CN109818763B - 设备故障的分析统计方法和系统及设备实时质控方法和系统 - Google Patents

Abstract

本发明公开一种设备的故障分析统计方法和系统以及一种设备实时质控方法和系统。本发明的故障分析统计方法包括为设备配置匹配规则，并根据匹配规则生成模式配置信息；获取设备日志，根据模式配置信息进行设备日志解析，输出解析结果；根据解析结果和模式配置信息生成模块风险异常信息数据库。由此，就可以根据设置的匹配规则实现对设备日志的自动解析，得到风险异常信息数据，效率高。而且通过设置匹配规则进行解析，可以快速汇集很多经验丰富的工程师的日志阅读经验和日志故障经验，解析结果更加准确。

Description

设备故障的分析统计方法和系统及设备实时质控方法和系统

技术领域

本发明涉及设备管理技术领域，尤其涉及一种用于设备故障的分析统计的方法及系统，同时还涉及一种对设备进行实时质控的方法及系统和承载有该系统的电子装置或产品。本发明设计的设备尤其指医疗设备。

背景技术

大型医疗设备系统非常复杂，每台设备都包含众多模块，任何一个模块的风险和异常都可能影响设备的整体性能，因此，每个模块的风险和异常都值得关注。现有技术中，判断大型医疗设备各个模块风险和异常的方式，一般都是采用人工阅读故障日志的方法来定位出问题的模块，进而判断设备的整体状态。这种人工阅读的方式，耗时耗力，而且容易出错，效率非常低，而且，人工阅读故障日志进行故障定位分析使得对相应设备维护人员的要求非常高，既需要具备维修经验、又需要具备根据日志就能够进行准确定位的丰富经验，因而人工成本非常高。另外，人工阅读故障日志只能根据故障日志的内容，进行表面的故障原因定位和分析，因此，无法实现根据阅读结果进行风险和异常预警。因此，业内亟需提出一种能够实现更快速有效、更及时准确的定位且能解放人力和进行预警的解决方案。

发明内容

基于上述理由，本发明的一个目的在于提供一种解决方案，实现通过软件自动分析故障日志，并对各个模块的故障进行定位和分类统计，以解决现有技术中需要人工阅读日志和定位问题模块效率不高、人力成本高且容易出错的问题。

根据本发明的一个方面，本发明的目的通过一种设备故障的分析统计方法得以实现，该方法包括：

为设备配置匹配规则，并根据匹配规则生成模式配置信息；

获取设备日志，根据模式配置信息进行设备日志解析，输出解析结果；

根据解析结果和模式配置信息生成故障信息数据库。

由此，就可以根据设置的匹配规则实现对设备日志的自动解析，得到故障信息数据，效率高。而且通过设置匹配规则进行解析，可以快速汇集很多经验丰富的工程师的日志阅读经验和日志故障经验，解析结果更加准确。

在一些实施方式中，匹配规则为基于故障模式进行匹配，故障模式为错误代码或代码序列出现的频率和顺序，生成的模式配置信息包括设备ID、规则ID、错误代码或代码序列、规则参数、故障类型以及该规则所对应的设备模块。由此，就可以基于常见的错误代码或代码序列，基于代码的频率和顺序进行故障日志的解析，得到故障信息，而且，通过对错误代码或代码序列设置匹配规则参数和分类，能够将故障类型进行分类，以便对严重的故障问题进行及时处理，而对不太严重的问题进行随时关注，得到的故障信息参考价值高。

在一些实施方式中，根据模式配置信息进行设备日志解析是通过以下方式实现的：遍历模式配置信息，确定各规则ID对应的错误代码特征；基于错误代码特征遍历设备日志进行特征匹配，根据匹配结果统计各规则ID对应的错误代码特征出现的时间和次数，生成解析结果信息；

根据解析结果和模式配置信息生成故障信息数据库是通过以下方式实现的：获取当前规则对应的规则参数，根据当前规则对应的解析结果和规则参数进行故障分析，当解析结果与规则参数匹配时，获取当前规则对应的设备模块和故障类型，生成模块故障信息数据库，模块故障信息数据库包括设备ID、设备模块标识、故障类型和时间。由此，就可以实现基于模式配置信息对设备日志进行解析，解析的特征匹配通过错误代码或代码序列实现，而通过对错误代码或代码序列出现的次数进行统计，和基于统计结果与规则参数进行匹配，能够得到符合匹配规则的故障信息，实现了基于匹配规则对故障信息的获取和分类。由于匹配规则汇集了厂商和很多维修工程师的历史经验数据，因而该方式下对故障的分类和定位都非常的准确。另外，基于匹配规则进行的故障解析和定位，是基于日志统计结果和规则(包括代码、规则参数、类型和对应的模块)进行的深层分析，因此，避免了表面故障分析无法深度定位实际发生该故障消息的影响因素的不良，实现了对故障原因的深度挖掘和定位，效率更高，且能够实现对设备故障的提前预警。

在一些实施方式中，其中，故障类型包括风险和异常，该方法还包括：根据模块故障信息数据库分别对各设备模块进行风险和异常的分类统计，生成统计结果存储，统计结果包括设备ID、设备模块标识、风险次数和异常次数。由于设备的每个模块都会对设备的整体质量产生至关重要的影响，因而通过对设备各个模块的风险和异常次数的分类统计，可以直观地看到各个模块的质量状况，从而反应整个设备的质量状态，方便用户根据统计结果对各个模块进行关注。

在一些实施方式中，其中，匹配规则为基于故障关键词进行匹配，故障关键词包括与设备各个模块对应的风险关键词和异常关键词，生成的模式配置信息包括设备ID、规则ID、关键词、故障类型以及该规则所对应的设备模块。通过为各个模块设置风险关键词和异常关键词，可以通过关键词快速找到各个模块的风险和异常状况，且关键词作为匹配规则，可以实现对故障日志中表层故障信息的快速定位，操作方便快捷，且关键词来自历史经验数据，可以快速积累很多工程师和厂商的经验，效率高。

根据本发明的另一个方面，本发明的发明目的还通过一种设备故障的分析统计系统得以实现，该系统包括：故障模式配置单元，用于为设备配置匹配规则和根据匹配规则生成模式配置信息；风险异常信息生成单元，用于实时获取设备日志，并根据模式配置信息进行设备日志解析，根据解析结果和模式配置信息生成故障信息数据库；和统计分析单元，用于根据故障信息数据库对设备的各个模块进行故障分类统计，生成统计结果存储。通过该系统可以实现基于设置的匹配规则自动对故障原因进行分析和定位，并自动输出统计结果，方便不会阅读设备日志的工程师快速找到故障类型、原因和位置，从而进行维修，降低对人力的要求，从而达到提高效率、降低成本的效果。且匹配规则可以灵活设置，因此，可以满足不同设备不同厂商以及不同应用场景下的设备故障分析和定位，应用范围广。

根据本发明的又一个方面，本发明的目的还通过一种对设备进行实时质量监控的方法进行实现，该方法包括：

对设备进行模块划分，并根据对模块的划分生成模块配置信息存储；

为设备配置匹配规则，并根据匹配规则生成模式配置信息存储；

实时获取设备日志，并根据模式配置信息进行设备日志解析，根据解析结果和模式配置信息生成故障信息数据库；

根据故障信息数据库对设备的各个模块进行故障分类统计，生成统计结果存储；

根据统计结果和模块配置信息生成显示设备各模块的故障状态的三维视图输出。

该方法既能够基于匹配规则进行故障分析和定位，还能够通过3D图的形式直观的显示设备中各个模块的故障状态，进而让设备的整体状态一目了然，使得完全没有经验的人也可以通过三维视图直观地了解到设备的质量状况和各个模块的实时质量状态，能够通过较低的人力成本实现对设备质量的有效监控。

在一些实施方式中，匹配规则为基于故障模式进行匹配，故障模式为错误代码或代码序列出现的频率和顺序，生成的模式配置信息包括设备ID、规则ID、错误代码或代码序列、规则参数、故障类型以及该规则所对应的设备模块；

