CN108364076A - 建立报修动作预测模型、报修动作预测方法及相关装置 - Google Patents

建立报修动作预测模型、报修动作预测方法及相关装置 Download PDF

Info

Publication number
CN108364076A
CN108364076A CN201810097318.4A CN201810097318A CN108364076A CN 108364076 A CN108364076 A CN 108364076A CN 201810097318 A CN201810097318 A CN 201810097318A CN 108364076 A CN108364076 A CN 108364076A
Authority
CN
China
Prior art keywords
repairment
record
action
frequency
report
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.)
Granted
Application number
CN201810097318.4A
Other languages
English (en)
Other versions
CN108364076B (zh
Inventor
舒庆湘
蒿李阳
杨俊涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Medical Systems Co Ltd
Original Assignee
Neusoft Medical Systems Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Neusoft Medical Systems Co Ltd filed Critical Neusoft Medical Systems Co Ltd
Priority to CN201810097318.4A priority Critical patent/CN108364076B/zh
Publication of CN108364076A publication Critical patent/CN108364076A/zh
Application granted granted Critical
Publication of CN108364076B publication Critical patent/CN108364076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种建立报修动作预测模型的方法和报修动作预测方法，根据报修记录以及操作者的操作记录、系统故障记录和/或系统关键动作记录等多元化的工作源数据，运行机器学习的方式建立非线性的报修动作预测模型，使所建立的报修动作预测模型在预测报修动作时可以有效减少主观判断能力差距带来的预测准确性上的影响。同时，获取医疗设备在工作时间区间内的动作采样数据，将动作采样数据输入所建立的报修动作预测模型，可以有效预测报修动作，从而可以优化操作者的使用操作习惯，延长设备使用寿命，减少售后成本开销。本申请还公开了一种建立报修动作预测模型的装置和一种报修动作预测的装置。

