1.一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：包括以下步骤：步骤一，采集网页数据：通过访问后台端口、用户端口以及虚拟云端对网页数据进行采集，其中，网页数据包括前期设计信息、后期页面信息和模块监测信息；

步骤二，分析网页数据：模块故障分为页面故障、响应故障和使用故障，采集模块故障的因子包括访问量和负载量，通过对比分析前期设计信息与后期页面信息，获得网页数据设计过程的页面故障占比，同时结合模块监测信息进行分析处理，测算响应故障占比和使用故障占比；

步骤三，构建统一分析模型：将故障因子和故障占比代入统一分析模型中，分析模块故障的影响因素和变化模式，其中包括单一故障因素和综合故障因素分别对于模块故障程度的影响模式；

步骤四，根据分析结果建立基于AI的预测模型：设定综合因素的阈值和单一故障因素的预设区间，实时监测访问量和负载量并将其控制在预设范围内，若超出预设范围，则生成故障提示信号；

步骤五，基于预测模型设计一套无损恢复方案：在接收到故障提示信号时进行故障修复操作。

2.根据权利要求1中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：统一分析模型的构建过程如下：s1：设定故障因子为集合Rx，故障类别为集合Fx，预设采样周期为Tcy，对采样周期内的故障因子Rx集合内各个元素的数量分别进行累计，获取一个采样周期内的各个故障因子的累计量为集合RWx，同时获取一个采样周期内的各个故障类别的占比为集合FWx；

s2：分析同一周期内故障因子Rx与故障类别Fx内各个元素之间单独对应产生的影响关系，再根据单一故障因子对于各个故障类别的影响程度不同，为各个故障类别的占比集合FWx中各个元素分别赋予相应的一级权重因子系数，先进行相乘后再累加，获取总体的模块故障程度值Mki，生成单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图；

s3：分析全部的故障因子对于总体的模块故障的综合影响关系：根据各个故障因子对于模块故障的影响程度不同，为各个故障因子的累计量集合RWx分别赋予相应的二级权重因子系数，先进行相乘后再累加，获取综合的故障因素影响值Gzx，并生成综合故障因素影响值Gzx－总体的模块故障程度值Mki的关系曲线图。

3.根据权利要求2中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：构建AI预测模型的具体过程为：依据综合故障因素影响值Gzx－总体的模块故障程度值Mki的关系曲线图，将其置入到增长测算模型并计算生成综合故障因素增长率Zm；

将综合故障因素增长率Zm从0到正值的临界点所在位置的横坐标Xzm设定为综合因素阈值，则综合故障因素影响值Gzx的预设区间为[0，Xzm)，通过实时监测访问量和负载量，并计算综合故障因素影响值Gzx，将其限制在综合因素预设区间以内；

依据单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，将总体的模块故障程度值Mki从0到正值的临界点所在位置的横坐标设定为单一因素阈值Xrwi，以确定单一故障因素的预设区间，其中，设定访问量预设区间为[0，Xrw1)，负载量预设区间为[0，Xrw2)；

当综合故障因素的影响值Gzx超出预设区间时，结合单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，判定超出预设区间的单一故障因素，以此定位相应的故障原因并生成故障提示信号；

其中，增长测算模型的构建过程如下：

先选择曲线任意一点标记为p，确定其坐标值p(x0，y0)，再选择该点的相邻点q，确定该点的坐标值q(x1，y1)；

再计算曲线在两个点之间的平均增长率Zm，平均增长率Zm即为综合故障因素增长率：

4.根据权利要求3中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：故障提示信号的生成具体过程如下：先进行阈值比较：当综合故障因素的影响值Gzx超出阈值时，通过单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，测算访问量和负载量是否超出预设区间；

若访问量超出预设区间[0，Xrw1)，表明访问量过大，则生成第一故障提示信号，并对其进行排序等待处理；

若负载量超出预设区间[0，Xrw2)，表明负载量过大，则生成第二故障提示信号，并对其进行强制关闭处理；

若访问量和负载量均超出相应的预设区间，表明访问量和负载量均过大，则生成第三故障提示信号，并同时进行排序等待处理和强制关闭处理；

当综合故障因素的影响值Gzx超出阈值，而访问量和负载量均未超出相应的预设区间，则表明单一因素的综合影响大于单一因素影响的累加，则对其先进行增长率对比，再进行相应的处理；

其中，增长率对比过程为：依据单一故障因子累积量RWx与总体的模块故障程度值Mki之间的动态关系曲线图，将其分别置入增长测算模型中，分别生成相应的访问量增长率Zmx和负载量增长率Zmf，比较访问量增长率Zmx和负载量增长率Zmf的大小，对增长率数值大的单一故障因子进行控制处理；

若访问量增长率Zmx＞负载量增长率Zmf，表明访问量变化程度过快，生成第一故障提示信号，对访问量进行排序等待处理；

若访问量增长率Zmx＜负载量增长率Zmf，表明负载量变化程度过快，生成第二故障提示信号，对负载量进行排序等待处理；

若访问量增长率Zmx＝负载量增长率Zmf，表明两者变化程度一致，生成第三故障提示信号，并同时进行排序等待处理和强制关闭处理。

5.根据权利要求4中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：步骤二中对比分析的具体过程为：后台端口用于采集前期设计信息，用户端口用于采集后期页面信息，其中，前期设计信息包括初始设计网页的页面内容A1和版式设计A2，后期页面信息包括成品显示网页的页面内容B1和版式设计B2；

先将初始设计网页和成品显示网页分别通过截图的方式转换为图像格式，生成初始图像Xa和成品图像Xb，再将初始图像Xa和成品图像Xb代入图像对比模型中进行对比分析，判定网页设计过程中是否发生页面故障，并测算页面故障占比Hgz；

其中，图像对比模型的构建过程为：

先标记初始图像Xa和成品图像Xb中位置相同的任意点，再对两组标记点进行颜色对比，当颜色不同时，表示产生了页面故障，当颜色完全相同时，表示没有产生页面故障。

6.根据权利要求5中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：模块监测信息的分析过程如下：通过虚拟云端采集网页的模块监测信息，其中，模块监测信息包括模块的页面响应时间、访问量、负载量和用户反馈；

其中，页面响应时间为后台端发出网页设计指令到获得响应的时间，访问量为用户的访问请求数，负载量为单位时间内服务器的运行状态进程数，用户反馈包括网页使用过程中的故障问题和非故障问题；

对页面响应时间进行分析，测算响应故障占比Hxy；对用户反馈进行识别和询问，测算其中使用故障的占比Hsy；

将页面故障占比Hgz、响应故障占比Hxy、使用故障占比Hsy代入统一分析模型中判定引发网页故障的原因和变化模式；

对访问量与服务器负载量依次进行分析，并代入统一分析模型，分析两者产生故障的影响模式。

7.根据权利要求6中所述的一种基于AI预测的网页数据设计模块故障无损恢复方法，其特征在于：页面响应时间的具体分析过程为：a1：先预设结算周期为Tjs，页面响应时间为Txy，对一个结算周期内的全部页面响应时间测算平均值，获取页面平均响应时间Tpj；

a2：再基于页面平均响应时间Tpj设定时间阈值Fyz，将超出平均值的页面响应时间进行降序排序，当Txy＞Tpj时，对于其中前五分之一的页面响应时间Txy设定为不合格响应时间，并以不合格页面响应时间的最低值设为响应时间阈值Fyz，判定为响应故障；

a3：将结算周期分割为若干个检测周期Tjc，依次计算每个检测周期内的响应故障的占比Hxy。