CN107942854A - 一种全自动生化分析仪远程设备诊断策略 - Google Patents
一种全自动生化分析仪远程设备诊断策略 Download PDFInfo
- Publication number
- CN107942854A CN107942854A CN201711160754.3A CN201711160754A CN107942854A CN 107942854 A CN107942854 A CN 107942854A CN 201711160754 A CN201711160754 A CN 201711160754A CN 107942854 A CN107942854 A CN 107942854A
- Authority
- CN
- China
- Prior art keywords
- biochemical analyzer
- full
- automatic biochemical
- attribute
- strategy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000003066 decision tree Methods 0.000 claims abstract description 36
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 238000012423 maintenance Methods 0.000 claims abstract description 17
- 239000007788 liquid Substances 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000000034 method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 description 9
- 239000003153 chemical reaction reagent Substances 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 235000021110 pickles Nutrition 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/048—Monitoring; Safety
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00594—Quality control, including calibration or testing of components of the analyser
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N35/00—Automatic analysis not limited to methods or materials provided for in any single one of groups G01N1/00 - G01N33/00; Handling materials therefor
- G01N35/00584—Control arrangements for automatic analysers
- G01N35/00594—Quality control, including calibration or testing of components of the analyser
- G01N35/00712—Automatic status testing, e.g. at start-up or periodic
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Automation & Control Theory (AREA)
- Automatic Analysis And Handling Materials Therefor (AREA)
Abstract
本发明提供了一种全自动生化分析仪远程设备诊断策略，包括以下步骤：步骤1，采集全自动生化分析仪的各种物理信号，包括压力，液位，流量，温度，位置，得到输入参数；步骤2，输入参数上传至统一的服务器，利用单方面特征量对全自动生化分析仪进行初步状态评估；步骤3，构建基于决策树的全自动生化分析仪故障诊断模型；步骤4，加载维修策略。本发明提供的一种全自动生化分析仪远程设备诊断策略能够提高系统的诊断速度，节约企业的服务医院设备的成本并提高诊断的质量。
Description
技术领域
本发明涉及一种全自动生化分析仪远程设备诊断策略。
背景技术
全自动生化分析仪作为医疗机构常用的检测设备，其结构比较复杂，是集光、机、电结合的精密测量仪器，涉及的学科门类多，对维护仪器、工作状态检测及故障诊断的人员要求有较高的专业水平。由于医院对于该类设备的要求是不间断使用，因此，及时的故障诊断和提前预防性的维护就变得非常重要，而远程监控是解决这个问题的有效手段。随着互联网技术深入到各个行业领域，人工智能技术蓬勃发展，目前市场开发出的远程医疗设备系统都是基于互联网的文字性信息，国内没有基于三维的医疗设备模拟系统，文字信息带来的问题是不直观，需要非常专业的人士才能解读。同时，目前的国内系统缺乏机器深度学习功能，不能帮助用户预见性的发现问题，以及问题的关联所在。所以行业内急需一套完整的基于人工智能学习型的互联网设备诊断系统解决方案。
发明内容
本发明的目的在于提供一种全自动生化分析仪远程设备诊断策略，通过经验性归纳学习、分析学习、类比学习以及遗传学算法，能够为系统的使用人员提供深度的数据挖掘。