Description

建立报修动作预测模型、报修动作预测方法及相关装置
技术领域
本申请涉及医疗设备技术领域，具体涉及一种建立报修动作预测模型的方法、报修动作预测方法及相关装置。
背景技术
大型医疗影像设备，例如CT(Computed Tomography，计算机断层扫描)设备通常包括操作软件平台、影像扫描模块、机械运转模块等主要的工作模块。大型医疗影像设备的工作可以由操作者通过软件平台操作完成，每项工作环节的衔接，一部分由设备自动完成，另一部分由操作者的操作实现。
从大型医疗影像设备的工作类型角度来说，可以分为两种状态，一种为影像获取的扫描状态，另一种为非扫描的操作处理状态。前者设备属于一个自主的高压高热高速的强压力工作过程，后者则属于带有一定随机性的人为操作过程。而不同的使用场景、不同的操作者对设备的操作方式、操作频率也不尽相同，加之大型医疗影像设备的复杂度较高。因此，除设备器件的正常寿命损耗外，操作者对设备的“不恰当操作”也可能引起系统产生短时间无法恢复的异常，这种情况，操作者就会发起设备的报修动作。
由于操作者的操作具有不确定性，则操作者发起报修动作也具有不确定性，在现有技术中无法准确预测报修动作的产生，会导致大型医疗影像设备的售后开销成本无法得到控制。
发明内容
有鉴于此，本申请实施例提供一种建立报修动作预测模型的方法、报修动作预测方法及相关装置。
为解决上述问题，本申请实施例提供的技术方案如下：
一种建立报修动作预测模型的方法，所述方法包括：
获取医疗设备的工作源数据，所述工作源数据包括报修记录，所述工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录；
将所述工作源数据量化为无报修样本数据以及有报修样本数据；
将所述无报修样本数据以及所述有报修样本数据作为神经网络模型的输入，选取二分类函数作为所述神经网络模型的输出函数，训练所述神经网络模型生成报修动作预测模型。
在第一种可能的实现方式中，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：
当第一采样区间中没有产生所述报修记录时，获取所述第一采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为无报修样本数据；所述第一采样区间为以所述系统关键动作记录中的第一关键记录的发生时刻为开始时刻，以所述系统关键动作记录中的第二关键记录的发生时刻为结束时刻的时间区间；
当第一采样区间中产生所述报修记录时，获取第二采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为有报修样本数据；所述第二采样区间为以所述第一关键记录的发生时刻为开始时刻，以所述报修记录的发生时刻为结束时刻的时间区间。
在第二种可能的实现方式中，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：
当所述第一采样区间中没有产生所述报修记录时，获取所述第一采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为无报修样本数据；
当所述第一采样区间中产生所述报修记录时，获取所述第二采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为有报修样本数据。
在第三种可能的实现方式中，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：
获取第三采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为无报修样本数据；所述第三采样区间为具有第一预设时长的时间区间；
获取第四采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为有报修样本数据；所述第四采样区间为以所述报修记录的发生时刻为结束时刻，在所述报修记录的发生时刻之前第二预设时长的时刻为开始时刻的时间区间。
一种报修动作预测方法，所述方法包括：
获取医疗设备在工作时间区间内的动作采样数据，所述工作时间区间为以第一关键动作发生时刻为开始时刻的时间区间或者预设时长的时间区间；所述动作采样数据是根据操作者操作记录、系统故障记录和/或系统关键动作记录确定的；
将所述动作采样数据输入报修动作预测模型，输出报修动作的预测结果，所述报修动作预测模型是根据上述的建立报修动作预测模型的方法建立的。
可选的，当所述报修动作预测模型是根据上述第一种可能的实现方式建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：
获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为动作采样数据。
可选的，当所述报修动作预测模型是根据上述第二种可能的实现方式建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：
获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为动作采样数据。
可选的，当所述报修动作预测模型是根据上述第二种可能的实现方式建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：
获取医疗设备在预设时长的工作时间区间内，各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为动作采样数据。
一种建立报修动作预测模型的装置，所述装置包括：
获取单元，用于获取医疗设备的工作源数据，工作源数据包括报修记录，工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录；
量化单元，用于将工作源数据量化为无报修样本数据以及有报修样本数据；
生成单元，用于将无报修样本数据以及有报修样本数据作为神经网络模型的输入，选取二分类函数作为神经网络模型的输出函数，训练神经网络模型生成报修动作预测模型。
在第一种可能的实现方式中，量化单元包括：
第一量化子单元，用于当第一采样区间中没有产生报修记录时，获取第一采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为无报修样本数据；第一采样区间为以系统关键动作记录中的第一关键记录的发生时刻为开始时刻，以系统关键动作记录中的第二关键记录的发生时刻为结束时刻的时间区间；
第二量化子单元，用于当第一采样区间中产生报修记录时，获取第二采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为有报修样本数据；第二采样区间为以第一关键记录的发生时刻为开始时刻，以报修记录的发生时刻为结束时刻的时间区间。
在第二种可能的实现方式中，所述量化单元包括：
第三量化子单元，用于当第一采样区间中没有产生报修记录时，获取第一采样区间内，报修记录的发生次数以及各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为无报修样本数据；
第四量化子单元，用于当第一采样区间中产生报修记录时，获取第二采样区间内，报修记录的发生次数以及各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为有报修样本数据。
在第三种可能的实现方式中，所述量化单元包括：
第五量化子单元，用于获取第三采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为无报修样本数据；第三采样区间为具有第一预设时长的时间区间；
第六量化子单元，获取第四采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为有报修样本数据；第四采样区间为以报修记录的发生时刻为结束时刻，在报修记录的发生时刻之前第二预设时长的时刻为开始时刻的时间区间。
一种报修动作预测装置，所述装置包括：
动作采样数据获取单元，用于获取医疗设备在工作时间区间内的动作采样数据，工作时间区间为以第一关键动作发生时刻为开始时刻的时间区间或者预设时长的时间区间；动作采样数据是根据操作者操作记录、系统故障记录和/或系统关键动作记录确定的；
