时监测待测计算机的运行状态和对应数据，从而可以提高计算机故障诊断的科学性并有效节省人 力 物力；另一方面，根据获取的数据和状态可及时采取有效的应对措施，因此有效缩短计算机维修流程，降低因为计算机故障应对不及时而给客户造成的不必要损失，从而提高客户满意度；此外，还可以使计算机供货商基于用户的使用状态等行为特征和向用户发布的关怀信息进行业务营销，使得业务营销更加具有目标性和针对性，能够增大业务营销的命中率。，下面是一种智能客户关怀系统专利的具体信息内容。
1.一种智能客户关怀系统，其特征在于，包括状态监测模块、信息获取模块、故障诊断预测模块、显示故障信息的显示模块、远程操作模块、无线通讯模块、客户关怀模块和仓库管理模块，其中：
所述状态监测模块安装于用户计算机客户端的插槽上，用于实时对计算机状态进行监测；
所述信息获取模块用于获取所述状态监测模块的故障数据，并将该信息通过所述无线通讯模块传递给所述故障诊断预测模块；
所述故障诊断预测模块基于接收到的信息进行特征提取，对计算机的状态进行诊断及预测，并将故障诊断及预测结果上报给所述客户关怀模块及显示故障信息的显示模块；
所述客户关怀模块用于根据所述故障诊断预测模块传递过来的诊断结果，向所述计算机用户发送对应的客户关怀信息，并通过所述远程操作模块与计算机客户端建立远程连接，对计算机故障进行处理；
所述仓库管理模块用于所有产品的入库安排，记录所有的产品出库信息，各实体仓的产品盘点，对产品的库存信息进行详细的库存管理，并根据所述故障诊断预测模块的诊断预测结果做好备货准备。
2.根据权利要求1所述的一种智能客户关怀系统，其特征在于，所述状态监测模块包括硬件状态采集模块、软件测试模块；所述硬件状态采集模块用于实时对硬件状态进行监测，所述软件测试模块对计算机软件进行测试。
3.根据权利要求1所述的一种智能客户关怀系统，其特征在于，还包括数据库模块，用于数据的搜集、筛选、建立样本数据库。
4.根据权利要求1所述的一种智能客户关怀系统，其特征在于，所述故障诊断预测模块基于接收到的信息进行特征提取，对计算机的状态进行诊断及预测的方法为：
S1、根据计算机工作原理对接收到的信息进行特征参量提取，并筛选出能够影响计算机工作状态的特征参数，作为贝叶斯网络故障表现层；
S2、采集所述计算机系统中能影响计算机正常运行的故障作为关键故障，将所述关键故障的故障模式、故障表现形式以及故障引起的监测参数变化，作为贝叶斯网络故障原因层；
S3、根据现有样本，通过对所述样本中不同故障所引起的监测参数变化进行分析，依据分析结果建立贝叶斯诊断网络；
S4、利用所述故障的数据建立训练矩阵，所述训练矩阵依据贝叶斯网络结构学习算法，对所述贝叶斯诊断网络进行结构学习，确定基于结构学习的贝叶斯故障诊断网络和网络参数；
S5、优化贝叶斯故障诊断网络结构和网络参数；
S6、对所述最优贝叶斯网络结构，利用实际数据和贝叶斯网络参数学习算法进行参数学习，得到所述最优贝叶斯网络中网络各节点的条件概率表；
S7、基于所述条件概率表利用网络推理算法对故障和故障表现层各节点的映射关系表进行计算，得到故障原因层的后验概率，即为诊断结果，概率最大的点就是所述最优贝叶斯网络给出的最大可能故障原因；并输入计算机设备的故障现象和运行环境信息，计算计算机设备不同故障发生时对应的故障节点后验概率，从而实现对计算机故障的预测。
5.根据权利要求4所述的一种智能客户关怀系统，其特征在于，步骤S4中，所述贝叶斯网络结构学习算法包括K2算法、MCMC算法、TAN算法。
6.根据权利要求4所述的一种智能客户关怀系统，其特征在于，步骤S6中，所述贝叶斯网络参数学习算法包括贝叶斯估计和最大似然估计。
7.根据权利要求1所述的一种智能客户关怀系统，其特征在于，所述客户关怀模块包括：
对应关系处理模块，用于设定各种客户关怀信息和故障行为特征中的各种触发条件，建立并存储触发条件与客户关怀信息之间的对应关系，所述对应关系是一对一、一对多或多对一的关系；
