CN113032999A - 医疗设备使用寿命的预测方法及装置 - Google Patents
医疗设备使用寿命的预测方法及装置 Download PDFInfo
- Publication number
- CN113032999A CN113032999A CN202110324576.3A CN202110324576A CN113032999A CN 113032999 A CN113032999 A CN 113032999A CN 202110324576 A CN202110324576 A CN 202110324576A CN 113032999 A CN113032999 A CN 113032999A
- Authority
- CN
- China
- Prior art keywords
- failure
- distribution model
- fit
- goodness
- durations
- 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 49
- 230000001133 acceleration Effects 0.000 claims abstract description 64
- 238000012216 screening Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000012821 model calculation Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 27
- 238000006731 degradation reaction Methods 0.000 claims description 26
- 230000015556 catabolic process Effects 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000001186 cumulative effect Effects 0.000 claims description 18
- 230000001419 dependent effect Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 11
- 238000009795 derivation Methods 0.000 claims description 8
- 238000001802 infusion Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 11
- 230000009471 action Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种医疗设备使用寿命的预测方法及装置,方法包括:获取至少两个同一种类型待预测医疗设备在至少一种加速应力下的至少两个失效时长;根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型;计算所述至少两个失效时长在服从每一种分布模型时的当前拟合优度;根据得到的至少两个当前拟合优度,筛选出所述失效时长实际所服从的目标分布模型;根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命。本方案,利用拟合优度筛选出的目标分布模型,更能表征失效时长的实际分布情况,进而在利用该目标分布模型预测使用寿命时的预测准确性更高。
Description
技术领域
本发明涉及电子技术领域,特别涉及一种医疗设备使用寿命的预测方法及装置。
背景技术
随着科学技术的快速发展,医疗设备也变得越来越智能化。智能化的医疗设备均对应有有效的使用寿命,只有在其有效使用寿命内使用,才能够保证医疗设备的正常运行,降低医疗事故的发生。因此,对智能化的医疗设备的使用寿命进行预测,成为目前研究的热点。
目前对于医疗设备使用寿命的预测方法,准确性都比较低。因此,需要提供一种可靠的预测方法,以提高对医疗设备使用寿命预测的准确性。
发明内容
本发明实施例提供了一种医疗设备使用寿命的预测方法及装置,以提高对医疗设备使用寿命预测的准确性。
第一方面,本发明实施例提供了一种医疗设备使用寿命的预测方法,包括:
获取至少两个同一种类型待预测医疗设备在至少一种加速应力下的至少两个失效时长;
根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型;
计算所述至少两个失效时长在服从每一种分布模型时的当前拟合优度;
根据得到的至少两个当前拟合优度,筛选出所述失效时长实际所服从的目标分布模型;
根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命。
优选地,所述至少两种分布模型中包括威布尔分布模型;
所述根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型,包括:
计算每一个失效时长对应的试验累计失效率;
针对每一个失效时长及其对应试验累计失效率,将失效时长进行取对数运算,得到自变量;将对应试验累计失效率依次进行取倒数运算、取对数运算和取对数运算,得到该自变量对应的因变量;
将自变量及其对应的因变量组合成拟合点,并对得到的至少两个拟合点进行线性拟合,得到线性拟合关系;
根据所述线性拟合关系,确定出所述威布尔分布模型中在加速应力下未知参数的值,并根据该加速应力下未知参数的值确定出所述威布尔分布模型。
优选地,所述至少两种分布模型中包括对数正态分布模型;
所述根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型,包括:
对每一个失效时长进行取对数运算;
根据取对数运算后的各个值以及失效时长的个数,进行运算处理,得到所述对数正态分布模型中在加速应力下未知参数的值,并根据该加速应力下未知参数的值确定出所述对数正态分布模型。
优选地,所述计算所述至少两个失效时长在服从每一种分布模型时的当前拟合优度,包括:
根据服从的该种分布模型中在加速应力下未知参数的值,计算在将所述失效时长按照该种分布模型拟合时,每一个失效时长对应的拟合累计失效率;
根据所述失效时长的个数,计算在预设的标准分布模型中,每一个失效时长对应的标准累计失效率;
将各失效时长对应的标准累计失效率与拟合累计失效率的差值的平方之和,比上各失效时长对应的标准累计失效率与标准累计失效率的平均值的差值的平方之和,确定出所述至少两个失效时长在服从该种分布模型时的当前拟合优度。
优选地,所述根据得到的至少两个当前拟合优度,筛选出所述失效时长实际所服从的目标分布模型,包括:将所述至少两个当前拟合优度中的最大拟合优度对应的分布模型,确定为所述失效时长实际所服从的目标分布模型;
或者,