预测结果输出单元，用于将动作采样数据输入报修动作预测模型，输出报修动作的预测结果，报修动作预测模型是上述建立报修动作预测模型的方法建立的。
可选的，所述动作采样数据获取单元具体用于，当报修动作预测模型是根据上述第一种可能的实现方式建立报修动作预测模型的方法建立时，获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为动作采样数据。
可选的，所述动作采样数据获取单元具体用于，当报修动作预测模型是根据上述第二种可能的实现方式建立报修动作预测模型的方法建立时，获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为动作采样数据。
可选的，所述动作采样数据获取单元具体用于，当报修动作预测模型是根据上述第三种可能的实现方式建立报修动作预测模型的方法建立时，获取医疗设备在预设时长的工作时间区间内，各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为动作采样数据。
一种终端设备，所述终端设备包括：
处理器以及存储器；
所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器，用于调用存储器中的指令执行上述的建立报修动作预测模型的方法。
一种终端设备，所述终端设备包括：
处理器以及存储器；
所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器，用于调用存储器中的指令执行上述的报修动作预测方法。
由此可见，本申请实施例具有如下有益效果：
本申请实施例根据报修记录以及操作者的操作记录、系统故障记录和/或系统关键动作记录等工作源数据，运行机器学习的方式建立非线性的报修动作预测模型，使所建立的报修动作预测模型在预测报修动作时可以有效减少主观判断能力差距带来的预测准确性上的影响。同时，获取医疗设备在工作时间区间内的动作采样数据，将动作采样数据输入所建立的报修动作预测模型，可以有效预测报修动作，从而可以优化操作者的使用操作习惯，延长设备使用寿命，减少售后成本开销，同时，也会帮助设备的设计人员进行设备改良分析。
附图说明
图1为本申请实施例提供的一种建立报修动作预测模型的方法的流程图；
图2为本申请实施例提供的一种神经网络模型训练示意图；
图3a-3e为本申请实施例提供的一种建立报修动作预测模型的方法一系列步骤的示意图；
图4为本申请实施例提供的一种报修动作预测方法的流程图；
图5为本申请实施例提供的一种报修动作预测过程示意图；
图6为本申请实施例提供的一种报修动作预测模型建立装置的结构图；
图7为本申请实施例提供的一种报修动作预测装置的结构图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
大型医疗影像设备CT是一种结构复杂、多元化的设备。CT的所有工作通常包含两部分，一部分由CT设备的系统自动完成，一部分由操作者的操作实现。由于操作者的操作具有不确定性，导致操作者发起报修动作也具有不确定性。为了减少售后成本开销，增强用户体验，延长设备使用寿命，急需一种准确预测报修动作的方法。
传统的预测报修动作的方法，主要包括经验值分析法。经验值分析法，通过发挥维护工程师多年积累的经验，人工标识一些对系统有危害的操作，当检测到操作者进行了所标识的操作时，提示可能要发生报修动作。
发明人经研究发现，经验值分析法对报修所产生的影响因素覆盖得不够全面，同时对人的依赖性强，依赖于有多年相关经验的维护工程师人工标识一些对系统有危害的操作，而不同的维护工程师可以标识不同的对系统有危害的操作，而且可能遗漏其他产生报修的操作，可见人为主观认识对于预测结果有较大影响。因此，通过传统预测方法形成的预测结果也无法达到较高的准确率。
有鉴于此，本申请实施例提供了一种建立报修动作预测模型的方法和一种报修动作预测方法，该报修动作预测方式是基于该报修动作预测模型实现的。该报修动作预测模型是通过获取医疗设备的工作源数据，其中，工作源数据包括报修记录，工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录，将工作源数据量化为无报修样本数据以及有报修样本数据，将无报修样本数据和有报修样本数据作为神经网络模型的输入，选取二分类函数作为所述神经网络模型的输出函数，训练所述神经网络模型生成报修动作预测模型。由于该报修动作预测模型是基于包括报修记录以及包括操作者操作记录、系统故障记录和/或系统关键动作记录的工作源数据训练得到的，该训练是通过神经网络模型进行训练，而不是简单的统计频次、计算权重等，不需要人为设定阈值，也不需要人工标识对系统有危害的动作，使得预测结果摆脱人为主观影响，具有较高的准确率。
下面结合附图对本申请实施例提供的一种建立报修动作预测模型的方法进行介绍。
图1所示为本申请实施例提供的一种建立报修动作预测模型的方法的流程图，请参照图1，该方法包括：
S101：获取医疗设备的工作源数据，工作源数据包括报修记录，工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录。
工作源数据可以视为医疗设备在工作过程中产生的原始数据。工作源数据可以是医疗设备的历史数据，用于进行报修动作预测模型的训练。工作源数据也可以是在医疗设备工作过程中采集的实时数据。可以理解，当前采集的实时数据除了可以采用本实施例中训练得到的报修动作预测模型进行报修动作预测外，还可以将其作为工作源数据，用于进行报修动作预测模型的再训练，以提高报修动作预测模型的预测准确率。
由于本申请实施例的目的在于预测报修动作，首先需要明确报修的概念。需要说明的是，报修和故障是两个不同的概念。操作者发起报修动作并不一定意味着设备故障，设备故障也不一定会产生报修动作。从设备的运行角度看，有时候设备内部产生了故障，并不一定能及时被操作者发现，因此不会产生报修动作。而有时操作者产生的报修并不是真正的系统故障，只是一系列的特定操作导致系统产生的非正常表现或是操作者无法识别、无法控制的表现，可能通过与工程师沟通或一段时间内会自动恢复，这其中有一部分是设备自我保护行为的实施，比如软件因异常操作而被临时锁定。为了避免模型将故障识别为报修，或者对操作者特定操作产生的报修漏识别，可以将操作者操作记录、系统故障记录用于报修动作预测模型的训练，以提高预测准确率。
可以理解，报修动作预测模型是基于工作源数据进行训练得到的，工作源数据直接影响着报修动作预测模型的准确率。在本申请实施例一种可能的实现方式中，工作源数据可以包括报修记录，工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录。也就是说，工作源数据可以包括报修记录，还可以包括操作者操作记录、系统故障记录以及系统关键动作记录中的至少一个。本申请实施例以工作源数据包括报修记录、操作者操作记录、系统记录和系统关键动作记录为例，对本申请实施例提供的建立报修动作预测模型的方法和报修动作预测方法进行介绍。
其中，操作者操作记录可以理解为操作者操作设备的动作记录。例如，新增用户协议、合并序列、导出数据、重新建像、磁盘清理等等。系统故障记录可以理解为设备或系统产生故障的记录，一般可以通过故障码、警报码等方式进行呈现。例如，球管打火、系统高压警报、扫描架旋转异常、配置信息不匹配等等，均为常见的系统故障记录。系统关键动作记录可以理解为设备或系统的关键动作的记录。例如，扫描的开始/结束，平台软件的开/关、主控机开机/关机等等。报修记录可以理解为发起报修动作的记录，可以记录产生报修的时间点。
S102：将工作源数据量化为无报修样本数据以及有报修样本数据。
工作源数据中每项记录的产生可以视为产生一个动作，每个动作可以通过唯一的动作ID(身份标识，identity)标识，则工作源数据可以视为一种动作序列，该动作序列是一种以时间为顺序的混合动作ID序列。这种以时间为顺序的混合动作ID序列一般难以体现有无报修的规律，因而，可以对该混合动作ID序列进行进一步地加工或处理，以便采用处理后的数据进行模型训练。也就是说，可以将工作源数据量化为无报修样本数据以及有报修样本数据。
将工作源数据量化为无报修样本数据以及有报修样本数据的方式是多种多样的。在本申请实施例一种可能的实现方式中，可以分别获取无报修的采样区间和有报修的采样区间中报修记录的发生次数，以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数，作为无报修样本数据和有报修样本数据，也可以分别获取无报修的采样区间和有报修的采样区间中报修记录的发生次数，以及各个操作者操作记录在单位时间内的发生次数、各个系统故障记录在单位时间内的发生次数和/或各个系统关键动作记录在单位时间内的发生次数，作为无报修样本数据和有报修样本数据，其中无报修的采样区间和有报修的采样区间也可以有不同的定义方式。
可以理解，无报修样本数据和报修样本数据均属于样本数据，样本数据和工作源数据可以具有一定对应关系，例如，工作源数据包括报修记录和操作者操作记录，则样本数据可以包括采样区间内报修记录的发生次数和各个操作者操作记录的发生次数，或者样本数据可以包括采样区间内报修记录的发生次数和各个操作者操作记录在单位时间的发生次数。若工作源数据包括报修记录、系统故障记录和系统关键动作记录，则样本数据可以包括采样区间内报修记录的发生次数、各个系统故障记录的发生次数和各个系统关键动作记录的发生次数，或者样本数据可以包括采样区间内报修记录的发生次数、各个系统故障记录在单位时间的发生次数和各个系统关键动作记录在单位时间的发生次数。
具体的关于采样区间的确定以及工作源数据量化为无报修样本数据和有报修样本数据的方式将在后续实施例中进行详细介绍，这里不再赘述。
S103：将无报修样本数据以及有报修样本数据作为神经网络模型的输入，选取二分类函数作为神经网络模型的输出函数，训练神经网络模型生成报修动作预测模型。
可以理解，无报修样本数据中包括无报修样本数据特征，有报修样本数据包括有报修样本数据特征，将无报修样本数据以及有报修样本数据输入到神经网络模型，可以使得神经网络模型学习无报修样本数据特征和有报修样本数据特征。在本实施例中可以选取二分类函数作为神经网络模型的输出函数，通过大量的样本数据对神经网络模型进行训练进而生成报修动作预测模型。具体的，由于本申请实施例的目的在于预测是否会产生报修动作，因此，可以采用二分类函数对输出结果进行分类，输出结果可以为是或否，或者说形成值为1或0的输出，其中1和0可以分别用于表示是与否的预测结果。作为一个示例，二分类函数可以为单极S型函数，如logsig函数。
在一种可能的实现方式中，可以从多台医疗设备中获取工作源数据，量化得到较多的有报修样本数据和无报修样本数据，可以将每条样本数据输入到神经网络模型，具体的，可以将样本数据中各数据项作为神经网络模型的每个输入节点，选取二分类函数中的logsig函数作为神经网络模型的输出函数，形成1或0的输出值，该输出值可以映射到报修的是与否的预测结果。
图2所示为一种将样本数据输入到神经网络模型进行训练的示意图。该神经网络模型可以包括输入层、隐藏层和输出层。输入层中可以包括n个节点，分别代表不同的数据项，各个节点对应的x1、x2…xn即为相应的数据项所对应的数值，可以理解，每条样本数据可以对应一组x1、x2…xn的数值。大量样本数据可以得到较多组x1、x2…xn的输入数值。在神经网络模型中，可以将输入层和输出层之外的其他层称之为隐藏层。隐藏层的层数和各层隐藏层的神经元的个数一般可以根据实际需要灵活设置。
在图2的示例中，隐藏层可以为1层，该隐藏层可以包括1、2…p共p个神经元，各个神经元分别与输入层的各个节点相连，通过采用大量样本数据可以对输入层各节点与隐藏层各神经元权值等参数进行优化调整。输出层负责输出神经网络模型的计算结果，其中输出层的节点与隐藏层的神经元相连，其权值参数可以在训练的过程中不断优化。输出层可以以logsig为激活函数将计算结果映射到1或0，表示报修的是与否，进而训练生成的报修动作预测模型可以实现对报修动作的预测。
这样，本申请实施例提供的一种建立报修动作预测模型的方法，根据报修记录以及操作者的操作记录、系统故障记录和/或系统关键动作记录等工作源数据，运行机器学习的方式建立非线性的报修动作预测模型，使所建立的报修动作预测模型在预测报修动作时可以有效减少主观判断能力差距带来的预测准确性上的影响。
在上述实施例中，将工作源数据量化为无报修样本数据以及有报修样本数据可以有多种实现方式，下面结合其具体实现方式进行详细介绍。
在第一种可能的实现方式中，将工作源数据量化为无报修样本数据以及有报修样本数据可以为：
当第一采样区间中没有产生报修记录时，获取第一采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为无报修样本数据；第一采样区间为以系统关键动作记录中的第一关键记录的发生时刻为开始时刻，以系统关键动作记录中的第二关键记录的发生时刻为结束时刻的时间区间；
当第一采样区间中产生报修记录时，获取第二采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为有报修样本数据；第二采样区间为以第一关键记录的发生时刻为开始时刻，以报修记录的发生时刻为结束时刻的时间区间。
可以理解，无报修样本数据和有报修数据可以通过工作源数据进行量化得到，若工作源数据包括操作者操作记录，则无报修样本数据可以包括第一采样区间内各个操作者操作记录的发生次数，有报修样本数据可以包括第二采样区间内各个操作者操作记录的发生次数。同理，若工作源数据包括系统故障记录，则无报修样本数据可以包括第一采样区间内各个系统故障记录的发生次数，有报修样本数据可以包括第二采样区间内各个系统故障记录的发生次数；若工作源数据包括系统关键动作记录，则无报修样本数据可以包括第一采样区间内各个系统关键动作记录的发生次数，有报修样本数据可以包括第二采样区间内各个系统关键动作记录的发生次数。
也就是说，无报修样本数据、有报修样本数据与工作源数据存在一定的对应关系。无报修样本数据以及有报修样本数据中的各项记录发生次数与工作源数据所包括的各项记录相对应。
由于第一采样区间为以系统关键动作记录中的第一关键记录的发生时刻为开始时刻，以系统关键动作记录中的第二关键记录的发生时刻为结束时刻的时间区间。其中第一关键记录可以例如主控机开机、主控机唤醒休眠等，第二关键记录可以例如主控机关机、主控机休眠等。而第二采样区间为以第一关键记录的发生时刻为开始时刻，报修记录的发生时刻为结束时刻的时间区间，以第二关键记录作为结束时刻的时间区间，所采集的数据与报修动作的相关性更高，通过第一采样区间和第二采样区间出采集的数据进行报修动作预测模型的训练可以具有更高的准确率。
通过获取第一采样区间和第二采样区间的报修记录的发生次数，以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数，可以将以时间为序的动作ID序列转换为各种动作的发生次数。这种转换方式一方面大大减少了数据量，进而减小了计算量，另一方面可以更直观地体现各个动作对产生报修动作的影响。其中，在第一采样区间内，由于未发生报修记录，因此报修记录的发生次数为0，在第二采样区间内，由于以发生报修记录为第二采样区间的截止，因此报修记录的发生次数为1。
下面结合具体示例对工作源数据量化为无报修样本数据和有报修样本数据的过程进行说明。图3a和图3b分别示出了第一采样区间和第二采样区间的采样数据示意图。图3c和图3d分别示出了将采样数据量化为无报修样本数据和有报修样本数据的示意图。需要说明的是图3a和图3b的时间轴是由右往左，记录了前72小时至当前时刻的操作者操作记录、系统故障记录、系统关键动作记录和报修记录。在该示例中，工作源数据包括报修记录、操作者操作记录、系统故障记录和系统关键动作记录，各个记录可以对应一个动作ID，其中，标识操作者操作的动作ID为U1-U10，标识的系统故障/警报ID为E1-E6，标识的系统关键动作ID为S0-S5，其中，第一关键记录主控机开机/唤醒休眠的动作ID为S0，第二关键记录主控机关机/休眠的动作ID为S1。
则可以将每次从主控机开机/唤醒休眠到关机/休眠的一次工作定为一个采样区间，通常CT设备在医院每天的工作就是这样的一个工作周期，沿时间轴由早向晚依次获取所发生的动作ID，直到遇到主控机关机/休眠截止本次获取，或在遇到产生了报修记录截止本次获取。对于以S0为开始时刻，S1为结束时刻，可以将该时间区间作为针对无报修采样序列的第一采样区间，取得的序列“U3U8U5U2U8U6U4U5U9…E2…S1…S0”为无报修情况的工作源数据。对遇到报修记录而截止的，也就是以S0为开始时刻，M1为结束时刻，可以将该时间区间作为针对有报修采样序列的第二采样区间，取得的序列“U3U1U4U7U5U2…E3E5…S3…S0M1”为有报修情况的工作源数据。通过对上述采样序列中的各个动作的发生次数进行统计，可以得到无报修样本数据和有报修样本数据，如图3c和图3d所示。按上述样本数据的形成原理，每台设备所产生的历史数据都可以形成一定量的样本数据，将各设备形成的样本数据集中起来，可以形成样本库，如图3e所示。
