CN110517762A - 生成用于识别和/或预测医疗设备的故障的知识库的方法 - Google Patents
生成用于识别和/或预测医疗设备的故障的知识库的方法 Download PDFInfo
- Publication number
- CN110517762A CN110517762A CN201910409433.5A CN201910409433A CN110517762A CN 110517762 A CN110517762 A CN 110517762A CN 201910409433 A CN201910409433 A CN 201910409433A CN 110517762 A CN110517762 A CN 110517762A
- Authority
- CN
- China
- Prior art keywords
- medical devices
- output parameter
- failure
- knowledge base
- virtual
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims description 40
- 238000004088 simulation Methods 0.000 claims description 35
- 238000005259 measurement Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 description 85
- 238000012423 maintenance Methods 0.000 description 14
- 230000002950 deficient Effects 0.000 description 10
- 239000003990 capacitor Substances 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000002059 diagnostic imaging Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 241000208340 Araliaceae Species 0.000 description 4
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 4
- 235000003140 Panax quinquefolius Nutrition 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 235000008434 ginseng Nutrition 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002594 fluoroscopy Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/586—Detection of faults or malfunction of the device
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/20—ICT specially adapted for the handling or processing of medical references relating to practices or guidelines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Heart & Thoracic Surgery (AREA)
- Radiology & Medical Imaging (AREA)
- Optics & Photonics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种生成用于识别和/或预测医疗设备的故障的知识库的方法,其中,医疗设备包括电气和/或机械部件以及医疗设备软件,其中,在医疗设备的操作中,医疗设备软件基于在医疗设备处测量的输出参数生成警告消息,其中,方法包括以下步骤:(a)提供虚拟部件,其中,每个虚拟部件对应于医疗设备的部件;(b)创建医疗设备的虚拟模型;(c)基于模拟至少一个虚拟部件的故障来呈现虚拟模型的至少一个虚拟输出参数;(d)将虚拟输出参数提供给医疗设备软件;(e)将医疗设备软件的响应与模拟故障相关联;其中,针对多个不同的模拟故障重复步骤(c)至(e),并且模拟故障和结果的相关联的响应用于建立医疗设备上的知识库。
Description
技术领域
本发明涉及生成用于识别和/或预测医疗设备的故障的知识库的方法、计算机程序产品和计算机可读介质。本发明还涉及相应的知识库以及这样的知识库在为医疗设备提供客户服务中的用途。
背景技术
在现有技术中,医疗设备特别是医学成像设备(诸如磁共振成像(MRI)设备或计算机断层扫描(CT)成像设备)是公知的。这些医疗设备由诸如患者台、X射线管、台架的许多部件因此由诸如电容器、电阻器、电路系统、集成电路、微处理器、存储器模块等的多个机械和电气部件构成。这些医疗设备具有极高的复杂性。许多部件购自供应商,特别是购自不同的供应商,或者由不同团队开发。对于这样的高度复杂的设备,仅少数专家能够完全理解端到端的设备。此外,仅可以随着时间并且从可用的已知设备来收集设备特定经验。
为了保证医疗设备的长寿命,通常提供例如由客户服务中心组织定期维护。主要部分是反应式服务,其中在由用户检测到问题之后完成服务。此外,许多医疗设备适于远程服务,即,服务通知由医疗设备触发并例如经由云被发送至客户服务中心。期望在故障影响医疗设备的操作之前及时触发这样的服务通知以便很好地提供维护。这些触发事件取决于基于针对特定类型的医疗设备收集的经验值而开发的模板。
然而,这样的经验值不可用于新开发的医疗设备,因为所需的知识必须通过经验随时间来收集。由于医疗设备的高产品质量和严格测试,因此大幅度地降低了在医疗设备的寿命开始时发生故障的缺陷概率。因此,仅可以在特定类型的医疗设备的整个产品生命周期即将结束(例如,在更新的即进一步开发的医疗设备已经可用时)时收集特定医疗设备的经验值。
发明内容
本发明的目的是提供一种用于支持负责维护的操作员识别医疗设备(特别是新开发的医疗设备)的错误或缺陷的方法。
本发明的另一目的是为操作员提供用于预测可能影响医疗设备(特别是新开发的医疗设备)的操作的缺陷的装置。