关怀信息发送模块，用于从所述故障诊断预测模块传递过来的诊断结果中提取出触发条件信息，根据该触发条件查询所述对应关系处理模块中存储的对应关系信息，获取对应的客户关怀信息，并发送给所述用户。
8.根据权利要求7所述的一种智能客户关怀系统，其特征在于，所述客户关怀模块还包括业务营销模块，用于基于所述用户的故障行为特征和向所述用户发送的客户关怀信息，向所述用户进行业务营销。
9.根据权利要求1所述的一种智能客户关怀系统，其特征在于，所述远程操作模块包括设置于后台服务器端的发送命令模块和设置于计算机用户端的接受操作命令模块。
10.根据权利要求1所述的一种智能客户关怀系统，其特征在于，还包括数据存储模块，所述数据存储模块用于按时间顺序存储监控数据，且所述监控数据按编号进行存储。
一种智能客户关怀系统
技术领域
[0001] 本发明涉及计算机故障检测技术领域，尤其涉及一种用于计算机故障检测的智能客户关怀系统。
背景技术
[0002] 随着科学技术的不断发展，计算机已经得到了普及，走进人们的日常工作和生活中。许多企业都配置有大量的计算机承担各类重要职责，然而普通消费群体对于构成计算机系统的各种物理装置以及为计算机软件运行提供物质基础的计算机硬件的故障诊断知识了解的相对匮乏。当计算机硬件出现故障时，容易导致计算机文件丢失，系统混乱，无法正常运行。需要很长时间来对计算机故障进行诊断及处理，耽误正常工作，从而给企业带来重大的损失。
[0003] 随着市场竞争的日趋激烈，如何有效地跟踪客户，将短期的交易行为发展成长期的合作关系，建立起从“以产品为中心”向“以客户为中心”的销售体系，是企业面临的一个问题。目前，传统的计算机故障诊断方法大部分是通过供货企业在领域专家知识和现场专业维修技术人员多年工作经验的基础上总结而来，主要有：观察法、插拔法、替换法、清洁法、电路检测法、最小系统法以及综合判断法等等。上述几种计算机故障诊断方法都有各自的优缺点，且最终都是通过人来使用，由于每个维修人员的维修方式都不一样，因此存在主观因素强、误差大、效率低，从而造成客户满意度低等问题，但一味增加维修人员又会加大人工成本。因此，如何做到尽可能缩短计算机维修流程、提高维修效率，以提高客户满意度、忠诚度，树立企业良好的社会形象就成为了计算机供货企业所面临的关键性问题。
发明内容
[0004] 本发明的目的是针对现有技术存在的问题，提供一种智能客户关怀系统。
[0005] 为实现上述目的，本发明采用的技术方案是：
[0006] 一种智能客户关怀系统，包括状态监测模块、信息获取模块、故障诊断预测模块、显示故障信息的显示模块、远程操作模块、无线通讯模块、客户关怀模块和仓库管理模块，其中：
[0007] 所述状态监测模块安装于用户计算机客户端的插槽上，用于实时对计算机状态进行监测；
[0008] 所述信息获取模块用于获取所述状态监测模块的故障数据，并将该信息通过所述无线通讯模块传递给所述故障诊断预测模块；
[0009] 所述故障诊断预测模块基于接收到的信息进行特征提取，对计算机的状态进行诊断及预测，并将故障诊断及预测结果上报给所述客户关怀模块及显示故障信息的显示模块；
[0010] 所述客户关怀模块用于根据所述故障诊断预测模块传递过来的诊断结果，向所述计算机用户发送对应的客户关怀信息，并通过所述远程操作模块与计算机客户端建立远程连接，对计算机故障进行处理；
[0011] 所述仓库管理模块用于所有产品的入库安排，记录所有的产品出库信息，各实体仓的产品盘点，对产品的库存信息进行详细的库存管理，并根据所述故障诊断预测模块的诊断预测结果做好备货准备。
[0012] 优选的，所述状态监测模块包括硬件状态采集模块、软件测试模块；所述硬件状态采集模块用于实时对硬件状态进行监测，所述软件测试模块对计算机软件进行测试。
[0013] 优选的，还包括数据库模块，用于数据的搜集、筛选、建立样本数据库。
[0014] 优选的，所述故障诊断预测模块基于接收到的信息进行特征提取，对计算机的状态进行诊断及预测的方法为：
[0015] S1、根据计算机工作原理对接收到的信息进行特征参量提取，并筛选出能够影响计算机工作状态的特征参数，作为贝叶斯网络故障表现层；