获取所述待预测医疗设备类型的所有医疗设备在历史上确定出的所有失效时长在服从每一种分布模型时的各历史拟合优度;
计算各历史拟合优度的平均值;
计算各历史拟合优度的均方根误差;
形成筛选范围;该筛选范围的下限值为所述平均值减去第一预设个数的所述均方根误差,该筛选范围的上限值为所述平均值加上第二预设个数的所述均方根误差;
从所述至少两个当前拟合优度中筛选出落入所述筛选范围内的各拟合优度;
将筛选出的各拟合优度中的最大拟合优度对应的分布模型,确定为所述失效时长实际所服从的目标分布模型。
优选地,在所述筛选出所述失效时长实际所服从的目标分布模型之后,所述预测该类型待预测医疗设备的使用寿命之前,进一步包括:
根据至少一种加速应力,构建加速退化模型;
利用构建的加速退化模型,计算与该加速退化模型对应的加速因子;
根据所述加速因子对所述目标分布模型中未知参数的值进行值变换,得到值变换后的目标分布模型;
利用值变换后的目标分布模型,执行所述预测出该类型待预测医疗设备的使用寿命。
优选地,所述目标分布模型为一个,所述根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命,包括:对1与所述目标分布模型对应累计失效函数的差值进行求导运算,得到该类型待预测医疗设备的使用寿命;
和/或,
所述目标分布模型为多个,所述根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命,包括:将J减去每一个目标分布模型对应累计失效函数之后得到的差值除以J,然后对得到的商值进行求导运算,得到该类型待预测医疗设备的使用寿命;J为目标分布模型的个数。
第二方面,本发明实施例还提供了一种医疗设备使用寿命的预测装置,包括:
获取单元,用于获取至少两个同一种类型待预测医疗设备在至少一种加速应力下的至少两个失效时长;
确定单元,用于根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型;
计算单元,用于计算所述至少两个失效时长在服从每一种分布模型时的当前拟合优度;
筛选单元,用于根据得到的至少两个当前拟合优度,筛选出所述失效时长实际所服从的目标分布模型;
预测单元,用于根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命。
第三方面,本发明实施例还提供了一种医疗设备使用寿命的预测装置,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行上述第一方面或第一方面的任一可能的实现方式所提供的医疗设备使用寿命的预测方法。
第四方面,本发明实施例还提供了计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行上述第一方面或第一方面的任一可能的实现方式所提供的医疗设备使用寿命的预测方法。
本发明实施例提供了一种医疗设备使用寿命的预测方法及装置,在得到至少两个同一种类型待预测医疗设备在至少一种加速应力下的至少两个失效时长之后,可以根据该至少两个失效时长进行模型计算处理,确定出至少两种分布模型;然后计算该失效时长在服从每一种分布模型时的当前拟合优度,根据得到的至少两个当前拟合优度,可以筛选出失效时长实际所服从的目标分布模型,进而可以根据该目标分布模型预测出该类型待预测医疗设备的使用寿命。本方案中,利用拟合优度筛选出的目标分布模型,更能表征失效时长的实际分布情况,进而在利用该目标分布模型预测使用寿命时的预测准确性更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种医疗设备使用寿命的预测方法流程图;
图2是本发明一实施例提供的一种模型计算处理流程图;
图3是本发明一实施例提供的另一种模型计算处理流程图;
图4是本发明一实施例提供的一种拟合优度计算流程图;
图5是本发明一实施例提供的正常应力下目标分布模型的确定流程图;
图6是本发明一实施例提供的一种医疗设备使用寿命的预测装置所在设备的硬件架构图;
图7是本发明一实施例提供的一种医疗设备使用寿命的预测装置结构图;
图8是本发明一实施例提供的另一种医疗设备使用寿命的预测装置结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
相关技术中,采用加速退化试验(Accelerated Degradation Testing,ADT)的方法来预测医疗设备的使用寿命。在具体方案中,当需要确定医疗设备的失效时长的分布情况服从哪一种分布模型时,均是通过假设的方式。即假设医疗设备的失效时长的分布情况是服从某一种分布模型的,然后利用该种分布模型预测出医疗设备的使用寿命。由于失效时长的分布情况并不一定服从该假设的分布模型,因此,相关技术中在预测医疗设备的使用寿命时准确性较低。
针对上述问题,可以考虑在获取到失效时长之后,先判定出失效时长实际所服从的分布模型是哪一种,然后在利用该失效时长实际所服从的分布模型预测医疗设备的使用寿命。考虑到拟合优度可以用来评价回归直线对观测值的拟合程度,因此可以通过计算拟合优度的方式来判定失效时长实际所服从的分布模型。
下面描述上述构思的实现方案。
请参考图1,本发明实施例提供了一种医疗设备使用寿命的预测方法,包括:
步骤101:获取至少两个同一种类型待预测医疗设备在至少一种加速应力下的至少两个失效时长;
步骤102:根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型;
步骤103:计算所述至少两个失效时长在服从每一种分布模型时的当前拟合优度;
步骤104:根据得到的至少两个当前拟合优度,筛选出所述失效时长实际所服从的目标分布模型;
步骤105:根据所述失效时长实际所服从的目标分布模型,预测出该类型待预测医疗设备的使用寿命。
本发明实施例中,在得到至少两个同一种类型待预测医疗设备在至少一种加速应力下的至少两个失效时长之后,可以根据该至少两个失效时长进行模型计算处理,确定出至少两种分布模型;然后计算该至少两个失效时长在服从每一种分布模型时的当前拟合优度,根据得到的至少两个当前拟合优度,可以筛选出失效时长实际所服从的目标分布模型,进而可以根据该目标分布模型预测出该类型待预测医疗设备的使用寿命。本方案中,利用拟合优度筛选出的目标分布模型,更能表征失效时长的实际分布情况,进而在利用该目标分布模型预测使用寿命时的预测准确性更高。
下面对各步骤分别进行说明。
针对步骤101,获取至少两个同一种类型待预测医疗设备在至少一种加速应力下的至少两个失效时长。
本发明实施例中,至少可以利用加速退化试验来获取失效时长,该加速退化试验的过程可以包括以下内容:
首先,获取用来进行试验的待预测医疗设备。该待预测医疗设备为智能型医疗设备,且为同一种类型。比如,输液泵。获取的待预测医疗设备的个数为至少两个,且待预测医疗设备的个数越多,预测结果越准确。
然后,确定用于表征该待预测医疗设备工作性能的工作指标,以及该待预测医疗设备对应该工作指标的初始值。