根据模式配置信息进行设备日志解析，根据解析结果和模式配置信息生成故障信息数据库是通过以下方式实现的：

遍历模式配置信息，确定各规则ID对应的错误代码特征；

基于错误代码特征遍历设备日志进行特征匹配，根据匹配结果统计各规则ID对应的错误代码特征出现的时间和次数，生成解析结果信息；

获取当前规则对应的规则参数，根据当前规则对应的解析结果和规则参数进行故障分析，当解析结果与规则参数匹配时，获取当前规则对应的设备模块和故障类型，生成模块故障信息数据库，所述模块故障信息数据库包括设备ID、设备模块标识、故障类型和时间。

该方法在实现了软件自动解析和分类统计的基础上，还能基于设备的故障模式和设备日志中的错误代码进行深层分析，以从故障发生的根源将一系列连续发生的错误信息与某个模块的故障相匹配，实现了从更深层次对故障的挖掘和分析，进一步解决了表层分析无法准确定位实质故障模块的问题。

在一些实施方式中，其中，故障类型包括风险和异常，生成的统计结果包括设备标识、模块标识以及相应模块的风险次数和异常次数，显示设备各模块的故障状态的三维视图是通过颜色对各模块的风险异常状态进行标识的，包括：将风险次数大于0且异常次数等于0的模块、风险次数大于等于0且异常次数大于0的模块以及风险次数和异常次数均为0的模块分别显示为三种不同的颜色。通过将故障进行分类和通过颜色对故障状态及类型进行标识能够简单直观地反映设备各个模块的质量状态，容易理解，提高用户体验。

根据本发明的再一个方面，本发明的目的还通过一种设备的实时质控系统得以实现，该系统包括：模块划分单元，用于对设备进行模块划分，并根据模块划分生成模块配置信息；模式设置单元，用于为设备配置匹配规则，并根据匹配规则生成模式配置信息；风险异常信息获取单元，用于实时获取设备日志，并根据模式配置信息进行设备日志解析，根据解析结果和模式配置信息生成故障信息数据库；统计结果生成单元，用于根据故障信息数据库对设备的各个模块进行故障分类统计，生成统计结果存储；和三维视图生成单元，用于根据统计结果和模块配置信息生成显示设备各模块故障状态的三维视图输出。通过该系统实现了软件自动解析故障发生位置和对故障进行分类统计，而且，通过根据需求设置匹配规则，可以快速汇集很多经验数据，使得分析和统计结果非常准确。并且通过该系统还能够以3D图的形式直观的显示设备中各个模块的故障状态，进而让设备的整体状态一目了然，使得完全没有经验的人也可以通过三维视图直观地了解到设备的质量状况和各个模块的实时质量状态。

在一些实施方式中，匹配规则为基于故障模式进行匹配，故障模式为错误代码或代码序列出现的频率和顺序，生成的模式配置信息包括设备ID、规则ID、错误代码或代码序列、规则参数、故障类型以及该规则所对应的设备模块。由此，就可以基于常见的错误代码或代码序列以及其出现频率和顺序进行故障日志的解析，得到风险异常信息，实现对故障信息的分类。基于设备的故障模式和设备日志中的错误代码进行深层分析，可以从故障发生的根源将一系列连续发生的错误信息与某个模块的故障相匹配，实现了从更深层次对故障的挖掘和分析，进一步解决了表层分析无法准确定位实质故障模块的问题，准确率更高，从而达到及时关注设备质量问题，进而及时进行处理的效果，有助于提高设备的质量状况和寿命。

附图说明

图1为本发明一种实施方式的设备故障的分析统计方法的方法流程示意图；

图2为图1所示实施方式中的故障信息获取方法的方法流程示意图；

图3为本发明一实施方式的设备故障的分析统计系统的框架结构示意图；

图4为本发明一实施方式的设备实时质控方法的方法流程示意图；

图5为本发明一种实施方式的设备实时质控系统的框架结构示意图；

图6为本发明一实施方式中生成并输出的显示有设备各模块故障状态的三维标示图；

图7为本发明一实施方式中的设备模块划分示意图；

图8为本发明另一实施方式的设备故障的分析统计方法的方法流程示意图；

图9为图8所示实施方式中的故障信息获取方法的方法流程示意图。

具体实施方式

下面结合附图对本发明的实施方式作详细的说明。

为了能够实现对设备故障的自动化分析和高效分析，本发明根据厂商提供的数据或/和设计人员以及维修人员的经验数据，为设备配置故障的匹配规则，基于匹配规则和设备日志进行分析，获得设备的故障信息。其中，经验数据可以是任何能够获取到故障信息的数据，基于此配置的匹配规则可以是任何能够定位故障类型、故障原因和故障位置的规则信息，例如基于错误代码的故障模式匹配规则、基于故障关键词的匹配规则等。本发明实施例不对具体的匹配规则进行限制，只要是能够基于设置的匹配规则，通过设备日志的解析，得到设备的故障信息的可用的有效规则，都可以作为本发明实施例中的匹配规则。在优选实施例中，为了准确定位故障的位置，本发明还对设备进行模块划分，主要是基于设备类型或厂商数据将设备划分为不同的模块，并通过匹配规则将设备故障定位到具体的模块，通过对故障日志的解析找到发生故障的具体模块，以方便工作人员对设备的质量状况进行监控、分析和方便进行维修维护等工作。

在优选实施例中，本发明还对故障的类型进行分类，在解析出故障信息后，基于故障类型将故障信息进行分类统计，例如将故障分为风险和异常两种类型。其中，风险类型用于指示不会引起设备直接故障的警告性提醒，标识可以暂时不做维修处理、但需要关注出现频率的故障类型，通过对风险类型的故障进行关注和提醒，可以避免引起更严重的故障。而异常类型用于指示比较严重的错误，标识需要重启系统或维修来让系统恢复的故障类型，通过对异常类型的故障进行定位和提醒，可以及时对设备进行维修，避免带来严重的损失。

其中，本发明可以进行监控和分析的设备可以是任何具有设备故障日志的设备，在优选实施例中，本发明的设备可以是各医院的医疗设备，例如核磁共振设备、CT设备等。下文以设备为医疗设备为例，进行更详细的说明。

下文将以故障类型分为风险和异常两类，通过设置的匹配规则对设备故障日志进行解析以得到基于模块的风险异常信息数据库为例，对本发明的方法和系统进行具体的阐述。以下的故障分析和分类统计，均是以对风险和异常进行分析和分类统计为例。在其他实施例中，还可以根据需求为故障设定更多类型，只需要在故障分析和分类统计时，基于设定的故障类型进行相应调整即可，基于匹配规则的故障分析的核心构思不变。

图1示意性地显示了根据本发明一种实施方式的设备的风险和异常的分类统计方法，以配置的匹配规则为基于故障模式进行匹配，故障模式为错误代码或代码序列出现的频率和顺序，生成的模式配置信息包括设备ID、规则ID、错误代码或代码序列、规则参数、故障类型以及该规则所对应的设备模块为例，如图1所示，该方法包括：

步骤S101：对设备进行模块划分，根据对模块的划分生成模块配置信息。

按照大型医疗设备的系统原理对设备进行模块拆分，也可以根据设备设计人员和维修人员的经验，对设备进行模块拆分，以根据模块拆分实现设备的模块化，从而实现分模块对设备进行监控和管理，提高设备质量监控的针对性和精准性，方便及时准确地找到设备风险和故障原因。其中，对设备进行模块拆分包括基于经验或系统原理进行模块划分后，对划分的模块进行标识设定，并根据模块标识及模块名称生成模块配置信息存储。其中，生成模块配置信息存储例如可以是生成各设备的模块信息数据库，也可以是生成模块配置信息数据结构(数据结构例如是XML结构的模块配置信息或json文件形式的模块配置信息)。本实施例以生成的模块配置信息为json文件形式的数据结构为例进行详细阐述。以核磁共振设备为例，，如图7所示，例如可以根据设备的系统原理将核磁共振设备分为设备房环境模块701(用equi_room_env进行标识)、冷却器模块702(用chiller进行标识)、压缩机模块703(用compressor标识)、射频放大器模块704(用rf_amp标识)、梯度模块705(用gradient标识)、软件模块706(用software标识)、磁体模块707(用magnet标识)、冷头模块708(用cold_head标识)、扫描室环境模块709(用scan_room_env标识)、扫描腔模块710(用bore_env标识)、线圈模块711(用coil标识)、以及床模块712(用table标识)。之后，根据模块的划分，在用户界面进行设定，设定的信息包括设备厂商、设备类型以及划分的模块信息。当用户提交设定的信息后，就会根据外部设定生成json文件形式的模块配置信息存储(在其他实施例中也可以直接提交json文件形式的模块配置信息)，其中，json文件中存储的模块配置信息的结构例如可以是如下所示：