[0016] S2、采集所述计算机系统中能影响计算机正常运行的故障作为关键故障，将所述关键故障的故障模式、故障表现形式以及故障引起的监测参数变化，作为贝叶斯网络故障原因层；
[0017] S3、根据现有样本，通过对所述样本中不同故障所引起的监测参数变化进行分析，依据分析结果建立贝叶斯诊断网络；
[0019] S5、优化贝叶斯故障诊断网络结构和网络参数；
[0020] S6、对所述最优贝叶斯网络结构，利用实际数据和贝叶斯网络参数学习算法进行参数学习，得到所述最优贝叶斯网络中网络各节点的条件概率表；
[0021] S7、基于所述条件概率表利用网络推理算法对故障和故障表现层各节点的映射关系表进行计算，得到故障原因层的后验概率，即为诊断结果，概率最大的点就是所述最优贝叶斯网络给出的最大可能故障原因；并输入计算机设备的故障现象和运行环境信息，计算计算机设备不同故障发生时对应的故障节点后验概率，从而实现对计算机故障的预测。
[0022] 优选的，步骤S4中，所述贝叶斯网络结构学习算法包括K2算法、MCMC算法、TAN算法。
[0023] 优选的，步骤S6中，所述贝叶斯网络参数学习算法包括贝叶斯估计和最大似然估计。
[0024] 进一步的，在步骤S6中，本发明利用贝叶斯估计和最大似然估计得到所述最优贝叶斯网络中网络各节点的条件概率表，具体方法如下：
[0025] 首先根据样本数据集Y＝{Y1，Y2，Y3，…，Yn}和变量集X＝{X1，X2，X3，…，Xn}得到对应的网络参数，表示为：
[0026] θijk＝P(Xi＝k|Pa(Xi)＝j)
[0027] 当θ已知时，样本数据集Y的条件概率P(Y|θ)即为参数θ的似然度，表示为：
[0028] L(θ|Y)＝P(Y|θ)
[0029] 令Y不变，在其定义域内改变θ，则L(θ|Y)即为θ的似然函数，表示为
[0030]
[0031] 其中，
[0032] 记录了在样本训练数据中(Xi＝k，Pa(Xi)＝j)发生的次数，再利用拉格朗日乘数法求出极大似然估计 计算公式如下：
[0033]
[0034] 优选的，步骤S7中，基于所述条件概率表利用网络推理算法对故障和故障表现层各节点的映射关系表进行计算，得到故障原因层的后验概率的计算方法如下：
[0035] 首先给定变量集X＝(X1，X2，X3，…，Xn)和X的一个函数集F(X1，X2，X3，…，Xn)，根据消元顺序ρ对函数F(X1，X2，X3，…，Xn)进行消元，如消去X1，则得到函数G(X2，X3，…，Xn)，其计算公式为：
[0036]
[0037] 以此类推，最后剩下变量E和Q，即可得到后验概率P(Q|E＝e)，其计算公式如下：
[0038]
[0039] 优选的，本发明基于贝叶斯网络对计算机故障进行预测是通过分析历史数据或当前数据与故障发生的概率阈值(0.5)关系，利用联合推理来预测计算机故障发生的趋势和概率，具体方法如下：
[0041] X＝{t，w，b，m，h，d}
[0042] 各变量对应的值域分别为：温度t：{25℃以下，25～35℃，35℃以上}；湿度w：{45％以下，45％～70％，70％以上}；主板b、内存m、硬盘h、计算机死机d，统一分成两种取值状态{1，0}，其中0表示计算机无故障，1表示计算机发生故障。
[0043] 步骤2)：确定计算机预测模型的贝叶斯网络预测模型结构图，如图3所示；
[0044] 步骤3)：采用加权平均的方法根据根节点的阈值和变化趋势，并结合先验知识和专家经验，获得根节点的先验概率P(t)、P(w)，并利用VE算法求解贝叶斯网络预测模型中节点P(h)、P(m)、P(b)及P(d)的概率，其计算公式如下：
[0045]
[0046]
[0047]
[0048]
[0049] 优选的，所述客户关怀模块包括：
[0050] 对应关系处理模块，用于设定各种客户关怀信息和故障行为特征中的各种触发条件，建立并存储触发条件与客户关怀信息之间的对应关系，所述对应关系是一对一、一对多或多对一的关系；
