CN111814991A - 一种基于人工智能的医用回旋加速器远程故障诊断系统 - Google Patents
一种基于人工智能的医用回旋加速器远程故障诊断系统 Download PDFInfo
- Publication number
- CN111814991A CN111814991A CN202010109727.9A CN202010109727A CN111814991A CN 111814991 A CN111814991 A CN 111814991A CN 202010109727 A CN202010109727 A CN 202010109727A CN 111814991 A CN111814991 A CN 111814991A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- power supply
- module
- ion source
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 149
- 230000003993 interaction Effects 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims description 40
- 239000000498 cooling water Substances 0.000 claims description 16
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 13
- 229910052739 hydrogen Inorganic materials 0.000 claims description 13
- 239000001257 hydrogen Substances 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000009206 nuclear medicine Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Plasma Technology (AREA)
Abstract
本发明公开一种基于人工智能的医用回旋加速器远程故障诊断系统,包括远程人机交互子系统、远程数据服务子系统、远程数据采集子系统;所述远程人机交互子系统包括用户操作终端;所述远程数据服务子系统包括互联网云服务器;所述远程数据采集子系统包括多个医用回旋加速器终端;所述多个医用回旋加速器终端包括网络适配器和医用回旋加速器的控制器;所述人机交互子系统、远程数据服务子系统、远程数据采集子系统通过无线网络进行连接;所述互联网云服务器包括基于人工智能的回旋加速器远程故障预测模块。本发明将神经网络技术、自动化控制技术、网络技术、数据库技术、信息技术进行有机组合,解决了医用回旋加速器远程故障诊断、寿命预测的新问题。
Description
技术领域
本发明属于医用回旋加速器技术领域,尤其涉及一种基于人工智能的医用回旋加速器远程故障诊断系统。
背景技术
随着国家进行医疗改革、中华医学会核医学分会提出一县一核医学科的发展规划以来,PET医用回旋加速器需求量巨大,然而专业技术人员严重不足,且受地域限制。从而导致一方面没有足够的专业医用回旋加速器运行人员,医用回旋加速器运行困难;另一方面一旦加速器发生故障,无法高效、快捷的解决问题,也造成售后成本不断增加。在网络技术高速发展的时代背景下,各行各业都在迫切的探索着革新与进步,然而却没有一个结合人工智能运用于医用回旋加速器的远程故障诊断与寿命预测的控制系统。
远程故障诊断与寿命预测的控制系统首先要解决回旋加速器故障的判断和寿命预测问题。如果把回旋加速器造成故障的各项原因作为输入方、把故障判断的比较值(理论值)作为输出方,若干个输入和若干个输出之间的关系是非线性的、复杂的,无法用人类的经验知识简单的描述:如用于回旋加速器离子源故障判断的输入参数可包括包括冷却水温度、环境温度、工作时长、离子源流强等,当确定针对故障的比较值以后(包括高压电源电压、氢气流量、离子源腔体真空度、灯丝电源电流/电压、弧压电源电流/电压、等离子体电源电压、吸极电源电压、X导向电源电流、Y导向电源电流作为判断故障的比较值或理论值),将理论值和实际值进行比较得出故障发生的部位。这些输入参数与每个输出参数之间的影响和作用关系远远超出普通人类的计算能力。
发明内容