为了消除第一采样区间与第二采样区间的长度存在差异导致的影响，在第二种可能的实现方式中，将工作源数据量化为无报修样本数据以及有报修样本数据可以为：
当第一采样区间中没有产生报修记录时，获取第一采样区间内，报修记录的发生次数，以及各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为无报修样本数据；
当第一采样区间中产生报修记录时，获取第二采样区间内，报修记录的发生次数，以及各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为有报修样本数据。
类似的，无报修样本数据以及有报修样本数据中单位时间各项记录发生次数与工作源数据所包括的各项记录相对应。例如，工作源数据包括报修记录和操作者操作记录，则无报修数据可以包括第一采样区间内报修记录的发生次数以及各个操作者操作记录在单位时间的发生次数，有报修数据可以包括第二采样区间内报修记录的发生次数以及各个操作者操作记录在单位时间的发生次数。
该方法主要对工作源数据量化环节进行改进。在使用采样区间内动作发生次数统计的同时，将每个动作的次数除以该采样区间持续的时间，形成一个采样区间内单位时间动作密度的量化结果，作为样本数据。通过上述时间密度量化方法，可以消除第一采样区间与第二采样区间时间长短的差异，可以更好的探测采样区间的整体动作特征。
另外，在有些情况下，只想预测因用户软件误操作导致系统异常引起的报修，这种导致系统异常的动作与报修动作间隔较短，如果仍沿用上述第一采样区间和第二采样区间的定义，可以导致样本数据中包括很大比例的冗余动作，影响报修动作预测模型的准确率。
因此还可以采用时间片采样法改善冗余动作问题。在第三种可能的实现方式中，将工作源数据量化为无报修样本数据以及有报修样本数据可以为：
获取第三采样区间内，报修记录的发生次数，以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为无报修样本数据；第三采样区间为具有第一预设时长的时间区间；
获取第四采样区间内，报修记录的发生次数，以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为有报修样本数据；第四采样区间为以报修记录的发生时刻为结束时刻，在报修记录的发生时刻之前第二预设时长的时刻为开始时刻的时间区间。
与第一种或第二种可能的实现方式相类似，无报修样本数据以及有报修样本数据中分别在第三采样区间和第四采样区间内的各项记录发生次数与工作源数据所包括的各项记录相对应。例如，工作源数据包括报修记录以及操作者操作记录，则无报修样本数据可以包括第三采样区间内报修记录的发生次数以及各个操作者操作记录的发生次数，有报修样本数据可以包括第四采样区间内报修记录的发生次数以及各个操作者操作记录的发生次数。
具体的，第一预设时长可以作为一个时间片，对于无报修采样区间，也就是第三采样区间，可以定义已发生的连续三个时间片无报修记录的中间的时间片为第三采样区间；对于有报修采样区间，也就是第四采样区间，第二预设时长可也以为一个时间片，可以以报修记录的发生时刻为结束时刻，可以在报修记录的发生时刻之前第二预设时长的时刻为开始时刻。时间片的长度可以根据实际情况设置。之后可以统计第三采样区间以及第四采样区间内报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数分别作为无报修样本数据以及有报修样本数据。其中，第三采样区间中报修记录次数为0，第四采样区间中报修记录次数为1。
由于只想预测因用户软件误操作导致系统异常引起的报修，此时，可将时间片定义地较小，以适应该情况的特性。上述时间片采样法的优势在于基本可以达到采样时间可控。
通过以上三种不同方式量化得到无报修样本数据以及有报修样本数据，可以分别训练出不同的报修动作预测模型，即使用第一种量化方式得到的无报修样本数据以及有报修样本数据作为神经网络模型的输入，可以得到第一种报修动作预测模型，使用第二种量化方式得到的无报修样本数据以及有报修样本数据作为神经网络模型的输入，可以得到第二种报修动作预测模型，使用第三种量化方式得到的无报修样本数据以及有报修样本数据作为神经网络模型的输入，可以得到第三种报修动作预测模型。由于报修动作预测模型的差别，在后续预测报修动作的过程中，输入报修动作预测模型的数据也有所差别，具体的报修动作预测的方法将在后续实施例中详细说明。
以上为本申请实施例提供的一种建立报修动作预测模型的方法的具体实现方式，基于上述实施例中的报修动作预测模型，本申请实施例还提供了一种报修动作预测方法。
图4所示为本申请实施例提供的一种报修动作预测方法的流程图，请参照图4，该方法包括：
S401：获取医疗设备在工作时间区间内的动作采样数据，工作时间区间为以第一关键动作发生时刻为开始时刻的时间区间或者预设时长的时间区间；动作采样数据是根据操作者操作记录、系统故障记录和/或系统关键动作记录确定的。
根据建立的报修动作预测模型不同，动作采样数据可以是不同的数据。在一种可能的实现方式中，动作采样数据可以为工作时间区间内操作者操作记录发生次数、系统故障记录发生次数和/或系统关键动作记录发生次数，也可以为工作时间区间内单位时间操作者操作记录发生次数、系统故障记录发生次数和/或系统关键动作记录发生次数。可以理解，动作采样数据与建立报修动作预测模型所采用的工作源数据存在一定的对应关系，若工作源数据包括操作者记录，则动作采样数据包括工作时间区间内操作者操作记录发生次数，若工作源数据包括系统故障记录，则动作采样数据包括工作时间区间内系统故障记录发生次数，若工作源数据包括系统关键动作记录，则动作采样数据包括工作时间区间内系统关键动作发生次数。根据建立的报修动作预测模型的不同，工作时间区间可以为第一关键动作发生时刻为开始时刻的时间区间，也可以是预设时长的时间区间。
根据建立的报修动作预测模型不同，获取医疗设备在工作时间区间内的动作采样数据的不同方式将在后续详细进行说明。
S402：将动作采样数据输入报修动作预测模型，输出报修动作的预测结果，报修动作预测模型是根据上述实施例提供的建立报修动作预测模型的方法建立的。
将动作采样数据输入到前述实施例中的报修动作预测模型，可以得到0或1的输出结果，作为将要产生报修动作的预测结果。例如模型的输出，也就是报修动作M发生的次数为1，可以表明有较高的可能性将要产生报修动作，输出为0可以表明当前产生报修动作的可能性较低，预测不会产生报修动作。在实际应用中，报修动作的预测结果可以发送给对应的终端，例如医疗设备的管理员、维护工程师等所使用的终端，为是否提前采取措施提供有力的参考信息。
为了衡量模型的准确率，可以通过可信度指标进行衡量。在一种可能的实现方式中，在下一个工作时间区间中验证其前一轮所有预测的准确率，并刷新结果可信度指标。当预测结果与实际相符时，可以提高可信度指标，例如将当前动作预测模型的可信度指标加1。
为了进一步提高模型的准确率，可以通过动作采样数据对模型进行再训练。作为一种可能的实现方式，可以将前一轮工作时间区间内的动作采样数据提取出来，作为训练神经网络模型的输入数据，对神经网络模型进行训练，形成一个往复训练的学习过程。
在上述S401中，根据动作预测模型的不同，获取医疗设备在工作时间区间内的动作采样数据可以通过不同的方式实现。
在一种可能的实现方式中，当报修动作预测模型是根据上述实施例中第一种量化方式得到的无报修样本数据以及有报修样本数据训练得到的，则获取医疗设备在工作时间区间内的动作采样数据可以为：
获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为动作采样数据。其中，可以每间隔预设时长且新增至少预设数量个动作获取一次动作采样数据。预设时长和预设数量可以根据经验设定。例如预设时长可以为2h，预设数量可以为10，也就是可以每隔2h且新增至少10个动作获取一次动作采样数据。通过对时长和动作数量进行限定，可以保障采集的动作采样数据的有效性，避免时间过长导致采集冗余或者时间过短导致采集数据不足，此外，通过对动作数量的限定可以避免因某段时间操作较少导致获取到的动作数据较少，导致难以根据上述数据进行预测或预测不准确，从而提高了采集数据的有效性，提高了模型预测的准确率。