为了解决上述技术问题，本发明所采用的技术方案如下：
一种全自动生化分析仪远程设备诊断策略，包括如下步骤：
步骤1，采集全自动生化分析仪的各种物理信号：压力，液位，流量，温度，位置，得到输入参数，基于UNITY3D技术三维引擎实现对全自动生化分析仪的实际工作模拟；
步骤2，生化分析仪下位机置入网络通讯的芯片，基于socket协议实现数据通讯，将步骤1的数据上传至统一的服务器，利用单方面特征量对全自动生化分析仪进行初步状态评估，判断全自动生化分析仪是否故障或者正常运行，利用异常检测算法建立特征密度估计模型，测试设备特征概率密度分布是否异常；
数据进行分类处理，基于自组织特征映射神经网络(Self-organizing Map，SOM)建立异常值筛选模型，从特征维度中筛选出异常特征，SOM是全连接的神经元阵列组成的非监督，自组织，自学习神经网络，可以通过对特征的反复观察、分析比较，自行归纳特设的内部规律，并对具有共同特征的事务进行正确分类，通过训练建立模型后，就可以对训练数据或测试数据进行聚类，从而准确识别异常特征为维修策略提供决策依据。
步骤3，分别通过训练与测试样本数据的选取与处理、建立决策树模型，采用支持向量机回归技术，将对生化分析仪的各个评价指标为输入，将实际评估结果作为输出，通过对训练集进行学习，在测试集上对得到的模型进行测试，最后得到测试能力强的全自动生化分析仪状态评估回归模型；
其中，步骤3中，样本数据如果是连续的，采用二分法对连续属性进行处理。
其中，步骤3中，参数如果是非连续的，采用多路变量决策进行处理。
步骤3中多路变量决策进行处理的具体步骤：
1)，输入变量和决策树的根节点属性相同的属性；
2)，按照已经生成的决策树中的规则，判断输入变量中同根节点相同的属性值，寻找到下一子节点，进而继续进行属性匹配；
3)，通过决策树自顶向下，逐层查找，得出最终的诊断状态结果；
其中，多路变量决策树模型采用ID5R算法，其优势是其选择一个具有较高熵增的方法，ID5R算法将决策树结点分为两类:叶结点(结果节点)和非叶子结点(决策结点),这样的数据结构中包含了用于计算各测试属性的E-Score的信息,能快速计算E-Score并进行比较，其中：
叶结点包含：(a)类别名；(b)满足该叶结点路径上测试条件的事例描述集，这种描述由不出现在该叶结点路径上的属性以其取值的序列组成。
非叶结点包含：(a)一个测试属性，对于其每一个取值，都对应一个连向其它子树的分支，并记录该分支上各类示例的数量；(b)在该节点路径上所有非测试属性的集合。对其中每一属性的任一取值，记录满足该描述的各类示例的数量。
ID5R算法将将属性最低的E-Score作为最佳属性,当检测某个节点的测试属性不是具有最低的E-Score时,就把子树里的最佳属性提升到目前的节点里来,然后依序检查每个子节点的测试属性是不是最佳的,如果不是的话,就在那个子节点上进行提升的动作，见式1，令所有示例构成的示例集S,对于属性集A中的任一属性ai,设其值域为vi＝{vij}对于每个属性ai有:
其中，I代表集合上的信息熵；XK代表无缺失值的样例子集；|c|代表无缺失值的样例子集的元素个数；E代表信息增益；P(S|vij)代表无缺失值样本中的属性Vij所占的比例；ai代表属性值取i对应的样本数；Q代表有缺失值的特征值符号。
因此ID5R实现以较小的代价选择决策树较高的熵增作为父结点对于同样的示例集能够产生与ID3算法一致的决策树。
基于输出的异常值权重，采用决策树的经典算法C4.5进行比较，用来评估ID5R算法的性能，依据异常特征输入输出最佳维修策略。
步骤4，加载维修策略。
本发明有益效果在于：提供的一种全自动生化分析仪远程设备诊断策略，采用决策树归纳学习法，诊断策略引入ID5R算法，实现机器深度学习，为制定相关的诊断维修策略提供科学依据，方便维修人员对设备进行异地诊断，能有效降低事故发生风险和人力维护成本，应用本系统诊断策略能够加快系统的诊断速度具有良好的应用前景。
附图说明
图1为本发明实施例中试剂臂单元状态诊断的决策树图；
图2为本发明实施例试剂臂单元状态诊断的离散值图。
具体实施方式
下面结合具体实施方式对本发明作进一步详细的说明。
下面对本发明原理、工作过程进行详细说明：
本实施例中一种全自动生化分析仪远程设备诊断策略通过采集全自动生化分析仪的各种物理信号：压力，液位，流量，温度，位置，得到输入参数；数据上传至统一的服务器，利用单方面特征量对全自动生化分析仪进行初步状态评估，判断全自动生化分析仪是否故障或者正常运行，利用异常检测算法建立特征密度估计模型，测试设备特征概率密度分布是否异常；基于自组织特征映射神经网络(Self-organizing Map,SOM)建立异常值筛选模型，从特征维度中筛选出异常特征，SOM是全连接的神经元阵列组成的非监督、自组织、自学习神经网络，可以通过对特征的反复观察、分析比较，自行归纳特设的内部规律，并对具有共同特征的事务进行正确分类，通过训练建立模型后，就可以对训练数据或测试数据进行聚类，从而准确识别异常特征为维修策略提供决策依据。并分别通过训练与测试样本数据的选取与处理、建立决策树模型，采用支持向量机回归技术，将对生化分析仪的各个评价指标为输入，将实际评估结果作为输出，通过对训练集进行学习，在测试集上对得到的模型进行测试，最后得到测试能力强的全自动生化分析仪状态评估回归模型；基于输出的异常值权重，建立维修决策树模型(C4.5)，依据异常特征输入输出最佳维修策略。
本实施例中全自动生化分析仪远程设备诊断策略具体包括如下步骤：
步骤1，采集全自动生化分析仪的各种物理信号：压力，液位，流量，温度，位置，得到输入参数；