[0051] 关怀信息发送模块，用于从所述故障诊断预测模块传递过来的诊断结果中提取出触发条件信息，根据该触发条件查询所述对应关系处理模块中存储的对应关系信息，获取对应的客户关怀信息，并发送给所述用户。
[0052] 优选的，所述客户关怀模块还包括业务营销模块，用于基于所述用户的故障行为特征和向所述用户发送的客户关怀信息，向所述用户进行业务营销。
[0053] 优选的，所述远程操作模块包括设置于后台服务器端的发送命令模块和设置于计算机用户端的接受操作命令模块。
[0054] 优选的，还包括数据存储模块，还包括数据存储模块，所述数据存储模块用于按时间顺序存储监控数据，且所述监控数据按编号进行存储。
[0055] 与现有技术相比，本发明的有益效果是：
[0056] (1)本发明通过基于贝叶斯网络建模模拟的方式来模拟计算机的各种故障，并将分析结果与待测计算机的历史数据进行比较，以此来判断待测计算机发生故障的概率，一方面，通过在线实时监测待测计算机的运行状态和对应数据，从而可以提高计算机故障诊断的科学性并有效节省人力物力；另一方面，根据获取的数据和状态可及时采取有效的应对措施，从而有效减少计算机维修流程，降低因为计算机故障应对不及时而给客户带来的不必要损失，从而提高客户满意度。
[0057] (2)本发明客户关怀模块基于故障诊断预测模块的结果可提前预知计算机用户的使用状态等行为特征，因此可及时向用户发布关怀信息并做好调货、上门服务等相关准备，从而缩短计算机维修流程、提高维修效率及客户满意度，并可根据计算机故障情况进行业务营销，使得业务营销更加具有目标性和针对性，从而能够增大业务营销的命中率。附图说明
[0058] 图1为本发明一种智能客户关怀系统的结构示意图。
[0059] 图2为本发明实施例中构建的贝叶斯网络结构模型图示意。
[0060] 图3为本发明实施例中贝叶斯网络故障预测流程图。
[0061] 图4为本发明实施例中计算机故障预测模型的贝叶斯网络模型结构图。
具体实施方式
[0062] 为了使本发明的目的、技术方案及优点更加清楚明白，下面将结合本发明中的附图，对本发明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条件下所获得的所有其它实施例，都属于本发明保护的范围。
[0063] 下面通过具体的实施例子并结合附图对本发明做进一步的详细描述。
[0064] 实施例
[0065] 如图1所示，一种智能客户关怀系统，包括状态监测模块、信息获取模块、故障诊断预测模块、显示故障信息的显示模块、远程操作模块、无线通讯模块、客户关怀模块和仓库管理模块，其中：
[0066] 所述状态监测模块安装于用户计算机客户端的插槽上，用于实时对计算机状态进行监测；
[0067] 所述信息获取模块用于获取所述状态监测模块的故障数据，并将该信息通过所述无线通讯模块传递给所述故障诊断预测模块；
[0068] 所述故障诊断预测模块基于接收到的信息进行特征提取，对计算机的状态进行诊断及预测，并将故障诊断及预测结果上报给所述客户关怀模块及显示故障信息的显示模块；
[0069] 所述客户关怀模块用于根据所述故障诊断预测模块传递过来的诊断结果，向所述计算机用户发送对应的客户关怀信息，并通过所述远程操作模块与计算机客户端建立远程连接，对计算机故障进行处理；
[0070] 所述仓库管理模块用于所有产品的入库安排，记录所有的产品出库信息，各实体仓的产品盘点，对产品的库存信息进行详细的库存管理，并根据所述故障诊断预测模块的诊断预测结果做好备货准备。
[0071] 具体的，所述状态监测模块包括硬件状态采集模块、软件测试模块；所述硬件状态采集模块用于实时对硬件状态进行监测，所述软件测试模块对计算机软件进行测试。
[0072] 具体的，还包括数据库模块，用于数据的搜集、筛选、建立样本数据库。
[0073] 具体的，所述故障诊断预测模块基于接收到的信息进行特征提取，对计算机的状态进行诊断及预测的方法为：
[0074] S1、根据计算机工作原理对接收到的信息进行特征参量提取，并筛选出能够影响计算机工作状态的特征参数，作为贝叶斯网络故障表现层；