步骤S102：设定设备的故障模式，并根据设定的故障模式生成模式配置信息存储。

由于错误日志(即设备的故障日志)是现场工程师排查故障的主要参考依据，如果能够自动识别常见错误模式即故障模式，就可以帮助现场工程师更快更准确的定位故障点，或能够根据识别出的常见故障模式进行故障预防。而故障模式是指特定错误代码及其出现的顺序和频率，由于对于同一厂商的设备故障日志格式一般是固定的，而每条错误都有其对应的错误代码，因此，可以根据厂商提供的数据或根据维修工程师提供的经验数据，在设备模块化后，进行故障模式的初始化设定，该初始化设定可以通过管理员进行数据录入实现。而在具体实践中，根据需求，还可以随时由工程师或设备使用者对故障模式进行设定，该设定可以是通过利用用户界面进行设置实现。另外，在其他实施例中，故障模式的初始化也可以是机器进行大数据学习分析的结果，即通过对历史数据运营机器学习算法进行分析自动得出故障模式并存储。其中，设置的故障模式包括错误代码、错误代码的出现频次、错误代码的出现组合(即代码序列)及错误代码的出现顺序(即代码序列是否顺序相关)和故障所属的类型，而生成的模式配置信息可以是数据库结构，也可以是xml文件结构，还可以是json文件结构等。以设定故障模式是根据设备厂商提供的常见故障模式进行页面设定、生成的模式配置信息为数据库结构为例，该步骤的实现具体为：首先根据设备厂商提供的常见故障模式，在用户页面为相应的设备设定故障模式，以对设备ID为GEMR_000E0CD958EE的设备设定故障模式、且假设为其设定的故障模式包括的匹配规则为统计某一错误代码或某一代码序列出现的频率是否超过阈值以及统计某一错误代码或某一代码序列出现的频率是否连续几天出现上升趋势为例(匹配规则可以根据需求进行设定，不局限于该实例给出的规则)，假定通过用户页面输入设备的设备ID为GEMR_000E0CD958EE、该规则对应的错误代码为xxxxx,yyyy,zzzzz、该规则对应的模式名称为A、该规则对应的模块为梯度模块、该规则中故障模式的频率阈值为1、该规则中对错误代码出现的顺序也需要进行匹配、该规则对应的故障模式的类型为异常等信息，即可根据用户输入生成模式配置信息如下：

接着录入该设备的另一故障模式例如为该匹配规则对应的错误代码为1111111、该匹配规则的模式名称为B、该匹配规则对应的模块为射频放大器模块、该匹配规则中错误代码出现的顺序组合不需要匹配，该匹配规则中故障模式的频率阈值为3、该匹配规则中故障模式的类型为风险等信息，即可根据用户输入生成一条新的模式配置信息记录，并形成新的模式配置信息如下：

其中，规则ID即是设置的故障模式的匹配规则的ID，即ID为1的就按照匹配规则1的相关配置信息进行匹配，规则ID为2的就按照匹配规则2的相关配置信息进行匹配；错误代码即是需要进行匹配的代码内容，可以是单一的代码也可以是代码序列；模式即是该故障模式的名称，也用于标识相应模式的配置信息的内容；模块标识即是该故障模式对应的设备模块；是否顺序相关即是代表是否需要对错误代码的出现顺序也进行匹配，例如模式A就需要对其错误代码的出现顺序也进行匹配，即顺序必须为xxxxx,yyyy,zzzzz才符合模式设置；类型即是该故障模式对应的故障类型，例如上表中包括风险和异常两种类型；而参数则是代表对应模式需要匹配的规则参数指标，例如在生成的上述信息中，模式A的参数为1代表该错误代码的出现频率的阈值为1，如果该错误代码或代码序列出现的频率超过该阈值，则标记为异常，而模式B的参数为3则代表该错误代码出现的频率阈值为是否连续3天出现上升，如果连续3天出现上升趋势，则标记为风险。在该实施例中规则参数包括频率参数(对应表中的参数项)和顺序参数(对应表中的是否顺序相关项)，即说明该匹配规则需要基于错误代码的出现频率和错误代码的出现顺序两个参数共同进行判断。在其他实施例中匹配规则还可以为其他规则参数，可以根据需求、设备类型和经验数据进行灵活设定。

步骤S103：实时获取设备日志，并根据模式配置信息进行设备日志解析，并根据解析结果和模式配置信息生成模块风险异常信息数据库。

本发明实施例通过获取设备上存储的设备日志，并根据存储的模式配置信息对设备日志进行解析，并根据解析结果和模式配置信息进行模式规则的匹配，从而得到各模块的风险异常信息并存储。具体实现方法如图2所示包括以下步骤：

步骤S1031：采集设备日志存储。

将设备与数据采集模块连接，以通过数据采集模块从设备中读取设备日志，并上传(例如通过网络发送)。其中，该数据采集模块可以设置为一数据采集盒，在每个设备上都设置一个数据采集盒，通过数据采集盒读取设备中的设备日志，之后将读取的设备日志通过数据采集盒的网络通讯模块(如3G/4G模块)发送到云端服务器上进行存储。

步骤S1032：获取存储的设备日志进行解析，生成解析结果。

遍历采集模块上传来的设备日志进行解析，主要为通过特征匹配算法利用设置好的模式配置信息从设备日志中获取出现相应的错误代码的日志部分，并进行统计得到解析结果。具体为通过各个匹配规则获取其对应的错误代码及其组合顺序要求，从而得到该匹配规则对应的匹配特征即代码特征，例如规则ID为1的匹配规则的匹配特征为其错误代码及顺序即为xxxxx,yyyy,zzzzz，规则ID为2的匹配规则的匹配特征为其错误代码即为1111111，通过各个匹配规则的匹配特征对设备日志进行解析。以设备为医疗设备为例，由于医疗设备的设备日志中均包含有对每个病人做的检查，且以病人为单位，每个病人的检查信息都会被输出为一个Exam或Study，而每个Exam或Study中可以包含针对不同身体部位的多次扫描，因此可以基于每个Exam进行分析和统计，该过程例如可以是通过以下方式实现：将上传来的设备日志按照每一个Exam进行切分，如从New Exam Started到End Exam作为一个模块，之后，根据特征匹配算法统计设备日志中的每天包括故障模式中错误代码或错误代码序列的模块数(即以天为单位、以错误代码或错误代码序列为特征，匹配统计日志中出现该特征的Exam模块数)，并根据统计结果生成解析结果信息存储，其中解析结果信息可以存储为数据库结构，以上述设定的设备GEMR_000E0CD958EE的故障模式为例，通过特征匹配分别统计日志中每天出现错误代码xxxxx,yyyy,zzzzz和1111111的模块数，并生成解析结果信息数据表如下：

其中，时间即为统计的出现错误代码或错误代码序列的日期(即以天为单位)，而规则ID即为相应的错误代码或错误代码序列对应的规则ID(与上述的模式配置信息对应)，而出现次数即为当天出现该错误代码或错误代码序列的Exam模块的数量。