步骤2，将步骤1的数据上传至统一的服务器，利用单方面特征量对全自动生化分析仪进行初步状态评估，判断全自动生化分析仪是否故障或者正常运行，利用异常检测算法建立特征密度估计模型，测试设备特征概率密度分布是否异常；
步骤3，构建基于决策树的全自动生化分析仪故障诊断模型，分别通过训练与测试样本数据的选取与处理、建立决策树模型，采用支持向量机回归技术，将对生化分析仪的各个评价指标为输入，将实际评估结果作为输出，通过对训练集进行学习，在测试集上对得到的模型进行测试，最后得到测试能力强的全自动生化分析仪状态评估回归模型；基于自组织特征映射神经网络(SOM)建立异常值筛选模型，从特征维度中筛选出异常特征。SOM是全连接的神经元阵列组成的非监督，自组织，自学习神经网络，他可以通过对特征的反复观察、分析比较。自行归纳特设的内部规律，并对具有共同特征的事务进行正确分类。通过训练建立模型后，就可以对训练数据或测试数据进行聚类。从而准确识别异常特征为维修策略提供决策依据。
其中，步骤3中，参数如果是连续的，采用二分法对连续属性进行处理。
其中，步骤3中，参数如果是非连续的，采用多路变量决策进行处理，具体步骤包括：
步骤3.2.1，在输入变量和决策树的根节点属性相同的属性；
步骤3.2.2，按照已经生成的决策树中的规则，判断输入变量中同根节点相同的属性值，寻找到下一子节点，进而继续进行属性匹配；
步骤3.2.3，通过决策树自顶向下，逐层查找，得出最终的诊断状态结果，
步骤4，基于输出的异常值权重，建立维修决策树模型，加载最佳维修策略。
如温度的决策树的参数生成上，最简单的策略是采用二分法对连续属性进行处理。给定样本集温度值集合D和连续温度值a，假定a在D上出现n个不同的取温度值，将这些温度值从小到大进行排列，记为{a1,a2,a3,a4,….,an},考虑到生化分析仪本身孵育盘的水域温度37℃±0.3℃的国标要求，划定Dt1和Dt2区间子集。定义如下：Dt1+：{36.7，36.8，36.9，37，37.1，37.2，37.3}。Dt2-：{37.5，37.4，36.6,36.5}，其中Dt1+包含正确值的子集，Dt2-包含异常值的子集。显然，对相邻温度取值ai与ai+1来说，在区间[ai,ai+1]中取任意值所产生的划分结果相同。因此，对连续温度值a,可以考察n-1个元素的候选划分点集合
Ta＝{(ai+ai+1)/2|1<＝i<＝n-1}，
即把区间[ai，ai+1]的中心点(ai+ai+1)/2作为候选划分点。然后，就可像离散温度值一样来考察这些划分点，选取最优的划分点进行样本集合的划分。
二分法找到Dt+子集时，因为温度有滞后性，加之本系统采用的PID的温度算法，可能的预测状态是1、热敏电阻控制端出现问题，就是不能控制热敏电阻停止加热；2、冷水端的控制阀门出现问题。
结合图1，来看系统中存在其他多变量的决策过程，比如样本臂和试剂臂的光耦信号，可能是多路的，这样要引入多路变量决策。把每路光耦信号视为坐标空间中的一个坐标，则n个属性描述的样本就对应了n维空间的一个数据点，决策树所形成的分类边界有一个明显的特点：即分类边界的每一段都是与坐标轴平行的，这样的分类边界使得软件在学习结果的时候有较好的解释，因为每一段划分都直接对应了某个属性取值，生成的决策树见图1。
根据试剂臂上下及左右的电压数据见表1：
表1
| 编号 | 左右光耦电压(V) | 上下光耦电压(V) | 状态值 |
| 1 | 0.697 | 0.460 | 正常 |
| 2 | 0.774 | 0.376 | 正常 |
| 3 | 0.634 | 0.264 | 正常 |
| 4 | 0.608 | 0.318 | 正常 |
| 5 | 0.556 | 0.215 | 正常 |
| 6 | 0.403 | 0.237 | 正常 |
| 7 | 0.481 | 0.149 | 正常 |
| 8 | 0.437 | 0.211 | 正常 |
| 9 | 0.666 | 0.091 | 异常 |
| 10 | 0.243 | 0.067 | 异常 |
| 11 | 0.245 | 0.057 | 异常 |
| 12 | 0.343 | 0.099 | 异常 |
| 13 | 0.639 | 0.061 | 异常 |
| 14 | 0.657 | 0.098 | 异常 |
| 15 | 0.360 | 0.370 | 异常 |
| 16 | 0.593 | 0.042 | 异常 |
| 17 | 0.719 | 0.103 | 异常 |
本实施例中的表1及图2表明全自动生化分析仪试剂臂光耦电压信息，表中类别“+”与“-”分别表示机器的试剂臂可能存在故障或无故障信息；
依靠训练数据构造了决策树之后，可以将其用于实际数据的分类。在执行数据分类时，需要使用决策树以及用于构造决策树的标签向量。然后，程序比较测试数据与决策树上的数值，递归执行该过程直到进入叶子节点；最后将测试数据定义为叶子节点所属的类型也就是正常状态与异常状态。
因为构造决策树的过程是一个非常耗时的过程。即使处理很小的数据集，如本文提供的这些样本，也要花费大量的时间，如果数据量非常大，将会消耗更多的时间。使用已经构造好的决策树，则可以很快解决。为了节省时间，本系统能够在每次执行分类时调用已经构造好的决策树。
Def stortTree(inputTree,filename):
Import pickle
Fw＝open(filename,’w’)
Pickle.dump(inputTree,fw)
Fw.close()
Def grabTree(filename):
Import pickle
Fr＝open(filename)
Return picke.load(fr)
通过上面的代码，可以将分类器存储在硬盘上，而不用每次对数据分类时重新学习一遍，这也是决策树的优点之一，就是可以预先提炼并存储数据集中包含的电压信息，在需要对事物分类时再使用这些知识。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (4)
1.一种全自动生化分析仪远程设备诊断策略，其特征在于，包括以下步骤：
步骤1，采集全自动生化分析仪的各种物理信号，包括压力，液位，流量，温度，位置，得到输入参数；
步骤2，输入参数上传至统一的服务器，利用单方面特征量对全自动生化分析仪进行初步状态评估，判断全自动生化分析仪是否故障或者正常运行，利用异常检测算法建立特征密度估计模型，测试设备特征概率密度分布是否异常；
步骤3，构建基于决策树的全自动生化分析仪故障诊断模型，分别通过训练与测试样本数据的选取与处理、建立决策树模型，采用支持向量机回归技术，对生化分析仪的各个评价指标为输入，实际评估结果作为输出，通过对训练集进行学习，在测试集上对得到的模型进行测试，最后得到测试能力强的全自动生化分析仪状态评估回归模型；
步骤4，加载维修策略。
2.根据权利要求1所述的全自动生化分析仪远程设备诊断策略，其特征在于，所述步骤2中，对于单方面特征量进行分类处理采用了神经网络中的自组织神经网络SOM，基于自组织特征SOM建立异常值筛选模型，从特征维度中筛选出异常特征，SOM是全连接的神经元阵列组成的非监督、自组织、自学习神经网络，通过对特征的反复观察、分析比较，自行归纳特设的内部规律，并对具有共同特征的事务进行正确分类，通过训练建立模型后，对训练数据或测试数据进行聚类，从而准确识别异常特征为维修策略提供决策依据。
3.根据权利要求1所述的全自动生化分析仪远程设备诊断策略，其特征在于，所述步骤3中，如果样本数据是连续的，利用二分法对连续属性进行处理；如果样本数据是非连续的、多路的，引入多路变量决策，根据构建的决策树，利用ID5R算法进行增量学习，从而生成最终的决策树，所述增量学习过程见公式(1)，令所有示例构成的示例集S,对于属性集A中的任一属性ai,设其值域为vi＝{vij}对于每个属性ai有：
其中，
其中，I代表集合上的信息熵；XK代表无缺失值的样例子集；|c|代表无缺失值的样例子集的元素个数；E代表信息增益；P(S|vij)代表无缺失值样本中的属性Vij所占的比例；ai代表属性值取i对应的样本数；Q代表有缺失值的特征值符号。
4.根据权利要求3所述的全自动生化分析仪远程设备诊断策略，其特征在于，所述多路变量决策中引入ID5R算法时，基于输出的异常值权重，采用决策树的经典算法C4.5进行比较，用来评估ID5R算法的性能，依据异常特征输入输出最佳维修策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711160754.3A CN107942854A (zh) | 2017-11-20 | 2017-11-20 | 一种全自动生化分析仪远程设备诊断策略 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711160754.3A CN107942854A (zh) | 2017-11-20 | 2017-11-20 | 一种全自动生化分析仪远程设备诊断策略 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107942854A true CN107942854A (zh) | 2018-04-20 |
Family
ID=61929284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711160754.3A Pending CN107942854A (zh) | 2017-11-20 | 2017-11-20 | 一种全自动生化分析仪远程设备诊断策略 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107942854A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109030801A (zh) * | 2018-06-02 | 2018-12-18 | 贾晓轻 | 一种临床样本自动生化分析仪 |
| CN111679089A (zh) * | 2020-08-13 | 2020-09-18 | 武汉生之源生物科技股份有限公司 | 一种检测设备的数据处理方法 |
| CN111897304A (zh) * | 2019-05-06 | 2020-11-06 | 埃尔构人工智能有限责任公司 | 用于机器系统中实时诊断和故障监视的方法、设备和系统 |
| CN112116753A (zh) * | 2020-08-31 | 2020-12-22 | 同济大学 | 一种自助门诊机 |
| WO2021092845A1 (en) * | 2019-11-14 | 2021-05-20 | Elekta (Shanghai) Technology Co., Ltd. | Predictive maintenance of dynamic leaf guide based on deep learning |
| CN113009168A (zh) * | 2021-02-24 | 2021-06-22 | 桂林优利特医疗电子有限公司 | 体外诊断设备性能分析远程服务系统 |
| CN115101188A (zh) * | 2022-08-23 | 2022-09-23 | 苏州利博软件技术有限公司 | 一种生化分析仪预测性维护系统及辅助决策方法 |
| CN116458119A (zh) * | 2020-11-19 | 2023-07-18 | 日本电信电话株式会社 | 估计装置、估计方法以及估计程序 |