[0075] 其中，本发明所选取的特征变量参数包括带电插拔(Y1)、电池用尽(Y2)、病毒攻击(Y3)、保险烧毁(Y4)，CMOS错误(Y5)、BIOS错误(Y6)、风扇损坏(Y7)、发出警报(Y8)、芯片烧毁(Y9)、插脚氧化(Y10)、主板故障(Y11)、显卡故障(Y12)、内存故障(Y13)、CPU故障(Y14)、硬盘故障(Y15)、计算机无法启动(Y16)；
[0076] S2、采集所述计算机系统中能影响计算机正常运行的故障作为关键故障，将所述关键故障的故障模式、故障表现形式以及故障引起的监测参数变化，作为贝叶斯网络故障原因层；
[0077] S3、根据现有样本，通过对所述样本中不同故障所引起的监测参数变化进行分析，依据分析结果建立贝叶斯诊断网络，结果如图2所示；
[0078] S4、利用所述故障的数据建立训练矩阵，所述训练矩阵依据贝叶斯网络结构学习算法，对所述贝叶斯诊断网络进行结构学习，确定基于结构学习的贝叶斯故障诊断网络和网络参数；
[0079] S5、优化贝叶斯故障诊断网络结构和网络参数；
[0080] S6、对所述最优贝叶斯网络结构，利用实际数据和贝叶斯网络参数学习算法进行参数学习，得到所述最优贝叶斯网络中网络各节点的条件概率表；
[0081] 具体的，利用贝叶斯估计和最大似然估计得到所述最优贝叶斯网络中网络各节点的条件概率表的方法，具体如下：
[0082] 首先根据样本数据集Y＝{Y1，Y2，Y3，…，Yn}和变量集X＝{X1，X2，X3，…，Xn}得到对应的网络参数，表示为：
[0083] θijk＝P(Xi＝k|Pa(Xi)＝j)
[0084] 当θ已知时，样本数据集Y的条件概率P(Y|θ)即为参数θ的似然度，表示为：
[0085] L(θ|Y)＝P(Y|θ)
[0086] 令Y不变，在其定义域内改变θ，则L(θ|Y)即为θ的似然函数，表示为
[0087]
[0088] 其中，
[0089] 记录了在样本训练数据中(Xi＝k，Pa(Xi)＝j)发生的次数，再利用拉格朗日乘数法求出极大似然估计 计算公式如下：
[0090]
[0091] 由上述计算公式并结合先验知识、专家经验及监测历史数据得到所述最优贝叶斯网络中BIOS错误、CPU故障的网络节点条件概率表分别如下表1～2所示：
[0092] 表1 BIOS错误条件概率表
[0093]
[0094] 表2 CPU故障条件概率表
[0095]
[0096] S7、基于上述条件概率表利用网络推理算法对故障和故障表现层各节点的映射关系表进行计算，得到故障原因层的后验概率，即为诊断结果，概率最大的点就是所述最优贝叶斯网络给出的最大可能故障原因；并输入计算机设备的故障现象和运行环境信息，计算计算机设备不同故障发生时对应的故障节点后验概率，从而实现对计算机故障的预测。
[0097] 具体的，步骤S7中，基于上述网络节点条件概率表利用网络推理算法对故障和故障表现层各节点的映射关系表进行计算，得到故障原因层的后验概率的计算方法如下：
[0098] 首先给定变量集X＝(X1，X2，X3，…，Xn)和X的一个函数集F(X1，X2，X3，…，Xn)，根据消元顺序ρ对函数F(X1，X2，X3，…，Xn)进行消元，如消去X1，则得到函数G(X2，X3，…，Xn)，其计算公式为：
[0099]
[0100] 以此类推，最后剩下变量E和Q，即可得到后验概率P(Q|E＝e)，其计算公式如下：
[0101]
[0102] 本发明根据先验知识和专家经验得到所述故障节点发生故障的先验概率，并将所述后验概率P(Q|E＝e)与所述先验概率作比较，并根据比较结果判断计算机是否发生故障并记录；其中，若所述后验概率和所述先验概率之差大于等于75％，则判定对应故障节点会发生对应的故障；若所述后验概率和所述先验概率之差大于等于25％并小于75％，则判定对应故障节点可能发生对应的故障；若所述后验概率和所述先验概率之差小于25％，则判定对应的故障节点不发生故障。