本发明针对实际工作中发现的问题及现有技术中存在的缺陷,提出了一种基于人工智能的医用回旋加速器远程故障诊断系统。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于人工智能的医用回旋加速器远程故障诊断系统,包括远程人机交互子系统、远程数据服务子系统、远程数据采集子系统;所述远程人机交互子系统包括用户操作终端;所述远程数据服务子系统包括互联网云服务器;所述远程数据采集子系统包括多个医用回旋加速器终端;所述多个医用回旋加速器终端包括网络适配器和医用回旋加速器的控制器;所述人机交互子系统、远程数据服务子系统、远程数据采集子系统通过无线网络进行连接;其特征在于:所述互联网云服务器包括基于人工智能的回旋加速器远程故障预测模块。
所述互联网云服务器,包括服务器、数据库和基于人工智能的回旋加速器远程故障预测模块,所述互联网云服务器还包括基于人工智能的回旋加速器寿命预测模块;该服务器负责指令和数据的分发;该数据库中存放医用回旋加速器各个系统设备的主要参数;该基于人工智能的回旋加速器故障及寿命预测模块负责对设备数据进行处理计算,分析当前设备所处的状态是否正常,并对设备的故障及寿命进行预测,该基于人工智能的回旋加速器故障及寿命预测模块包括基于人工智能的回旋加速器离子源故障及寿命预测模块。
该基于人工智能的回旋加速器离子源故障模块包括基于神经网络的离子源故障诊断模块、基于神经网络的离子源寿命预测模块;该基于神经网络的离子源故障诊断模块用于根据神经网络学习结果判断离子源的故障部位;该基于神经网络的离子源寿命预测模块用于根据神经网络学习结果判断离子源的寿命时长,所述离子源寿命时长为离子源灯丝寿命时长。
所述基于神经网络的离子源故障诊断模块包括学习阶段搭建判断故障的理论值神经网络模型;该学习阶段搭建判断故障的理论值神经网络模型模块包括故障判断神经网络模型输入参数设置模块、故障判断神经网络模型输出参数设置模块、故障判断神经网络模型初始权值设置模块、故障判断神经网络学习结果存储模块;所述输入参数设置模块用于神经网络的输入层、所述输出参数设置模块用于神经网络的输出层、所述故障判断神经网络学习结果存储模块用于存储神经网络学习后各个神经元之间的权值;所述输入参数设置模块、输出参数设置模块设置的数据为远程采集的数据。
所述故障判断神经网络学习结果存储模块存储高压电源电压理论值神经网络学习结果值、氢气流量理论值神经网络学习结果值存储、离子源腔体真空度理论值神经网络学习结果值存储、灯丝电源电流/电压理论值神经网络学习结果值存储、弧压电源电流/电压理论值神经网络学习结果值存储、等离子体电源电压理论值神经网络学习结果值存储、吸极电源电压理论值神经网络学习结果值存储、X导向电源电流理论值神经网络学习结果值存储、Y导向电源电流理论值神经网络学习结果值存储。
所述基于神经网络的离子源故障诊断模块包括应用阶段根据神经网络学习结果值判断故障模块,该模块包括接收远程采集的各类数据作为应用神经网络的输入参数模块、查找和该输入参数相匹配的一组学习结果值模块、应用该学习结果获得神经网络实际输出参数模块、比对实际输出参数和理论输出参数判断故障模块。
所述基于神经网络的离子源寿命预测模块包括学习阶段搭建寿命预测的理论值神经网络模型;该模型包括寿命预测神经网络模型输入参数设置模块、寿命预测神经网络模型初始权值设置模块、寿命预测神经网络模型输出参数设置模块、寿命预测神经网络学习结果存储模块;所述输入参数设置模块用于该神经网络的输入层、所述输出参数设置模块用于该神经网络的输出层、所述寿命预测神经网络学习结果存储模块用于存储神经网络学习后各个神经元之间的权值;所述输入参数设置模块设置的数据为远程采集的数据,所述输出参数数据为设定的数据。
所述寿命预测神经网络学习结果存储模块存储灯丝寿命时长神经网络学习结果存储。
所述基于神经网络的离子源寿命预测模块包括应用阶段应用神经网络学习结果值判断寿命模块,该模块包括接收远程采集的各类数据作为应用神经网络的输入参数、查找和该输入参数相匹配的一组学习结果、应用该学习结果获得神经网络灯丝寿命时长。
所述数据采集子系统包括冷却水温度数据、环境温度数据、工作时长数据、高压电源电压数据、氢气流量数据、离子源腔体真空度数据、灯丝电源电流/电压数据、弧压电源电流/电压数据、等离子体电源电压数据、吸极电源电压数据、X导向电源电流数据、Y导向电源电流数据、离子源流强数据;其中,
离子源流强数据、冷却水温度数据、环境温度数据、工作时长数据作为离子源故障判断神经网络模型的输入数据;
高压电源电压数据、氢气流量数据、离子源腔体真空度数据、灯丝电源电流/电压数据、弧压电源电流/电压数据、等离子体电源电压数据、吸极电源电压数据、X导向电源电流数据、Y导向电源电流数据作为离子源故障判断神经网络模型的输出数据;
冷却水温度数据、环境温度数据、工作时长数据、高压电源电压数据、氢气流量数据、离子源腔体真空度数据、灯丝电源电流/电压数据、弧压电源电流/电压数据、等离子体电源电压数据、吸极电源电压数据、X导向电源电流数据、Y导向电源电流数据、离子源流强数据作为离子源寿命预测神经网络模型的输入数据。