| US12093038B2 (en) | 2019-05-06 | 2024-09-17 | Argo AI, LLC | Method and system for real-time diagnostics and fault monitoring in a robotic system |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090030476A1 (en) * | 2002-02-04 | 2009-01-29 | Hargrove Jeffrey B | Methods and Apparatus for Electrical Stimulation of Tissues Using Signals that Minimize the Effects of Tissue Impedance |
| CN102487343A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 卫星通信系统隐故障诊断预测方法 |
| CN104423335A (zh) * | 2013-08-27 | 2015-03-18 | 常州常隆信息科技有限公司 | 生化分析仪远程监控系统 |
| CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
-
2017
- 2017-11-20 CN CN201711160754.3A patent/CN107942854A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090030476A1 (en) * | 2002-02-04 | 2009-01-29 | Hargrove Jeffrey B | Methods and Apparatus for Electrical Stimulation of Tissues Using Signals that Minimize the Effects of Tissue Impedance |
| CN102487343A (zh) * | 2010-12-06 | 2012-06-06 | 中国人民解放军理工大学 | 卫星通信系统隐故障诊断预测方法 |
| CN104423335A (zh) * | 2013-08-27 | 2015-03-18 | 常州常隆信息科技有限公司 | 生化分析仪远程监控系统 |
| CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李世其等: "一种决策树增量学习算法在故障诊断中的应用", 《华中科技大学学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109030801A (zh) * | 2018-06-02 | 2018-12-18 | 贾晓轻 | 一种临床样本自动生化分析仪 |
| CN111897304A (zh) * | 2019-05-06 | 2020-11-06 | 埃尔构人工智能有限责任公司 | 用于机器系统中实时诊断和故障监视的方法、设备和系统 |
| CN111897304B (zh) * | 2019-05-06 | 2023-12-05 | 埃尔构人工智能有限责任公司 | 用于机器系统中实时诊断和故障监视的方法、设备和系统 |
| US12093038B2 (en) | 2019-05-06 | 2024-09-17 | Argo AI, LLC | Method and system for real-time diagnostics and fault monitoring in a robotic system |
| WO2021092845A1 (en) * | 2019-11-14 | 2021-05-20 | Elekta (Shanghai) Technology Co., Ltd. | Predictive maintenance of dynamic leaf guide based on deep learning |
| CN111679089A (zh) * | 2020-08-13 | 2020-09-18 | 武汉生之源生物科技股份有限公司 | 一种检测设备的数据处理方法 |
| CN111679089B (zh) * | 2020-08-13 | 2020-11-06 | 武汉生之源生物科技股份有限公司 | 一种检测设备的数据处理方法 |
| CN112116753A (zh) * | 2020-08-31 | 2020-12-22 | 同济大学 | 一种自助门诊机 |
| CN116458119A (zh) * | 2020-11-19 | 2023-07-18 | 日本电信电话株式会社 | 估计装置、估计方法以及估计程序 |
| CN113009168A (zh) * | 2021-02-24 | 2021-06-22 | 桂林优利特医疗电子有限公司 | 体外诊断设备性能分析远程服务系统 |
| CN115101188A (zh) * | 2022-08-23 | 2022-09-23 | 苏州利博软件技术有限公司 | 一种生化分析仪预测性维护系统及辅助决策方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107942854A (zh) | 一种全自动生化分析仪远程设备诊断策略 | |
| CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
| Hachicha et al. | A survey of control-chart pattern-recognition literature (1991–2010) based on a new conceptual classification scheme | |
| Idri et al. | Estimating software project effort by analogy based on linguistic values | |
| Wong et al. | High-order pattern discovery from discrete-valued data | |
| CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及系统 | |
| Ekojono et al. | Investigation on machine learning algorithms to support transformer dissolved gas analysis fault identification | |
| CN111898690A (zh) | 一种电力变压器故障分类方法及系统 | |
| Huang et al. | Grassnet: Graph soft sensing neural networks | |
| CN117060353A (zh) | 基于前馈神经网络高压直流输电系统故障诊断方法及系统 | |
| Cui et al. | Analog circuit test point selection incorporating discretization-based fuzzification and extended fault dictionary to handle component tolerances | |
| CN117150337A (zh) | 基于分诊制的化工过程故障诊断方法 | |
| CN115423148B (zh) | 一种基于克里金法和决策树的农机作业性能预测方法与装置 | |
| Behravan et al. | Fault diagnosis of DCV and heating systems based on causal relation in fuzzy bayesian belief networks using relation direction probabilities | |
| CN115600102B (zh) | 基于船舶数据的异常点检测方法及装置、电子设备、介质 | |
| Li et al. | Qualitative/quantitative simulation of process temporal behavior using clustered fuzzy digraphs | |
| Tsai et al. | Improving Knowledge Acquisition Capability of M5'Model Tree on Small Datasets | |
| RU2818858C1 (ru) | Способ диагностирования комплекса бортового оборудования воздушных судов на основе машинного обучения без учителя с автоматическим определением параметров обучения моделей | |
| RU2809719C1 (ru) | Способ диагностирования комплекса бортового оборудования воздушных судов на основе машинного обучения | |
| Shirsat et al. | Breast Cancer detection based on machine learning feature selection and extraction algorithm | |
| Bieber et al. | The impact of metrics on the choice of prognostic methodologies | |
| Swift et al. | Evolutionary computation to search for strongly correlated variables in high-dimensional time-series | |
| Berlin | Multi-class Supervised Classification Techniques for High-dimensional Data: Applications to Vehicle Maintenance at Scania | |
| RU2816667C1 (ru) | Способ диагностирования комплекса бортового оборудования воздушных судов на основе машинного обучения и устройство для его осуществления | |
| CN118039157B (zh) | 一种基于图神经网络的ii型糖尿病并发症协同预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180420 |
|
| WD01 | Invention patent application deemed withdrawn after publication |