在其他实施例中，也可以不基于Exam模块的划分进行故障分析，尤其是对于不包括Exam或Study的设备，而是直接根据设备日志进行特征匹配和统计，此时统计的不是错误代码出现的模块数，而是错误代码出现的次数。本发明实施例优选以基于操作对象例如病人为单位进行划分，统计对各个病人的操作中出现故障消息的次数，由于对于以操作对象例如每个病人对应的Exam为工作单位的设备来说，操作流程也是以Exam为单位周而复始的，而故障模式一般也会以Exam为单位进行重复，因此这样可以从整体上实现对故障次数的统计，参考价值更高。另外，将日志按Exam进行划分更加有助于定位错误，而将错误代码与Exam扫描参数相联系也有助于故障的分析。

步骤S1033:根据解析结果和模式配置信息进行模式匹配，生成设备的风险异常信息数据库。

得到上述解析结果信息后，就根据模式配置信息中存储的各个故障模式的配置信息(即匹配规则)例如模式名称及其对应的规则参数(如频率和组合顺序要求)以及故障类型进行相应的匹配和统计，从而生成各设备的每个模块的风险和异常信息数据库。例如以上述的规则ID为1和规则ID为2的故障模式为例，通过各个匹配规则对应的代码特征进行设备日志特征匹配得到其解析结果信息后，遍历解析结果信息，首先获取规则ID为1的模式名称进行判断，如果是模式A，则获取其模式配置信息中的参数和生成的解析结果中的出现次数进行判断，即将出现次数与参数进行比较，如果出现次数大于参数，则说明该错误代码的出现频率大于设定的阈值，此时，根据规则ID为1的故障模式的解析结果和模式配置信息生成模块风险异常信息数据库(即分别获取故障发生的时间、故障对应的模块和故障类型)如下表所示：

设备ID	时间	模块标识	规则ID	类型
					GEMR_000E0CD958EE	2017-11-03	gradient	1	异常

接着，对解析结果中的下一个记录进行模式匹配，获取规则ID(此时为2)，然后从模式配置信息中获取规则ID为2的规则对应的模式名称(此时为模式B)，则获取模式B对应的参数(此时为3，即表示出现频率为连续3天上升)。之后，基于该参数，获取生成的解析结果中规则ID为2的该模式对应的故障信息，判断是否为连续3天出现，且为上升趋势，根据上表数据可知规则ID为2的故障出现时间分别包括11月3日、11月4日和11月5日，即为连续三天出现，且出现次数分别为一次、二次和三次，即为上升趋势，因此统计该故障信息，并进一步根据解析结果和模式配置信息生成模块风险异常信息数据库中的新记录(即获取规则ID为2的故障模式对应的故障类型、模块标识，并获取该故障的时间插入模块风险异常信息数据库中)，即得到新的模块风险异常信息数据库如下所示：

设备ID	时间	模块标识	规则ID	类型
					GEMR_000E0CD958EE	2017-11-03	gradient	1	异常
GEMR_000E0CD958EE	2017-11-05	rf_amp	2	风险

步骤S104：根据模块风险异常信息数据库进行风险和异常统计，生成统计结果存储。

从风险异常信息数据库中获取当前设备的各模块标识的风险信息和异常信息，根据模块标识和类型分别对同一模块的风险次数和异常次数进行统计，生成包括设备ID-模块标识-风险次数-异常次数的统计结果存储。以在步骤S1033中生成的模块风险异常信息数据库为例，该步骤根据风险异常信息数据库分别对设备GEMR_000E0CD958EE的风险和异常进行分类统计如下：统计设备ID为GEMR_000E0CD958EE的模块标识为rf_amp的模块的风险次数为1，异常次数为0，统计该设备的模块标识为gradient的模块的风险次数为0，异常次数为1，由此生成统计结果如下：

设备ID	模块标识	风险次数	异常次数
				GEMR_000E0CD958EE	rf_amp	1	0
GEMR_000E0CD958EE	gradient	0	1

通过基于模块对风险和异常进行分类统计，可以将故障信息准确定位到具体的模块，方便对设备的质量进行监控，且方便进行维修和维护。而且，上述实施例是基于具体设置的故障模式进行的设备日志的自动分析，可以快速得到分析结果，且设置的故障模式是基于经验和厂商数据进行的设置，设备日志是设备的实时运营数据，因此通过设置故障模式进行自动分析，可以快速汇集很多经验丰富的工程师的日志分析经验，效率和准确率都很高，分析的层次也更深入。

需要说明的是，图1所示的只是故障模式的匹配规则的两个示例，在具体的实践中，根据设备的不同和模块的不同，设置的故障模式的具体匹配规则可以任意制定，并不局限于上述示例中的错误代码或代码序列的出现频率。而且，在进行匹配规则配置时，可以直接将故障模式即每个规则对应到相应的设备模块，而不需要进行步骤S101的模块配置，即不需要对设备的模块划分进行设置和生成模块配置信息，而是直接在配置规则时，生成包含对应的模块名称的模式配置信息，例如直接根据匹配规则的设置，生成模式配置信息如下：

这样，就可以基于对设备日志的解析直接得到各个模块的风险异常信息。

图3示意性地显示了实现了图1所示方法的设备故障的分析统计系统，如图3所示，该系统1包括设备模块配置单元11、故障模式配置单元12、风险异常信息生成单元13、统计分析单元14和存储单元10。其中，设备模块配置单元11用于接收用户输入以对设备进行模块划分，并根据用户输入生成设备的模块配置信息存储到存储单元10；故障模式配置单元12用于接收输入为设备配置匹配规则信息，并根据输入的匹配规则信息生成模式配置信息存储到存储单元10，该设置可以是新增也可以是修改；风险异常信息生成单元13与具体的设备2连接，以用于从设备实时获取设备日志，并根据模式配置信息对设备日志进行解析，根据解析结果和模式配置信息生成相应设备的模块风险异常信息数据库(存储在存储单元10)，生成的风险异常信息数据库至少包括设备ID、模块标识、时间和故障类型；而统计分析单元14用于根据模块风险异常信息数据库分模块对设备进行风险和异常统计，生成统计结果存储到存储单元10，其中统计是基于模块进行的统计，统计结果至少包括设备ID、模块标识、风险次数和异常次数。在该系统中，设备模块配置单元11和故障模式配置单元12属于初始化模块，主要用于对设备的模块信息和故障匹配规则信息进行设置，以便在分类统计时，作为基准数据进行分析。而在接收到用户请求时，该系统主要通过风险异常信息生成单元13进行分析得到模块风险异常信息数据，并通过统计分析单元14进行统计以得到设备各模块的风险和异常数据。其中，风险异常信息生成单元13进行分析的依据主要是实时获取到的设备日志和为各设备设置的匹配规则。设备日志主要是指记录了设备故障信息的故障日志。在优选实施例中，可以省略掉设备模块配置单元11，直接在故障模式配置单元12中针对具体的设备模块进行匹配规则的配置。其中，本发明实施例中各单元模块的具体实现过程可以参照图1和图2的方法部分的描述。

图8示意性地显示了另一实施方式的设备故障的分析统计方法，以配置的匹配规则为基于故障关键词进行匹配，故障关键词包括针对设备各模块的风险关键词和异常关键词，生成的模式配置信息包括设备ID、规则ID、关键词、故障类型以及该规则所对应的设备模块为例，如图8所示，该方法包括：

步骤S801：对设备进行模块划分，生成模块配置信息。

该步骤的具体实现方法可以参照步骤S101，在此不进行赘述。

步骤S802：为每个模块分配风险关键词和故障关键词。

本发明实施例通过风险关键词获取风险信息，通过异常关键词获取异常信息。在将设备模块化之后，就需要为每个模块设置风险关键词和异常关键词，该关键词可以由维修工程师根据历史经验提供，在进行模块化后，直接由管理员存储到数据库中(为了保证关键词正确地出现在设备日志中，在录入数据库前可以由软件开发人员对工程师提供的关键词进行核查，找到能够正确出现的关键词进行录入)，也可以由用户根据需求通过用户页面进行添加，并且，之后还可以根据需求通过用户页面进行修改。例如，可以针对梯度模块705设置异常关键词“Gradient Power Amplifier error”，这样就可以生成以设备ID-规则ID-模块标识(如gradient)-关键词(如为Gradient Power Amplifier error)-关键词类型(即故障类型，如为异常)为索引的模式配置信息存储。

其中，本发明实施例中设置的风险关键词可以根据需求而定，例如，对于核磁共振设备中的风险可以是包括但不限于：某一风险关键词在设备日志里连续多天如三天出现、保养逾期、磁体监控器离线等，这样为核磁共振设备设置的匹配规则就可以是：对某一风险关键词在设备日志里连续多天如三天出现的风险情况，设置匹配规则为包括针对某一模块的风险关键词及其规则参数(即连续三天出现)，并根据匹配规则生成“设备ID-规则ID-模块标识-关键词-规则参数(如3，表示连续三天出现)-关键词类型(如为风险)”结构的模式配置信息；对保养预期这一风险情况，设置匹配规则为包括风险关键词及其规则参数，且将其分别设置为Last&Next scheduled PM dates和3(从这个关键词可以获取上次保养日期，如核磁保养周期为三个月则设置规则参数为3，如果上次保养日期到现在已经超过保养周期三个月，就统计一次保养逾期)，从而得到“设备ID-规则ID-模块标识(如核磁)-关键词(如为Last&Next scheduled PM dates)-规则参数(如3，表示保养周期为三个月)-关键词类型(如为风险)”结构的模式配置信息；对磁体监控器离线这一风险情况，设置匹配规则为包括风险关键词MM3 is offline，就可以得到“设备ID-规则ID-模块标识(如磁体监控器)-关键词(如为MM3 is offline)-关键词类型(如为风险)”结构的模式配置信息，从而通过这个关键词统计磁体监控器离线的风险。同样地，基于各个模块常见的异常情况，还可以为各个模块设置基于异常关键词的匹配规则，以统计各个模块的异常，例如对核磁共振设备的梯度模块设置异常关键词Gradient Power Supply Over Voltage Fault，就可以将该异常关键词映射到梯度模块，从而获取该梯度模块的梯度电源电压过高的异常消息；对核磁共振设备的射频模块设置异常关键词RF Amplifier Fan 2 Fault，就可以将该异常关键词映射到射频模块，从而获取该射频模块的射频放大器风扇2的故障。因此，根据需求通过该步骤对核磁共振设备的各个模块设置相应的关键词信息，即可实现对相关的故障信息进行监控。

步骤S803：实时获取设备日志，并根据设置的关键词进行设备日志解析生成模块风险异常信息数据库。

本发明实施例通过获取设备上存储的设备日志，并根据设置的关键词对设备日志进行解析，从而得到各模块的风险异常信息并存储。具体实现方法如图9所示包括以下步骤：

步骤S9031：采集设备日志存储。

将设备与数据采集模块连接，以通过数据采集模块从设备中读取设备日志，并上传(例如通过网络发送)。其中，该数据采集模块可以设置为一数据采集盒，在每个设备上都设置一个数据采集盒，通过数据采集盒读取设备中的设备日志，之后将读取的设备日志通过数据采集盒的网络通讯模块(如3G/4G模块)发送到云端服务器上进行存储。

步骤S9032：获取存储的设备日志，根据每个模块的风险关键词和异常关键词进行解析，根据解析结果生成设备的风险异常信息数据库。

遍历采集模块上传来的设备日志进行解析，主要为通过特征匹配算法利用设置好的风险关键词和故障关键词从设备日志中提取出各模块相关的风险和异常信息，例如用异常关键词“RF amplifier is not ready”过滤(即特征匹配算法进行过滤)GEMR这个类型的设备ID为GEMR_000E0CD958EE的设备的日志(本发明实施例主要是对设备的故障日志进行获取和解析)，可以获取到2017-05-08 14:38:35发生过：“Auto Prescan failed,RFamplifier is not ready.”的故障信息。之后，将提取到的故障信息按照设备和模块标识存储在数据库中，以生成各设备的每个模块的风险和异常信息数据库，例如通过在风险异常数据库中插入获取到的上述信息，生成如下表所示的风险异常数据库内容：

再如，用风险关键词“Gradient Amplifier*Fault”过滤(即进行特征匹配)GEMR类型的设备ID为GEMR_00409D4E6409的设备的故障日志，可以获取到2017-04-30 07:49:31发生过“The GP is reporting a Gradient Amplifier X Axis UnderVoltage Fault.”的故障信息，于是就获取该故障信息插入到风险异常信息数据库中，以生成新的风险异常数据库信息如下：

由此，通过基于关键词进行设备日志解析，就可以获得所有的与关键词匹配的风险和异常信息，并且可以提取出与关键词匹配到的风险和异常信息，而且提取出的每一条风险和异常信息都会被标明是风险还是异常、属于哪一个模块(如上表所示)，这样就可以根据相应类别和基于模块分别进行分类统计。在匹配规则还包括与关键词对应的规则参数的实施例中，例如包括某一风险关键词出现的频率的规则参数或包括保养预期的时间参数等，在通过关键词解析出故障信息后，还需要基于规则参数进行匹配，例如对出现频率的规则参数需要进行风险关键词出现次数的统计，统计后与规则参数中的出现频率进行比较，而对保养预期的则需要获取上次保养时间信息与设置的保养预期的时间进行比较，根据比较结果判断是否预期等。

步骤S804：根据模块风险异常信息数据库进行风险和异常统计，生成统计结果存储。

从风险异常信息数据库中获取当前设备的各模块标识的风险信息和异常信息，根据模块标识，对同一模块的风险次数进行统计，并对同一模块的异常次数也进行统计，并生成设备ID-模块标识-风险次数-异常次数结构的统计结果存储。例如：上面的风险异常数据库中，对设备GEMR_000E0CD958EE的各个模块分别进行风险次数和异常次数的统计，得到该设备的rf_amp模块出现一次异常，对设备GEMR_00409D4E6409的各个模块分别进行风险次数和异常次数的统计，得到该设备的gradient模块出现一次风险，因而根据该统计结果就可以生成统计结果信息如下：

设备ID	模块标识	风险次数	异常次数
				GEMR_000E0CD958EE	rf_amp	0	1
GEMR_00409D4E6409	gradient	1	0

在优选实施例中，还可以为故障设置优先级(高中低，可由维修工程师或用户修改)，其中为故障设置优选级可以是根据维修工程师或用户的判断，例如当维修工程师认为这种类型的问题是很严重的问题，就将该匹配规则或生成的风险异常数据库中对应的故障设置为高优先级，而如果这种类型的问题不是很严重，就将该匹配规则或生成的风险异常数据库中对应的故障设置为中或低优选级。这样，在解析出风险异常数据库信息后，就可以根据优先级进行相应的后续处理，例如单独推送高优先级的故障消息给用户，以实现及时维修等。设置优先级的方式，以对生成的风险异常数据库信息中的故障设置优先级为例，例如可以是：在基于关键词对设备日志解析得到如下两条记录后，根据第一条记录中的消息内容“液氦压力当前值：4.449高于用户设置阈值：4.1”进行判断，如果该问题是比较严重的问题则将其优先级设置为高；根据第二条记录中的消息内容“RF Amplifier fault 80.”进行判断，如果该问题是不严重的问题，则将其优先级设置为低，从而得到如下的风险异常信息数据库记。其中，进行判断的方式，可以是预先对各种消息内容设置初始化的优先级，也可以是在配置匹配规则时，就对每个匹配规则设定优选级。在具体应用中，如果维修工程师认为“液氦压力当前值：4.449高于用户设置阈值：4.1”不算很严重的问题，可以通过用户页面进行设置，以将这个消息对应的优先修改为中或者低。

另外，除了根据维修工程师的经验来定义故障的优先级外，在其他优选实施例中，还可以利用大数据统计的方法来定义故障的优先级，该方式可以是利用大数据统计的方法来定义设备模块的优先级，然后基于设备模块的优先级定义与之相关的匹配规则(如关键词或故障模式)的优先级，从而在发生某一匹配规则对应的故障时，就可以根据匹配规则的优选级，得到故障的优先级。具体方法例如可以是：

步骤一：从维修公司获取一定时间内(如一年)某种型号设备的部件维修或更换清单；

步骤二：统计每种部件的维修或更换次数，然后根据维修或更换次数将设备部件进行分类，例如以维修或更换次数与故障率正相关为准则将设备部件分为三类：高故障率部件、中故障率部件、低故障率部件；

步骤三：将维修或更换清单里的部件与设备模块建立对应关系，即查看该部件是属于设备的那个模块的，从而将部件与其所属的设备模块一一对应；

步骤四：根据部件的分类对设备模块进行优先级分类，例如：将包含高故障率部件的设备模块定义为高优先级，进而将与该设备模块对应的匹配规则(如关键词或故障模式)定义为高优先级；将包含中故障率部件的设备模块定义为中优先级，进而将与该设备模块对应的匹配规则(如关键词或故障模式)定义为中优先级；同理，将包含低故障率部件的设备模块对应的匹配规则(如关键词或故障模式)定义为低优先级。

这样，通过将匹配规则对应的优先级进行存储，在通过解析得到风险异常信息数据库后，就可以根据某一风险或异常记录对应的规则获取到该故障对应的优先级，从而实现对故障的优先级的分类，以按优先级进行合理的后续处理。在其他优选实施例中还可以是基于大数据直接定义各个匹配规则本身的优先级，例如基于某一匹配规则的故障发生率与设备寿命的关系这一数据信息定义匹配规则的优先级等，本发明实施例不对此进行限制，只要是基于大数据分析得到故障或匹配规则的优先级的方法，都视为基于本发明构思的变形例。

在通过上述各实施例的实现方法得到统计结果后，就可以根据统计结果信息进行其他操作，例如将统计结果信息发送给用户，以供用户进行后续维修或保养等处理，也可以基于统计结果进行图形显示，以直观地显示设备的质量状况，即基于统计结果对设备进行实时质控。

图4示意性地显示了根据本发明一实施方式的设备的实时质控方法，如图4所示，该方法包括：

步骤S401：对设备进行模块划分，生成模块配置信息存储。

步骤S402：为设备配置匹配规则信息，根据匹配规则信息生成模式配置信息存储。

步骤S403：实时获取设备日志，并根据模式配置信息进行设备日志解析，根据解析结果和模式配置信息生成模块风险异常信息数据库。

步骤S404：根据模块风险异常信息数据库进行风险和异常统计，生成统计结果存储。

其中步骤S401至步骤S402的具体实现方式可以参照上述图1方法的实现过程或上述图8方法的实现过程。

步骤S405：根据统计结果和模块配置信息生成显示设备各模块的风险异常状态的三维视图输出。

生成的统计结果包括设备标识、模块标识以及相应模块的风险发生次数和异常发生次数，其中，根据统计结果生成显示设备各模块的风险异常状态的三维视图输出，主要是对生成的模块化的三维视图，按各模块的风险发生次数和异常发生次数进行标识，其中，该标识方式可以是通过颜色进行标识，也可以是用灰度图、网格、斜线图和数字标定等方式进行标识。本发明的优先实施例中，是通过颜色进行标识的，具体可以是例如，根据模块标识及相应模块的风险发生次数和异常发生次数对相应模块进行不同的颜色标识，如将风险发生次数大于0且异常发生次数等于0的模块、风险发生次数大于等于0且异常发生次数大于0的模块以及风险发生次数和异常发生次数均为0的模块分别着色为三种不同的颜色。该展示过程是实时进行输出的，即当获取设备日志，就进行解析和统计，统计完成就进行输出显示，以提醒用户。在其他实施例中，该展示过程也可以是根据用户的查询请求进行输出显示的。以风险故障通过三种不同的颜色进行标识且将风险发生次数大于0且异常发生次数等于0的模块标识为黄色、风险发生次数大于等于0且异常发生次数大于0的模块标识为红色以及风险发生次数和异常发生次数均为0的模块标识为绿色为例，该步骤具体例如可以是通过以下方式实现：

步骤一：获取相应设备的简化版机械模块组装三视图，按同种材料不同颜色进行渲染和打光。

其中，设备的简化版机械模块组装三视图可以是根据设备模块外形绘制出的，也可以是由设计师或厂商提供的。获取组装三视图之后，通过机械设计制图软件将模块组装三视图转化为Photoshop平面图，并按不同的颜色分别渲染生成对应图层，即按风险故障的标识颜色生成不同颜色的对应图层，例如当将风险发生次数大于0且异常发生次数等于0的模块、风险发生次数大于等于0且异常发生次数大于0的模块以及风险发生次数和异常发生次数均为0的模块分别着色为黄色、红色和绿色三种不同的颜色时，本步骤将在Photoshop中将转换成的平面图按照黄色、红色和绿色分别进行渲染，生成三种颜色的图层。

步骤二：对设备的每个模块进行裁剪，形成背景透明的三色模块图。

在生成三种颜色的图层之后，在Photoshop中对设备的每个模块进行裁剪，即将黄色的图层按模块进行裁剪、将红色的图片按模块进行裁剪以及将绿色的图层按模块进行裁剪，其中，这里的模块是设备划分出来的模块，与模块配置信息中的设备各模块相对应。这样就生成了各个模块的三色图层(即每个模块对应了黄色图像、红色图像和绿色图像共三种模块图层)，之后按图层导出背景透明的三色模块图与模块配置信息中的各模块对应存储。

步骤三：在接收到用户的三维显示请求后，根据生成的统计结果在web前端进行针对性加载，生成显示有风险故障状态的三维设备风险异常标示图输出。

当接收到用户的请求后，从存储单元中获取相应设备的三色模块图，并根据统计结果，在前端根据统计结果加载相应颜色的模块图片，而底图则采用所有模块均正常的配色，也就是说，在加载时，底图采用统一的各模块为绿色而其他部分为灰度图的图层方式，根据获取的统计结果(该结果可以在页面加载时作为参数直接输出给页面，也可以在后台进行分析后，输出待加载的图形标识传输给页面)，对风险发生次数大于0且异常发生次数等于0的模块，获取其黄色模块图层进行覆盖，而对风险发生次数大于等于0且异常发生次数大于0的模块，获取其红色模块图层进行覆盖。这样的实现方式下，只有存在风险或故障的模块才需加载该模块变色的覆盖层图像(即相应标识颜色的模块图)；这种设计减少了需加载的图像数量，从而降低加载时间和带宽消耗，提升用户体验。

在其他实施例中，还可以实现为在步骤一种生成各模块为绿色而其他部分为灰度图的底图图层以及黄色和红色进行渲染的图层，在步骤二中对黄色和红色图层进行剪裁生成各个模块的两色图层，并经由步骤一和步骤二得到底图和模块的两色图存储，在步骤三时通过页面加载首先加载底图，之后根据统计结果加载黄色或红色模块图进行覆盖，从而得到具有风险异常状态标识的设备三维视图进行显示。需要说明的是，步骤一和步骤二是初始化操作，对于设备模块没有发生变化的重复请求显示，只需要进行步骤三即可，不需要重复步骤一和步骤二的初始化操作，即例如对某一设备进行第一次显示请求时，需要进行步骤一和步骤二，而第二次请求查看时，由于相应的图层已经存储在存储单元了，因此当模块没有发生变化的情况下，只需要根据步骤三进行动态加载即可。

在优选实施例中，为了实现快速加载和任意缩放显示无锯齿，还可以通过以下方式实现显示有风险异常状态的模块化三维视图的生成和输出，具体为包括：

步骤一：获取相应设备的简化版机械模块组装三视图，根据机械模块组装三视图生成SVG矢量图。

其中，设备的简化版机械模块组装三视图可以是根据设备模块外形绘制出的，也可以是由设计师或厂商提供的。在该步骤通过模块组装三视图绘制出SVG矢量图存储。其中，绘制可以是平面设计师通过相应的软件绘制后提供给数据库存储，也可以通过具有相应功能(即能将三视图转化为SVG矢量图)的软件自动实现。

步骤二：在web前端加载生成的SVG矢量图，并根据生成的统计结果对加载的SVG矢量图进行实时着色，生成显示有风险故障状态的三维设备风险异常标示图输出。

在进行设备风险异常三维标示图展示时，首先从数据库获取SVG矢量图，同时还要获取相应设备的统计结果，根据统计结果生成颜色标识参数(该颜色标识参数例如可以相应存储在设备的模块配置信息中，与各个模块相对应)返回给web前端页面，web前端页面在进行图片加载时根据颜色标识参数对加载的SVG矢量图进行动态实时着色，从而生成显示有风险故障状态的设备风险异常三维标示图输出。其中，web前端页面动态加载SVG矢量图和根据设定的参数进行着色的方法，可以参照现有技术实现，故这里不进行赘述。

图6示出了一种着色后输出显示的设备风险异常状态三维标示图，如图6所示，图中的A(即磁体模块707)为风险发生次数大于0且异常发生次数等于0的模块，其输出显示为黄色(在彩色效果图中可见)，图中的B(即线圈模块711)为风险发生次数大于等于0且异常发生次数大于0的模块，其输出显示为红色(在彩色效果图中可见)，而其他部分C(即设备房环境模块701、冷却器模块702、压缩机模块703、射频放大器模块704、梯度模块705、软件模块706、冷头模块708、扫描室环境模块709、扫描腔模块710、以及床模块712)为风险发生次数和异常发生次数均为0的模块，其输出显示为绿色(在彩色效果图中可见)，由此就可以通过输出的三维视图，直观地看到设备的各个模块的风险和异常状态，让设备的整体质量状态以及各个模块自身的质量状态都一目了然。而且，该统计分析和三维显示过程可以根据用户请求基于对实时获取的设备日志的动态分析生成，能够实现实时显示，准确高效，方便用户对设备状态进行查看和管理。在优选实施例中，如图6所示，还在页面的顶部显示设备的类型，并在三维视图的底部显示发生异常的模块的名称和其标识颜色。这样，即使没有经验或不会阅读设备日志的人员，也能够通过查看三维标示图了解设备的质量状况。

图5示意性地显示了与图4所示方法对应的设备的实时质控系统，如图5所示，该系统包括系统平台50和显示装置30，其中系统平台50部署在云端服务器上(本发明实施例提供的系统平台50还可以部署在用户自己的服务器上或用户设备上，以为特定的用户提供相应的功能)，其包括模块划分单元511、故障模式设置单元512、风险异常信息获取单元513、统计结果生成单元514、三维视图生成单元515和系统存储单元510。其中，模块划分单元511用于对设备进行模块划分，可以是通过页面接收用户输入的设备的模块信息并生成模块配置信息存储实现，也可以是其他实现方式，只要能够实现设备的模块化即可，而生成的模块配置信息可以是数据库格式，也可以是json文件格式，还可以是xml格式，本发明实施例对此不进行限制，模块配置信息包括厂商名称、设备类型和划分的各模块的标识信息。故障模式设置单元512用于为设备设定匹配规则信息，可以是通过页面接收对相应设备配置的匹配规则信息，并将接收到匹配规则信息生成模式配置信息存储，模式配置信息可以存储为数据库格式、xml格式或json格式。匹配规则可以是关键词匹配规则，也可以是故障匹配规则等，相应地模式配置信息的内容可以是包括设备ID、规则ID、错误代码或关键词、规则参数、该故障的类型以及该故障模式对应的模块标识，其中错误代码的存储内容可以是单一的错误代码也可以是代码序列的组合，而规则参数可以根据匹配规则进行灵活设置，例如可以是包括错误代码或关键词的出现频率参数、错误代码的出现顺序参数、关键词得到的内容是否为异常的判断标准等。风险异常信息获取单元513用于获取设备的风险异常信息数据，可以是通过实时获取设备日志，并根据模式配置信息进行设备日志解析以获取风险异常信息数据实现，其具体实现方式可参照前文方法叙述，其中风险异常信息数据可以存储为模块风险异常信息数据库。统计结果生成单元514用于根据模块风险异常信息数据库进行风险和异常统计，生成统计结果存储，该统计是基于模块的风险次数和异常次数的统计，可以通过数据库检索式针对当前设备的所有模块分别进行统计，并将统计结果按照设备ID-模块标识-风险次数-异常次数的索引结构存储。而三维视图生成单元515用于根据统计结果生成显示设备各模块的风险异常状态的模块化三维视图输出。其中，三维视图生成单元515包括后端处理组件和前端渲染组件(图中未示出)，在本发明实施例中后端处理组件可以配置为通过获取相应设备的简化版机械模块组装三视图，根据机械模块组装三视图生成SVG矢量图实现，生成SVG矢量图的方式可以是设计人员通过软件基于模块组装三视图进行绘制后存储，也可以是通过具有相应功能的软件进行转换生成并存储。而前端渲染组件可以配置为通过在web前端加载生成的SVG矢量图，并根据生成的统计结果生成着色标识参数传递给web前端，以由web前端根据着色标识参数信息对加载的SVG矢量图进行实时着色，从而生成显示有风险故障状态的设备风险异常三维标示图输出。这样得到的三维标示图效果更好、加载更快且可以实现无锯齿自由缩放。而显示装置30则用于加载和显示生成的三维标示图，其可以是带有浏览器的客户端设备或可以进行图片接收和显示的用户终端，例如带有浏览器或与本发明实施例的系统平台对应的客户端APP的智能手机、智能手表、智能手环或平板电脑等，也可以是微信客户端等可以请求图片数据的现有应用终端。

而在其他实施例中，后端处理组件还可以配置为获取相应设备的简化版机械模块组装三视图，按同种材料不同颜色进行渲染和打光，并对设备的每个模块进行裁剪，形成背景透明的三色模块图存储，并根据生成的统计结果生成覆盖图层标识参数传递至web前端；而相应地，前端渲染组件还可以配置为根据覆盖图层标识参数在web前端进行针对性加载，即在加载的底图上根据覆盖图层标识参数加载相应颜色的覆盖图层，从而生成显示有风险故障状态的设备风险异常三维标示图输出。

需要说明的是，在其他实施例中，当故障类型更多时，设备故障状态三维标示图也可以通过更多的颜色对不同类型的故障的状态分别进行标识，即三维标示图的故障状态和颜色标识并不局限于上述实施例，而是可以根据故障类型和需求进行调整，只要能够分别清晰的显示不同的故障类型的状态、实现对设备各模块质量的实时显示即可。

另外，本发明实施例的方法和系统可以通过应用程序实现，而该应用程序可以承载在服务器上或电子装置上。该电子装置只需要包括存储介质和控制单元，将实现了本发明实施例的方法或系统的应用程序存储在存储介质中，通过控制单元执行该应用程序即可实现本发明的目的。这种电子装置例如可以是能够承载和执行应用程序的智能终端设备(如智能手机、智能手表)，也可以是平板电脑等等。

需要说明的是，本发明实施例中的用户请求可以是在页面加载时进行自动请求，即用户只需要进行页面加载即可不需要进行其他操作，也可以是用户通过浏览器自动重复请求，而加载的三维标示图则根据生成的统计结果进行实时显示。在其他实施例中，还可以是系统在更新了设备日志以后，根据更新的统计结果主动推送显示有风险故障状态的三维标示图。其中，为了减少消息噪声干扰，还可以通过设置策略(如基于故障的优选级)，基于策略进行三维标示图的推送，推送方式例如可以是发送到用户微信、手机短信、邮箱等。

以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (14)

1.设备故障的分析统计方法，应用于医疗设备，该方法包括：

为设备配置匹配规则，并根据匹配规则生成模式配置信息，其中，所述匹配规则至少能够用于定位故障所属的类型，生成的模式配置信息包括有设备ID、规则ID、故障类型以及该规则所对应的设备模块，其中，所述设备模块是通过对所述医疗设备进行模块划分得到的；