接下来,根据该工作指标的初始值,确定该待预测医疗设备的失效阈值。其中,医疗设备在性能退化时,其工作指标的值会相对于初始值发生偏移,在偏移的误差达到一定值时,可视作该医疗设备失效,将该值作为失效阈值。
紧接着,根据该待预测医疗设备对应的至少一种正常应力,确定至少一种加速应力。应力可以包括温度、湿度、电压、电流等。正常应力是指医疗设备在正常使用过程中对应的应力值,加速应力是指医疗设备在超过正常应力值一定范围时的值。以确定的加速应力为温度和湿度为例,若某一医疗设备在常温常湿环境(25℃、40%湿度)下正常使用,25℃、40%湿度即为正常应力,那么加速应力可以选择为50℃、70%。
最后,在至少一种加速应力下对至少两个待预测医疗设备进行作用,并间隔一个设定时间段测试各待预测医疗设备对应工作指标的值是否达到失效阈值,如果是,则确定达到失效阈值的待预测医疗设备失效,记录失效时长。其中,失效时长为该待预测医疗设备在所述至少一种加速应力的作用下从开始试验到失效时的时长。
针对步骤102,根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型。
在确定出的分布模型的类型越多时,在筛选与数据实际分布情况更贴合的分布模型就会更准确,相应地,在利用该更贴合的分布模型预测使用寿命时就会更准确。因此,可以尽可能确定出更多类型的分布模型。
在本发明一个实施例中,确定出的至少两种分布模型至少可以包括威布尔分布模型和对数正态分布模型。
在威布尔分布模型中包括两个未知参数,一个未知参数为尺度参数,另一个未知参数为形状参数。在根据至少两个失效时长计算未知参数时,计算出的形状参数不同时,该至少两个失效时长服从的分布模型不同。当形状参数等于1时,威布尔分布模型对应累计失效函数服从指数分布;当形状参数等于2时,威布尔分布模型对应累计失效函数服从瑞利分布;当形状参数约等于3.4时,威布尔分布模型对应累计失效函数服从正太分布。另外,在加上对数正态分布模型,囊括了较完善的分布模型。因此,确定出的至少两种分布模型在包括威布尔分布模型和对数正态分布模型时,可以从该威布尔分布模型和对数正态分布模型中筛选与数据实际分布情况更贴合的分布模型。
下面针对这两种分布模型,分别对步骤102进行说明。
一、所述至少两种分布模型中包括威布尔分布模型。
威布尔分布模型的累计失效函数为:
其中,该函数用于表征随着失效时长t的增加,累计失效率F(t)的变化趋势;η为尺度参数,β为形状参数。该尺度参数和形状参数是该模型中的未知参数,需要根据步骤101中获取的至少两个失效时长,计算出这两个未知参数,然后才能确定出该模型的累计失效函数表达式。
请参考图2,为本发明实施例提供的一种模型计算处理流程图,步骤102具体可以包括:
步骤201:计算每一个失效时长对应的试验累计失效率。
其中,该失效时长对应的试验累计失效率可以通过该至少两个失效时长计算得到。例如,获取的失效时长有n(n个不小于2的整数)个,将失效时长按从小到大顺序排列,在计算第i(i为大于等于1,且小于等于n的整数)个失效时长ti对应的试验累计失效率F(ti)时,确定在当前失效时长时已经失效的待预测医疗设备的个数k,k为大于等于i的整数,将k/n的商值作为该失效时长对应的试验累计失效率。
步骤202:针对每一个失效时长及其对应试验累计失效率,将失效时长进行取对数运算,得到自变量;将对应试验累计失效率依次进行取倒数运算、取对数运算和取对数运算,得到该自变量对应的因变量。
取对数运算可以是取以e为底的对数运算,也可以是以10为底的对数运算,或者其他能够得到自变量的对数运算。取倒数运算,可以直接对试验累计失效率取倒数,也可以是对试验累计失效率进行处理之后取倒数。
步骤203:将自变量及其对应的因变量组合成拟合点,并对得到的至少两个拟合点进行线性拟合,得到线性拟合关系。
在自变量及其对应的因变量组合成拟合点时,可以是将自变量作为横坐标,因变量作为纵坐标;或者,将自变量作为纵坐标,将因变量作为横坐标;再或者还可以有其他处理形式的组合。
在得到至少两个拟合点之后,可以在坐标系中将上述至少两个拟合点进行描点,然后对坐标系中的拟合点进行线性拟合,得到线性拟合关系。在该线性拟合关系中可以得出斜率和截距。其中,在进行线性拟合时可以采用拟合工具来实现。且拟合工具可以直接计算出该线性拟合关系的斜率和截距。
步骤204:根据所述线性拟合关系,确定出所述威布尔分布模型中在加速应力下未知参数的值,并根据该加速应力下未知参数的值确定出所述威布尔分布模型。
利用拟合工具可以自动对拟合点进行拟合,可以快速得出线性拟合关系的斜率和截距,从而可以快速计算出威布尔分布模型中在加速应力下的形状参数β和尺度参数η,提高了使用寿命的预测效率。
在本发明一个实施例中,除使用拟合方式计算斜率和截距的方式获得尺度参数和形状参数以外,在步骤202中得到自变量和因变量之后,还可以利用如下公式计算在加速应力下的形状参数β:其中,xi为第i个失效时长对应的自变量,yi为第i个失效时长对应的试验累计失效率。然后利用如下计算式计算出截距b,并利用计算出的截距b计算在加速应力下的尺度参数η:通过计算式计算计算威布尔分布模型中在加速应力下的形状参数β和尺度参数η,在得到自变量和因变量之后,可以直接将自变量和因变量输入到计算式中,无需拟合工具,成本较低,且采用计算式计算出的结果更准确,提高了使用寿命的预测准确性。
在计算得出威布尔分布模型中在加速应力下的形状参数β和尺度参数η之后,可以将该两个值代入威布尔分布模型的累计失效函数中,得到威布尔分布模型在加速应力下的表达式。
二、所述至少两种分布模型中包括对数正态分布模型。
对数正态分布模型的累计失效函数为:
其中,该函数用于表征随着失效时长t的增加,累计失效率F(t)的变化趋势;μ用于表征均值,σ用于表征标准差。该均值和标准差是该模型中的未知参数,需要根据步骤101中获取的至少两个失效时长,计算出这两个未知参数,然后才能确定出该模型的累计失效函数表达式。
请参考图3,为本发明实施例提供的一种模型计算处理流程图,步骤102具体可以包括:
步骤301:对每一个失效时长进行取对数运算。
取对数运算可以是取以e为底的对数运算,也可以是以10为底的对数运算,或者其他能够得到运算结果的对数运算。例如,针对第i个失效时长取对数运算之后得到lnti。
步骤302:根据取对数运算后的各个值以及失效时长的个数,进行运算处理,得到所述对数正态分布模型中在加速应力下未知参数的值,并根据该加速应力下未知参数的值确定出所述对数正态分布模型。
其中,失效时长的个数为n。
在获取到每一个失效时长以及获知失效时长的个数之后,可以将各参数直接代入计算式中进行计算,不仅方便,而且得到的计算结果会更加准确,提高了使用寿命预测的准确性。
在利用上述计算式计算得到了对数正态分布模型中在加速应力下的均值μ和标准差σ之后,可以将该两个值代入对数正态分布模型的累计失效函数中,得到对数正态分布模型在加速应力下的表达式。