本发明的优点效果
1、本发明解决了本领域长期以来的技术难题,即PET医用回旋加速器需求量巨大,然而专业技术人员严重不足,且受地域限制。从而导致一方面没有足够的专业医用回旋加速器运行人员,医用回旋加速器运行困难;另一方面一旦加速器发生故障,无法高效、快捷的解决问题,也造成售后成本不断增加。
2、本发明将神经网络技术、自动化控制技术、网络技术、数据库技术、信息技术进行有机组合,组合以后构成了一项基于人工智能的医用回旋加速器远程故障诊断、远程寿命预测的新的技术方案,解决了已经存在现实问题。本发明组合以后各技术特征在功能上彼此支持,并取得了新的技术效果、并且组合后的技术效果比每个技术特征效果的总和更优越。
附图说明
图1为基于人工智能的医用回旋加速器远程故障诊断系统的框架图;
图2为基于人工智能的回旋加速器远程故障、寿命预测模块示意图;
图2a为基于神经网络的离子源故障诊断模块示意图;
图2a1为本发明学习阶段搭建故障判断的理论值神经网络模型;
图2a2为故障判断神经网络学习结果值存储模块示意图;
图2a3为应用阶段应用神经网络学习结果值判断故障示意图;
图2b为基于神经网络的离子源寿命预测模块示意图;
图2b1为学习阶段搭建寿命预测的理论值神经网络模型示意图
图2b2为寿命预测神经网络学习结果值存储模块示意图;
图2b3为应用阶段应用神经网络学习结果值判断寿命时长示意图;
图3为离子源故障判断理论值神经网络模型输入输出参数设置列表;
图4为离子源故障判断神经网络结构示意图;
图5为离子源寿命预测理论值神经网络模型输入输出参数设置列表;
图6为离子源灯丝寿命预测神经网络结构示意图;
图7为医用回旋加速器远程人机交互子系统;
图8为医用回旋加速器故障诊断与寿命预测处理流程图。
具体实施方式
以下结合附图对本发明做进一步详述:
本发明设计原理
一、离子源故障诊断神经网络数学模型设计原理
1、总体思路:第一步:找出离子源可能发生故障的各个部位作为神经网络的输出参数,并找出导致各个部位发生故障的多个因素作为神经网络的输入参数;第二步:给每个可能发生故障的部位设定一个相对于故障值的理论值;第三步:远程采集可能发生故障的每个部位的实际值并和理论值进行对比,如果实际值和理论值不同,即可判断发生了故障。
2、离子源故障诊断的难点。难点在于很难找出一种输入参数和输出参数之间的关系,所述的关系包括各个输入参数之间的相互制约的关系和每个输入参数对于输出参数的影响力关系,这种影响力关系必须通过千百次甚至上万次的学习才能得到一个准确值,而人工计算无法得到的。找出这种关系的目的是根据这种关系,对于任何一组采集回来的输入参数能够得到一个应该得到的输出参数。
3、利用神经网络找出输入参数和输出参数之间的关系。如图4所示,神经网络分为三层,输入层、隐含层、输出层,隐含层可以是多层,隐含层用于计算输入层和数出层之间的关系。神经网络的应用分为学习阶段和应用阶段。
第一,学习阶段离子源故障诊断神经网络的几个步骤。步骤一,设置输入参数、输出参数、权值。实际情况中,由于输入层的离子源流强、冷却水温度、环境温度、工作时长,这四个因素对于输出层的高压电源电压影响力是不同的(例如,冷却水温度对于故障发生的影响力最强,占有的比重最大,离子源的流强过高可能也会影响寿命,但是它对于故障产生的影响力最小,因此占有的比重最小。由于各个输入参数对于产生故障的影响力是不同的),因此,在神经网络的学习阶段除了设定输入参数和输出参数(输入参数、输出参数均是采集回来的实际值,权值也是根据经验预估的一个权值),还需要给每个输入参数设定权值,权值是一个小于1的代表百分比的数字,权值的重要性如图3列表所示:输入层有三组参数,参数一的四个数据中,虽然环境温度的数据相比冷却水温度数据稍高,但是它的权值可能小于冷却水的温度,因此环境温度数据在高压电源电压值中的比重要小于却水温度数据的比重。权值的设定如图4所示,共需要设定20个权值,这些权值是根据设备的运行情况和经验预估的权值并输入给神经网络;步骤二、根据预估的权值正向计算得到输出层的值,所述正向计算就是从输入层计算到输出层。由于预估的权值是不够准确的,正向计算的结果可能和实际采集回来的高压电源电压值相差很远,所以需要神经网络进行深度学习;步骤三、神经网络反向推算,将未发生故障时采集回来的高压电源电压值作为理论值、并将未发生故障时采集回来的离子源流强、冷却水温度、环境温度、工作时长作为该理论值的输入参数,然后反向推算从输入层到输出层的20个权值,每一次反向推算以后再正向计算,需要经过千百次的反向计算和正向计算,直至最后正向计算后的输出值和采集回来的数值相吻合。步骤四、保留学习结果,神经网络完成学习后,将20个权值保存到数据库的故障判断神经网络学习结果存储模块。到此为止,输入参数和输出参数之间的关系由神经网络计算完成。
第二、应用阶段离子源故障诊断神经网络的几个步骤:步骤一、确定神经网络输入参数、输出参数的有效范围,实际采集回来的输入参数、输出参数在一定范围内都是有效值,只要在这个范围内的数值都可以作为理论值。步骤二、利用神经网络的学习结果将采集回来的有效范围内的输入参数输入到神经网络,并推算输出层的理论值,只要采集回来的数据在理论值范围就是有效数据,否则就是故障数据,表明该设备出现故障。
二、离子源寿命预测神经网络数学模型设计原理
1、总体思路:寿命预测和故障判断数学模型不同点在于:寿命预测不需要采用理论值比对,直接利用神经网络的学习结果推算寿命时长。
2、离子源寿命预测的难点。同上。
3、利用神经网络推算灯丝寿命时长
第一、将离子源灯丝寿命作为离子源寿命预测的输出参数;第二、将与灯丝寿命相关的所有参数作为神经网络的输入参数;第三,远程采集这些输入参数和输出参数;第四、将采集回来的输出参数的某个寿命时长作为理论值、以及将与该理论值相关的采集回来的若干参数作为计算理论值的输入参数;第五、通过神经网络的学习获得并保存一组权值作为学习结果;第六、远程采集作为输入参数的设备数据,利用神经网络的学习结果推算灯丝的寿命时长。
根据以上发明原理,本发明设计了一种基于人工智能的医用回旋加速器远程故障诊断系统。
一种基于人工智能的医用回旋加速器远程故障诊断系统如图1所示,包括远程人机交互子系统、远程数据服务子系统、远程数据采集子系统;所述远程人机交互子系统包括用户操作终端;所述远程数据服务子系统包括互联网云服务器;所述远程数据采集子系统包括多个医用回旋加速器终端;所述多个医用回旋加速器终端包括网络适配器和医用回旋加速器的控制器;所述人机交互子系统、远程数据服务子系统、远程数据采集子系统通过无线网络进行连接;其特征在于:所述互联网云服务器包括基于人工智能的回旋加速器远程故障预测模块。
如图2所示,所述互联网云服务器还包括基于人工智能的回旋加速器远程故障预测模块、寿命预测模块,该基于人工智能的回旋加速器故障及寿命预测模块负责对设备数据进行处理计算,分析当前设备所处的状态是否正常,并对设备的故障及寿命进行预测;该基于人工智能的回旋加速器故障及寿命预测模块包括基于人工智能的回旋加速器离子源故障及寿命预测模块;
如图2所示,该基于人工智能的回旋加速器离子源故障模块包括基于神经网络的离子源故障诊断模块、基于神经网络的离子源寿命预测模块;该基于神经网络的离子源故障诊断模块用于根据神经网络学习结果判断离子源的故障部位,该基于神经网络的离子源寿命预测模块用于根据神经网络学习结果判断离子源的寿命时长,所述离子源寿命时长为离子源灯丝寿命时长。
如图2a所示,所述基于神经网络的离子源故障诊断模块包括学习阶段搭建判断故障的理论值神经网络模型;如图2a1所示,该学习阶段搭建判断故障的理论值神经网络模型模块包括故障判断神经网络模型输入参数设置模块、故障判断神经网络模型输出参数设置模块、故障判断神经网络模型初始权值设置模块、故障判断神经网络学习结果存储模块;所述输入参数设置模块用于神经网络的输入层、所述输出参数设置模块用于神经网络的输出层、所述故障判断神经网络学习结果存储模块用于存储神经网络学习后各个神经元之间的权值;所述输入参数设置模块、输出参数设置模块设置的数据为远程采集的数据。
如图2a2所示,所述故障判断神经网络学习结果存储模块存储高压电源电压理论值神经网络学习结果值、氢气流量理论值神经网络学习结果值存储、离子源腔体真空度理论值神经网络学习结果值存储、灯丝电源电流/电压理论值神经网络学习结果值存储、弧压电源电流/电压理论值神经网络学习结果值存储、等离子体电源电压理论值神经网络学习结果值存储、吸极电源电压理论值神经网络学习结果值存储、X导向电源电流理论值神经网络学习结果值存储、Y导向电源电流理论值神经网络学习结果值存储。
如图2a、2a3所示,所述基于神经网络的离子源故障诊断模块包括应用阶段根据神经网络学习结果值判断故障模块,该模块包括接收远程采集的各类数据作为应用神经网络的输入参数模块、查找和该输入参数相匹配的一组学习结果值模块、应用该学习结果值获得神经网络实际输出参数模块、比对实际输出参数和理想输出参数判断故障模块。
如图2b所示,所述基于神经网络的离子源寿命预测模块包括学习阶段搭建寿命预测的理论值神经网络模型;如图2b1所示,该模型包括寿命预测神经网络模型输入参数设置模块、寿命预测神经网络模型初始权值设置模块、寿命预测神经网络模型输出参数设置模块、寿命预测神经网络学习结果存储模块;所述输入参数设置模块用于该神经网络的输入层、所述输出参数设置模块用于该神经网络的输出层、所述寿命预测神经网络学习结果存储模块用于存储神经网络学习后各个神经元之间的权值;所述输入参数设置模块设置的数据为远程采集的数据,所述输出参数数据为设定的数据。
如图2b2所示,所述寿命预测神经网络学习结果存储模块存储灯丝寿命时长神经网络学习结果示意图。
如图2b3所示,所述基于神经网络的离子源寿命预测模块包括应用阶段应用神经网络学习结果值判断寿命模块,该模块包括接收远程采集的各类数据作为应用神经网络的输入参数、查找和该输入参数相匹配的一组学习结果值、应用该学习结果值获得神经网络灯丝寿命时长。
如图1所示,所述数据采集子系统包括冷却水温度数据、环境温度数据、工作时长数据、高压电源电压数据、氢气流量数据、离子源腔体真空度数据、灯丝电源电流/电压数据、弧压电源电流/电压数据、等离子体电源电压数据、吸极电源电压数据、X导向电源电流数据、Y导向电源电流数据、离子源流强数据;其中,离子源流强数据、冷却水温度数据、环境温度数据、工作时长数据作为离子源故障判断神经网络模型的输入数据;
高压电源电压数据、氢气流量数据、离子源腔体真空度数据、灯丝电源电流/电压数据、弧压电源电流/电压数据、等离子体电源电压数据、吸极电源电压数据、X导向电源电流数据、Y导向电源电流数据作为离子源故障判断神经网络模型的输出数据;
冷却水温度数据、环境温度数据、工作时长数据、高压电源电压数据、氢气流量数据、离子源腔体真空度数据、灯丝电源电流/电压数据、弧压电源电流/电压数据、等离子体电源电压数据、吸极电源电压数据、X导向电源电流数据、Y导向电源电流数据、离子源流强数据作为离子源寿命预测神经网络模型的输入数据。
实施例一
一种基于人工智能的医用回旋加速器远程故障诊断系统如图1所示,包括远程人机交互子系统、远程数据服务子系统、远程数据采集子系统;所述远程人机交互子系统包括用户操作终端;所述远程数据服务子系统包括互联网云服务器;所述远程数据采集子系统包括多个医用回旋加速器终端;所述多个医用回旋加速器终端包括网络适配器和医用回旋加速器的控制器;所述人机交互子系统、远程数据服务子系统、远程数据采集子系统通过无线网络进行连接;其特点是:所述互联网云服务器包括基于人工智能的回旋加速器远程故障预测模块。
所述多个医用回旋加速器终端一方面将各个系统设备数据实时地传给互联网云服务器,并在人机交互子系统里显示,另一方面通过互联网云服务器接收相应的人机交互系统发出的指令,并执行相应的指令动作;所述人机交互子系统主要负责信息的解析与显示,并通过不同的功能需求发送相应的指令。
所述互联网云服务器,包括服务器、数据库和基于人工智能的回旋加速器远程故障预测模块,所述互联网云服务器还包括基于人工智能的回旋加速器寿命预测模块;该服务器负责指令和数据的分发;该数据库中存放医用回旋加速器各个系统设备的主要参数;该基于人工智能的回旋加速器故障及寿命预测模块负责对设备数据进行处理计算,分析当前设备所处的状态是否正常,并对设备的故障及寿命进行预测,该基于人工智能的回旋加速器故障及寿命预测模块包括基于人工智能的回旋加速器离子源故障及寿命预测模块。
所示网络适配器,包括数据采集单元、单片机处理单元、数据通信单元;数据采集单元主要用于采集医用回旋加速器集中控制器或分布式控制器内医用回旋加速器各个工艺设备的数据;数据通信单元主要用于单片机处理单元与互联网云服务器进行双向通信。
所述医用回旋加速器的控制器包括通信模块、处理器、数字IO端口和模拟IO端口,主要用于对真空、水冷、电气、高频、离子源等系统设备的直接控制及其数据采集。
如图7所示,所述远程人机交互子系统用户操作终端包括移动终端APP、PC端、大屏幕;所述移动终端APP、PC端、大屏幕包括医用回旋加速器设备参数查询模块、医用回旋加速器设备运行状态查询模块、医用回旋加速器设备远程控制模块、医用回旋加速器设备故障信息查询模块、医用回旋加速器设备常见故障解决方法模块、医用回旋加速器设备操作说明模块和医用回旋加速器设备在线培训模块;所述大屏幕主要用于显示生产厂家所销售出的各台医用回旋加速器的主要参数和运行状态信息。
所述移动终端APP、PC端、大屏幕还包括医用回旋加速器报警单元;所述医用回旋加速器终端还包括警报器设备。
所述移动终端APP、PC、大屏幕还包括调用查看以往医用回旋加速器设备参数和运行状态等信息模块。
如图8所示,为医用回旋加速器故障诊断与寿命预测处理流程图,在图1所示互联网云服务器中实时或者每隔固定时间就执行医用回旋加速器故障诊断与故障预测程序。程序流程如下:
第一步:服务器端进行基于神经网络的故障判断学习、寿命时长预测学习;
第二步:网络适配器将控制器采集到医用回旋加速器系统设备关键数据上传到互联网云服务器数据库中;
第三步:采用人工智能算法将采集到的设备关键数据与正常数据进行比较,看是否有异常,若无异常,在人机交互系统状态指示中显示正常;若有异常,则执行第四步;同时,判断当前设备是否接近寿命时长,若接近寿命时长,则转入第五步,若未接近寿命时长,在人机交互系统状态指示中显示正常;
第四步:人机交互系统故障显示、以及提出故障处理方案;
第五步:人机交互系统检修指示,以及上报检修计划。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例。
Claims (10)
1.一种基于人工智能的医用回旋加速器远程故障诊断系统,包括远程人机交互子系统、远程数据服务子系统、远程数据采集子系统;所述远程人机交互子系统包括用户操作终端;所述远程数据服务子系统包括互联网云服务器;所述远程数据采集子系统包括多个医用回旋加速器终端;所述多个医用回旋加速器终端包括网络适配器和医用回旋加速器的控制器;所述人机交互子系统、远程数据服务子系统、远程数据采集子系统通过无线网络进行连接;其特征在于:所述互联网云服务器包括基于人工智能的回旋加速器远程故障预测模块。
2.根据权利要求1所述一种基于物联网的医用回旋加速器远程故障诊断系统,其特征在于:所述互联网云服务器,包括服务器、数据库和基于人工智能的回旋加速器远程故障预测模块,所述互联网云服务器还包括基于人工智能的回旋加速器寿命预测模块;该服务器负责指令和数据的分发;该数据库中存放医用回旋加速器各个系统设备的主要参数;该基于人工智能的回旋加速器故障及寿命预测模块负责对设备数据进行处理计算,分析当前设备所处的状态是否正常,并对设备的故障及寿命进行预测,该基于人工智能的回旋加速器故障及寿命预测模块包括基于人工智能的回旋加速器离子源故障及寿命预测模块。
3.根据权利要求2所述一种基于物联网的医用回旋加速器远程故障诊断系统,其特征在于:该基于人工智能的回旋加速器离子源故障模块包括基于神经网络的离子源故障诊断模块、基于神经网络的离子源寿命预测模块;该基于神经网络的离子源故障诊断模块用于根据神经网络学习结果判断离子源的故障部位;该基于神经网络的离子源寿命预测模块用于根据神经网络学习结果判断离子源的寿命时长,所述离子源寿命时长为离子源灯丝寿命时长。
4.根据权利要求3所述一种基于物联网的医用回旋加速器远程故障诊断系统,其特征在于:所述基于神经网络的离子源故障诊断模块包括学习阶段搭建判断故障的理论值神经网络模型;该学习阶段搭建判断故障的理论值神经网络模型模块包括故障判断神经网络模型输入参数设置模块、故障判断神经网络模型输出参数设置模块、故障判断神经网络模型初始权值设置模块、故障判断神经网络学习结果存储模块;所述输入参数设置模块用于神经网络的输入层、所述输出参数设置模块用于神经网络的输出层、所述故障判断神经网络学习结果存储模块用于存储神经网络学习后各个神经元之间的权值;所述输入参数设置模块、输出参数设置模块设置的数据为远程采集的数据。
5.根据权利要求4所述一种基于物联网的医用回旋加速器远程故障诊断系统,其特征在于:所述故障判断神经网络学习结果存储模块存储高压电源电压理论值神经网络学习结果值、氢气流量理论值神经网络学习结果值存储、离子源腔体真空度理论值神经网络学习结果值存储、灯丝电源电流/电压理论值神经网络学习结果值存储、弧压电源电流/电压理论值神经网络学习结果值存储、等离子体电源电压理论值神经网络学习结果值存储、吸极电源电压理论值神经网络学习结果值存储、X导向电源电流理论值神经网络学习结果值存储、Y导向电源电流理论值神经网络学习结果值存储。
6.根据权利要求3所述一种基于物联网的医用回旋加速器远程故障诊断系统,其特征在于:所述基于神经网络的离子源故障诊断模块包括应用阶段根据神经网络学习结果值判断故障模块,该模块包括接收远程采集的各类数据作为应用神经网络的输入参数模块、查找和该输入参数相匹配的一组学习结果值模块、应用该学习结果获得神经网络实际输出参数模块、比对实际输出参数和理论输出参数判断故障模块。
7.根据权利要求3所述一种基于物联网的医用回旋加速器远程故障诊断系统,其特征在于:所述基于神经网络的离子源寿命预测模块包括学习阶段搭建寿命预测的理论值神经网络模型;该模型包括寿命预测神经网络模型输入参数设置模块、寿命预测神经网络模型初始权值设置模块、寿命预测神经网络模型输出参数设置模块、寿命预测神经网络学习结果存储模块;所述输入参数设置模块用于该神经网络的输入层、所述输出参数设置模块用于该神经网络的输出层、所述寿命预测神经网络学习结果存储模块用于存储神经网络学习后各个神经元之间的权值;所述输入参数设置模块设置的数据为远程采集的数据,所述输出参数数据为设定的数据。
8.根据权利要求7所述一种基于物联网的医用回旋加速器远程故障诊断系统,其特征在于:所述寿命预测神经网络学习结果存储模块存储灯丝寿命时长神经网络学习结果存储。
9.根据权利要求3所述一种基于物联网的医用回旋加速器远程故障诊断系统,其特征在于:所述基于神经网络的离子源寿命预测模块包括应用阶段应用神经网络学习结果值判断寿命模块,该模块包括接收远程采集的各类数据作为应用神经网络的输入参数、查找和该输入参数相匹配的一组学习结果、应用该学习结果获得神经网络灯丝寿命时长。
10.根据权利要求1所述一种基于物联网的医用回旋加速器远程故障诊断系统,其特征在于:所述数据采集子系统包括冷却水温度数据、环境温度数据、工作时长数据、高压电源电压数据、氢气流量数据、离子源腔体真空度数据、灯丝电源电流/电压数据、弧压电源电流/电压数据、等离子体电源电压数据、吸极电源电压数据、X导向电源电流数据、Y导向电源电流数据、离子源流强数据;其中,
离子源流强数据、冷却水温度数据、环境温度数据、工作时长数据作为离子源故障判断神经网络模型的输入数据;
高压电源电压数据、氢气流量数据、离子源腔体真空度数据、灯丝电源电流/电压数据、弧压电源电流/电压数据、等离子体电源电压数据、吸极电源电压数据、X导向电源电流数据、Y导向电源电流数据作为离子源故障判断神经网络模型的输出数据;
冷却水温度数据、环境温度数据、工作时长数据、高压电源电压数据、氢气流量数据、离子源腔体真空度数据、灯丝电源电流/电压数据、弧压电源电流/电压数据、等离子体电源电压数据、吸极电源电压数据、X导向电源电流数据、Y导向电源电流数据、离子源流强数据作为离子源寿命预测神经网络模型的输入数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010109727.9A CN111814991A (zh) | 2020-02-22 | 2020-02-22 | 一种基于人工智能的医用回旋加速器远程故障诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010109727.9A CN111814991A (zh) | 2020-02-22 | 2020-02-22 | 一种基于人工智能的医用回旋加速器远程故障诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814991A true CN111814991A (zh) | 2020-10-23 |
Family
ID=72848036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010109727.9A Pending CN111814991A (zh) | 2020-02-22 | 2020-02-22 | 一种基于人工智能的医用回旋加速器远程故障诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814991A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558482A (zh) * | 2013-11-16 | 2014-02-05 | 沈阳工业大学 | 一种变压器套管剩余寿命检测装置及方法 |
CN107276816A (zh) * | 2016-11-03 | 2017-10-20 | 厦门嵘拓物联科技有限公司 | 一种基于云服务的远程监测与故障诊断系统及故障诊断方法 |
US20170344909A1 (en) * | 2016-05-27 | 2017-11-30 | Fanuc Corporation | Machine learning device, failure prediction device, machine system and machine learning method for learning end-of-life failure condition |
CN108629430A (zh) * | 2018-05-14 | 2018-10-09 | 西安交通大学 | 一种重大设备智能运维管理系统 |
CN109978190A (zh) * | 2019-03-29 | 2019-07-05 | 中国原子能科学研究院 | 一种基于人工智能的医用回旋加速器远程故障诊断系统 |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
-
2020
- 2020-02-22 CN CN202010109727.9A patent/CN111814991A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558482A (zh) * | 2013-11-16 | 2014-02-05 | 沈阳工业大学 | 一种变压器套管剩余寿命检测装置及方法 |
US20170344909A1 (en) * | 2016-05-27 | 2017-11-30 | Fanuc Corporation | Machine learning device, failure prediction device, machine system and machine learning method for learning end-of-life failure condition |
CN107276816A (zh) * | 2016-11-03 | 2017-10-20 | 厦门嵘拓物联科技有限公司 | 一种基于云服务的远程监测与故障诊断系统及故障诊断方法 |
CN108629430A (zh) * | 2018-05-14 | 2018-10-09 | 西安交通大学 | 一种重大设备智能运维管理系统 |
CN109978190A (zh) * | 2019-03-29 | 2019-07-05 | 中国原子能科学研究院 | 一种基于人工智能的医用回旋加速器远程故障诊断系统 |
CN110766143A (zh) * | 2019-10-31 | 2020-02-07 | 上海埃威航空电子有限公司 | 基于人工神经网络的设备故障智能诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
CN114168444B (zh) | 一种基于监控大数据的动态运维报修方法 | |
CN112257745A (zh) | 基于隐马尔可夫的煤矿井下系统健康度预测方法及装置 | |
Chen et al. | Data-driven robust state estimation through off-line learning and on-line matching | |
KR20190001501A (ko) | 통신망의 인공지능 운용 시스템 및 이의 동작 방법 | |
CN114785284B (zh) | 太阳能电池故障分析方法及系统 | |
Fan et al. | Human factors’ complexity measurement of human‐based station of assembly line | |
Niu et al. | Self‐optimization for smelting process of fused magnesium furnace based on operation status assessment | |
CN103616877A (zh) | 能源管网的监控诊断方法和系统 | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用系统 | |
CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
CN111814991A (zh) | 一种基于人工智能的医用回旋加速器远程故障诊断系统 | |
CN115514679B (zh) | 一种基于通信模块的异常来源监测方法及系统 | |
CN110907757A (zh) | 基于电突触传递的snp系统含分布式电源配电网故障定位方法 | |
CN113902222B (zh) | 一种新能源智慧运维系统 | |
CN115051360A (zh) | 集成式知识迁移的电力系统运行风险在线计算方法与装置 | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 | |
CN112421617A (zh) | 一种分布式电源的潮流计算方法及系统 | |
CN115994136B (zh) | 一种基于能源网络拓扑关系的能源数据清洗方法及系统 | |
CN117439223B (zh) | 一种储能系统的安全控制方法及系统 | |
CN117175567B (zh) | 储能电站设备异常定位与可靠性评价方法及系统 | |
CN110232482B (zh) | 基于神经网络的设备管理方法及装置 | |
CN118171230A (zh) | 一种数据处理方法、装置、设备和存储介质 | |
Li et al. | Evaluation of Transformer Health State in Distribution Network Based on Data-Model Combination and Fuzzy Comprehensive Evaluation |
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 |