该目的通过生成用于识别和/或预测医疗设备的故障的知识库的方法、计算机程序产品、计算机可读计算机介质、知识库以及知识库的用途来实现。
在下面关于工作站的处理器以及关于所要求保护的方法描述根据本发明的解决方案。本文中的特征、优点或替选实施方式可以分配给其他对象,反之亦然。换句话说,可以利用在方法的上下文中描述或所要求保护的特征来改进工作站的处理器。在这种情况下,方法的功能特征由处理器的目标单元来体现。
根据本发明的第一方面,公开了一种用于生成知识库的方法,知识库被配置成识别和/或预测医疗设备的故障,其中,医疗设备包括电气和/或机械部件以及医疗设备软件,其中,在医疗设备的操作中,医疗设备软件基于在医疗设备处测量的输出参数来生成警告消息,其中,方法包括以下步骤:
(a)提供虚拟部件,其中,每个虚拟部件对应于医疗设备的部件;
(b)通过使用虚拟部件来创建虚拟模型,其中,虚拟模型对应于医疗设备;
(c)基于模拟至少一个虚拟部件的故障来呈现虚拟模型的至少一个虚拟输出参数;
(d)将所述至少一个虚拟输出参数提供给医疗设备软件,特别是确定医疗设备软件对所述至少一个虚拟输出参数的响应,以及
(e)将医疗设备软件对所述至少一个虚拟输出参数的响应(特别是由医疗设备软件生成的任何警告消息)与所述至少一个虚拟部件的模拟的故障相关联;
其中,针对多个不同的模拟的故障重复步骤(c)至(e),并且其中,模拟的故障和医疗设备软件(30)的相关联的响应用于建立医疗设备上的知识库。
与现有技术相比,根据本发明形成将警告消息与故障和缺陷相关联的知识库,其中,知识库的经验是模拟的结果。通过重复步骤(c)至(e),知识库通过模拟单独或若干部件的故障或缺陷来收集关于医疗设备的经验,而不是在真实医疗设备的寿命期间收集经验。因此,有利地,可以在医疗设备的寿命开始时已经提供知识库。特别地,可以通过基于警告消息识别可能的故障来支持负责维护的操作员,这是因为知识库使操作员了解可能与警告消息相关联的潜在缺陷。例如,若干潜在的故障或缺陷可能会引起相同的警告消息,并且知识库有利地提供最有可能是哪个潜在缺陷的想法,特别是在医疗设备的年龄或另一警告消息的背景下。本发明还考虑到医疗设备软件通常不经常被修改,因此,医疗设备软件不能容易地被更新以反映缺陷与输出参数之间的新识别的相关性。因此,操作员依赖于医疗设备软件的响应,特别是警告消息的内容。通过使用本发明,有利地可以依赖于知识库来根据警告消息识别或隔离缺陷,特别是在缺陷与输出参数之间的相关性不明确的这样的情况下。
“知识库”可以包括许多模拟故障和医疗设备软件的相关响应(特别是对应警告消息的内容或没有发出警告消息的事实)的集合。在其最简单的形式中,知识库是包括例如模拟故障和医疗设备软件的相关模拟响应的列表的数据库。在这种情况下,“相关性”是知识库中的以下记录:作为特定故障的结果发生了医疗设备软件的某种响应。在其他实施方式中,警告消息与缺陷之间的相关性考虑了故障的模拟中收集的另外的信息,例如在模拟期间“测量”的一个或若干个虚拟输出参数。在有用的实施方式中,知识库被训练成考虑诸如医疗设备的年龄和其他先前的警告消息的若干方面,以用于将一个或更多个缺陷与一个特定的警告消息相关联。换句话说,知识库取代了操作员的长期经验,操作员例如为可以通过使用他在医疗设备的前一寿命中的经验根据一般警告消息识别出缺陷的人类客户服务员工。因此,本发明在为长期经验不可用的新开发的医疗设备提供维护服务方面是特别有用的。优选地,知识库提供特定的故障或缺陷的概率和/或不同的潜在故障以及相应的概率值的列表。特别地,知识库包括相关性的表和/或基于相关性训练的机器学习算法。
在优选实施方式中,术语“输出参数”表示可以在真实医疗图像设备的操作期间在真实医疗图像设备处检测到的可测量参数。例如,输出参数是特定电容器的电压等。输出参数可以是信号的频率和/或幅度。信号可以是数字的或复杂的,例如单独的部件的错误消息和/或错误代码。通常,输出参数的偏差源自缺陷,该缺陷与提供输出参数的部件和/或和提供输出参数的部件有关并且由于其缺陷而引起与默认输出参数的偏差的不同部件相关联。例如,电容器具有缺陷,和/或连接至电容器的电阻器具有缺陷。这两个缺陷都可能导致与输出参数的偏差。此外,“虚拟输出参数”对应于在操作中测量的“输出参数”,但它是模拟的结果。因此,可以通过包括其模拟的虚拟输出参数的虚拟模型来替换医疗设备以及随着时间测量的医疗设备的输出参数。
术语“警告消息”在本申请中用于任何类型的通知(特别是呈被提供给操作员的传送和显示的信息的形式),并且包括关于医疗设备的状态的信息。警告消息由医疗设备软件生成作为对测量的输出参数的响应并且例如被显示在屏幕上,或者可以例如尤其自动地经由云或通过因特网被传送到作为远程服务系统的一部分的客户服务中心。因此,在有用的实施方式中,医疗设备软件控制和/或监视医疗设备的功能。警告消息被转发或发送至服务器,特别是至例如协调维护的中央管理服务器,并且然后在屏幕上显示消息。优选地,知识库位于服务器处。例如,在识别出输出参数的异常之后,直接在医疗设备的屏幕上向操作员显示警告消息。因此,操作员可以实时地调整进一步的维护策略。特别地,警告消息包括以下信息:标准值与实际输出参数之间的差超过阈值。例如,警告消息指出“主板上的电容器B处的电压下降到值0.5μV”。在该实施方式中,警告消息未向操作员通知部件的失效或缺陷,而是提供关于特定或若干不同的特定输出参数与对应默认值的偏差的信息。这样的警告消息显然在提供维护服务方面是最有用的,因为这样的警告消息允许提供以下服务:例如在医疗设备完全失效并导致停机之前替换有缺陷的部件。
术语“虚拟模型”表示模拟医疗设备的设计,特别是部件的布置和/或连接。特别地,“虚拟模型”由与医疗设备的真实部件对应的虚拟部件形成。例如,使用诸如AgilentVEE或Labview的可视编程软件来创建医学成像设备的虚拟模型。在这样的可视编程软件工具中,每个虚拟部件可以以与电路图相当的方式结合并且彼此连接。特别地,虚拟模型单独考虑每个部件的效果或影响和/或部件之间的交互所产生的效果。例如,可以已知的是,第一部件中的缺陷引起连接至第一部件的第二部件中的特定缺陷。即使该缺陷对第二部件的输出没有影响,模拟也可以考虑该效果,因为其可能影响连接至第二部件的第三部件的功能。还可以构想到的是,第三部件连接至第一部件和第二部件。优选地,然后,取决于第一部件的故障、第二部件的故障以及第一部件和第二部件的故障,模拟对第三部件的效果不同,其中,对第一部件和第二部件的故障的效果与单独地由第一部件和第二部件的故障引起的效果的相加不同。特别地,分配给相应部件的或由部件的交互产生的效果包括在相应部件的故障的模拟中。在实施方式中,由操作员例如通过使用诸如键盘、鼠标、触摸板等的人机接口来设置虚拟模型。在其他实施方式中,根据在特定类型的医疗设备的构造中使用的数字构造计划(特别是CAD(计算机辅助设计)文件)来生成虚拟模型。这样的CAD文件特别地包含医疗设备的类型的电气布局,而且也包含机械构造或机械构造的一部分。特别地,虚拟模型可以是医疗设备的“数字双胞胎”。通常,虚拟模型将对在许多单独的样本中制造和销售的特定类型的医疗设备进行建模。虚拟模型模拟由一个或若干个部件的失效或故障引起的所有后续影响。这些影响可能导致一个或若干个输出参数的异常。例如,主电容器在检测器电路板上发生故障,这会导致电压下降等。最后,这会导致某个设备出现故障。换句话说,模拟对每个电压和每个后续事件进行建模并且呈现输出数据以提供给实际的医疗设备软件。
优选地,在知识库的生成的上下文中使用的术语“医疗设备”描述了特定类型的医疗设备,特别是医学成像设备,例如一种类型的核医学(NM)扫描仪、正电子发射断层扫描(PET)扫描仪、X射线扫描仪(XA)、荧光透视(RF)扫描仪或乳腺成像(mammography)(MG)扫描仪。例如,医疗设备的类型按其版本或代进行分类。然而,知识库优选地用于帮助维护该特定类型的一个或若干个单独的医疗设备,特别是安装在医疗中心处并且针对其提供(例如远程)客户服务的单独的医疗设备。例如,为单独的医疗设备提供故障的风险。
如以下描述中所揭示的那样,由从属权利要求给出本发明的特别有利的实施方式和特征。可以适当地组合不同权利要求类别的特征以给出本文未描述的其他实施方式。
因此,本发明还涉及被配置成识别和/或预测医疗设备的故障的知识库的用途,其中,医疗设备包括电气和/或机械部件以及医疗设备软件,其中,在医疗设备的操作中,医疗设备软件基于在医疗设备处测量的输出参数来生成警告消息,其中,通过包括以下步骤的方法来生成知识库:
(a)提供虚拟部件,其中,每个虚拟部件对应于医疗设备的部件;
(b)通过使用虚拟部件来创建虚拟模型,其中,虚拟模型对应于医疗设备;
(c)基于模拟至少一个虚拟部件的故障来呈现虚拟模型的至少一个虚拟输出参数;
(d)向医疗设备软件提供所述至少一个虚拟输出参数;
(e)将医疗设备软件对所述至少一个虚拟输出参数的响应(特别是由医疗设备软件生成的任何警告消息)与所述至少一个虚拟部件的模拟故障相关联;其中,针对多个不同的模拟故障重复步骤(c)至(e),并且其中,医疗设备软件(30)的模拟故障和相关联的响应用于建立医疗设备上的知识库。
根据有用的实施方式,在单独的医疗设备的操作期间,即在已经建立知识库之后,可以将由医疗设备软件生成的警告消息馈送到知识库,并由知识库提供概率值,其中,概率值指定某个部件的故障的概率。因此,向操作员通知由特定缺陷引起警告消息的概率。因此,例如,操作员可以评估是否立即需要维护或者是否在下一次定期维护时修复所识别的部件的故障是足够的。特别地,可以提供概率列表,其中,列表分别对特定缺陷的概率进行排序。例如,由警告引起的列表如下被读取:“缺陷A引起警告消息的概率为a%,缺陷B引起警告消息的概率为b%”。因此,向操作员提供了若干潜在缺陷以及对应的概率。这样的概率值可以由知识库通过使用对模拟故障的统计评估(即,通过分析引起特定警告消息的故障并且相应地分配概率值)来生成。在另一有用的实施方式中,知识库包括机器学习系统,该机器学习系统使用例如深度学习算法并且相应地通过模拟故障被训练成根据警告消息来识别某个故障。
根据有用的实施方式,假设当由医疗设备软件生成后续警告消息时由知识库调整概率值。例如,知识库具有以下信息:两个不同的警告消息在某个时间间隔内的组合指示某个部件的特定缺陷或至少增大缺陷发生的概率。因此,可以从警告消息的序列中提取另外的信息。例如,上述列表如下被读取:“缺陷A发生的概率从a%改变成a'%;缺陷B发生的概率从b%改变成b'%”。
优选地,假设由虚拟模型来模拟故障的序列以用于产生虚拟输出参数和对应的警告消息的序列。因此,有利地,可以将警告消息序列与可能源自引起其他部件中的另外的缺陷的一个部件的单独失效的故障序列相关联。因此,第一个警告消息之后的警告消息可以用于隔离缺陷部件。此外,可以构想到的是,时间发展,即两个警告消息之间的时间间隔,也可以用于识别有缺陷的一个或多个部件。特别地,术语“序列”表示一个接一个地产生若干警告消息。特别地,两个警告消息之间的时段和/或彼此跟随的警告消息的类型可以用于识别或预测故障。例如,第一警告消息指出“冷凝器B的电压已经下降”。随后生成第二消息并且第二消息指出“冷凝器C的电压已经下降”。这两个警告消息的序列可以指示医学成像设备的某个缺陷或故障,其甚至可能与在接收到第一警告消息之后可能合理的缺陷不同。优选地,还考虑第一警告消息与第二警告消息之间的时间间隔,用于排除潜在缺陷或用于预测故障。
特别地,假设在模拟中考虑虚拟部件的时间演变。这意味着要考虑虚拟部件的老化。例如,部件以某种方式作出反应的概率取决于其年龄。部件的老化可能是已知的并且被结合到模拟中,使得虚拟部件对另一虚拟部件的缺陷的反应也取决于虚拟部件的模拟年龄。因此,有利地,可以考虑每个部件的老化。这意味着知识库可以使用警告消息的定时(即从安装特定医疗设备开始直到警告消息发生的时间间隔)来识别特定缺陷与在真实医学成像设备的操作中提供的警告消息相关联的概率。
根据本发明的优选实施方式,假设知识库包括机器学习系统,优选地通过深度学习系统。在一些实施方式中,知识库是机器学习系统。特别地,通过到知识库的输入(例如,警告消息和模拟故障)以及可选地模拟的虚拟输出参数来训练机器学习系统。通过使用机器学习系统,有利地,可以在简单地将收集的数据列在数据库中时识别不明显的一般概念和/或相关性。特别地,机器学习系统使用例如在服务器处实现的人工网络。此外,机器学习系统可以将第一眼看上去似乎彼此不相关的警告消息相关联。特别地,假设经训练的人工网络具有输入层、多个隐藏层和输出层。例如,输出参数和/或警告消息被提供给输入层,并且优选地,每个潜在的输出参数和/或每个潜在的警告消息被分配给输入层的节点。警告消息的序列也可以用作输入参数,然后有利地,潜在的输出参数和/或潜在的警告消息的序列被分配给输入层的节点,此外,可以使用潜在的输出参数的测量之间的时间差和/或潜在的警告消息之间的时间差作为输入参数,以特别地将它们分配给输入层的节点。特别地,输入层的节点可以对应于二维输入,其中,第一维度对应于潜在的输出参数和/或潜在的警告消息,并且其中,第二维度对应于时间间隔。然后,输出层提供某个部件具有缺陷的概率。输出层的每个节点被分配给某个部件,并且输出某个部件的缺陷的对应概率。为了训练人工网络,将虚拟输出参数以及关于对应缺陷的信息提供给人工网络。特别地,将虚拟输出参数提供给输入层的节点。此外,通过由虚拟模型生成的虚拟输出参数的序列来训练人工网络。因此,知识库基于虚拟输出参数并且优选地按其顺序来收集经验。
考虑到模拟每个部件和/或若干部件的故障会引起大量数据,机器学习系统有助于处理如此大的数量,以便提取可以在该类型的医疗设备的知识库中使用的信息。机器学习系统将知识库从仅将缺陷和警告消息相关联的知识库转换成经验丰富的知识库。另一优点是:机器学习系统实现了相关性和相互关系,使得在医疗设备处的小的硬件改变之后或者在关于医疗设备软件的小的软件改变的情况下不需要重复整个模拟。此外,机器学习系统不仅可以通过对操作员可见的(模拟的)警告消息进行训练,还可以通过由虚拟模型提供的虚拟输出参数进行训练,所述虚拟输出参数通常被馈送到医疗设备软件。由于机器学习系统可以处理更多信息,因此也可以提供医疗设备的这样的深度系统信息。
在有用的实施方式中,通过使用虚拟模型模拟的至少一个另外的虚拟输出参数来训练机器学习系统,该另外的虚拟输出参数不对应于在操作中的医疗设备处测量的输出参数。由于机器学习系统不是从真实医疗设备学习,而是从其虚拟模型学习,因此不限于在现实生活中的这样的医疗设备处处理实际可用的(即,实际测量的)输出参数(例如,电压、电流...)。而是,虚拟模型可以提供各种输出参数;它可以“测量”实际上没有这样的传感器可用的点处的电压或电流。这将提高由机器学习系统所做的任何预测的准确性。
在另一实施方式中,假设由机器学习系统识别和提供新的输出参数,其中,以与在操作中的医疗设备处测量的输出参数不同的方式测量新的输出参数。因此,机器学习系统可以确定医疗设备内的优化测量点。例如,机器学习系统建议测量另一输出参数,例如不同电容器处的电压,因为测量新的输出参数提供了用于识别特定缺陷或与更大数目的部件相关联的改进的可靠性。还可以构想到的是,机器学习系统建议测量新的输出参数作为对特定警告消息的响应。例如,机器学习系统识别与一个警告消息相关联的两个潜在缺陷,并且机器学习系统还意识到测量另一新的输出参数可以排除或确认这些潜在缺陷中的一个。因此,机器学习系统可以建议测量新的输出参数。甚至可以构想到的是,知识库在所述警告消息被生成之后通知操作员测量新的输出参数,以便加速对缺陷的识别。
此外,优选地,假设由机器学习系统识别并提供新的维护间隔,其中,新的维护间隔与先前的维护间隔不同。例如,机器学习系统在一个或若干个警告消息指示医疗设备的部件或子单元在不久的将来发生故障时建议改变维护间隔。因此,可以确定对于预测性维护有用的医疗设备内的优化采样周期。
为了提供新的输出参数和/或新的维护模型,针对不同的输出参数和/或不同的警告消息序列来模拟虚拟模型。因此,可以将模拟的输出参数提供给人工网络,特别是提供给输入层中的某些节点,并且检查是否可以根据新的输出参数推断出某个缺陷的概率。例如,与先前的输出参数相比,新的输出参数减少了潜在缺陷的数目。还可以构想到的是,经训练的虚拟人工网络根据具有不久的将来的警告消息序列的警告消息来预测一个部件的关键缺陷。通过调整维护定时,可以及时做出反应。
在另一实施方式中,假设测量的输出参数是传感器的输出,特别是电流、电压。还可以使用传感器来观察机械部件的状态。例如,传感器检测由磁成像设备使用的磁体的振荡。例如,频率的改变可能是磁体处的缺陷的结果。此外,可以构想到的是,连续地或不时地观察输出参数。特别地,假设测量的参数与默认值的偏差触发警告消息的生成。另外的部件可以是患者台、X射线管、电容器、电阻器、电路系统、集成电路、微处理器、存储器模块等。
在本发明的另一实施方式中,假设知识库用于设计新版本的医疗设备。特别地,知识库可以识别新设计的医疗设备的早期状态下的设计缺陷。
此外,知识库可以用于优化数据收集,从而节省数据带宽,因为机器学习系统可以建议合适的输出参数和应该测量这些参数的间隔以及可能的维护间隔,从而更高效地进行维护和服务。
本发明的另一方面是一种计算机程序产品,其包括程序元件,该程序元件用于在程序元件被加载到工作站的存储器中时执行根据本发明的方法的步骤。
本发明的另一方面是一种计算机可读介质,其上存储有程序元件,所述程序元件可以由工作站读取和执行,以便在程序元件被执行时执行根据本发明的方法的步骤。计算机可读介质可以是诸如云、硬盘、CD-ROM、SD卡或其他数字介质的数据载体。工作站可以是任何形式的数字计算设备,例如,PC、智能电话、平板计算机、云、工作站或手持设备。优选地,工作站包括下面描述的处理器。
优选地,本发明的另一方面是工作站的处理器,该处理器被配置成用于执行以下步骤中的至少一个:
提供虚拟部件,其中,每个虚拟部件对应于医疗设备的部件;
通过使用虚拟部件来创建虚拟模型,其中,虚拟模型对应于医疗设备;
基于模拟至少一个虚拟部件的故障来呈现虚拟模型的虚拟输出参数;
将虚拟输出参数提供给医疗设备软件;
将医疗设备软件对虚拟输出参数的响应(特别是由医疗设备软件生成的任何警告消息)与所述至少一个虚拟部件的模拟故障相关联;
针对多个不同的模拟故障,重复先前的步骤中的至少一些,以及/或者
建立医疗设备上的知识库。
术语“工作站”优选地是指(个人)计算机、在主机硬件上运行的虚拟机、微控制器或集成电路。作为替选方案,工作站可以是真实的或虚拟的计算机组(真实的计算机组的技术术语是“集群”,虚拟的计算机组的技术术语是“云”)。优选地,工作站包括计算单元、处理器、接口和/或存储器单元。计算单元可以包括硬件元件和软件元件,例如微处理器或现场可编程门阵列。存储器单元可以体现为非永久主存储器(例如随机存取存储器)或永久大容量存储装置(例如硬盘、USB棒、SD卡、固态盘)。工作站可以是医疗设备的一部分。
本发明还涉及通过本发明的方法建立的知识库。特别地,本发明涉及通过本发明的方法训练的机器学习系统。这样的机器学习系统向客户服务中心提供有用的帮助,客户服务中心向在虚拟模型中模拟的类型的医疗设备提供维护服务。
因此,本发明还涉及知识库(优选地包括机器学习系统或由机器学习系统组成)的用途,用于帮助客户服务中心为医疗设备提供维护服务。
在没有明确描述的任何地方,各个实施方式或它们各自的方面和特征可以彼此组合或交换,而不限制或扩大所描述的本发明的范围,只要这样的组合或交换是有意义的并且在本发明的意义上。在适用的情况下,关于本发明的一个实施方式描述的优点也是本发明的其他实施方式的优点。
附图说明
现在将参照附图借助于具体实施方式来说明本发明,在附图中:
图1示意性地示出了示出根据另一优选实施方式的用于预测医疗设备的故障的方法的框图;
图2示意性地示出了使用图1的虚拟模型的模拟的示例;
图3示意性地示出了知识库的示例;以及
图4示意性地示出了示出根据另一优选实施方式的用于预测医疗设备的故障的方法的流程图。
具体实施方式
在图1中,示意性地示出了示出用于识别医疗设备10的潜在缺陷的方法的框图。图1的上部部分58示出了单独的医疗设备10以及在这样的设备的操作中发生的相关动作,而图1的下部部分61示出了虚拟模型和相关的方法步骤。
医疗设备10可以是医学成像设备、磁共振成像设备或计算机断层扫描设备。这些设备10由多个部件11形成,优选地由机械和电气部件11形成。部件11中的每一个可以是可能导致医疗设备的故障的错误源。为了降低失效的概率,定期执行维护过程。例如,维护过程由医疗设备软件30触发,该医疗设备软件30在医疗设备10的操作期间基于由传感器14在医疗设备10处测量的输出参数12(例如,电气部件的电压)生成警告消息31a。测量的输出参数12被用作医疗设备软件30的输入,以便识别医疗设备10的异常和/或缺陷。为此,医疗设备10包括用于执行医疗设备软件30的分析单元。例如,这些警告消息被传送到云、网络或服务器,特别是服务管理系统,以便向操作员35通知在医疗设备10处检测到的异常。还可以构想到的是,医疗设备软件30位于服务器处,并且输出参数12被传送到服务器。特别地,当识别出输出参数12的显著修改时,医疗设备软件30发起或触发警告消息31的通信。还可以构想到的是,输出参数12通过使用对应的传感器14来指定机械部件11的状态,例如台体的定向。无论是直接通过医疗设备10还是在服务中心处,警告消息31a都可以在屏幕32处被显示给操作员35。
通常,警告消息31向操作员35通知输出参数12的特定状态。例如,警告消息31a表示“电容器的电压下降到临界水平。”然而,特定状态的原因可能是多方面的。例如,电压的下降是由电阻器的缺陷引起的,或者替选地是由另一部件11的缺陷引起的。因此,负责维护的操作员无法明确地将缺陷或问题分配给警告消息31的内容。然而,这样的设备10的有经验的专家可以能够基于警告消息的内容由于其经验来识别或关联缺陷。
由于部件11的质量,错误或缺陷的风险或概率很低,特别是在相应医疗设备10的寿命开始时。因此,几乎没有经验值可以用于基于由医疗设备软件30提供的警告消息31来识别这种缺陷或潜在缺陷。甚至可能在下一代医疗设备10已经可用时仍发生缺陷或错误。因此,关于这些缺陷的信息不能作为经验值用于新一代医疗设备10。
为了优化医疗设备10的寿命并通过识别错误来支持操作员,假设创建或调整医疗设备10的虚拟模型20,特别是单独的医疗设备10的虚拟模型20。优选地,包括处理器的工作站60被配置成用于创建和提供医疗设备10的虚拟模型20。因此,处理器优选地包括在工作站、(个人)计算机、服务器和/或云计算机中。例如,由操作员为特定医疗设备10单独设置虚拟模型。因此,虚拟模型20对应于医疗设备10。特别地,虚拟模型20由与医疗设备的真实部件11对应的虚拟部件21形成。因此,虚拟模型20考虑了相应部件11的效果以及其与其他部件11的交互。
还可以想到的是,医疗设备10的构造计划例如以CAD文件的形式被提供给处理器,识别每个部件11,并且构造虚拟模型20。例如,扫描构造计划,并且处理器基于从扫描的构造计划中提取的信息自动构造虚拟模型20。
为了识别潜在的错误和故障,假设通过模拟虚拟部件21(特别是每个虚拟部件21)的故障或缺陷和这些虚拟部件21的故障的每个组合,来呈现分别与在点24a和点24b处进行的虚拟测量对应的虚拟输出参数22a、22b。所得到的虚拟输出参数22a被提供给例如被安装在处理器或网络上的医疗设备软件30的副本。因此,可以将医疗设备软件30的响应与模拟的故障相关联。通过针对多个不同的模拟故障对此进行重复,有利地可以建立知识库50。换句话说,为了收集关于医疗设备软件30对潜在输出参数12的响应的经验,通过虚拟模型20,特别是通过针对单独的医疗设备10模拟的虚拟输出参数22来替换医疗设备10。
在虚拟模型20中,不仅可以收集在与医疗设备10中的传感器14对应的点24a处测量的虚拟输出参数22a。而且,可以收集附加的虚拟输出参数,例如从在实际医疗设备10中没有对应传感器的点24b取得的输出参数22b。然而,这样的虚拟输出参数22b在收集关于医疗设备10的深层知识时是有用的,因此被提供给知识库50。此外,知识库50可以发现这样的附加虚拟输出参数22b在提供关于医疗设备的当前或未来缺陷的信息时更有用,并且因此可以建议应该在点24b处而不是24a处进行测量,并且因此可以在设计未来类型的医疗设备时提供有用的输入。
优选地,诸如深度学习系统的机器学习系统40被用作知识库50的一部分,特别是用于识别模拟的故障/缺陷与警告消息31b之间的相关性。这样的机器学习系统40优选地集成在网络或服务器中,并且通过(模拟的)警告消息31b和模拟的缺陷来训练,并且可选地也通过对应的虚拟输出参数22a和22b来训练。
因此,包括机器学习系统的网络成为关于单独的医疗设备10的专家。例如,机器学习系统40基于从单独医疗设备10生成的警告消息31a的序列来识别缺陷,以及/或者经训练的知识库50根据警告消息31a提供已发生特定缺陷或将发生进一步的缺陷的概率。此外,机器学习系统40可以向医疗设备10的操作员35提供在限定时间间隔内发生完全失效的概率51。因此,可以有效地组织维护。
还可以构想到的是,机器学习系统40被配置成用于识别比通过默认或过去测量的那些输出参数12更适合于隔离/识别缺陷的输出参数。通过改变输出参数12,可以相应地调整医疗设备软件。还可以构想到的是,机器学习系统40确定用于测量输出参数12的定时。因此,可以优化对输出参数12的采样,使得减少了被传送到网络/服务器的警告消息31a的量,并且提高了警告消息31a中包括的合理信息的质量。
在图2中,示出了使用图1的虚拟模型20的模拟的示例。在该示例中,医疗设备10包括诸如栅极驱动器的驱动器元件18以及第一部件11'、第二部件11”和第三部件11”'。为了模拟对应虚拟模型20中的故障,假设驱动器元件18具有特定缺陷,例如容量的短路。因此,与驱动器元件18对应的虚拟元件的缺陷输出18”与通常由驱动器元件18输出的正常输出18'不同。然而,有缺陷的输出18”引起与第一部件11'对应的虚拟元件处的电感的下降,例如从0.78μH到0.1μH,以及与第二部件11”对应的虚拟元件处的电压的下降,例如从1.2V到0.2V(在图2中,分别在每个部件的顶部:正常输出18'预期的值;在底部:有缺陷的输出18”预期的值)。所描述的参数模拟的改变可以通过模拟虚拟模型20内的故障来确定。还可以构想到的是,有缺陷的输出18”对诸如与第三部件11”'对应的虚拟元件的部件没有影响,这也可以通过模拟虚拟模型20内的故障来确定。在所示出的模拟中,电阻保持0.1Ω。然而,在与驱动器元件18对应的虚拟元件处的有缺陷的输出18”对在点24处测量的虚拟输出参数22a有影响。因此,通过模拟虚拟模型20中的故障,可以生成由某个有缺陷的输出18”引起的诸如输出电压的虚拟输出参数22a,该有缺陷的输出18”是由诸如驱动器元件18的某个部件引起的。
在图3中,示出了知识库50的示例。例如,知识库50将三个不同的缺陷(即缺陷A、缺陷B和缺陷C)分配给警告消息1。此外,知识库50指定单独的缺陷的对应概率。概率指定由对应缺陷引起警告消息的概率。例如,知识库50将概率A'与缺陷A、概率B'与缺陷B以及概率C'与缺陷C相关联,其中,概率A'是由缺陷A引起警告消息1的概率,其中,概率B'是由缺陷B引起警告消息1的概率,并且其中,概率C'是由缺陷C引起警告消息1的概率。还可以构想到的是,知识库50仅识别典型缺陷,例如在未指定概率的情况下的针对警告消息2的缺陷D和缺陷F。在一些情况下,警告消息3甚至可能仅与一个潜在缺陷相关联。特别地,此外,缺陷可以指定有缺陷的一个部件或数个部件。
在图4中,示出了示出根据另一优选实施方式的用于预测医疗设备的故障的方法的流程图。特别地,方法包括:
(a)提供101虚拟部件,其中,每个虚拟部件对应于医疗设备的部件;
(b)通过使用虚拟部件21来创建102医疗设备10的虚拟模型20;
(c)基于模拟至少一个虚拟部件21的故障来呈现103虚拟模型20的至少一个虚拟输出参数22;
(d)向医疗设备软件提供104至少一个虚拟输出参数22;
(e)将医疗设备软件30对至少一个虚拟输出参数22的响应,特别是由医疗设备软件生成的任何警告消息31,与至少一个虚拟部件21的模拟故障相关联105;
针对多个不同的模拟故障重复(f)步骤(c)至(e),以及
将由医疗设备软件30生成的警告消息馈送到知识库50,并且作为响应,知识库50提供概率值51,其中,概率值51指定某个部件11的故障的概率。
Claims (15)
1.一种用于生成知识库(50)的方法,所述知识库(50)被配置成识别和/或预测医疗设备(10)的故障,其中,所述医疗设备(10)包括电气和/或机械部件(11)以及医疗设备软件(30),其中,在所述医疗设备(10)的操作中,所述医疗设备软件(30)基于在所述医疗设备(10)处测量的输出参数(12)生成警告消息(31),其中,所述方法包括以下步骤:
(a)提供(101)虚拟部件(21),其中,每个虚拟部件(21)对应于所述医疗设备(10)的部件(11);
(b)通过使用所述虚拟部件(21)来创建(102)所述医疗设备(10)的虚拟模型(20);
(c)基于模拟至少一个虚拟部件(21)的故障来呈现(103)所述虚拟模型(20)的至少一个虚拟输出参数(22);
(d)向所述医疗设备软件提供(104)所述至少一个虚拟输出参数(22);
(e)将所述医疗设备软件(30)对所述至少一个虚拟输出参数(22)的响应与所述至少一个虚拟部件(21)的模拟的故障相关联(105),所述响应特别是由所述医疗设备软件(30)生成的任何警告消息(31);
其中,针对多个不同的模拟的故障重复步骤(c)至(e),
并且其中,所述模拟的故障和所述医疗设备软件(30)的相关联的响应用于建立所述医疗设备(10)上的知识库(50)。
2.根据权利要求1所述的方法,其中,由所述虚拟模型(20)模拟故障的序列,以便产生虚拟输出参数(22)和对应的警告消息(31)的序列。
3.根据前述权利要求中的一项所述的方法,其中,在模拟所述故障时考虑所述虚拟部件(21)的时间演变。
4.根据前述权利要求中的一项所述的方法,其中,所述知识库(50)包括机器学习系统(40),特别是深度学习系统。
5.根据权利要求4所述的方法,还包括:
基于所述模拟的故障以及所述医疗设备软件(30)的相关联的响应,特别是通过所述警告消息(31),并且可选地基于模拟的虚拟输出参数(22a),来训练所述机器学习系统(40)。
6.根据权利要求4或5所述的方法,其中,所述机器学习系统(40)通过使用所述虚拟模型(20)模拟的至少一个另外的虚拟输出参数(22b)来训练,所述另外的虚拟输出参数(22b)不对应于在操作中的所述医疗设备(10)处测量的输出参数(12)。
7.根据权利要求4至5中任一项所述的方法,其中,由所述机器学习系统(40)识别并提供新的输出参数(22b),其中,以与在操作中的所述医疗设备(10)处测量的输出参数(12)不同的方式来测量所述新的输出参数。
8.根据权利要求4至6中任一项所述的方法,其中,由所述机器学习系统(40)识别并提供新的维护间隔,其中,所述新的维护间隔与先前的维护间隔不同。
9.根据前述权利要求中的一项所述的方法,其中,所述测量的输出参数(12)是传感器的输出、电压和/或电流。
10.一种计算机程序产品,包括程序代码指令,所述程序代码指令用于在所述程序代码指令被加载到工作站(60)的存储器中时执行根据权利要求1至9中任一项所述的方法的步骤。
11.一种计算机可读介质,其上存储有程序代码指令,所述程序代码指令能够由工作站(60)读取和执行,以便在由所述工作站(60)执行所述程序代码指令时执行根据权利要求1至9中任一项所述的方法的步骤。
12.一种知识库(50),其特别地包括机器学习系统(40),所述知识库(50)通过根据权利要求1至9中任一项所述的方法来建立。
13.一种根据权利要求12所述的知识库(50)的用途,用于帮助客户服务中心(35)为医疗设备(10)提供维护服务。
14.根据权利要求13所述的方法,其中,在所述医疗设备(10)的操作中,由医疗设备软件(30)生成的警告消息被馈送到所述知识库(50),并且作为响应,所述知识库提供概率值(51),其中,所述概率值(51)指定某个部件(11)的故障的概率。
15.根据权利要求13或14所述的方法,其中,当由医疗设备软件(30)生成后续警告消息(31)时,由所述知识库(50)调整概率值(51)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP18173511.9 | 2018-05-22 | ||
EP18173511.9A EP3573073B1 (en) | 2018-05-22 | 2018-05-22 | Method for generating a knowledge base useful in identifying and/or predicting a malfunction of a medical device |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110517762A true CN110517762A (zh) | 2019-11-29 |
CN110517762B CN110517762B (zh) | 2023-08-25 |
Family
ID=62222478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910409433.5A Active CN110517762B (zh) | 2018-05-22 | 2019-05-16 | 生成用于识别和/或预测医疗设备的故障的知识库的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11457888B2 (zh) |
EP (1) | EP3573073B1 (zh) |
CN (1) | CN110517762B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113823396A (zh) * | 2021-09-16 | 2021-12-21 | 武汉联影医疗科技有限公司 | 医疗设备管理方法、装置、计算机设备和存储介质 |
CN115881291A (zh) * | 2023-02-28 | 2023-03-31 | 苏州阿基米德网络科技有限公司 | 一种医疗设备的运维培训系统及培训方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11769587B2 (en) * | 2019-10-08 | 2023-09-26 | GE Precision Healthcare LLC | Systems and methods to configure, program, and personalize a medical device using a digital assistant |
CN115485785A (zh) * | 2020-04-09 | 2022-12-16 | Wom医药世界公司 | 对医疗产品的运行过程中的失效概率进行仿真和检测的方法,以及用于将其保存和传输的数据系统 |
DE102020210308A1 (de) | 2020-08-13 | 2022-02-17 | Siemens Healthcare Gmbh | Datenbasiertes Schätzen eines Betriebsverhaltens eines MR-Gerätes |
CN112903327A (zh) * | 2021-01-26 | 2021-06-04 | 普天数字健康城市科技有限公司 | 基于深度学习的医疗设备故障检测方法 |
CN113535499B (zh) * | 2021-07-22 | 2023-10-27 | 无锡江南计算技术研究所 | 一种支持多核心共享访问的多类型并存访存流验证方法 |
US11462324B1 (en) * | 2021-08-21 | 2022-10-04 | Ix Innovation Llc | Surgical equipment monitoring |
EP4390962A1 (en) * | 2022-12-20 | 2024-06-26 | Koninklijke Philips N.V. | Medical device fault prediction |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090300429A1 (en) * | 2008-05-30 | 2009-12-03 | Honeywell International Inc. | Systems and methods for diagnosing faults in electronic systems |
US20120192077A1 (en) * | 2011-01-21 | 2012-07-26 | Xerox Corporation | Mobile screen methods and systems for collaborative troubleshooting of a device |
CN104504872A (zh) * | 2015-01-09 | 2015-04-08 | 四川中鼎智能技术有限公司 | 设备报警智能管理系统及方法 |
WO2016026681A1 (en) * | 2014-08-20 | 2016-02-25 | Cassantec Ag | Configuration of malfunction prediction for components and units of technical entities |
CN107016012A (zh) * | 2015-09-11 | 2017-08-04 | 谷歌公司 | 处理在处理自然语言查询中的故障 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7260501B2 (en) * | 2004-04-21 | 2007-08-21 | University Of Connecticut | Intelligent model-based diagnostics for system monitoring, diagnosis and maintenance |
KR101322434B1 (ko) * | 2005-07-11 | 2013-10-28 | 브룩스 오토메이션 인코퍼레이티드 | 지능형 상태 감시 및 결함 진단 시스템 |
US11003988B2 (en) * | 2016-11-23 | 2021-05-11 | General Electric Company | Hardware system design improvement using deep learning algorithms |
US10732618B2 (en) * | 2017-09-15 | 2020-08-04 | General Electric Company | Machine health monitoring, failure detection and prediction using non-parametric data |
-
2018
- 2018-05-22 EP EP18173511.9A patent/EP3573073B1/en active Active
-
2019
- 2019-05-16 US US16/413,812 patent/US11457888B2/en active Active
- 2019-05-16 CN CN201910409433.5A patent/CN110517762B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090300429A1 (en) * | 2008-05-30 | 2009-12-03 | Honeywell International Inc. | Systems and methods for diagnosing faults in electronic systems |
US20120192077A1 (en) * | 2011-01-21 | 2012-07-26 | Xerox Corporation | Mobile screen methods and systems for collaborative troubleshooting of a device |
WO2016026681A1 (en) * | 2014-08-20 | 2016-02-25 | Cassantec Ag | Configuration of malfunction prediction for components and units of technical entities |
CN104504872A (zh) * | 2015-01-09 | 2015-04-08 | 四川中鼎智能技术有限公司 | 设备报警智能管理系统及方法 |
CN107016012A (zh) * | 2015-09-11 | 2017-08-04 | 谷歌公司 | 处理在处理自然语言查询中的故障 |
Non-Patent Citations (2)
Title |
---|
WILLIAM P. RICE: "Medical Device Risk Based Evaluation and Maintenance Using Fault Tree Analysis", 《BIOMED INSTRUM TECHNOL 》 * |
张深逢: "数控机床状态监测与故障诊断系统的开发应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113823396A (zh) * | 2021-09-16 | 2021-12-21 | 武汉联影医疗科技有限公司 | 医疗设备管理方法、装置、计算机设备和存储介质 |
CN115881291A (zh) * | 2023-02-28 | 2023-03-31 | 苏州阿基米德网络科技有限公司 | 一种医疗设备的运维培训系统及培训方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3573073A1 (en) | 2019-11-27 |
CN110517762B (zh) | 2023-08-25 |
US20190357873A1 (en) | 2019-11-28 |
EP3573073B1 (en) | 2020-12-02 |
US11457888B2 (en) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110517762A (zh) | 生成用于识别和/或预测医疗设备的故障的知识库的方法 | |
CN110514924B (zh) | 深度卷积神经网络融合视觉辨识的电力变压器绕组故障定位方法 | |
CN105874345B (zh) | 使用环境数据的梯度线圈放大器故障的概率的计算 | |
WO2023024259A1 (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
JP4726288B2 (ja) | 学習能力のある故障診断システム、故障診断方法および故障診断トレーニング方法 | |
RU2683602C2 (ru) | Дактилоскопия магнитно-резонансной системы | |
US11333732B2 (en) | Automatic artifact detection and pulse sequence modification in magnetic resonance imaging | |
CN101999101B (zh) | 系统运行预测的确定方法 | |
CN106896800A (zh) | 使用分析/统计建模来进行连续过程验证的方法和装置 | |
CN108230390A (zh) | 训练方法、关键点检测方法、装置、存储介质和电子设备 | |
CN107633155A (zh) | 用于组件故障树的基于计算机的生成的方法和设备 | |
CN109783384A (zh) | 日志用例测试方法、日志用例测试装置和电子设备 | |
CN103646114B (zh) | 硬盘smart数据中特征数据提取方法和装置 | |
JP6880560B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
CN114528942A (zh) | 工程机械的数据样本库的构建、故障预测方法及工程机械 | |
CN104880684A (zh) | 一种磁共振成像系统的图像重建方法和装置 | |
US11435422B2 (en) | Anomaly detection using magnetic resonance fingerprinting | |
EP3599611A1 (en) | A method for enabling magnetic resonance imaging of a subject | |
CN109698026B (zh) | 医学设备的故障处理时的组件识别 | |
KR102482374B1 (ko) | 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법 | |
CN109592525A (zh) | 电梯变频器故障诊断系统及方法 | |
CN112395167A (zh) | 一种作业故障预测方法、装置及电子设备 | |
CN110362461A (zh) | 平均故障间隔时间的测试方法及计算机可读存储介质 | |
US11940515B2 (en) | System, method and computer-readable medium for evaluating structural integrity of a gradient coil | |
CN115858265A (zh) | 磁盘故障预测方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |