一种基于人工智能的设备数据分析系统及方法与流程

本发明涉及性能评估，具体为一种基于人工智能的设备数据分析系统及方法。

背景技术：

1、智能设备是指任何一种具有计算处理能力的设备、器械或者机器；功能完备的智能设备必须具备灵敏准确的感知功能、正确的思维与判断功能以及行之有效的执行功能；智能设备是传统电气设备与现代科技相结合的产物，它们通常具有高度的自动化和快速响应能力，能够通过智能化控制系统进行监控和操作，优化生产流程、提高生产效率和降低成本；智能设备的发展对于提高劳动效率和效益具有重要意义。

2、通常评判一个智能设备的价值是通过评估智能设备的性能，而评估智能设备的性能通常是根据智能设备本身的各种参数去进行评估，但是智能设备的各种参数很容易受到外界各种因素的影响，导致收集到数据并不准确，那么对智能设备的评估也就不准确；不过，智能设备是由人为操控的，用户的行为对智能设备的性能同样会产生影响，且造成的影响不易受到其他因素的影响，因此通过用户的行为去评估智能设备的性能能够更加地精确，但是目前并没有很好的方法能够通过用户行为去对智能设备进行有效评估。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的设备数据分析系统及方法，以解决上述背景技术中提出的问题。

2、为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的设备数据分析方法，数据分析方法包括以下步骤：

3、步骤s100：每当智能设备接收到用户指令时，确定接收到指令的时间点为指令接收点，获取智能设备从开始运行到当前指令接收点的运行时间；根据历史智能设备每一次接收指令的响应时间，得到智能设备的平均响应时间；根据智能设备的运行时间和平均响应时间，评估得到智能设备的理论响应值；

4、步骤s200：通过视频监控对用户操作智能设备的行为进行捕捉；从用户接触智能设备到离开智能设备的一系列动作序列中获取若干个使用操作，生成一次智能设备使用事件；通过分析一次智能设备使用事件过程中，用户的操作时间和智能设备当前接收指令的响应时间，生成智能设备的实际响应值；根据智能设备的理论响应值与实际响应值之间的差值得到性能差值，判断是否对智能设备的性能造成影响，生成性能相关事件；

5、步骤s300：将性能相关事件存入设定的使用操作数据库，分析历史智能设备使用事件的使用操作与性能相关事件的相似度，判断是否生成新的性能相关事件；根据使用操作数据库中各个性能相关事件的发生次数和持续时间，分析得到用户的习惯行为；

6、步骤s400：获取一个单位周期里智能设备发生性能相关事件的次数，理论响应值和实际响应值的变化程度，生成连续两次性能相关事件对智能设备性能造成影响的误差率；获取智能设备历史出现异常的平均异常响应值，根据用户习惯行为的发生频率和每个习惯行为对应的性能差值，得到智能设备出现异常的预测时间范围。

7、进一步的，步骤s100包括以下步骤：

8、步骤s101：设定智能设备开始运行的时间点为，智能设备当前接收到指令的时间点为，获取智能设备从开始运行到当前指令接收点的运行时间，读取智能设备历史每一次接收指令的响应时间，其中，表示第次接收指令的响应时间；根据公式：，其中，为智能设备当前第次接收指令；计算得到智能设备的平均响应时间；

9、步骤s102：读取设备当前从接收指令到执行指令的响应时间；根据公式：

10、

11、其中，为智能设备当前第次接收指令，为智能设备的平均响应时间；计算得到智能设备的理论响应值；

12、智能设备接收指令和执行指令会对智能设备的性能产生影响，因此，当在智能设备的使用时间中，对指令的接收和响应时间越长，则对性能的影响会越大，同时，由于智能设备的性能变化，导致智能设备响应的时间发生变化，当前的响应时间可能已经比原先的要更慢，因此需要考虑到智能设备的响应时间变化程度，因此添加能够让得到的响应值更加准确。

13、进一步的，步骤s200包括以下步骤：

14、步骤s201：从用户接触到智能设备开始，捕捉用户操作智能设备的一系列动作序列；当检测到智能设备的状态发生变化时，则提取智能设备状态发生变化前的若干个使用操作，其中，为提取到的第个使用操作；这里的智能设备的状态发生变化包括智能设备的运行状态、有无进行数据处理、温度变化过高等变化；