下面结合具体示例对本方式进行介绍。图5所示为一种根据报修动作预测模型预测是否会发生报修动作的示意图。其中，第一关键动作可以为系统启动主控机开机/休眠唤醒动作S0，在S0出现后，医疗设备可以视为进入工作状态，可以对系统本次工作的行为进行监测，如图5所示，从S0出现的时刻到当前时刻可以得到采样序列为“U9U3U1U5U8U7U8U9U2…E6…S0”，进而得到该序列各个动作的次数，也就是动作采样数据。
将该动作采样数据输入报修动作预测模型可以获得报修动作的预测结果。
在一种可能的实现方式中，当报修动作预测模型是根据上述实施例中第二种量化方式得到的无报修样本数据以及有报修样本数据训练得到的，则获取医疗设备在工作时间区间内的动作采样数据可以为：
获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为动作采样数据。在训练报修动作预测模型的样本数据是根据时间密度量化方法得到时，则可以获取工各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数、各个系统关键动作记录在单位时间的发生次数作为动作采样数据，将动作采样数据输入该报修动作预测模型可以获得报修动作的预测结果。
在另一种可能的实现方式中，当报修动作预测模型是根据上述实施例中第三种量化方式得到的无报修样本数据以及有报修样本数据训练得到的，则获取医疗设备在工作时间区间内的动作采样数据可以为：
获取医疗设备在预设时长的工作时间区间内，各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为动作采样数据。
类似的，在训练报修动作预测模型的样本数据是是根据时间片采样法得到时，可以获取在预设时长的工作时间区间内，各个操作者操作记录的发生次数、各个系统故障记录的发生次数、各个系统关键动作记录的发生次数作为动作采样数据，预设时长可以根据时间片的长度设置。将动作采样数据输入该报修动作预测模型可以获得报修动作的预测结果。
这样，本申请实施例提供了一种报修动作预测方法，通过获取医疗设备在工作时间区间内的动作采样数据，动作采样数据是根据操作者操作记录、系统故障记录和/或系统关键动作记录确定的，将动作采样数据输入到报修动作预测模型，输出报修动作的预测结果。由于采用了操作者的操作记录、系统故障记录和/或系统关键动作记录等多元化的动作采样数据，使得报修动作预测模型在预测报修动作时可以有效减少主观判断能力差距带来的预测准确性上的影响。通过报修动作预测模型，可以有效预测报修动作，从而可以优化操作者的使用操作习惯，延长设备使用寿命，减少售后成本开销，同时，也会帮助设备的设计人员进行设备改良分析。
以上为本申请实施例提供的一种建立报修动作预测模型的方法以及报修动作预测方法的具体实现方式，基于此，本申请实施例还提供了一种建立报修动作预测模型的装置以及报修动作预测装置。
图6为本申请实施例提供的一种建立报修动作预测模型的装置的结构图，请参照图6，该装置包括获取单元601、量化单元602和生成单元603，其中：
获取单元601，用于获取医疗设备的工作源数据，工作源数据包括报修记录，工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录；
量化单元602，用于将工作源数据量化为无报修样本数据以及有报修样本数据；
生成单元603，用于将无报修样本数据以及有报修样本数据作为神经网络模型的输入，选取二分类函数作为神经网络模型的输出函数，训练神经网络模型生成报修动作预测模型。
可选的，量化单元602包括：
第一量化子单元，用于当第一采样区间中没有产生报修记录时，获取第一采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为无报修样本数据；第一采样区间为以系统关键动作记录中的第一关键记录的发生时刻为开始时刻，以系统关键动作记录中的第二关键记录的发生时刻为结束时刻的时间区间；
第二量化子单元，用于当第一采样区间中产生报修记录时，获取第二采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为有报修样本数据；第二采样区间为以第一关键记录的发生时刻为开始时刻，以报修记录的发生时刻为结束时刻的时间区间。
可选的，量化单元602包括：
第三量化子单元，用于当第一采样区间中没有产生报修记录时，获取第一采样区间内，报修记录的发生次数以及各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为无报修样本数据；
第四量化子单元，用于当第一采样区间中产生报修记录时，获取第二采样区间内，报修记录的发生次数以及各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为有报修样本数据。
可选的，量化单元602包括：
第五量化子单元，用于获取第三采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为无报修样本数据；第三采样区间为具有第一预设时长的时间区间；
第六量化子单元，获取第四采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为有报修样本数据；第四采样区间为以报修记录的发生时刻为结束时刻，在报修记录的发生时刻之前第二预设时长的时刻为开始时刻的时间区间。
本申请实施例提供了一种建立报修动作预测模型的装置，根据报修记录以及操作者的操作记录、系统故障记录和/或系统关键动作记录等工作源数据，运行机器学习的方式建立非线性的报修动作预测模型，使所建立的报修动作预测模型在预测报修动作时可以有效减少主观判断能力差距带来的预测准确性上的影响。
图7所示为本申请实施例提供的一种报修动作预测装置的结构图，请参照图7，该装置包括：
动作采样数据获取单元701，用于获取医疗设备在工作时间区间内的动作采样数据，工作时间区间为以第一关键动作发生时刻为开始时刻的时间区间或者预设时长的时间区间；动作采样数据是根据操作者操作记录、系统故障记录和/或系统关键动作记录确定的；
预测结果输出单元702，用于将动作采样数据输入报修动作预测模型，输出报修动作的预测结果。
其中，报修动作预测模型为根据前述实施例提供的方法建立的，可以为第一报修动作预测模型、第二报修动作预测模型或者第三报修动作预测模型。
可选的，动作采样数据获取单元701具体用于，当报修动作预测模型为第一报修动作预测模型时，获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为动作采样数据。
可选的，动作采样数据获取单元701具体用于，当报修动作预测模型是第二报修动作预测模型时，获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为动作采样数据。
可选的，动作采样数据获取单701元具体用于，当报修动作预测模型是第三报修动作预测模型时，获取医疗设备在预设时长的工作时间区间内，各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为动作采样数据。
本申请实施例提供了一种报修动作预测的装置，获取医疗设备在工作时间区间内的动作采样数据，将动作采样数据输入所建立的报修动作预测模型，可以有效预测报修动作，从而可以优化操作者的使用操作习惯，延长设备使用寿命，减少售后成本开销，同时，也会帮助设备的设计人员进行设备改良分析。
以上从功能模块化的角度对本申请实施例提供的一种建立报修动作预测模型的装置和报修动作预测装置进行了介绍。接下来，从硬件处理的角度对本申请实施例提供的一种建立报修动作预测模型的终端设备和一种报修动作预测的终端设备进行介绍。
本申请实施例提供了一种终端设备，包括处理器以及存储器；其中存储器，用于存储程序代码，并将程序代码传输给所述处理器；处理器，用于调用存储器中的指令执行本申请实施例提供的建立报修动作预测模型的方法。
本申请实施例还提供了一种终端设备，包括：处理器以及存储器；存储器，用于存储程序代码，并将程序代码传输给所述处理器；处理器，用于调用存储器中的指令执行本申请实施例提供的报修动作预测方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (18)