针对步骤103,计算至少两个失效时长在服从每一种分布模型时的当前拟合优度。
拟合优度是指回归直线对观测值的拟合程度,在本实施例中,采用计算拟合优度的方式,来判定哪一种分布模型与标准分布模型的拟合程度更高。具体地,请参考图4,为本发明实施例提供的一种拟合优度计算流程图,该步骤103具体包括:
步骤401:根据服从的该种分布模型中在加速应力下未知参数的值,计算在将所述失效时长按照该种分布模型拟合时,每一个失效时长对应的拟合累计失效率。
其中,拟合累计失效率是将失效时长代入到步骤102中确定的分布模型在加速应力下的表达式中之后,计算得到的。
步骤402:根据所述失效时长的个数,计算在预设的标准分布模型中,每一个失效时长对应的标准累计失效率。
步骤403:将各失效时长对应的标准累计失效率与拟合累计失效率的差值的平方之和,比上各失效时长对应的标准累计失效率与标准累计失效率的平均值的差值的平方之和,确定出所述至少两个失效时长在服从该种分布模型时的当前拟合优度。
具体地,在确定当前拟合优度时,至少可以通过如下一个计算式计算得到:
其中,R2用于表征该当前拟合优度,Fo(ti)用于表征该分布模型对应的累计失效函数中第i个失效时长ti对应的拟合累计失效率。
通过使用上述计算式计算拟合优度,将标准累计失效率与拟合累计失效率的差值平方之和,除以标准累计失效率与标准累计失效率平均值的差值的平方之和,可以表示出拟合累计失效率的平均值与标准累计失效率的平均值的接近程度,如果越接近,那么表明拟合优度越接近1,进一步表明该分布模型与标准分布模型更相似,可以更准确的判定出失效时长实际服从的分布模型是哪一种,提高了使用寿命的预测准确性。
针对步骤104,根据得到的至少两个当前拟合优度,筛选出所述失效时长实际所服从的目标分布模型。
在本发明一个实施例中,该步骤104具体包括:将所述至少两个当前拟合优度中的最大拟合优度对应的分布模型,确定为所述失效时长实际所服从的目标分布模型。
例如,针对威布尔分布模型计算的拟合优度为0.95,针对对数正态分布模型计算的拟合优度为0.92,那么可以将威布尔分布模型确定为该失效时长实际所服从的目标分布模型。
在具体实现时,如果计算出的至少两个当前拟合优度中,存在两个以上的最大拟合优度,那么可以将该存在的两个以上的最大拟合优度分别对应的分布模型均确定为目标分布模型,或者,继续根据待预测医疗设备的类型、试验环境等从两个以上的最大拟合优度分别对应的分布模型中选择一个分布模型作为目标分布模型,或者,随机选择一个最大拟合优度对应的分布模型作为目标分布模型。
在筛选时,除上述利用最大拟合优度的方式筛选以外,还可以结合拟合累计失效率进行筛选。比如,从最大的三个拟合优度分别对应的分布模型中,进一步计算拟合累计失效率的平均值,将平均值更接近于标准累计失效率的平均值的分布模型作为目标分布模型。
在实际的业务应用中,所使用的各个医疗设备的拟合优度如果过高(比如过拟合导致的拟合优度几乎为1)或者过低,都属于异常情况。因此,为了进一步准确地筛选出大概率应该出现的拟合优度,在本发明的一个实施例中,步骤104的过程可以进行两次筛选,第一次筛选出符合正态分布的拟合优度,第二次筛选出符合正态分布的拟合优度中的最大拟合优度。具体包括:
S1、获取所述待预测医疗设备类型的所有医疗设备在历史上确定出的所有失效时长在服从每一种分布模型时的各历史拟合优度;
S2、计算各历史拟合优度的平均值;
S3、计算各历史拟合优度的均方根误差;
S4、形成筛选范围;该筛选范围的下限值为所述平均值减去第一预设个数的所述均方根误差,该筛选范围的上限值为所述平均值加上第二预设个数的所述均方根误差;
S5、从所述至少两个当前拟合优度中筛选出落入所述筛选范围内的各拟合优度;
S6、将筛选出的各拟合优度中的最大拟合优度对应的分布模型,确定为所述失效时长实际所服从的目标分布模型。
针对步骤105,根据所述失效时长实际所服从的目标分布模型,预测该待预测医疗设备的使用寿命。
在步骤105中确定了目标分布模型之后,在预测使用寿命之前,还需要进一步对目标分布模型中在正常应力下的未知参数进行确定,进而确定出正常应力下目标分布模型的表达式。请参考图5,为本发明实施例提供的正常应力下的目标分布模型的确定流程图,具体包括:
步骤501:根据至少一种加速应力,构建加速退化模型。
加速退化模型用于反映设备寿命特征与工作应力(在工作应力为加速应力时,可以反映加速应力下设备的寿命特征;在工作应力为正常应力时,可以反映正常应力下设备的寿命特征)之间的关系。在工作应力不同时,构建的加速退化模型也不同。
在工作应力为温度时,可以构建如下加速退化模型:
ξ=A*exp(E/KT)
其中,ξ为医疗设备的寿命特征,A为常数,E为设备的活化能,K为玻尔兹曼常数,T是开式温度。
在工作应力为温度和湿度时,可以构建如下加速退化模型:
ξ=A*exp(E/KT)*(H-3)
其中,ξ为医疗设备的寿命特征,A为常数,E为设备的活化能,K为玻尔兹曼常数,T是开式温度,H为湿度。
在工作应力为温度、湿度和电应力(比如电压、电流)或机械应力(比如转速、载荷)时,可以构建如下加速退化模型:
ξ=A*(V-n)
其中,ξ为医疗设备的寿命特征,A和n为常数,V为电应力或机械应力。
步骤502:利用构建的加速退化模型,计算与该加速退化模型对应的加速因子。
在本发明一个实施例中,在计算加速因子时,可以将正常应力下的寿命特征除以加速应力下的寿命特征得到。
步骤503:根据所述加速因子对所述目标分布模型中未知参数的值进行值变换,得到值变换后的目标分布模型。
其中,该值变换后的目标分布模型为正常应力下的目标分布模型。
一般情况下,目标分布模型中正常应力下的的未知参数的值等于加速应力下的未知参数的值与加速因子的乘积。但存在特殊情况。
当目标分布模型为威布尔分布模型时,正常应力下的形状参数等于加速应力下的形状参数,正常应力下的尺度参数等于加速应力下的尺度参数与加速因子的乘积。
当目标分布模型为对数正态分布模型时,正常应力下的均值等于加速应力下的均值与加速因子的乘积,正常应力下的标准差等于加速应力下的标准差与加速因子的乘积。
将正常应力下的未知参数的值代入目标分布模型的累计失效函数中,得到正常应力下目标分布模型的表达式。然后利用值变换后的目标分布模型,执行所述预测出该待预测医疗设备的使用寿命。
针对步骤106,根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命。
如果步骤104中目标分布模型为一个,那么该步骤106具体包括:对1与所述目标分布模型对应累计失效函数的差值进行求导运算,得到该类型待预测医疗设备的使用寿命。
如果步骤104中目标分布模型为多个,那么该步骤106具体包括:将J减去每一个目标分布模型对应累计失效函数之后得到的差值除以J,然后对得到的商值进行求导运算,得到该类型待预测医疗设备的使用寿命;J为目标分布模型的个数。
另外,在目标分布模型为多个时,还可以利用权重的方式进行计算,例如,该计算式可以为:kJ为第J个目标分布模型FJ(t)对应的权重。该权重值可以根据该目标分布模型对应的拟合优度来确定,拟合优度越大,权重值越大。
在目标分布模型为多个时,可以通过求平均值或者利用权重的方式,计算待预测医疗设备的使用寿命时,可以使得得到的预测结果会更加准确。
下面以待预测医疗设备为输液泵为例,利用上述方式预测输液泵的使用寿命。
首先选择“SYB系列”的输液泵6台(编号为0-5),输液泵的输液速度精度是衡量输液泵工作性能的工作指标。根据产品说明书可以获知,输液泵使用环境的环境温度为:-5℃~+40℃,相对湿度为:20%~90%。正常的室内温湿度分别为25℃,40%,选取温度为50℃,湿度为70%作为加速应力。失效阈值选取输液速度误差为5%,即当误差达到5%以上时,产品可视作失效。
在进行加速退化试验时,所用设备器材包括:输液泵、一次性输液管、流量计。
然后,输液泵开机后,每一台都显示输液速率为600ml/h。将输液管,输液泵及流量计等设备连接在一起,准备测试输液泵的初始流速,由于刚刚测量时,流量不稳定,所以在流量计的输入流量达到50ml时读取流量计所显示的平均流速,将平均流速作为输液泵的初始值。初始值对应如下表1:
表1:
0 | 1 | 2 | 3 | 4 | 5 |
660.72ml/h | 550.32ml/h | 570.34ml/h | 557.47ml/h | 553.76ml/h | 635.53mlml/h |
利用可程式恒温恒湿试验箱对输液泵进行加速应力测试,在加速退化过程中,将每个输液泵通电并打开开关,让电路保持运行,温度、湿度的设定值为50℃和70%。
失效阈值选取输液速度误差为5%,即当误差达到5%以上时,产品可视作失效,所以各个输液泵的失效阈值如下表2所示:
表2:
编号 | 0 | 1 | 2 | 3 | 4 | 5 |
初始速率/ml/h | 660.72 | 550.3 | 570.34 | 557.47 | 553.76 | 635.53 |
失效阈值/ml/h | 627.68 | 522.8 | 541.82 | 529.59 | 526.07 | 603.75 |
每隔12小时测试一次,若产品已失效,则不再继续测量,下表3为实测数据:
表3:
可得6台输液泵的失效时长分别为24h、36h、36h、48h、48h、60h。
利用上述6个失效时长分别计算威布尔分布模型和对数正态分布模型的拟合优度,得到威布尔分布模型的拟合优度为0.94,对数正态分布模型的拟合优度为0.91。将威布尔分布模型作为6个失效时长实际所服从的目标分布模型。
其中,可以计算出威布尔分布模型在加速应力下的,在加速应力下的尺度参数η为47.08。
由于该加速退化试验采用的加速应力为温度和湿度,因此构建的加速退化模型为ξ=A*exp(E/KT)*(H-3),计算得到的加速因子为AF=32.82。那么,在同样的威布尔分布下,输液泵在正常应力下的形状参数β不变,依然为3.23,在正常应力下的尺度参数η为47.08*32.82=1544.97,得到威布尔模型在正常应力下的累计失效函数的表达式:
如图6、图7所示,本发明实施例提供了一种医疗设备使用寿命的预测装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。从硬件层面而言,如图6所示,为本发明实施例提供的一种医疗设备使用寿命的预测装置所在设备的一种硬件结构图,除了图6所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的设备通常还可以包括其他硬件,如负责处理报文的转发芯片等等。以软件实现为例,如图7所示,作为一个逻辑意义上的装置,是通过其所在设备的CPU将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。本实施例提供的一种医疗设备使用寿命的预测装置,包括:
获取单元701,用于获取至少两个同一种类型待预测医疗设备在至少一种加速应力下的至少两个失效时长;
确定单元702,用于根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型;
计算单元703,用于计算所述至少两个失效时长在服从每一种分布模型时的当前拟合优度;
筛选单元704,用于根据得到的至少两个当前拟合优度,筛选出所述失效时长实际所服从的目标分布模型;
预测单元705,用于根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命。
在本发明一个实施例中,所述至少两种分布模型中包括威布尔分布模型;
所述确定单元702,具体用于:计算每一个失效时长对应的试验累计失效率;针对每一个失效时长及其对应试验累计失效率,将失效时长进行取对数运算,得到自变量;将对应试验累计失效率依次进行取倒数运算、取对数运算和取对数运算,得到该自变量对应的因变量;将自变量及其对应的因变量组合成拟合点,并对得到的至少两个拟合点进行线性拟合,得到线性拟合关系;根据所述线性拟合关系,确定出所述威布尔分布模型中在加速应力下未知参数的值,并根据该加速应力下未知参数的值确定出所述威布尔分布模型。
在本发明一个实施例中,所述至少两种分布模型中包括对数正态分布模型;
所述确定单元702,具体用于:对每一个失效时长进行取对数运算;根据取对数运算后的各个值以及失效时长的个数,进行运算处理,得到所述对数正态分布模型中在加速应力下未知参数的值,并根据该加速应力下未知参数的值确定出所述对数正态分布模型。
在本发明一个实施例中,所述计算单元,具体用于根据服从的该种分布模型中在加速应力下未知参数的值,计算在将所述失效时长按照该种分布模型拟合时,每一个失效时长对应的拟合累计失效率;根据所述失效时长的个数,计算在预设的标准分布模型中,每一个失效时长对应的标准累计失效率;将各失效时长对应的标准累计失效率与拟合累计失效率的差值的平方之和,比上各失效时长对应的标准累计失效率与标准累计失效率的平均值的差值的平方之和,确定出所述至少两个失效时长在服从该种分布模型时的拟合优度。
在本发明一个实施例中,所述筛选单元,具体用于将所述至少两个当前拟合优度中的最大拟合优度对应的分布模型,确定为所述失效时长实际所服从的目标分布模型;
或者,
获取所述待预测医疗设备类型的所有医疗设备在历史上确定出的所有失效时长在服从每一种分布模型时的各历史拟合优度;
计算各历史拟合优度的平均值;
计算各历史拟合优度的均方根误差;
形成筛选范围;该筛选范围的下限值为所述平均值减去第一预设个数的所述均方根误差,该筛选范围的上限值为所述平均值加上第二预设个数的所述均方根误差;
从所述至少两个当前拟合优度中筛选出落入所述筛选范围内的各拟合优度;
将筛选出的各拟合优度中的最大拟合优度对应的分布模型,确定为所述失效时长实际所服从的目标分布模型。
在本发明一个实施例中,请参考图8,该装置可以进一步包括:
变换单元706,用于根据至少一种加速应力,构建加速退化模型;利用构建的加速退化模型,计算与该加速退化模型对应的加速因子;根据所述加速因子对所述目标分布模型中未知参数的值进行值变换,得到值变换后的目标分布模型;触发预测单元利用值变换后的目标分布模型,执行所述预测出该类型待预测医疗设备的使用寿命。
在本发明一个实施例中,所述目标分布模型为一个,所述预测单元具体用于对1与所述目标分布模型对应累计失效函数的差值进行求导运算,得到该类型待预测医疗设备的使用寿命;
在本发明一个实施例中,所述目标分布模型为多个,所述预测单元具体用于将J减去每一个目标分布模型对应累计失效函数之后得到的差值除以J,然后对得到的商值进行求导运算,得到该类型待预测医疗设备的使用寿命;J为目标分布模型的个数。
可以理解的是,本发明实施例示意的结构并不构成对一种医疗设备使用寿命的预测装置的具体限定。在本发明的另一些实施例中,一种医疗设备使用寿命的预测装置可以包括比图示更多或者更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件、软件或者软件和硬件的组合来实现。
上述装置内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
本发明实施例还提供了一种医疗设备使用寿命的预测装置,包括:至少一个存储区和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行本发明任一实施例中的一种医疗设备使用寿命的预测方法。
本发明实施例还提供了一种计算机可读介质,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行本发明任一实施例中的一种医疗设备使用寿命的预测方法。
具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或JPU)读出并执行存储在存储介质中的程序代码。
在这种情况下,从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能,因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROJ、CD-R、CD-RW、DVD-ROJ、DVD-RAJ、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROJ。可选择地,可以由通信网络从服务器计算机上下载程序代码。
此外,应该清楚的是,不仅可以通过执行计算机所读出的程序代码,而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作,从而实现上述实施例中任意一项实施例的功能。
此外,可以理解的是,将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作,从而实现上述实施例中任一实施例的功能。
需要说明的是,在本文中,诸如第一和第二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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在计算机可读取的存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROJ、RAJ、磁碟或者光盘等各种可以存储程序代码的介质中。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种医疗设备使用寿命的预测方法,其特征在于,包括:
获取至少两个同一种类型待预测医疗设备在至少一种加速应力下的至少两个失效时长;
根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型;
计算所述至少两个失效时长在服从每一种分布模型时的当前拟合优度;
根据得到的至少两个当前拟合优度,筛选出所述失效时长实际所服从的目标分布模型;
根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命。
2.根据权利要求1所述的方法,其特征在于,所述至少两种分布模型中包括威布尔分布模型;
所述根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型,包括:
计算每一个失效时长对应的试验累计失效率;
针对每一个失效时长及其对应试验累计失效率,将失效时长进行取对数运算,得到自变量;将对应试验累计失效率依次进行取倒数运算、取对数运算和取对数运算,得到该自变量对应的因变量;
将自变量及其对应的因变量组合成拟合点,并对得到的至少两个拟合点进行线性拟合,得到线性拟合关系;
根据所述线性拟合关系,确定出所述威布尔分布模型中在加速应力下未知参数的值,并根据该加速应力下未知参数的值确定出所述威布尔分布模型。
3.根据权利要求1所述的方法,其特征在于,所述至少两种分布模型中包括对数正态分布模型;
所述根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型,包括:
对每一个失效时长进行取对数运算;
根据取对数运算后的各个值以及失效时长的个数,进行运算处理,得到所述对数正态分布模型中在加速应力下未知参数的值,并根据该加速应力下未知参数的值确定出所述对数正态分布模型。
4.根据权利要求2或3所述的方法,其特征在于,所述计算所述至少两个失效时长在服从每一种分布模型时的当前拟合优度,包括:
根据服从的该种分布模型中在加速应力下未知参数的值,计算在将所述失效时长按照该种分布模型拟合时,每一个失效时长对应的拟合累计失效率;
根据所述失效时长的个数,计算在预设的标准分布模型中,每一个失效时长对应的标准累计失效率;
将各失效时长对应的标准累计失效率与拟合累计失效率的差值的平方之和,比上各失效时长对应的标准累计失效率与标准累计失效率的平均值的差值的平方之和,确定出所述至少两个失效时长在服从该种分布模型时的当前拟合优度。
5.根据权利要求1所述的方法,其特征在于,所述根据得到的至少两个当前拟合优度,筛选出所述失效时长实际所服从的目标分布模型,包括:
将所述至少两个当前拟合优度中的最大拟合优度对应的分布模型,确定为所述失效时长实际所服从的目标分布模型;
或者,
获取所述待预测医疗设备类型的所有医疗设备在历史上确定出的所有失效时长在服从每一种分布模型时的各历史拟合优度;
计算各历史拟合优度的平均值;
计算各历史拟合优度的均方根误差;
形成筛选范围;该筛选范围的下限值为所述平均值减去第一预设个数的所述均方根误差,该筛选范围的上限值为所述平均值加上第二预设个数的所述均方根误差;
从所述至少两个当前拟合优度中筛选出落入所述筛选范围内的各拟合优度;
将筛选出的各拟合优度中的最大拟合优度对应的分布模型,确定为所述失效时长实际所服从的目标分布模型。
6.根据权利要求1所述的方法,其特征在于,在所述筛选出所述失效时长实际所服从的目标分布模型之后,所述预测该类型待预测医疗设备的使用寿命之前,进一步包括:
根据至少一种加速应力,构建加速退化模型;
利用构建的加速退化模型,计算与该加速退化模型对应的加速因子;
根据所述加速因子对所述目标分布模型中未知参数的值进行值变换,得到值变换后的目标分布模型;
利用值变换后的目标分布模型,执行所述预测出该类型待预测医疗设备的使用寿命。
7.根据权利要求1所述的方法,其特征在于,
所述目标分布模型为一个,所述根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命,包括:对1与所述目标分布模型对应累计失效函数的差值进行求导运算,得到该类型待预测医疗设备的使用寿命;
和/或,
所述目标分布模型为多个,所述根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命,包括:将J减去每一个目标分布模型对应累计失效函数之后得到的差值除以J,然后对得到的商值进行求导运算,得到该类型待预测医疗设备的使用寿命;J为目标分布模型的个数。
8.一种医疗设备使用寿命的预测装置,其特征在于,包括:
获取单元,用于获取至少两个同一种类型待预测医疗设备在至少一种加速应力下的至少两个失效时长;
确定单元,用于根据所述至少两个失效时长进行模型计算处理,确定至少两种分布模型;
计算单元,用于计算所述至少两个失效时长在服从每一种分布模型时的当前拟合优度;
筛选单元,用于根据得到的至少两个当前拟合优度,筛选出所述失效时长实际所服从的目标分布模型;
预测单元,用于根据所述失效时长实际所服从的目标分布模型,预测该类型待预测医疗设备的使用寿命。
9.一种医疗设备使用寿命的预测装置,其特征在于,包括:至少一个存储器和至少一个处理器;
所述至少一个存储器,用于存储机器可读程序;
所述至少一个处理器,用于调用所述机器可读程序,执行权利要求1至7中任一项所述的方法。
10.计算机可读介质,其特征在于,所述计算机可读介质上存储有计算机指令,所述计算机指令在被处理器执行时,使所述处理器执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110324576.3A CN113032999B (zh) | 2021-03-26 | 2021-03-26 | 医疗设备使用寿命的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110324576.3A CN113032999B (zh) | 2021-03-26 | 2021-03-26 | 医疗设备使用寿命的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113032999A true CN113032999A (zh) | 2021-06-25 |
CN113032999B CN113032999B (zh) | 2024-05-17 |
Family
ID=76474125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110324576.3A Active CN113032999B (zh) | 2021-03-26 | 2021-03-26 | 医疗设备使用寿命的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113032999B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115050460A (zh) * | 2022-08-17 | 2022-09-13 | 深圳市三维医疗设备有限公司 | 一种基于大数据的医疗设备全生命周期监管系统及方法 |
CN117408137A (zh) * | 2023-09-25 | 2024-01-16 | 贵州安大航空锻造有限责任公司 | 环轧机工装故障的智能预警方法、装置、设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100748078B1 (ko) * | 2006-04-05 | 2007-08-09 | 한국건설기술연구원 | 생애주기 성능 및 비용에 기초한 사회기반구조물의 최적유지관리전략 수립 방법 |
CN108229727A (zh) * | 2017-12-18 | 2018-06-29 | 广东科鉴检测工程技术有限公司 | 医疗器械整机寿命分布预测方法和系统 |
CN108399271A (zh) * | 2017-12-18 | 2018-08-14 | 广东科鉴检测工程技术有限公司 | 仪器电控设备加速退化试验方法和系统 |
CN108549047A (zh) * | 2018-05-28 | 2018-09-18 | 国网上海市电力公司 | 一种基于加速退化试验的电能表寿命评估方法 |
US20180306669A1 (en) * | 2015-10-13 | 2018-10-25 | Nec Corporation | Structure abnormality detection system, structure abnormality detection method, and storage medium |
CN111881574A (zh) * | 2020-07-27 | 2020-11-03 | 华能新能源股份有限公司 | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 |
US20210048811A1 (en) * | 2018-05-25 | 2021-02-18 | Nec Corporation | Model generation device for life prediction, model generation method for life prediction, and recording medium storing model generation program for life prediction |
US20210064456A1 (en) * | 2019-08-29 | 2021-03-04 | Sap Se | Failure mode specific analytics using parametric models |
-
2021
- 2021-03-26 CN CN202110324576.3A patent/CN113032999B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100748078B1 (ko) * | 2006-04-05 | 2007-08-09 | 한국건설기술연구원 | 생애주기 성능 및 비용에 기초한 사회기반구조물의 최적유지관리전략 수립 방법 |
US20180306669A1 (en) * | 2015-10-13 | 2018-10-25 | Nec Corporation | Structure abnormality detection system, structure abnormality detection method, and storage medium |
CN108229727A (zh) * | 2017-12-18 | 2018-06-29 | 广东科鉴检测工程技术有限公司 | 医疗器械整机寿命分布预测方法和系统 |
CN108399271A (zh) * | 2017-12-18 | 2018-08-14 | 广东科鉴检测工程技术有限公司 | 仪器电控设备加速退化试验方法和系统 |
US20210048811A1 (en) * | 2018-05-25 | 2021-02-18 | Nec Corporation | Model generation device for life prediction, model generation method for life prediction, and recording medium storing model generation program for life prediction |
CN108549047A (zh) * | 2018-05-28 | 2018-09-18 | 国网上海市电力公司 | 一种基于加速退化试验的电能表寿命评估方法 |
US20210064456A1 (en) * | 2019-08-29 | 2021-03-04 | Sap Se | Failure mode specific analytics using parametric models |
CN111881574A (zh) * | 2020-07-27 | 2020-11-03 | 华能新能源股份有限公司 | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 |
Non-Patent Citations (3)
Title |
---|
周玉辉;康锐;: "基于退化失效模型的旋转机械寿命预测方法", 核科学与工程, no. 02, 15 June 2009 (2009-06-15), pages 52 - 57 * |
游达章: "最小二乘法在威布尔分布的可靠性评估", 《湖北工业大学学报》, vol. 24, no. 4, pages 34 - 35 * |
潘广泽 等: "随钻测量仪可靠性建模与评估方法", 《环境技术》, pages 53 - 57 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115050460A (zh) * | 2022-08-17 | 2022-09-13 | 深圳市三维医疗设备有限公司 | 一种基于大数据的医疗设备全生命周期监管系统及方法 |
CN115050460B (zh) * | 2022-08-17 | 2022-11-15 | 深圳市三维医疗设备有限公司 | 一种基于大数据的医疗设备全生命周期监管系统及方法 |
CN117408137A (zh) * | 2023-09-25 | 2024-01-16 | 贵州安大航空锻造有限责任公司 | 环轧机工装故障的智能预警方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113032999B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10534361B2 (en) | Industrial asset health model update | |
CN113032999A (zh) | 医疗设备使用寿命的预测方法及装置 | |
JP6501982B2 (ja) | 故障リスク指標推定装置および故障リスク指標推定方法 | |
EP3806008A1 (en) | Model generation device for lifespan prediction, model generation method for lifespan prediction, and storage medium storing model generation program for lifespan prediction | |
CN106776288B (zh) | 一种基于Hadoop的分布式系统的健康度量方法 | |
US7457725B1 (en) | Electronic component reliability determination system and method | |
CN111881000A (zh) | 一种故障预测方法、装置、设备及机器可读介质 | |
US20080244326A1 (en) | Prognosis of faults in electronic circuits | |
CN109143094A (zh) | 一种动力电池的异常数据检测方法和装置 | |
CN111752481A (zh) | 一种基于spd的内存监控及寿命预测方法和系统 | |
CN110858072B (zh) | 设备运行状态的确定方法及装置 | |
CN112395179B (zh) | 一种模型训练方法、磁盘预测方法、装置及电子设备 | |
CN112101665A (zh) | 故障检测预警方法、装置、存储介质及电子设备 | |
CN108399115B (zh) | 一种运维操作检测方法、装置及电子设备 | |
CN114356577A (zh) | 一种系统容量预估方法以及装置 | |
CN115202802A (zh) | 告警阈值确定方法、装置、设备及存储介质、告警系统 | |
CN112199258A (zh) | 一种磁盘监控的方法、装置、电子设备及介质 | |
CN115640706A (zh) | 锂电池的可靠性测试方法、设备及计算机可读存储介质 | |
JP6566049B2 (ja) | 電力需要値算出システム、電力需要値算出方法および電力需要値算出プログラム | |
CN113127274A (zh) | 磁盘故障预测方法、装置、设备及计算机存储介质 | |
CN113032998B (zh) | 医疗器械寿命评估方法和装置 | |
CN114048085B (zh) | 一种磁盘故障分析方法、装置、设备及可读存储介质 | |
CN115690681A (zh) | 异常判断依据的处理方法、异常判断方法及装置 | |
CN104318129B (zh) | 一种服务器产品寿命的预估方法 | |
CN113919225A (zh) | 环境试验箱可靠性评估方法和系统 |
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 |