获取设备日志，根据模式配置信息进行设备日志解析，根据解析结果和模式配置信息生成故障信息数据库，其中，所述故障信息数据库包括有设备ID、设备模块标识和故障类型，所述故障类型包括风险和异常，风险是用于指示不会引起设备直接故障的警告性提醒的故障类型，异常是用于指示比较严重的错误、标识需要重启系统或进行维修来让系统恢复的故障类型；

根据故障信息数据库分别对各设备模块进行风险和异常分类统计，生成统计结果输出，所述统计结果包括设备ID、设备模块标识、风险次数和异常次数。

2.根据权利要求1所述的方法，其中，所述匹配规则为基于故障模式进行匹配，所述故障模式为错误代码或代码序列出现的频率和顺序。

3.根据权利要求2所述的方法，其中，所述根据模式配置信息进行设备日志解析是通过以下方式实现的：

遍历模式配置信息，确定各规则ID对应的错误代码特征；

基于错误代码特征遍历设备日志进行特征匹配，根据匹配结果统计各规则ID对应的错误代码特征出现的时间和次数，生成解析结果信息，所述解析结果信息包括有设备ID、规则ID、错误代码特征出现的时间和次数；

所述根据解析结果和模式配置信息生成故障信息数据库是通过以下方式实现的：

根据规则ID获取当前规则对应的规则参数，根据当前规则对应的解析结果信息中的错误代码特征出现的次数和规则参数进行故障分析，当解析结果信息中的错误代码特征出现的次数与当前规则对应的规则参数匹配时，获取当前规则对应的设备模块和故障类型，生成模块故障信息数据库。

4.根据权利要求1所述的方法，其中，所述匹配规则为基于故障关键词进行匹配，所述故障关键词包括与设备各个模块对应的风险关键词和异常关键词。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：

根据预先为配置的匹配规则或/和为划分的设备模块设定的优先级，从生成的故障信息数据库中确定高优先级的故障信息记录，对确定出的高优先级的故障信息记录进行故障消息推送。

6.根据权利要求5所述的方法，其特征在于，所述为划分的设备模块设定的优先级实现为包括

利用大数据统计的方法确定每种部件的维修或更换次数；

根据各部件的维修或更换次数对设备部件进行分类；

根据对设备部件的分类以及各设备部件与划分的设备模块的对应关系，对设备模块进行优先级分类。

7.根据权利要求6所述的方法，其特征在于，所述为配置的匹配规则设定的优先级实现为包括

利用大数据定义各个匹配规则的优先级；或

根据各个匹配规则与设备模块的对应关系和设备模块的优先级确定各个匹配规则的优先级。

8.设备故障的分析统计系统，其特征在于，应用于医疗设备，其包括：

故障模式配置单元，用于为设备配置匹配规则和根据匹配规则生成模式配置信息，其中，所述匹配规则至少能够用于定位故障所属的类型，生成的模式配置信息包括有设备ID、规则ID、故障类型以及该规则所对应的设备模块，其中，所述设备模块是通过对所述医疗设备进行模块划分得到的；

风险异常信息生成单元，用于实时获取设备日志，并根据模式配置信息进行设备日志解析，根据解析结果和模式配置信息生成故障信息数据库，所述故障信息数据库包括有设备ID、设备模块标识和故障类型，其中，所述故障类型包括风险和异常，风险是用于指示不会引起设备直接故障的警告性提醒的故障类型，异常是用于指示比较严重的错误、标识需要重启系统或进行维修来让系统恢复的故障类型；和

统计分析单元，用于根据故障信息数据库对设备的各个设备模块按故障类型进行故障分类统计，生成统计结果输出。

9.对设备进行实时质量监控的方法，应用于医疗设备，其包括：

对设备进行模块划分，并根据对模块的划分生成模块配置信息存储，其中，所述模块配置信息包括设备模块标识；

为设备配置匹配规则，并根据匹配规则生成模式配置信息存储，其中，所述匹配规则至少能够用于定位故障所属的类型，生成的模式配置信息包括有设备ID、规则ID、故障类型以及该规则所对应的设备模块；

实时获取设备日志，并根据模式配置信息进行设备日志解析，根据解析结果和模式配置信息生成故障信息数据库，所述故障信息数据库包括有设备ID、设备模块标识和故障类型，其中，所述故障类型包括风险和异常，风险是用于指示不会引起设备直接故障的警告性提醒的故障类型，异常是用于指示比较严重的错误、标识需要重启系统或进行维修来让系统恢复的故障类型；

根据故障信息数据库对设备的各个设备模块按故障类型进行故障分类统计，生成统计结果存储；

根据统计结果和模块配置信息生成显示设备各模块的故障状态的三维视图输出；

其中，生成的统计结果包括设备标识、设备模块标识以及相应模块的风险次数和异常次数，生成显示设备各模块的故障状态的三维视图是指生成模块化的三维视图并按各模块的风险发生次数和异常发生次数对模块化的三维视图进行标识，模块化的三维视图中的模块是与模块配置信息中划分出的设备各模块相对应。

10.根据权利要求9所述的方法，其中，所述匹配规则为基于故障模式进行匹配，所述故障模式为错误代码或代码序列出现的频率和顺序；

所述根据模式配置信息进行设备日志解析，根据解析结果和模式配置信息生成故障信息数据库是通过以下方式实现的：

遍历模式配置信息，确定各规则ID对应的错误代码特征；

基于错误代码特征遍历设备日志进行特征匹配，根据匹配结果统计各规则ID对应的错误代码特征出现的时间和次数，生成解析结果信息，所述解析结果信息包括有设备ID、规则ID、错误代码特征出现的时间和次数；

根据规则ID获取当前规则对应的规则参数，根据当前规则对应的解析结果信息中的错误代码特征出现的次数和规则参数进行故障分析，当解析结果信息中的错误代码特征出现的次数与规则参数匹配时，获取当前规则对应的设备模块和故障类型，生成模块故障信息数据库。

11.根据权利要求9所述的方法，其中，所述显示设备各模块的故障状态的三维视图是通过颜色对各模块的风险和异常状态进行标识，包括：将风险次数大于0且异常次数等于0的模块、风险次数大于等于0且异常次数大于0的模块以及风险次数和异常次数均为0的模块分别显示为三种不同的颜色。

12.设备的实时质控系统，包括：

模块划分单元，用于对设备进行模块划分，并根据模块划分生成模块配置信息，其中，所述模块配置信息包括设备模块标识；

模式设置单元，用于为设备配置匹配规则，并根据匹配规则生成模式配置信息，其中，所述匹配规则至少能够用于定位故障所属的类型，生成的模式配置信息包括有设备ID、规则ID、故障类型以及该规则所对应的设备模块；

风险异常信息获取单元，用于实时获取设备日志，并根据模式配置信息进行设备日志解析，根据解析结果和模式配置信息生成故障信息数据库，所述故障信息数据库包括有设备ID、设备模块标识和故障类型，其中，所述故障类型包括风险和异常，风险是用于指示不会引起设备直接故障的警告性提醒的故障类型，异常是用于指示比较严重的错误、标识需要重启系统或进行维修来让系统恢复的故障类型；

统计结果生成单元，用于根据故障信息数据库对设备的各个设备模块按故障类型进行故障分类统计，生成统计结果存储；和

三维视图生成单元，用于根据统计结果和模块配置信息生成显示设备各模块故障状态的三维视图输出；

其中，生成的统计结果包括设备标识、设备模块标识以及相应模块的风险次数和异常次数，生成显示设备各模块的故障状态的三维视图是指生成模块化的三维视图并按各模块的风险发生次数和异常发生次数对模块化的三维视图进行标识，模块化的三维视图中的模块是与模块配置信息中划分出的设备各模块相对应。

13.根据权利要求12所述的系统，其中，所述匹配规则为基于故障模式进行匹配，所述故障模式为错误代码或代码序列出现的频率和顺序。

14.根据权利要求12所述的系统，其中，所述三维视图通过颜色对各模块的风险和异常状态进行标识。

Images