【技术实现步骤摘要】
本专利技术涉及软件设计，尤其涉及一种基于人工智能的工业软件设计及应用平台。
技术介绍
1、软件设计是从软件需求规格说明书出发，根据需求分析阶段确定的功能设计软件系统的整体结构、划分功能模块、确定每个模块的实现算法以及编写具体的代码，形成软件的具体设计方案，软件设计是把许多事物和问题抽象起来，并且抽象它们不同的层次和角度。将问题或事物分解并模块化使得解决问题变得容易，分解的越细模块数量也就越多。
2、而在软件设计中就包括工业软件，工业软件是指在工业领域里应用的软件，包括系统、应用、中间件、嵌入式等，一般来讲工业软件被划分为编程语言、系统软件、应用软件和介于这两者之间的中间件。
3、但现有技术中，工业软件测试时，需要对工业软件连续多次的重复测试，但多次测试中，不仅存在需要耗费较多的时间，浪费许多测试时间，而且会给服务器造成较大的负荷，影响服务器的使用寿命。
技术实现思路
1、本专利技术提供了一种基于人工智能的工业软件设计及应用平台，以解决上述
技术介绍
中提出的问题。
2、为了实现上述目的，本专利技术采用了如下技术方案：
3、一种基于人工智能的工业软件设计及应用平台，包括以下步骤：
4、步骤s1:首先获取目标版本的待测试工业应用软件并确定待测试环境，在当前测试环境下通过测试脚本对测试工业应用软件进行测试，并收集初次的测试数据；
5、步骤s2:构建工业软件测试预测模型；
6、步骤s3:将初次的测试数据发送到初
7、作为本技术方案的进一步改进方案：初次的测试数据包括cpu使用率、内存使用率、硬盘使用率、服务器的吞吐率、工业应用软件响应时间数值。
8、作为本技术方案的进一步改进方案：步骤s2:构建工业软件测试预测模型，具体为：
9、第一步，首先获取大量工业软件测试样本组成的数据集，且数据集中每一个样本包括初次测试的cpu使用率、内存使用率、硬盘使用率、服务器的吞吐率、工业应用软件响应时间数值以及多次测试后工业软件是否发生故障；
10、第二步，利用所述数据集对机器学习模型进行训练，其中机器学习模型以经过标准化后的cpu使用率、内存使用率、硬盘使用率、服务器的吞吐率、工业应用软件响应时间数值五个指标作为输入，以多次测试后工业软件是否发生故障作为输出，通过监督学习得到工业软件测试预测模型。
11、作为本技术方案的进一步改进方案：第一步，将所述数据集分为训练集和验证集，利用训练集同时训练多种机器学习模型，并利用验证集评估不同机器学习模型的表现精度，选择表现最佳的机器学习模型构建工业软件测试预测模型。
12、作为本技术方案的进一步改进方案：所选择的机器学习模型为逻辑回归、线性判别分析、k近邻、朴素贝叶斯、支持向量机、随机森林、神经网络中的至少一种。
13、作为本技术方案的进一步改进方案：所选择的机器学习模型为随机森林模型。
14、作为本技术方案的进一步改进方案：所述随机森林模型需进行超参数优化，所优化的超参数为：不纯度的衡量指标、模型构建树的个数n_estimators、树的最大深度max_depth、最小子节点min_samples_leaf和最小训练样本min_sample_split。
15、作为本技术方案的进一步改进方案：步骤s3:将初次的测试数据发送到初次的测试数据中，判断是否工业软件测试发生故障，具体为：
16、针对需要多次测试的工业软件，首先初次测试的cpu使用率、内存使用率、硬盘使用率、服务器的吞吐率、工业应用软件响应时间数值五个指标，将其标准化后输入所述工业软件测试预测模型中，得到是否工业软件测试发生故障。
17、本专利技术实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的基于人工智能的工业软件设计及应用平台。
18、本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的基于人工智能的工业软件设计及应用平台。
19、与现有技术相比，本专利技术的有益效果是：
20、本专利技术设计合理，构思巧妙，通过工业软件测试预测模型可快速对工业软件进行多次测试结果预测，不仅大大减少了测试时间，提高测试效率，同时可减轻服务器的负荷，保障服务器的使用寿命。
21、上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。本专利技术的具体实施方式由以下实施例及其附图详细给出。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的工业软件设计及应用平台，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的工业软件设计及应用平台，其特征在于，初次的测试数据包括CPU使用率、内存使用率、硬盘使用率、服务器的吞吐率、工业应用软件响应时间数值。
3.根据权利要求1所述的一种基于人工智能的工业软件设计及应用平台，其特征在于，步骤S2:构建工业软件测试预测模型，具体为：
4.根据权利要求1所述的一种基于人工智能的工业软件设计及应用平台，其特征在于，第一步，将所述数据集分为训练集和验证集，利用训练集同时训练多种机器学习模型，并利用验证集评估不同机器学习模型的表现精度，选择表现最佳的机器学习模型构建工业软件测试预测模型。
5.根据权利要求1所述的一种基于人工智能的工业软件设计及应用平台，其特征在于，所选择的机器学习模型为逻辑回归、线性判别分析、K近邻、朴素贝叶斯、支持向量机、随机森林、神经网络中的至少一种。
6.根据权利要求1所述的一种基于人工智能的工业软件设计及应用平台，其特征在于，所选择的机器学习模型为随机森林模型。<...
【技术特征摘要】
1.一种基于人工智能的工业软件设计及应用平台，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的工业软件设计及应用平台，其特征在于，初次的测试数据包括cpu使用率、内存使用率、硬盘使用率、服务器的吞吐率、工业应用软件响应时间数值。
3.根据权利要求1所述的一种基于人工智能的工业软件设计及应用平台，其特征在于，步骤s2:构建工业软件测试预测模型，具体为：
4.根据权利要求1所述的一种基于人工智能的工业软件设计及应用平台，其特征在于，第一步，将所述数据集分为训练集和验证集，利用训练集同时训练多种机器学习模型，并利用验证集评估不同机器学习模型的表现精度，选择表现最佳的机器学习模型构建工业软件测试预测模型。
5.根据权利要求1所述的一种基于人工智能的工业软件设计及应用平台，其特征在于，所选择的机器学习模型为逻辑回归、线性判别分析、k近邻、朴素贝叶斯、支持向量机、随机森林、神经网络中的至少一种。
6.根据权利要求1所述的一种基于人工智能的工业软件设计及应用平台，其特征在于，所选择的机器学习模型为随机...
【专利技术属性】
技术研发人员：李鑫，沈欢，钟芳盼，刘国光，洪勇波，
申请(专利权)人：南方科技大学嘉兴研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。