15、步骤s202：当用户离开智能设备时，统计用户下一次接触智能设备的持续时间，设定一个时间阈值，当时，则等待用户再次离开智能设备时重新进行持续时间的统计，当时，则获取用户最后一次离开智能设备前的若干个使用操作，其中，为用户离开智能设备前的第个使用操作；

16、步骤s203：将若干个使用操作和若干个使用操作进行组合，生成一次智能设备使用事件，在经过一次智能设备使用事件后，获取用户完成智能设备使用事件的持续时间，根据公式：，其中，为智能设备当前从接收指令到执行指令的响应时间，计算生成智能设备的实际响应值；

17、步骤s204：获取智能设备完成智能设备使用事件后的理论响应值；设定一个可允许误差，当时，则判断智能设备使用事件对智能设备的性能造成影响；将智能设备使用事件的使用操作与性能差值进行关联，生成性能相关事件。

18、进一步的，步骤s300包括以下步骤：

19、步骤s301：建立使用操作数据库，将每一个性能相关事件存入使用操作数据库；

20、步骤s302：获取用户历史所有智能设备使用事件，选取每一个智能设备使用事件中的若干个使用操作，将若干个使用操作与使用操作数据库中的每一个性能相关事件进行比较，生成智能设备使用事件与性能相关事件的相似度；

21、步骤s303：设定一个相似度阈值，若，获取在智能设备使用事件中智能设备的理论响应值和实际响应值，计算生成智能设备的性能变化趋势，根据智能设备的性能变化趋势，判断是否将智能设备使用事件作为新的性能相关事件存入使用操作数据库；

22、步骤s304：统计使用操作数据库中各个性能相关事件的发生次数和每一次性能相关事件的持续时间，其中，为使用操作数据库中第个性能相关事件的发生次数，为使用操作数据库中第个性能相关事件中第次发生的持续时间，根据公式：，得到使用操作数据库中第个性能相关事件的总持续时间；计算得到第个性能相关事件的平均发生时间；将各个性能相关事件的平均发生时间按照从高到低进行排序，选择前个性能相关事件作为用户的习惯行为；

23、用户的习惯行为一般为行为发生的次数越多，则将其定义为习惯行为，但是这存在着这样一种情况：某种行为虽然发生次数较少，但是是因为一次行为发生的持续时间很长，从时间上来看，可能某种行为处于基本上一直发生的状态，那么如果将这种行为不作为习惯行为，则会对后续的预测结果造成严重的偏差，但如果通过每个动作的发生次数和持续时间共同分析，得到的习惯行为会更加地科学。

24、进一步的，步骤s400包括以下步骤：

25、步骤s401：获取一个单位周期中智能设备发生性能相关事件的次数，记录连续两次性能相关事件后的理论响应值变化程度为，其中，为单位周期中第次性能相关时间后的理论响应值，为单位周期中第次性能相关时间后的理论响应值；根据两次性能相关事件后智能设备的持续时间和响应时间，生成智能设备第次性能相关时间后的实际响应值和第次性能相关时间后的实际响应值；根据公式：

26、

27、计算得到连续两次性能相关事件对智能设备性能变化程度造成影响的误差率；根据智能设备的理论响应值变化程度和实际响应值变化值的比例，结合单位时间中两个性能相关事件的平均时间占比，能够得到性能相关事件造成的性能影响程度相比于正常接收指令造成的性能影响程度的提高程度，生成的误差率能够帮助后续异常时间预测更加地准确；

28、步骤s402：获取用户的个习惯行为，设定个习惯行为中第个习惯行为在使用操作数据库中的发生频率为，其中，为第个习惯行为在使用操作数据库中的发生次数，为使用操作数据库中性能相关事件总数；并从使用操作数据库中提取第个习惯行为对应的性能差值；

29、步骤s403：读取历史智能设备每一次出现异常时检测的实际响应值，对所有的实际响应值进行平均值计算得到平均异常响应值；实时获取智能设备的实际响应值，根据公式：

30、

31、生成智能设备出现异常的预测时间范围为，因此当经过时间为时，对智能设备发送异常提醒；

32、根据智能设备历史出现异常的响应值与智能设备当前的实际响应值的差值说明智能设备的性能变化程度，将用户习惯行为的发生频率乘以对应的性能差值，可以估计出后续智能设备发生的智能设备使用事件中，对智能设备性能造成影响的习惯行为造成的性能变化程度，两者进行相除可以得到大概的异常时间，加上误差率mis，既能够防止连续两次性能相关事件由于接近对智能设备性能造成的影响比单独两个性能相关事件造成的影响更大，也能够让其余性能相关事件对智能设备性能造成的影响有所体现，让最后得到的预测时间范围尽可能地准确。

33、为更好的实现上述方法，还提出了一种基于人工智能的设备数据分析系统，数据分析系统包括了性能获取模块、用户行为分析模块、习惯行为分析模块和性能变化预测模块；

34、性能获取模块，用于每当智能设备接收到用户指令时，确定接收到指令的时间点为指令接收点，获取智能设备从开始运行到当前指令接收点的运行时间；根据历史智能设备每一次接收指令的响应时间，得到智能设备的平均响应时间；根据智能设备的运行时间和平均响应时间，评估得到智能设备的理论响应值；

35、用户行为分析模块，用于通过视频监控对用户操作智能设备的行为进行捕捉；从用户接触智能设备到离开智能设备的一系列动作序列中获取若干个使用操作，生成一次智能设备使用事件；通过分析一次智能设备使用事件过程中，用户的操作时间和智能设备当前接收指令的响应时间，生成智能设备的实际响应值；根据智能设备的理论响应值与实际响应值之间的差值得到性能差值，判断是否对智能设备的性能造成影响，生成性能相关事件；

36、习惯行为分析模块，用于将性能相关事件存入设定的使用操作数据库，分析历史智能设备使用事件的使用操作与性能相关事件的相似度，判断是否生成新的性能相关事件；根据使用操作数据库中各个性能相关事件的发生次数和持续时间，分析得到用户的习惯行为；

37、性能变化预测模块，用于获取一个单位周期里智能设备发生性能相关事件的次数，理论响应值和实际响应值的变化程度，生成连续两次性能相关事件对智能设备性能造成影响的误差率；获取智能设备历史出现异常的平均异常响应值，根据用户习惯行为的发生频率和每个习惯行为对应的性能差值，得到智能设备出现异常的预测时间范围。

38、进一步的，用户行为分析模块包括了智能设备使用事件生成单元和性能相关事件生成单元；

39、智能设备使用事件生成单元，用于通过视频监控对用户操作智能设备的行为进行捕捉；从用户接触智能设备到离开智能设备的一系列动作序列中获取若干个使用操作，生成一次智能设备使用事件；性能相关事件生成单元，用于通过分析一次智能设备使用事件过程中，用户的事件持续时间和智能设备的响应时间，生成智能设备的实际响应值；根据智能设备的理论响应值与实际响应值之间的差值得到性能差值，判断是否对智能设备的性能造成影响，生成性能相关事件。

40、进一步的，习惯行为分析模块包括了相似度判断单元和习惯行为筛选单元；

41、相似度判断单元，用于将性能相关事件存入设定的使用操作数据库，分析历史智能设备使用事件的使用操作与性能相关事件的相似度，判断是否生成新的性能相关事件；习惯行为筛选单元，用于根据使用操作数据库中各个性能相关事件的发生次数和持续时间，分析得到用户的习惯行为。

42、进一步的，性能变化预测模块包括了误差率计算单元和异常时间范围预测单元；

43、误差率计算单元，用于获取一个单位周期里智能设备发生性能相关事件的次数，理论响应值和实际响应值的变化程度，生成连续两次性能相关事件对智能设备性能造成影响的误差率；异常时间范围预测单元，用于获取智能设备历史出现异常的平均异常响应值，根据用户习惯行为的发生频率和每个习惯行为对应的性能差值，得到智能设备出现异常的预测时间范围。

44、与现有技术相比，本发明所达到的有益效果是：（1）本发明不从智能设备本身的参数去对智能设备进行评估，只是将智能设备的响应时间作为一个辅助手段；从用户的行为对智能设备的性能造成影响的程度去评估智能设备的性能，由于用户行为不会轻易受到其他因素的干扰，因此对设备性能的评估更加地准确；（2）本发明通过获取用户接触智能设备和离开智能设备的使用操作，与对智能设备性能造成的影响程度进行关联，后续通过分析用户的行为特征，能够自动地判断是否会对智能设备造成影响以及造成的影响程度；（3）本发明通过分析用户的习惯行为，能够准确预测出用户后续可能进行的行为特征，通过之前分析好的相关数据能够预测出智能设备因为用户的行为特征出现异常的时间范围。