[0103] 其中，当计算机某一时刻出现单一故障时，可根据后验概率计算公式计算出导致计算机故障出现的原因。例如，当某时刻观测到计算机BIOS出现异常，即P(Y6＝1)，根据图2所示的贝叶斯网络诊断模型可知，导致BISO异常的原因可能为电池用尽或者病毒攻击。利用后验概率计算公式 计算电池用尽和病毒攻击的后验概率，具体如下：
[0104]
[0105]
[0106] 通常情况下，当BIOS出现异常时，传统的人工故障诊断方法根据专家知识和工作经验分析可知：由于计算机使用时间较短不长，因此电池用尽的概率约为20％左右；同时由于计算机连网时易被病毒攻击，其中病毒的概率约为80％左右，因此按照此思路诊断出计算机是受病毒攻击而出现此次故障；与通过本发明后验概率公式计算得出的电池用尽(0.2709)和病毒攻击的后验概率(0.9576)结果一致，因此说明本发明通过贝叶斯网络对计算机故障的诊断方法结果可靠。
[0107] 但当计算机出现复合故障时，如某时刻观测到计算机无法启动这一节点出现异常，即P(Y6＝1))，同时又观测到计算机发出警报，即P(Y8＝1)。此时根据图2中贝叶斯网络诊断模型可知，导致计算机无法启动这一节点异常的原因可能为主板或者内存，利用后验概率计算公式 先计算出当单一节点Y16发生故障时主板、内存的后验概率，具体计算过程如下：
[0108]
[0109]
[0110] 根据先验知识和专家经验可知，硬盘故障也可导致计算机无法启动，但发生故障的可能性很小，从图2中也可以看到，硬盘与计算机之间并无因果关系，为了验证本发明贝叶斯网络诊断模型的正确性，本发明也计算了硬盘的后验概率，计算方法如下：
[0111]
[0112] 进一步的，在单一故障节点Y16发生的基础上，再结合故障节点Y8，计算当两个节点同时出现故障时，主板、内存、硬盘的后验概率，计算方法如下：
[0113]
[0114]
[0115]
[0116] 由上述计算结果可知，当计算机无法启动这一单一节点出现异常时硬盘出现异常的后验概率为0.1532；但当同时出现计算机发出警报这一节点故障时，硬盘出现异常的后验概率为0.1521，前后概率相差0.0011，概率变化幅度不大，由此可判断硬盘发生故障的可能性极小，因此硬盘故障不是导致计算机出现无法启动故障发生的根本节点，同时也证实了贝叶斯网络诊断模型中Y15与Y16的因果关系。同样，当单一节点出现异常时，主板、内存发生故障的后验概率分别为0.9728、0.9851，此时，根据先验知识和专家经验无法判断上述哪个节点是导致故障发生的根本原因节点，但如果此刻同时观测到计算机发出警报，即P(Y18＝1)，则由贝叶斯网络计算公式推算得知，主板发生异常的后验概率为0.8375，而内存发生异常的后验概率为0.9814，由此推断导致计算机无法启动故障的原因是内存这一节点出现了异常。
[0117] 具体的，本发明基于贝叶斯网络对计算机故障进行预测是通过分析历史数据或当前数据与故障发生的概率阈值(0.5)关系，利用联合推理来预测计算机故障发生的趋势和概率，其故障预测流程如图3所示，具体方法如下：
[0118] 步骤1)：选取温度(t)、湿度(w)、主板(b)、内存(m)、硬盘(h)作为计算机死机(d)故障的网络参数变量，利用CF分析法计算故障发生的概率，相应的变量集如下：
[0119] X＝{t，w，b，m，h，d}
[0120] 各变量对应的值域分别为：温度t：(25℃以下，25～35℃，35℃以上}；湿度w：(45％以下，45％～70％，70％以上)；主板b、内存m、硬盘h、计算机死机d，统一分成两种取值状态{1，0}，其中0表示计算机无故障，1表示计算机发生故障。
[0121] 步骤2)：确定计算机故障预测模型的贝叶斯网络模型结构图，如图4所示；
[0122] 步骤3)：采用加权平均的方法根据根节点的阈值和变化趋势，并结合先验知识和专家经验，获得根节点的先验概率P(t)、P(w)，并利用VE算法求解贝叶斯网络预测模型中节点P(h)、P(m)、P(b)及P(d)的概率，其计算公式如下：
[0123]
[0124]
[0125]
[0126]
[0127] 为了验证本发明故障预测方法的可行性，发明人从500组测试数据中选取其中一组测定数据t＝t1，w＝w1，计算在给定数据条件下d1＝0和d1＝1的后验概率P(d)并进行比较，以此来预测在当前监测状态下，计算机是否会出现死机故障。
[0128] 预测机理为：若P(d1＝1)≥P(d1＝0)＝0.5，则认为计算机在当前监测状态下将会发生死机故障；若P(d1＝0)>P(d1＝1)＝0.5，则认为计算机在当前监测状态下将不会出现死机故障。
[0129] 具体的，所述客户关怀模块包括：
[0130] 对应关系处理模块，用于设定各种客户关怀信息和故障行为特征中的各种触发条件，建立并存储触发条件与客户关怀信息之间的对应关系，所述对应关系是一对一、一对多或多对一的关系；
[0131] 关怀信息发送模块，用于从所述故障诊断预测模块传递过来的诊断结果中提取出触发条件信息，根据该触发条件查询所述对应关系处理模块中存储的对应关系信息，获取对应的客户关怀信息，并发送给所述用户。
[0132] 具体的，所述客户关怀模块还包括业务营销模块，用于基于所述用户的故障行为特征和向所述用户发送的客户关怀信息，向所述用户进行业务营销。
[0133] 具体的，所述远程操作模块包括设置于后台服务器端的发送命令模块和设置于计算机用户端的接受操作命令模块。
[0134] 具体的，还包括数据存储模块，还包括数据存储模块，所述数据存储模块用于按时间顺序存储监控数据，且所述监控数据按编号进行存储。
[0135] 综上所述，本发明通过基于贝叶斯网络建模模拟的方式来模拟计算机的各种故障，并将分析结果与待测计算机的历史数据进行比较，以此来判断待测计算机发生故障的概率，一方面，通过在线实时监测待测计算机的运行状态和对应数据，从而可以提高计算机故障诊断的科学性并有效节省人力物力；另一方面，根据获取的数据和状态可及时采取有效的应对措施，从而有效减少计算机维修流程，降低因为计算机故障应对不及时而给客户产生的不必要损失，从而提高客户满意度；此外，还可以使计算机供货商基于用户的使用状态等行为特征和向用户发布的关怀信息进行业务营销，使得业务营销更加具有目标性和针对性，能够增大业务营销的命中率。
[0136] 以上所述，仅为本发明的说明实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，做出的若干改进和补充也应视为本发明的保护范围；凡熟悉本专业的技术人员，在不脱离本发明精神和范围的情况下，利用以上所揭示的技术内容做出的些许更改、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所做的任何等同变化的更改、修饰与演变，均仍属于本发明的保护范围。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于免疫学习的工业控制系统功能安全验证方法 | 2020-05-12 | 221 |
| 一种基于大数据挖掘的公共政策分析模型部署方法及其系统 | 2020-05-14 | 608 |
| 一种基于模糊动态贝叶斯网络的系统模糊可靠性分析方法 | 2020-05-13 | 669 |
| 一种基于贝叶斯网络的多方证据关联模型构建方法和证据链提取方法及装置 | 2020-05-18 | 141 |
| 一种基于不确定性量化的涡轮叶片热机械疲劳概率寿命预测方法 | 2020-05-13 | 865 |
| 一种多重不确定性的水库调度规则提取方法及系统 | 2020-05-14 | 301 |
| 基于贝叶斯网络法的柔性多状态开关可靠性分析方法 | 2020-05-17 | 350 |
| 一种基于深度学习的信息推荐方法 | 2020-05-08 | 876 |
| 基于贝叶斯网络的问答装置、方法及存储介质 | 2020-05-15 | 918 |
| 应用程序质量监测方法、装置、计算机设备和存储介质 | 2020-05-15 | 7 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