[发明专利]一种智能客户关怀系统

权利要求书

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包括：利用实际数据和贝叶斯网络参数学习算法进行参数学习，得到最优贝叶斯网络中网络各节点的条件概率表；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；

所述最优贝叶斯网络中网络各节点的条件概率表的计算方法如下：

首先根据样本数据集Y＝{Y₁，Y₂，Y₃，…，Y_n}和变量集X＝{X₁，X₂，X₃，…，X_n}得到对应的网络参数，表示为：

θ_ijk＝P(X_i＝k|P_a(X_i)＝j)

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：

L(θ|Y)＝P(Y|θ)

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

其中，

记录了在样本训练数据中(X_i＝k，P_a(X_i)＝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：

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网络节点条件概率表；

所述故障原因层的后验概率的计算方法如下：

首先给定变量集X＝(X₁，X₂，X₃，…，X_n)和X的一个函数集F(X₁，X₂，X₃，…，X_n)，根据消元顺序ρ对函数F(X₁，X₂，X₃，…，X_n)进行消元，如消去X₁，则得到函数G(X₂，X₃，…，X_n)，其计算公式为：

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：

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；

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。