1.一种建立报修动作预测模型的方法，其特征在于，所述方法包括：
获取医疗设备的工作源数据，所述工作源数据包括报修记录，所述工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录；
将所述工作源数据量化为无报修样本数据以及有报修样本数据；
将所述无报修样本数据以及所述有报修样本数据作为神经网络模型的输入，选取二分类函数作为所述神经网络模型的输出函数，训练所述神经网络模型生成报修动作预测模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：
当第一采样区间中没有产生所述报修记录时，获取所述第一采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为无报修样本数据；所述第一采样区间为以所述系统关键动作记录中的第一关键记录的发生时刻为开始时刻，以所述系统关键动作记录中的第二关键记录的发生时刻为结束时刻的时间区间；
当第一采样区间中产生所述报修记录时，获取第二采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为有报修样本数据；所述第二采样区间为以所述第一关键记录的发生时刻为开始时刻，以所述报修记录的发生时刻为结束时刻的时间区间。
3.根据权利要求2所述的方法，其特征在于，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：
当所述第一采样区间中没有产生所述报修记录时，获取所述第一采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为无报修样本数据；
当所述第一采样区间中产生所述报修记录时，获取所述第二采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为有报修样本数据。
4.根据权利要求1所述的方法，其特征在于，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：
获取第三采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为无报修样本数据；所述第三采样区间为具有第一预设时长的时间区间；
获取第四采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为有报修样本数据；所述第四采样区间为以所述报修记录的发生时刻为结束时刻，在所述报修记录的发生时刻之前第二预设时长的时刻为开始时刻的时间区间。
5.一种报修动作预测方法，其特征在于，所述方法包括：
获取医疗设备在工作时间区间内的动作采样数据，所述工作时间区间为以第一关键动作发生时刻为开始时刻的时间区间或者预设时长的时间区间；所述动作采样数据是根据操作者操作记录、系统故障记录和/或系统关键动作记录确定的；
将所述动作采样数据输入报修动作预测模型，输出报修动作的预测结果，所述报修动作预测模型是根据所述权利要求1-4任一项所述的建立报修动作预测模型的方法建立的。
6.根据权利要求5所述的方法，其特征在于，当所述报修动作预测模型是根据所述权利要求2所述的建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：
获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为动作采样数据。
7.根据权利要求5所述的方法，其特征在于，当所述报修动作预测模型是根据所述权利要求3所述的建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：
获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为动作采样数据。
8.根据权利要求5所述的方法，其特征在于，当所述报修动作预测模型是根据所述权利要求4所述的建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：
获取医疗设备在预设时长的工作时间区间内，各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为动作采样数据。
9.一种建立报修动作预测模型的装置，其特征在于，所述装置包括：
获取单元，用于获取医疗设备的工作源数据，工作源数据包括报修记录，工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录；
量化单元，用于将工作源数据量化为无报修样本数据以及有报修样本数据；
生成单元，用于将无报修样本数据以及有报修样本数据作为神经网络模型的输入，选取二分类函数作为神经网络模型的输出函数，训练神经网络模型生成报修动作预测模型。
10.根据权利要求9所述的装置，其特征在于，量化单元包括：
第一量化子单元，用于当第一采样区间中没有产生报修记录时，获取第一采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为无报修样本数据；第一采样区间为以系统关键动作记录中的第一关键记录的发生时刻为开始时刻，以系统关键动作记录中的第二关键记录的发生时刻为结束时刻的时间区间；
第二量化子单元，用于当第一采样区间中产生报修记录时，获取第二采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为有报修样本数据；第二采样区间为以第一关键记录的发生时刻为开始时刻，以报修记录的发生时刻为结束时刻的时间区间。
11.根据权利要求10所述的装置，其特征在于，所述量化单元包括：
第三量化子单元，用于当第一采样区间中没有产生报修记录时，获取第一采样区间内，报修记录的发生次数以及各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为无报修样本数据；
第四量化子单元，用于当第一采样区间中产生报修记录时，获取第二采样区间内，报修记录的发生次数以及各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为有报修样本数据。
12.根据权利要求9所述的装置，其特征在于，所述量化单元包括：
第五量化子单元，用于获取第三采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为无报修样本数据；第三采样区间为具有第一预设时长的时间区间；
第六量化子单元，获取第四采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为有报修样本数据；第四采样区间为以报修记录的发生时刻为结束时刻，在报修记录的发生时刻之前第二预设时长的时刻为开始时刻的时间区间。
13.一种报修动作预测装置，其特征在于，所述装置包括：
动作采样数据获取单元，用于获取医疗设备在工作时间区间内的动作采样数据，工作时间区间为以第一关键动作发生时刻为开始时刻的时间区间或者预设时长的时间区间；动作采样数据是根据操作者操作记录、系统故障记录和/或系统关键动作记录确定的；
预测结果输出单元，用于将动作采样数据输入报修动作预测模型，输出报修动作的预测结果，报修动作预测模型是根据权利要求1-4任一项的建立报修动作预测模型的方法建立的。
14.根据权利要求13所述的装置，其特征在于，所述动作采样数据获取单元具体用于，当报修动作预测模型是根据权利要求2的建立报修动作预测模型的方法建立时，获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为动作采样数据。
15.根据权利要求13所述的装置，其特征在于，所述动作采样数据获取单元具体用于，当报修动作预测模型是根据权利要求3的建立报修动作预测模型的方法建立时，获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个操作者操作记录在单位时间的发生次数、各个系统故障记录在单位时间的发生次数和/或各个系统关键动作记录在单位时间的发生次数作为动作采样数据。
16.根据权利要求13所述的装置，其特征在于，所述动作采样数据获取单元具体用于，当报修动作预测模型是根据权利要求4的建立报修动作预测模型的方法建立时，获取医疗设备在预设时长的工作时间区间内，各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为动作采样数据。
17.一种终端设备，所述终端设备包括：
处理器以及存储器；
所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器，用于调用存储器中的指令执行权利要求1-4任意一项所述的建立报修动作预测模型的方法。
18.一种终端设备，所述终端设备包括：
处理器以及存储器；
所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器，用于调用存储器中的指令执行权利要求5-8任意一项所述的报修动作预测方法。
CN201810097318.4A 2018-01-31 2018-01-31 建立报修动作预测模型、报修动作预测方法及相关装置 Active CN108364076B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810097318.4A CN108364076B (zh) 2018-01-31 2018-01-31 建立报修动作预测模型、报修动作预测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810097318.4A CN108364076B (zh) 2018-01-31 2018-01-31 建立报修动作预测模型、报修动作预测方法及相关装置

Publications (2)

Publication Number Publication Date
CN108364076A true CN108364076A (zh) 2018-08-03
CN108364076B CN108364076B (zh) 2021-10-08

Family

ID=63007719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810097318.4A Active CN108364076B (zh) 2018-01-31 2018-01-31 建立报修动作预测模型、报修动作预测方法及相关装置

Country Status (1)

Country Link
CN (1) CN108364076B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915552A (zh) * 2015-05-27 2015-09-16 百度在线网络技术（北京）有限公司 一种预测系统故障的方法及装置
US20160282229A1 (en) * 2014-08-28 2016-09-29 Beijing Jiaotong University Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie
CN106408088A (zh) * 2016-11-22 2017-02-15 北京六合智汇技术有限责任公司 一种基于深度学习理论的旋转机械设备故障诊断方法
CN106650022A (zh) * 2016-11-25 2017-05-10 天津津航计算技术研究所 复杂电子设备故障预测的方法
CN107103359A (zh) * 2017-05-22 2017-08-29 东南大学 基于卷积神经网络的大服务系统在线可靠性预测方法
CN107145968A (zh) * 2017-04-13 2017-09-08 河海大学常州校区 基于bp神经网络的光伏设备生命周期费用预测方法及系统
CN107194053A (zh) * 2017-05-16 2017-09-22 歌拉瑞电梯股份有限公司 一种智能化电梯控制系统运行故障预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160282229A1 (en) * 2014-08-28 2016-09-29 Beijing Jiaotong University Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie
CN104915552A (zh) * 2015-05-27 2015-09-16 百度在线网络技术（北京）有限公司 一种预测系统故障的方法及装置
CN106408088A (zh) * 2016-11-22 2017-02-15 北京六合智汇技术有限责任公司 一种基于深度学习理论的旋转机械设备故障诊断方法
CN106650022A (zh) * 2016-11-25 2017-05-10 天津津航计算技术研究所 复杂电子设备故障预测的方法
CN107145968A (zh) * 2017-04-13 2017-09-08 河海大学常州校区 基于bp神经网络的光伏设备生命周期费用预测方法及系统
CN107194053A (zh) * 2017-05-16 2017-09-22 歌拉瑞电梯股份有限公司 一种智能化电梯控制系统运行故障预测方法
CN107103359A (zh) * 2017-05-22 2017-08-29 东南大学 基于卷积神经网络的大服务系统在线可靠性预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王子为等: "基于大数据的石油化工旋转机械的无量纲故障诊断", 《广东石油化工学院学报》 *

Also Published As

Publication number Publication date
CN108364076B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN107769972A (zh) 一种基于改进的lstm的电力通信网设备故障预测方法
CN102130783B (zh) 神经网络的智能化告警监控方法
Walker et al. Defining uncertainty: a conceptual basis for uncertainty management in model-based decision support
Karunanithi et al. Prediction of software reliability using connectionist models
CN109901537A (zh) 用于边缘计算侧的机械设备运行状态监测方法和系统
CN111858231A (zh) 一种基于运维监控的单指标异常检测方法
CN108398268A (zh) 一种基于堆叠去噪自编码器和自组织映射的轴承性能退化评估方法
CN109800995A (zh) 一种电网设备故障识别方法及系统
EP3410310A1 (en) Question recommendation method and device
CN108090606A (zh) 设备故障发现方法及系统
CN102830626A (zh) 基于故障树的多层次电力系统故障诊断系统
CN112084220B (zh) 一种电能计量装置异常诊断方法、装置及可读存储介质
CN109376061A (zh) 一种信息处理方法及系统
JP2016539425A (ja) プロセスユニットの中の全プロセスセグメントの状態を自動的に監視し決定するための、コンピュータで実装される方法およびシステム
CN110111885A (zh) 属性预测方法、装置、计算机设备及计算机可读存储介质
CN113470694A (zh) 水轮机组遥听监测方法、装置和系统
CN112836921A (zh) 一种基于电网微数据融合的数据监测分析及优化方法
CN107577769A (zh) 一种计量专业数据的挖掘方法及系统
CN108364076A (zh) 建立报修动作预测模型、报修动作预测方法及相关装置
CN116910680B (zh) 一种健身器材的远程故障检测方法及系统
CN104394039B (zh) 一种基于Sigmoid指数模型网络性能成熟度评价系统及其评价方法
CN113642669B (zh) 基于特征分析的防欺诈检测方法、装置、设备及存储介质
CN116307352A (zh) 一种基于机器学习的工程量指标估算方法及系统
CN114733326A (zh) 废气排放设备的有机废气治理监测方法及装置
CN110728414A (zh) 基于物联网的消防安全评估方法、装置、计算机设备及存储介质

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
CB02 Change of applicant information

Address after: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant after: DongSoft Medical System Co., Ltd.

Address before: 110179 No. 177-1 Innovation Road, Hunnan District, Shenyang City, Liaoning Province

Applicant before: Dongruan Medical Systems Co., Ltd., Shenyang

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant