CN113196315A - 成像模态保养维护包系统和方法 - Google Patents
成像模态保养维护包系统和方法 Download PDFInfo
- Publication number
- CN113196315A CN113196315A CN201980077201.2A CN201980077201A CN113196315A CN 113196315 A CN113196315 A CN 113196315A CN 201980077201 A CN201980077201 A CN 201980077201A CN 113196315 A CN113196315 A CN 113196315A
- Authority
- CN
- China
- Prior art keywords
- machine
- information
- imaging device
- technician
- solution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 141
- 238000003384 imaging method Methods 0.000 title claims abstract description 93
- 238000012423 maintenance Methods 0.000 claims abstract description 156
- 230000008439 repair process Effects 0.000 claims abstract description 56
- 230000004044 response Effects 0.000 claims abstract description 38
- 238000004891 communication Methods 0.000 claims abstract description 27
- 238000003860 storage Methods 0.000 claims description 26
- 230000036541 health Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 208000024891 symptom Diseases 0.000 description 143
- 230000008569 process Effects 0.000 description 107
- 230000000875 corresponding effect Effects 0.000 description 93
- 238000011084 recovery Methods 0.000 description 82
- 238000013528 artificial neural network Methods 0.000 description 48
- 238000013473 artificial intelligence Methods 0.000 description 30
- 238000013135 deep learning Methods 0.000 description 29
- 230000015654 memory Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 16
- 230000003862 health status Effects 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 15
- 230000007547 defect Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 230000006399 behavior Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 7
- 230000000737 periodic effect Effects 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000012633 nuclear imaging Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005067 remediation Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 230000003090 exacerbative effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000036316 preload Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012800 visualization Methods 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了提供图像模态保养维护包的方法、装置、系统和制品。一种示例性装置包括解决方案预测器,该解决方案预测器用于基于错误代码或识别的问题中的至少一者以及与对应于错误代码或所识别的问题中的至少一者的先前解决方案相关的信息来预测用于服务成像设备的解决方案。该装置还包括维护包生成器,该维护包生成器用于生成对应于解决方案的定制数据结构,定制数据结构包括用以服务成像设备的自动解决方案。该装置还包括接口,该接口用于使用无线通信将定制数据结构传输到成像设备或连接到成像设备的修复设备中的至少一者,以及响应于成像设备执行自动解决方案,获得对应于使用修复设备进行的成像设备的服务的响应。该装置还包括信息更新器,该信息更新器用于更新成像设备的所访问的信息、所预测的解决方案、相关信息或数字孪生中的至少一者,以基于响应来更新后续定制维护包生成。
Description
技术领域
本公开整体涉及成像系统,并且更具体地讲,涉及图像模态保养维护包系统和方法。
背景技术
大型机器(例如,卫生保健中的影像机、能源中的涡轮机和运输中的引擎)的制造商将此类大型机器部署给用户/客户以供现场使用。由于此类机器的复杂性,一些制造商通过技术人员团队提供修复和/或维修服务,以在定期维护期间和/或在机器发生故障和/或停机时为机器提供服务。当用户具有有关部署的机器的问题时,用户(例如,经由呼叫、电子邮件等)联系制造商描述问题(例如,提供症状),然后技术人员被派来维修机器。另外,制造商和/或客户可以设定的持续时间安排维护呼叫,以验证机器是否正常工作。
发明内容
某些示例提供了包括指令的计算机可读介质,该指令在被执行时使机器提供图像模态保养维护包。示例性计算机可读介质包括指令,该指令使得机器基于成像设备的错误代码或成像设备的识别的问题中的至少一者来访问来自数据库的信息。示例性计算机可读介质还包括指令,该指令使得机器基于错误代码或所识别的问题中的至少一者以及与对应于错误代码或所识别的问题中的至少一者的先前解决方案相关的信息来预测用于服务成像设备的解决方案。示例性计算机可读介质还包括指令,该指令使得机器基于解决方案生成定制维护包,定制维护包包括来自对应于解决方案的手册的相关信息。示例性计算机可读介质还包括指令,该指令使得机器使用无线通信将定制维护包传输到技术人员设备,定制维护包将技术人员设备配置为根据解决方案服务成像设备。示例性计算机可读介质还包括指令,该指令使得机器响应于成像设备的服务的完成,从对应于维护包的技术人员设备获得对提示的响应,提示识别对应于成像设备的服务的信息。示例性计算机可读介质还包括指令,该指令使得机器更新成像设备的所访问的信息、所预测的解决方案、相关信息或数字孪生中的至少一者,以基于对提示的响应来更新后续定制维护包生成。
某些示例提供一种提供图像模态保养维护包的装置。该示例性装置包括解决方案预测器,该解决方案预测器用于基于错误代码或识别的问题中的至少一者以及与对应于错误代码或所识别的问题中的至少一者的先前解决方案相关的信息来预测用于服务成像设备的解决方案。该装置还包括维护包生成器,该维护包生成器用于生成对应于解决方案的定制数据结构,定制数据结构包括用以服务成像设备的自动解决方案。该装置还包括接口,该接口用于使用无线通信将定制数据结构传输到成像设备或连接到成像设备的修复设备中的至少一者,以及响应于成像设备执行自动解决方案,获得对应于使用修复设备进行的成像设备的服务的响应。该装置还包括信息更新器,该信息更新器用于更新成像设备的所访问的信息、所预测的解决方案、相关信息或数字孪生中的至少一者,以基于响应来更新后续定制维护包生成。
某些示例提供一种提供图像模态保养维护包的方法。示例性方法包括基于成像设备的错误代码或成像设备的识别的问题中的至少一者来访问来自数据库的信息。该方法还包括基于错误代码或所识别的问题中的至少一者以及与对应于错误代码或所识别的问题中的至少一者的先前解决方案相关的信息来预测用于服务成像设备的解决方案。该方法还包括基于解决方案生成定制维护包,定制维护包包括用于服务成像设备所需的替换部件或专用工具中的至少一者。该方法还包括使用无线通信将定制维护包传输到技术人员设备,以将技术人员设备配置为有利于根据解决方案服务成像设备。该方法还包括响应于成像设备的服务的完成,从对应于维护包的设备获得反馈。该方法还包括更新成像设备的所访问的信息、所预测的解决方案、相关信息或数字孪生中的至少一者,以基于反馈来更新后续定制维护包生成。
附图说明
图1A和/或图1B示出了包括用于服务机器全域的机器恢复系统的示例性环境。
图2是图1A和/或图1B的机器恢复系统的示例性实施方式的框图。
图3是示例性数字孪生的表示。
图4A至图4C描绘了帮助诊断和修复装备的示例性设备。
图5是示例性深度学习神经网络模型的表示。
图6是表示可被执行以实现图1A和/或图1B的机器恢复系统处理来自图1A和/或图1B的机器的服务请求的机器可读指令的流程图。
图7是表示可被执行以实现图1A和/或图1B的机器恢复系统执行智能症状过程的机器可读指令的流程图。
图8是表示可被执行以实现图1A和/或图1B的机器恢复系统执行智能维护包过程的机器可读指令的流程图。
图9是表示可被执行以实现图1A和/或图1B的机器恢复系统执行智能调度的机器可读指令的流程图。
图10是表示可被执行以实现图1A和/或图1B的机器恢复系统执行智能发现的机器可读指令的流程图。
图11是被构造为执行图6至图10的指令以实施图1A和/或图1B的机器恢复系统的示例性处理平台的框图。
附图未按比例绘制。通常,在所有的附图以及附带的书面描述中将使用相同的附图标记来指代相同或类似的部件。
具体实施方式
机器群组诸如但不限于成像系统、涡轮机和引擎被越来越多地部署在大的地理区域上。在医学领域中,包括诸如磁共振成像(MRI)、计算机断层扫描(CT)、核成像和超声之类的模态的成像系统正越来越多地部署在医院、诊所和医学研究机构中以对受试者进行医学成像。在机车或飞机中部署的引擎需要在不同的环境条件下运行。在发电系统中,风力涡轮机或水力涡轮机被安装以从自然资源获取能量。对于拥有属于机器群组中的机器的厂家,希望利用最小的停机时间来最大化机器的利用率。然而,系统故障和故障中断会中断涉及机器的工作流过程并降低其利用率。
大多数制造商力求提供有效的周期性维护例程和响应或呼叫修复服务。尽管预防性维护程序具有完善的能力,但机器有时可产生需要不定时诊断和修复的问题。通常,这种问题由管理安装机器的厂家的相关权威机构识别。所识别的问题作为服务请求以一种或多种格式提交,诸如但不限于通过网页的文本描述和通过服务热线的语音呼叫。如本文所用,术语“服务请求”是指对与机器(诸如成像系统)相关联的问题(problem)、故障或问题(issue)的描述。问题(problem)、故障或问题(issue)可例如由技术人员或用户在例行维护检查期间或机器的使用期间观察到。服务请求可以是由用户经由用户界面提供的文本或音频消息的描述,并且可以自动存储在数据库中。
传统地,针对机器群组中的机器诸如成像系统的服务可能需要部件更换或由现场工程师到现场进行现场检查。现场工程师进行的此类现场检查对于客户和通常安排此类检查的系统制造商或修理厂双方而言可能是昂贵且耗时的。远程诊断和修复通常用于加速系统修复并消除或最小化此类现场检查的需要。然而,现有远程诊断和修复仍然需要中断成像系统的使用并与修理厂联系。另外,在使用远程诊断识别故障时,可能需要手动干预来提交服务请求,启动服务请求处理,并且识别现场检查的需求。传统地,专家需要手动扫描与服务请求有关的大量数据,以基于服务请求作出和/或推荐关于服务选项的决策。手动处理服务请求的效率低下,并且会对响应时间产生不利影响。期望在处理服务请求时减少手动开销而不损害准确度和响应时间。
本文所公开的示例提供了用于维护解决传统技术问题的机器的系统。本文所公开的示例有效地处理属于机器群组的机器诸如保健成像系统的服务请求,而不具有或具有最小固有的工作流延迟。本文所公开的示例包括(A)将机器的客户定义症状转换成机器的实际问题的系统(例如,智能症状),(B)开发包括可用于服务机器的目标信息和相关信息的维护包以提供给资源(例如,技术人员、自动化程序等)的系统(例如,智能维护包),(C)基于客户需求确定那些技术人员最适合服务该请求的系统(例如,智能调度),(D)识别与所识别的机器对应的机器群组以使用和/或开发与该机器对应的人工智能模型(例如,深度或机器学习模型/数字孪生)的系统(例如,智能发现),以及(E)使用关于服务请求的技术人员反馈更新和微调智能症状、智能维护包、智能调度和智能发现过程的系统。
图1A是用于服务来自机器全域的机器的环境100的示意图。环境100包括机器恢复系统102、机器104、服务中心106和技术人员设备108。尽管环境100包括一个机器104,但结合位于相同和/或不同位置的多个机器来描述环境。
图1A的机器恢复系统102响应于机器104的服务请求执行各种过程,并且基于先前的服务请求建立知识。最初,当问题发生时,机器恢复系统102从服务中心106和/或直接从机器104接收服务请求。例如,机器104的用户可呼叫和/或机器104可以其他方式与服务中心106通信,以识别机器的问题和/或描述机器104的症状。在另一个示例中,用户可与机器104的用户界面或计算机的用户界面进行交互,以请求服务和/或识别机器104的症状。机器恢复系统102可基于请求执行智能症状过程、智能维护包过程、智能调度过程、智能发现过程,并且/或者基于对来自机器104和全域其他机器的请求的服务来更新数据。智能症状过程将所识别的症状转换成机器问题。例如,机器104的用户可能无法确定机器104正在经历的实际问题,但用户可识别可转换成一个或多个问题的症状。智能维护包向技术人员设备108提供定制的、相关的、可执行的信息。定制的、相关的、可执行的信息对应于相关的手册/教程信息、机器信息、必要的工具、替换部件、人工智能模型(例如,深度或机器学习网络模型/数字孪生等)信息、预测的服务问题和/或解决方案等。机器恢复系统102基于对应于机器104和/或其他机器的先前服务的数据库信息来生成智能维护包。智能调度过程基于各种因素(包括例如到位置的距离、技术人员的技能等级、技术人员的可用性等)确定要选择哪个资源(例如,技术人员、自动修复程序等)来为请求提供服务。智能发现系统基于机器104的型号、模态、品牌和/或上下文信息来识别对应于特定机器104的机器群组。群组对应于可经历相同问题的一组类似机器。因此,群组对应于人工智能模型/数字孪生,该人工智能模型/数字孪生可用于在进行服务期间/之前虚拟地测试解决方案。另外,可将机器104的服务请求的信息添加到机器的模型/数字孪生以更新针对来自群组中其他机器的后续服务请求的模型/数字孪生。另外,机器恢复系统102更新各种数据库(例如,企业系统、问题解决方案数据库(PSDB)、机器日志数据库和/或动态系统健康状态数据库)中的信息,以细化智能症状、智能维护包、智能调度和智能发现过程,以用于机器104和全域中的其他机器的后续服务请求。机器恢复系统102在下文中结合图2进一步描述。
图1A的机器104是可能需要周期性服务(例如,基于计划表)或非周期性服务(例如,基于问题的存在)的成像设备或系统。另选地,机器104可以是可能需要周期性服务或非周期性服务的任何类型的机器。例如,机器104可以是成像系统(例如,磁共振成像(MRI)、计算机断层扫描(CT)、x射线、核成像或超声等)、涡轮机(例如,风力涡轮机、水力涡轮机等)、引擎(例如,机车引擎、飞机引擎等)、信息系统(例如,成像工作站、图片存档和通信系统、放射信息系统、图像存档、电子病历系统等)等。当机器104遇到问题时,用户可经由计算机、经由电话(例如,呼叫或发短信)传输服务请求,并且/或者当发生错误或意外结果时,机器104自身可传输服务请求。服务请求可被发送到服务中心106和/或直接发送到机器恢复系统102。在一些示例中,可提取和处理来自服务请求的关键字以识别机器104的症状和/或问题。在一些示例中,机器恢复系统102可将区别症状(例如,直接地或经由服务中心106)传输到机器104的用户以滤除可能的问题。
图1A的技术人员设备108是计算设备(例如,膝上型电脑、智能电话、平板电脑、头戴式耳机等),技术人员和/或其他资源可使用该计算设备管理计划表,接收服务请求,查找与要服务的一个或多个机器相关的信息,识别错误代码、症状、问题和/或解决方案,对机器104建模(例如,使用人工智能模型)以帮助修复,和/或与成像设备交互以获得附加数据和/或确认数据。下面结合图3和/或图5进一步描述了示例性人工智能模型的具体实施。机器恢复系统102提供定制维护包,该定制维护包包括可有助于技术人员或其他资源为请求提供服务的相关信息。维护包可包括一个或多个诊断和/或修复应用、知识库信息、工具、脚本、例程、工作流、数据库、人工智能模型(例如数字孪生)等,以例如诊断、补救和/或辅助资源(例如技术人员、自动化服务修复程序等)和/或机器104解决问题。
当图1的技术人员设备108具有对数字孪生的访问权限时,技术人员设备108(例如,自动地)和/或技术人员设备108的用户可对数字孪生实施不同的服务技术(例如,执行虚拟动作、执行虚拟指令等)以识别可能在修复期间发生的潜在问题和/或识别确实在修复期间发生的意外错误。另外,在资源维修机器104之后,资源可经由技术人员设备108指示服务请求完成。在此类指示之后,机器恢复系统102将调查传输到技术人员设备108,以获得对应于服务请求和/或维护包的信息。除此之外或另选地,一旦服务完成,技术人员设备108可自动向技术人员输出调查,并将结果传输到机器恢复系统102。在一些示例中,技术人员设备108可与机器104进行交互(例如,直接或经由无线通信),以在机器104已被服务之前、期间和/或之后采集数据。此类数据可被传输到机器恢复系统102(例如,单独地和/或作为反馈响应的一部分)。机器恢复系统102的人工智能模型可使用调查结果(例如,反馈)和/或获得的数据来优化未来的维护包、调度、机器发现、诊断(例如,智能症状过程)等,以更新数据库,从而为后续服务请求提供更好的建议和/或识别类似机器的未来问题。下面结合附图4A至图4C进一步描述了示例性技术人员设备108的具体实施。
在一些示例中,技术人员设备108可被实现为修复设备(例如,用于设备到设备修复和/或有利于技术人员修复)。例如,技术人员设备108可与机器104交互(例如,经由有线或无线连接)以向机器104传输指令,从而运行诊断、采集信息和/或修复设备108。例如,技术人员设备108可以是将指令推送到机器104(例如,用于远程修理)的服务器或其他网络连接设备。指令可使得机器104加载新版本的代码、应用代码补丁、重启机器和/或执行其他过程以修复机器108。
图1B示出了信息和/或可在图1的示例环境100中执行的过程。图1B包括图1A的机器恢复系统102、机器104、服务中心106和技术人员设备108。图1B还包括示例性数据库系统110、112、示例性机器连接过程114和示例性服务设备工作流116。示例性服务设备工作流116包括示例性过程118、122、124、126、128。
最初,图1B的服务中心106从机器104和/或机器104的用户(例如,经由电话、计算设备和/或机器104本身)接收服务请求。服务请求可对应于机器104所具有的问题。在一些示例中,服务请求由机器恢复系统102直接接收。一旦接收到服务请求,就分析服务请求以确定潜在解决方案是什么。在一些示例中,服务中心102利用来自企业系统110和/或服务系统112的数据库信息来识别与机器104相关的特定数据(例如,对应于初始上下文)。另外,机器恢复系统102基于与先前服务请求相对应的知识开发与服务请求相对应的潜在解决方案、数字模型和/或相关信息。初始上下文和来自先验知识的信息可作为智能维护包的一部分传输给技术人员设备108,该智能维护包由技术人员设备执行以提供与维修机器104所需的解决方案和/或信息对应的相关定制数据。
如上所述,技术人员设备108获得与可帮助技术人员设备108和/或利用技术人员设备108的资源为机器104提供服务的信息对应的维护包。在一些示例中,如过程114所示,技术人员设备108可以连接到机器104以获得对应于机器104的系统日志、连续系统健康状态和/或其他分析。此类数据可在服务完成之前、期间和/或之后获得。此类数据(例如,机器数据或图像设备数据)可被传输到服务中心106和/或机器恢复系统102以提供附加信息,该附加信息可用于针对未来服务请求生成更准确的解决方案数据、更准确的维护包信息和/或更好的资源分配(例如,调度)。此类数据连同来自技术人员设备108的调查数据可作为设备工作流116的一部分被传输到服务中心106。
如设备工作流116中所示,每个过程118、120、124、126、128对应于可用于创建和/或改善服务中心106对未来服务请求的了解的数据。例如,在查看过程118期间,可收集对应于机器104的信息,该信息可用于归类和/或诊断机器104的问题。服务中心106可使用此类数据来绘制机器的症状、错误代码、问题等与解决方案、维护包和/或维修机器104所需的其他信息之间的联系。在归类过程120期间,可获得与例如对应于关键性错误或非关键性错误的问题、症状等对应的信息。此类信息可有助于调度资源。例如,在诊断过程122期间,服务中心106可获得对应于数字孪生、先前问题解决方案、实施动作等的信息,以优化用于未来服务请求的诊断过程。例如,在检修过程124期间,服务中心106可获得对应于检修技术的信息,以确定哪些技术对未来服务请求起作用或不起作用。例如,在解析/维修/调度过程126期间,服务中心106可获得解析信息以更新存储在问题解决方案数据库中的问题解决方案信息。例如,在汇报/关闭过程128期间,服务中心106可从技术人员设备108获得调查结果信息。此类信息可用于更新服务中心106的过程以用于未来服务请求。
图2是图1A和/或图1B的机器恢复系统102的示例性具体实施的框图。机器恢复系统102包括智能症状系统202、智能维护包系统204、智能调度系统206、智能发现系统208和恢复更新器系统210。机器恢复系统102还包括用于与部署的机器、服务中心106和/或技术人员设备(例如,技术人员设备108)进行交互的设备接口212,以及用于与企业系统数据库216、机器日志数据库218、问题解决方案数据库220和动态系统健康状态数据库222进行交互的数据库接口214。智能症状系统202包括症状处理器224和过滤器226。智能维护包系统204包括维护包生成器228和解决方案预测器230。智能调度系统206包括远程指令执行器232、技术人员选择器234(例如,资源选择器)和权重乘法器236。智能发现系统208包括机器识别器240和模型生成器242。恢复更新器系统210包括调查生成器244和信息更新器246。
图2的智能症状系统202将故障机器104的症状转换为错误代码和/或识别的问题。例如,当机器发生故障时,机器104的操作者可能无法识别该问题。相反,操作者可能仅能够识别对应于故障机器的症状。除此之外或另选地,机器104可生成对应于机器的特定部分的错误代码(例如,存储在机器日志数据库218中),但不识别问题本身。智能症状系统202基于用户识别的和/或机器识别的症状来识别机器104的问题和/或错误代码。智能症状系统202包括症状处理器224和过滤器226,如下文进一步所述。
图2的智能维护包系统204为技术人员和/或资源生成智能维护包以帮助修复机器。例如,一旦识别出问题,智能维护包系统204如何解决问题、可有助于解决问题的信息、解决问题所需的工具、解决问题可能所需的替换部件、技术人员可用来对可能的维修建模的模型等。维护包系统204生成维护包以向技术人员的设备提供信息以供在机器修复期间/之前使用。智能维护包系统204包括维护包生成器228和解决方案预测器230,如下文进一步所述。
图2的智能调度系统206确定如何调度资源(例如,技术人员、自动修复程序等)以解决机器的问题。例如,智能调度系统206可考虑维修机器所需的技能、临床工作流中也可能需要服务/检查的其他机器、修复的关键程度、应当有多少技术人员或其他资源可用于为请求提供服务、到修复现场的距离、是否可以远程执行解决方案等,以选择要调度的最佳技术人员/资源来为机器提供服务。虽然智能调度系统206可结合技术人员被描述为资源,但智能调度过程中可包括其他资源。例如,智能调度系统206可确定自动修复程序可用作资源以对机器104实施指令,从而使用软件补丁、重启等来修复机器。资源可包括计算设备,诸如膝上型计算机、平板电脑、智能电话、其他手持技术人员设备等,该计算设备可连接到机器104以有利于例如机器104和/或其他连接的部件的诊断和/或修复。智能调度系统206包括远程指令执行器232、技术人员选择器234和权重乘法器236,如下文进一步所述。
图2的智能发现系统208基于上下文信息(例如,通过将对应于机器104的所获得的信息与企业系统数据库216中的所存储的信息进行比较)和/或标识符来识别机器,并且确定所识别的机器是否对应于类似机器群组和/或部署在类似环境中的机器。智能发现208可基于类似于机器群组的参数来选择和/或生成人工智能模型(例如,数字孪生/模型),并且使用反馈来基于反馈信息来更新人工智能模型,以用于后续机器问题的更准确且有效的诊断/调度/包生成。另外,智能发现208跟踪群组的问题以标记优先服务的共同问题(例如,以识别即将到来的问题和/或任何其他总体系统统计分析)。智能发现208包括机器识别器240和模型生成器242,如下文进一步所述。
图2的更新器系统210基于确定的错误代码和/或一旦服务请求完成来自技术人员/资源的反馈来更新存储在问题解决方案数据库220、动态系统健康状态数据库222、智能维护包的布局和/或显示信息、和/或任何其它数据库中的信息。另外,更新器系统120可基于技术人员/资源反馈使用人工智能模型来更新由本文所公开的过程使用的各种信息。机器恢复系统102例如使用神经网络基于先前机器服务来建立与先前机器服务相对应的知识,以能够改善后续诊断、维护包、模型/数字孪生、调度等。更新器系统210包括调查生成器244和信息更新器246,如下文进一步所述。
图2的设备接口212是与机器104和/或服务中心106交接的结构部件。例如,当部署的机器中的一个机器存在问题时,机器104可经由有线或无线网络通信将对应于问题/错误的信息自动直接传输到设备接口。除此之外或另选地,机器104可包括供用户将问题和/或错误信息传输到服务中心106和/或直接传输到设备接口212的接口。在一些示例中,机器104的用户可确定机器104未正常工作并呼叫服务中心106。在此类示例中,服务中心106可包括输入关于机器104和/或机器104的症状的信息的用户或处理器,该信息被传输到设备接口212。另外,设备接口212将维护包传输到选择的技术人员设备(例如,技术人员设备108),以向技术人员/资源警示服务请求,并向技术人员/资源提供对应于服务于机器所需的信息的智能维护包。设备接口212还可以将调查信息传输到技术人员设备108,以在服务完成后从技术人员/资源获得反馈。经由设备接口212从技术人员设备108接收响应。
图2的数据库接口214是与数据库216、218、220、222交接的结构部件。在一些示例中,数据库接口214经由无线网络通信从数据库216、218、220、222中的一个或多个获得信息。机器恢复系统102可基于数据库216、218、220、222中的信息执行智能症状,生成智能维护包,发起智能调度,并且执行智能发现。在一些示例中,数据库接口214与一个或多个数据库216、218、220、222交接,以基于所识别的错误代码和/或来自技术人员和/或资源的反馈信息来更新数据库216、218、220、222中的信息。
图2的企业系统数据库216是存储与系统标识符、客户站点和布局、合同保证、资产位置和/或其他上下文信息等相对应的数据的一个或多个数据库和/或其他数据存储库/存储器。企业系统数据库216中的信息可以在客户安装机器时初始输入,并且可以基于对机器信息的更新而周期性地或非周期性地更新。企业系统数据库216可以本地定位或可以远程定位。例如,机器可以包括经由无线网络通信与数据库接口214通信的企业系统,或者机器104可以周期性地或非周期性地将企业系统信息传输到企业系统数据库216。机器恢复系统102结合智能发现过程、智能症状过程和/或智能调度过程使用此类企业系统信息。企业系统数据库216可以是用于所有部署的机器的信息的一个数据库,或者企业系统数据库216可以是对应于客户、位置、群组、类型等的多个数据库。机器恢复系统102使用此类上下文信息来确定来自服务历史数据的症状识别和对来自用户的问题的描述。另外,机器恢复系统102可使用特定机器的输入到企业系统数据库216中的针对特定客户站点/地理区域的数据库信息(例如,邮政编码、邻域、地址等)来确定如何最好地调度技术人员/资源。
图2的机器日志218是例如存储与部署的机器的机器日志、系统健康状态信息、标识符、错误迹线、利用信息和使用信息相对应的数据的一个或多个数据库和/或其他数据存储库/存储器。机器日志218中的信息由部署的机器提供。机器日志218可本地定位或可远程定位。例如,机器104可将机器日志包括在经由无线网络通信与数据库接口214通信的机器104处,或者机器104可周期性地或非周期性地将机器日志信息传输至异地机器日志数据库。机器日志218可以是用于所有部署的机器的信息的一个数据库,或者机器日志218可以是对应于客户、位置、群组、类型等的多个数据库。机器恢复系统102结合智能发现过程、智能维护包过程和/或智能症状过程使用此类机器日志信息。例如,机器恢复系统102可将用户历史上已用于描述特定系统问题的信息与机器日志相关联,以形成有效的智能症状来识别机器问题。另外,机器恢复系统102可通过查看机器日志信息以在问题被识别时识别关联性来将系统问题识别为特发性问题或群组级问题。
图2的问题解决方案数据库220是基于来自先前完成的服务请求的调查数据存储对应于先前问题和解决方案相关性的数据的数据库和/或其他数据存储库、存储器等。问题解决方案数据库220可以本地定位或可以远程定位。问题解决方案数据库220可以是用于所有部署的机器的信息的一个数据库,或者问题解决方案数据库220可以是对应于客户、位置、群组、类型等的多个数据库。机器恢复系统102结合智能维护包过程和/或智能调度过程使用此类问题解决方案信息。例如,机器恢复系统102可基于先前调查信息来识别特定问题所需的手册部分、所需的替换部件和/或所需的工具,以开发智能维护包。另外,机器恢复系统102可在智能调度过程利用问题解决方案信息,无论问题可被分类为群组问题还是特发性问题。
图2的动态系统健康状态数据库222是存储与部署的机器的健康状态相对应的数据(例如,与类似的机器、所识别的问题等相比,与机器的使用年限相对应)的数据库和/或其他数据存储库、存储器等。动态系统健康状态数据库222可本地定位或可远程定位。动态系统健康状态数据库222可以是用于所有部署的机器的信息的一个数据库,或者动态系统健康状态数据库222可以是对应于客户、位置、群组、类型等的多个数据库。机器恢复系统102结合智能维护包过程和/或智能症状过程使用此类动态系统健康状态信息。例如,机器恢复系统102可在服务请求正被查看时监测机器的动态健康状态,以提供影响智能日志和智能症状的更好能力。通过查看机器的当前健康状态,机器恢复系统102可对实际问题和/或解决该问题所需的维护包作出更好的决定。例如,可通过运行接近实时地分析加工数据的后台守护进程并相应地更新动态系统健康状态数据库222中的系统健康状态来监测机器的系统健康状态。
图2的症状处理器224从机器104和/或服务中心106接收所识别的症状,并且使用对应于所识别的症状的已知问题信息(例如,对应于问题数据库227的数据)、机器日志、机器信息和动态健康状态信息以基于问题解决方案信息来识别与所识别的症状对应的问题和/或错误代码。例如,当从机器的用户接收到症状时,症状处理器224使用对应机器的健康状态、机器信息和机器日志来识别对应于所识别的症状的错误代码/问题。为了减少该组错误代码/问题,症状处理器224可向用户传输提示以识别机器中是否存在区别症状。区别症状是在该组的错误代码/问题中的一个或多个中而不是在该组的一个或多个错误代码/问题中的症状。例如,该组中所有错误代码/问题共有的症状不是区别症状。除此之外或另选地,症状处理器224可直接经由设备接口212与设备进行交互,以执行一个或多个过程,从而识别机器中是否存在区别症状。
除此之外或另选地,图2的症状处理器224可与机器108进行交互(例如,直接使用设备接口212和/或经由技术人员设备108间接地等)以获得机器104的输出数据(例如,由机器104拍摄的照片等)。在此类示例中,症状处理器224可处理由成像设备获得的图像以识别在图像上发现的伪影(例如,缺陷)。症状处理器224可使用所识别的缺陷来识别问题、问题的来源和/或附加症状。例如,症状处理器224可基于所识别的缺陷来确定没有足够的辐射、过多的辐射、识别到失效的检测器、未对准问题等。在一些示例中,症状处理器224可将所识别的问题、问题来源和/或与缺陷相关联的症状与先前的问题解决方案信息(例如,存储在示例性问题解决方案数据库220中等)进行比较,以确定问题是否对应于配置和/或设计缺陷。在此类示例中,症状处理器224可将警报传输到机器108、机器108的用户(例如,经由文本、电子邮件等)、系统管理员等识别设计缺陷。另外,机器识别器240可更新群组信息和/或向类似机器生成警报以识别设计缺陷。
一旦对识别机器中是否存在区别症状的提示作出响应,图2的过滤器226就可基于是否存在区别症状来将来自问题数据库227的一组问题滤出为子集。例如,当一组的错误代码/问题的第一半部对应于区别症状并且该组的错误代码/问题的第二半部不对应于区别症状时,则过滤器226基于对提示的响应是否识别出机器中是否存在区别特征而滤出该组的第一半部或该组的第二半部以生成子集。
图2的问题数据库227存储已知问题的列表。另外,问题数据库227存储已知问题的对应错误代码和/或症状。在一些示例中,当技术人员/资源识别到新问题时,技术人员设备108的技术人员/资源和/或技术人员设备108本身可经由技术人员设备108输入对应于新问题的信息并且问题数据库227更新所存储的数据,以包括新问题和对应的错误代码和/或症状。除此之外或另选地,机器104可传输问题数据库227可作为新问题存储的新错误代码和/或错误代码的新组合。除此之外或另选地,管理器/系统协调器可以将附加问题和对应的错误代码和/或症状添加到问题数据库227中。
图2的维护包生成器228为关于请求机器为服务技术人员/资源生成定制维护包的结构部件。维护包生成器228最初具有模板维护包,该模板维护包包括可基于所识别的解决方案、机器信息等定制的空白字段。例如,当待服务的机器104的位置/类型已知时,维护包生成器228可包括对应于机器104的位置的地图和对应于机器类型的信息。另外,维护包生成器228可基于一个或多个所识别的错误代码或由解决方案预测器230预测的一个或多个解决方案来提供更详细和/或相关的信息,如下文进一步所述。例如,当解决方案预测器230确定解决方案对应于与机器的特定部分相关的解决方案时,维护包生成器228可包括与机器104的特定部分相关的手册信息、服务机器可能需要的替换部件和/或服务特定部分和/或特定解决方案可能需要的专用工具。专用工具可以是通常不是由所有技术人员携带的工具(例如,可包括在特定位置并且需要被带到服务请求的工具)。维护包生成器228可基于可存储在问题解决方案数据库220中的来自技术人员的先前服务请求的反馈来确定是否需要替换部件来为机器104提供服务。在一些示例中,维护包生成器228可包括对应于所识别的机器的数字孪生和/或网络模型(例如,一个或多个人工智能模型)。使用数字孪生和/或人工智能模型,技术人员能够在服务于机器104之前虚拟地测试模型和/或数字孪生,以帮助确保技术人员的动作将维修机器。在一些示例中,当维护包生成器228确定解决方案中的一个或多个可远程执行时,则维护包生成器228可将关于如何远程为机器104提供服务的指令和/或可被传输到设备以远程为机器104提供服务的代码包括在维护包中。
图2的解决方案预测器230是结合问题解决方案数据库中的信息和/或系统健康状态信息基于所识别的错误代码/问题来预测解决方案的结构部件。例如,解决方案预测器230可通过以下方式识别潜在解决方案:基于技术人员在先前调查中识别的先前解决方案将错误代码/问题连接到其他机器,在数字孪生/模型中应用错误/问题并模拟潜在解决方案,在其他机器中识别类似的错误代码/问题(例如,基于类似的模型、类似的上下文信息、类似的群组信息、类似的上下文信息等),和/或基于机器的系统健康状态。除此之外或另选地,解决方案预测器230可实施神经网络(例如,诸如图5的神经网络500)以将错误代码和/或问题转换为问题解决方案信息和/或系统健康状态信息以预测解决方案。在此类示例中,可使用先前的服务请求数据来训练神经网络。解决方案预测器230将所识别的解决方案传输到维护包生成器228,以基于所识别的解决方案定制维护包。
图2的远程指令执行器232是向机器104传输指令(例如经由设备接口212)以尝试远程解决问题的结构部件。例如,当维护包包括对应于潜在远程解决方案的指令时,则远程指令执行器232可自动地或基于来自技术人员的指令经由设备接口212将指令传输至设备。因此,设备可执行指令以查看远程服务是否维修了机器。此类远程指令可包括软件更新、重启指令、补丁、维修等。
图2的技术人员选择器234是基于多个因素选择技术人员为请求提供服务的结构部件。技术人员和技术人员的相关信息存储在技术人员数据库238中,如下文进一步所述。在一些示例中,技术人员选择器234可以确定服务请求是否关键(例如,基于错误代码/问题的严重性和/或基于医院中替代机器的可用性)。当服务请求很关键时,则技术人员选择器234将仅选择立即可用于服务于机器104的一个或多个技术人员(例如,基于技术人员的可用性和技术人员相对于机器的位置)。在一些示例中,当服务请求很关键时,则技术人员选择器234还可以在确定技术人员到机器的距离时考虑服务请求所需的工具/替换部件。例如,当服务请求需要特定位置处的专用工具/替换部件位置时,则技术人员选择器234考虑技术人员到专用工具/替换部件的位置的距离。除此之外或另选地,技术人员选择器234基于技术人员的权重选择一个或多个技术人员来为请求提供服务。技术人员的权重对应于技术人员与服务请求匹配的程度,并且使用权重乘法器236来确定,如下面进一步描述的。在一些示例中,技术人员选择器234基于来自数据库216、218、220、222的信息来分析临床工作流以查看是否存在应当服务、将很快需要服务(例如,可能是问题的一部分)或可能具有问题的附加机器。在一些示例中,技术人员选择器234可以实施神经网络(例如,图5的示例性神经网络500)以基于上述输入/资源特性来选择一种或多种资源。在此类示例中,可基于示例性技术人员数据库238的资源和/或先前的服务请求数据来训练神经网络。
图2的权重乘法器236是对服务请求的可用技术人员进行加权的结构部件。例如,权重乘法器236可为每个可用技术人员设置初始权重。权重乘法器236基于各种因素来调整初始权重。例如,这些因素可对应于技术人员能够服务的服务请求的机器数量、技术人员的技能等级、技术人员当前拥有的工具、技术人员当前拥有的替换部件(例如,其可由使用设备108的技术人员识别)、到服务站点的距离(考虑到如果需要的话要拾取附加工具的距离)、技术人员的可用性等。每个因素的权重调整量可基于用户、制造商或客户偏好。
图2的技术人员数据库238是包括对应于可用技术人员和/或可用资源、技术人员的计划表、技术人员的技能等级、技术人员和/或其他资源可服务的机器的类型、技术人员当前拥有的工具和/或替换部件、技术人员的位置等的最新信息的数据库。可基于存储在技术人员数据库238中的信息对可用技术人员/资源的集合进行过滤和加权。例如,如果问题不能远程解决,则可滤除自动化资源和/或指令/基于软件的资源。可基于来自技术人员设备108的信息(例如,经由设备接口212)周期性地、非周期性地和/或实时地或接近实时地更新技术人员信息。
图2的机器识别器240是识别机器并将所识别的机器与机器群组相关联的结构部件。例如,机器识别器240可基于由机器104和/或机器104的用户提供的机器标识符(例如,成像设备标识符等)来识别机器104,或者机器识别器240可基于上下文信息(例如,通过将机器的位置、机器的类型、对应于机器全域的数据库信息等与企业系统数据库216的存储的系统信息进行比较)来识别机器104。在一些示例中,机器识别器240可使用图像处理技术基于由用户提交、由机器104拍摄、由技术人员设备108拍摄等的照片来识别机器104。在此类示例中,机器识别器240可将图像的特性与参考图像的特性进行比较,以基于匹配的参考图像来识别机器104和/或基于机器的照片来识别确定的位置(例如,通过基于在图像中识别的特定机器104的特性来识别该特定机器104,基于在照片中捕获的机器104周围的环境的特征来识别该特定机器104的位置,等等)。一旦确定了标识符,机器识别器240就通过将标识符与存储在数据库(例如,企业系统数据库216等)中的机器信息进行比较来确定所识别的机器的品牌、型号、模态和/或其他信息。另外,机器识别器240确定是否存在对应的机器群组。在一些示例中,机器识别器240可实施神经网络(例如,图5的示例性神经网络500)以基于所识别的机器来识别群组。在此类示例中,可基于对应于机器全域的机器信息来训练神经网络。机器群组对应于具有类似上下文信息的一组机器。机器群组可对应于类似位置、类似模型、类似类型、类似气候、类似年龄、类似特征等的任何组合。在一些示例中,机器可对应于多个不同的群组。每个群组可具有人工智能模型(例如,神经网络模型、数字孪生和/或其他机器/深度学习构造等),该人工智能模型对应于用于应用技术(例如,用于测试目的)和/或识别哪些解决方案可解决该问题的群组。另外,机器识别器240可存储并标记群组之间的共同问题。例如,当群组中的机器出现问题时,则机器识别器240可存储该问题:该问题发生的时间、机器104在该问题发生时可操作的时长、从最后服务起的时间等。当机器识别器240确定同一问题在同一群组中发生超过阈值次数时,则机器识别器240可标记该问题并传输对应于该标记的警告以识别该问题可在群组的其他机器中发生。例如,当机器识别器240确定群组中的三个机器在三年的操作之后都经历了相同的问题时,机器识别器240可传输与群组中已经操作约三年的任何机器相关的警告。另外,机器识别器240可基于由示例性机器恢复系统102的其他过程(例如,设计缺陷等)识别的问题来更新群组信息和/或向类似机器生成警报。
图2的模型生成器242是用于在设备不对应于群组中的一个(例如,不对应于已经可用的人工智能模型)时生成人工智能模型(例如,网络模型/数字孪生、其他机器/深度学习构造等)的结构部件。用新的人工智能模型创建新的群组,并且可将对应于新的群组的后续机器添加到群组。人工智能模型对应于机器信息(例如,模型、使用年限、使用配置文件等)。
图2的调查生成器244是为技术人员生成调查(例如,提示、标记等)的结构部件。该调查被提供给技术人员设备108,以在服务请求完成之后从技术人员获得响应。在一些示例中,将调查预加载到技术人员设备108上。调查包括与以下相关的信息:维护包是否包括所有相关信息、哪些信息与智能维护包的布局不相关、是否需要任何替换部件并且如果是的话是哪些部件、应包括哪些信息但未包括、使用了哪些工具、所识别的解决方案是否正确、是否存在任何意想不到的问题和/或可生成更准确的智能调度、智能症状、智能维护包和/或智能发现过程的任何其他信息。
图2的信息更新器246基于来自对来自技术人员的调查/提示的响应的信息来更新问题解决方案数据库220和/或动态系统健康状态数据库222中的信息。另外,信息更新器246可基于技术人员的改变(例如,位置、工具等)来更新技术人员数据库238。信息更新器246可利用和/或包括人工智能模型(例如,数字孪生、神经网络等)来执行机器学习过程以调谐和改善智能症状、智能维护包、智能调度和智能发现过程。
人工智能模型
在某些示例中,待评估/修复的目标设备或机器(例如,成像设备、成像工作站、健康状态信息系统等)、资源(例如,技术人员和/或其他用户、技术人员的设备、维护包等)、机器群组等可被建模为数字孪生和/或根据人工神经网络和/或其他机器/深度学习网络模型(在本文中称为“人工智能模型”)进行处理。使用一个或多个人工智能模型,诸如数字孪生、神经网络模型等,可以对一个或多个现实生活系统进行建模、监测、模拟和准备,以用于场力自动化管理。
数字孪生示例
数字表示、数字模型、数字“孪生”或数字“阴影”是关于物理系统、过程等的数字信息学构造。即,数字信息可被实现为物理设备/系统/人/过程的“孪生”和与物理设备/系统/过程相关联的和/或嵌入物理设备/系统/过程内的信息。数字孪生通过物理系统的生命周期与物理系统相链接。在某些示例中,数字孪生包括真实空间中的物理对象、存在于虚拟空间中的该物理对象的数字孪生以及将物理对象与其数字孪生相链接的信息。数字孪生存在于对应于真实空间的虚拟空间中,并且包括用于从真实空间到虚拟空间的数据流的链接以及用于从虚拟空间到真实空间和虚拟子空间的信息流的连接。
例如,图3示出了机器或设备,诸如成像设备、放射学工作站、信息系统等;资源,诸如技术人员、其他用户、计算设备、维护包等;和/或向虚拟空间335中的数字孪生330提供数据320的真实空间315中的其他项310。数字孪生330和/或其虚拟空间335将信息340提供回真实空间315。数字孪生130和/或虚拟空间335还可以向一个或多个虚拟子空间350、352、354提供信息。如图3示例所示,虚拟空间335可包括一个或多个虚拟子空间350、352、354和/或与该一个或多个虚拟子空间相关联,该一个或多个虚拟子空间可用于对数字孪生330和/或数字“子孪生”的一个或多个部分建模,从而对总体数字孪生330的子系统/子部分建模。
连接到物理对象(例如,设备/资源310)的传感器可收集数据并且将所收集的数据320中继到数字孪生330(例如,经由一个或多个设备传感器、自报告、来自一个或多个系统部件的输出,系统部件诸如设备接口212、数据库接口214、症状处理器224、过滤器226、维护包生成器228、解决方案预测器230、远程指令执行器232、技术人员选择器234、权重乘法器236、技术人员数据库238、机器识别器240、模型生成器242、调查生成器224、信息更新器246、数据库接口246,和/或更一般地,示例性机器恢复系统102,和/或它们的组合等)。数字孪生330与设备/资源310之间的相互作用可有助于改善症状的检测、问题的确定、问题的解决、工具的配置等。受益于实时或基本上实时(例如,考虑到数据传输、处理和/或存储延迟)的设备/资源/项310的准确数字描述330允许系统100预测机器/设备操作中的“故障”、准确性、结果、通信等。
在某些示例中,当技术人员检查、诊断和/或以其他方式维修机器、设备等(例如,机器104)时,传感器数据、技术支持、所获得的图像、测试结果等可用于增强现实(AR)应用中。使用AR,数字孪生330遵循机器对例如与技术人员、技术人员设备108和/或机器恢复系统102的交互的响应。
因此,数字孪生330不是通用模型,而是反映设备/资源310(例如,机器104、机器恢复系统102、技术人员设备等)及其相关联的规范、条件等的实际基于物理的模型的集合。在某些示例中,设备/资源310的三维(3D)建模形成设备/资源310的数字孪生330。数字孪生330可用于基于从源(例如,来自设备/资源310、技术人员、健康状态信息系统、传感器等)动态提供的输入数据320来查看设备/资源310的状态。
在某些示例中,设备/资源310的数字孪生330可用于对设备/资源310进行监视、诊断和预后。可将传感器数据与历史信息组合使用,使用数字孪生330来识别、预测、监视设备/资源310的当前和/或潜在的未来病症等。可经由数字孪生330来监视病因、加剧、改进等。可使用数字孪生330,模拟并且可视化设备/资源310的行为以用于诊断、治疗、监视、维护等。
与计算机不同的是,人类不会按照有序的、循序渐进的过程处理信息。相反,人试图将问题概念化并了解其背景。虽然人可以查看报告、表格等的数据,但当人可视地查看问题并试图找到其解决方案时,才是最有效的。然而,通常,当人以可视方式处理信息,以字母数字形式记录信息,并且然后试图以可视方式重新概念化信息时,信息会丢失,并且随着时间的推移,问题解决过程的效率极低。
然而,使用数字孪生330允许人和/或系统查看和评估情况(例如,设备/资源310和相关联的操作问题等)的可视化,而无需来回转换数据。利用与实际设备/资源310具有共同视角的数字孪生330,可动态且实时(或基本实时,考虑到数据处理、传输和/或存储延迟)地查看物理信息和虚拟信息两者。技术人员不阅读报告,而是用数字孪生330进行查看和模拟,以评估设备/资源310的病症、进展、可能的治疗等。在某些示例中,可在数字孪生330中以标签标记和/或以其他方式标记特征、病症、趋势、指标、性状等,以允许技术人员快速且容易地查看指定的参数、值、趋势、警示等。
数字孪生330也可用于比较(例如,与设备/资源310、与“正常”、标准或参考设备或资源、一组操作标准/症状、最佳实践、协议步骤等比较)。在某些示例中,设备/资源310的数字孪生330可用于测量和可视化该设备/资源的理想或“黄金标准”值状态、围绕该值的错误容许量或标准偏差(例如,相对于黄金标准值的正偏差和/或负偏差等)、实际值、实际值的趋势等。实际值或实际值的趋势和黄金标准之间的差异(例如,超出容许偏差)可以可视化为字母数字值、颜色指示、图案等。
此外,待修复的机器/设备104的数字孪生330、有利于诊断/修复的技术人员设备108等可有利于系统、技术人员等之间的协作。使用数字孪生330,可共享设备/资源310及其状态/配置的概念化以用于评估、修改、讨论等。例如,协作实体不需要位于与设备/资源310相同的位置,并且仍可查看相同数字孪生330,与相同数字孪生330交互,并从相同数字孪生330中得出结论。
因此,数字孪生330可被定义为一组虚拟信息构造,该组虚拟信息构造将设备资源310从微观层面(例如,源、检测器、定位器、处理器、存储装置等)描述(例如,完全描述)到宏观层面(例如,整个成像设备、图像捕获子系统、图像分析子系统、患者监测子系统等)。在某些示例中,数字孪生330可以为参考数字孪生(例如,数字孪生原型等)和/或数字孪生实例。参考数字孪生表示设备/资源310或特定类型/类别设备/资源310的原型或“黄金标准”模型,而一个或多个参考数字孪生则表示特定设备/资源310。因此,x射线成像设备的数字孪生130可实施为根据某些标准或“典型”x射线成像设备特性组织的子参考数字孪生,其中特定数字孪生实例代表例如特定x射线成像设备及其配置。在某些示例中,多个数字孪生实例可聚合成数字孪生聚合(例如,以表示共享共同的参考数字孪生等的群组中的多个x射线机器的累积或组合)。例如,数字孪生聚合可用于识别由特定数字孪生实例表示的机器之间的差异、相似性、趋势等。
在某些示例中,数字孪生330(和/或多个数字孪生实例等)在其中运行的虚拟空间335被称为数字孪生环境。数字孪生环境335提供了在其中操作数字孪生330的基于物理的集成多畴应用空间。例如,可在数字孪生环境335中分析数字孪生330以预测设备/资源310的未来行为、病症、进展等。还可在数字孪生环境335中询问或查询数字孪生330以检索和/或分析当前信息340、既往病史等。
在某些示例中,数字孪生环境335可分成多个虚拟空间350至354。每个虚拟空间350至354可对不同的数字孪生实例和/或数字孪生330的组成部分建模,并且/或者每个虚拟空间350至354可用于对同一数字孪生330执行不同的分析、模拟等。使用多个虚拟空间350至354,可以以多种方式廉价且有效地测试数字孪生330,同时保持设备/资源操作和患者的安全。例如,技术人员随后可了解在各种场景中设备/资源310可如何对各种调整作出反应。
在某些示例中,数字孪生330还可对空间进行建模,诸如手术室、外科中心、术前准备室、术后恢复室等。通过对环境诸如外科套房进行建模,可针对患者、医疗保健专业人员(例如,外科医生、护士、麻醉师、技术人员等)制造更安全、更可靠和/或更有效的环境。例如,数字孪生330可用于评估可影响机器104操作的环境因素(例如,间距、使用模式、其他装备等)。
在某些示例中,设备诸如光学头戴式显示器(例如,Google Glass等)可与增强现实一起使用,以提供关于正在查看的机器104的附加信息、修复信息、诊断建议等。该设备可用于拉入机器和/或技术人员设备细节,经由数字孪生330建模并根据制造商的规格、客户机器配置、协议、人员偏好等进行验证。
如图4A的示例所示,光学头戴式显示器400可包括扫描其视场中的项目(例如,扫描条形码、射频标识符(RFID)、视觉配置文件/特性等)的扫描仪或其他传感器410。在一些示例中,头戴式显示器400可为图1A和/或图1B的技术人员设备108和/或可与图1A和/或图1B的技术人员设备108结合使用。例如,项目标识、照片、视频馈送等可由扫描仪410提供给数字孪生330。例如,扫描仪410和/或数字孪生330可识别并跟踪扫描仪410的范围内的项目。数字孪生330然后可例如至少部分地基于来自扫描仪410的输入来对所观察的环境和/或所观察的环境中的对象进行建模。
另选地或除此之外,数字孪生330可经由技术人员设备450诸如智能电话、平板电脑、膝上型计算机等来利用。在一些示例中,示例性技术人员设备450可为图1A和/或图1B的技术人员设备108和/或可与图1A和/或图1B的技术人员设备108结合使用。如图4B所示,技术人员设备450可接收来自用户、机器恢复系统102、其他诊断设备、健康信息系统等的输入,并且经由显示器向技术人员提供输出,与待检查的机器104进行通信等。例如,技术人员设备450可向技术人员提供诊断和/或修复机器104的建议。例如,技术人员设备450也可用于与机器104交互,以诊断和/或修复机器104和/或相关部件的问题。如图4B的示例所示,技术人员设备450可经由设备的显示屏454提供一个或多个诊断和/或修复建议452。示例性技术人员修复设备450还可以与机器104通信456(例如,无线地和/或经由有线连接),以提取诊断信息、传输配置设置等。
图4C示出了其中经由智能手表480向在家中、在途中和/或在现场的技术人员提供建议、通信、提示、其他信息和/或交互等的示例。例如,经由智能手表480的显示屏484提供一个或多个建议482。在一些示例中,示例性头戴式显示器480可为图1A和/或图1B的技术人员设备108和/或可以与图1A和/或图1B的技术人员设备108结合使用。
机器和/或深度学习网络模型
机器学习技术,无论是深度学习网络还是其他体验/观察学习系统,都可以用于与数字孪生330一起和/或与数字孪生330分开对信息建模,以基于日志数据和/或其他症状来分析和/或预测系统中的问题(problem)、问题(issue)、错误、故障等,预测特定机器上的特定解决方案的结果等。深度学习是机器学习的子集,其使用一组算法来使用具有包括线性变换和非线性变换的多个处理层的深度图来对数据中的高级抽象进行建模。虽然许多机器学习系统都是先植入初始特征和/或网络权重、再通过机器学习网络的学习和更新加以修改,但是深度学习网络是通过训练自身来识别分析的“良好”特征。使用多层架构时,采用深度学习技术的机器对原始数据的处理可好于使用常规机器学习技术的机器。使用评估或抽象化的不同层促进了各组高度相关的值或区别性主题的数据检查。
深度学习是采用表示学习方法的一类机器学习技术,其允许机器被给予原始数据并且确定数据分类所需的表示。深度学习使用用于改变深度学习机器的内部参数(例如,节点权重)的反向传播算法来确定数据集中的结构。深度学习机器可利用多种多层架构和算法。例如,虽然机器学习涉及识别要用于训练网络的特征,但深度学习处理原始数据来识别感兴趣特征而无需外部识别。
神经网络环境中的深度学习包括许多称为神经元的互连节点。由外部来源激活的输入神经元基于受机器参数控制的与其他神经元的连接来激活这些其他神经元。神经网络以基于其自身参数的一定方式起作用。学习改善机器参数,并且广义来说,改善网络中的各神经元之间的连接,使得神经网络以所需方式起作用。
利用卷积神经网络(CNN)的深度学习使用卷积滤波器对数据进行分隔,以定位和识别数据中的学习的可观察特征。CNN架构的每个滤波器或层变换输入数据以增加数据的选择性和不变性。数据的该抽象化允许机器聚焦于数据中其尝试分类的特征并且忽略不相关的背景信息。
另选地或除了CNN之外,还可使用深度残差网络。在深度残差网络中,所需的底层映射明确地被定义为与网络的堆叠非线性内部层相关。由于使用前馈神经网络,深度残差网络可包括跳过一个或多个内部层来连接节点的快捷连接。可例如使用反向传播通过随机梯度下降(SGD)对深度残差网络进行端对端训练。
深度学习的操作建立在许多数据集包括高级特征而高级特征又包括低级特征这一理解上。例如,当检查项目的图像时,并不查找对象,更有效的做法是查找边缘,边缘形成模体,模体形成部分,部分形成要寻找的对象。特征的这些层次可见于许多不同形式的数据,诸如语音和文本等。
学习到的可观测特征包括机器在监督学习期间学习到的对象和可量化正则性。设置有有效分类的数据的大集合的机器更有条件区分并且提取与新数据的成功分类相关的特征。
利用迁移学习的深度学习机器可将数据特征正确地连接到由人类专家确认的某些分类。相反,同一机器可在人类专家告知分类错误时更新用于分类的参数。例如,可通过学习到的设置和/或其他配置信息的使用来引导设置和/或其他配置信息,并且当系统被使用更多次(例如,反复使用和/或由多个用户使用)时,对于给定情况而言,可减少设置和/或其他配置信息的变化和/或其他可能性的数量。
例如,可使用专家分类数据集来训练示例性深度学习神经网络。该数据集构建了神经网络的第一参数,并且这将成为监督学习阶段。在监督学习阶段期间,可测试神经网络是否已实现所需行为。
一旦已实现所需神经网络行为(例如,机器经过训练以根据指定阈值来操作等),就可部署机器以便使用(例如,使用“真实”数据来测试机器等)。在操作期间,可(例如,由专家用户、专家系统、参考数据库等)确认或拒绝神经网络分类以继续改善神经网络行为。然后示例性神经网络处于迁移学习状态,因为确定神经网络行为的分类参数基于正在进行的交互来更新。在某些示例中,神经网络可向另一个过程提供直接反馈。在某些示例中,神经网络输出的数据先经过缓冲(例如经由云等)和验证,再提供给另一个过程。
使用卷积神经网络(CNN)的深度学习机器可以用于数据分析。CNN分析的阶段可用于自然图像中的面部识别、计算机辅助诊断(CAD)、对象识别和跟踪、症状评估、整治结果评估等。
深度学习机器可提供计算机辅助检测支持以改善例如项目识别、相关性评估和跟踪。例如,监督深度学习可以帮助降低对错误分类的敏感性。深度学习机器可在与技术人员交互时利用迁移学习来抵消监督训练中可用的小数据集。这些深度学习机器可随时间推移通过训练和迁移学习来改进其协议依存性。
图5为示例性深度学习神经网络模型500的表示,该示例性深度学习神经网络模型可用于实现数字孪生330,与数字孪生330一起工作以提供诊断和/或修复建议,和/或代替数字孪生330操作以基于输入症状生成建议的问题,基于输入机器配置和问题信息提供建议的修复等等。示例性神经网络500包括层520、540、560和580。层520和540使用神经连接530来连接。层540和560使用神经连接550来连接。层560和580使用神经连接570来连接。数据经由输入512、514、516从输入层520向前流到输出层580并到达输出590。在一些示例中,神经网络模型500包括在图2的机器恢复系统102的部件中的一个或多个部件中和/或由其使用。
层520是输入层,其在图5的示例中包括多个节点522、524、526。层540和560是隐藏层,并且在图5的示例中包括节点542、544、546、548、562、564、566、568。神经网络500可包括比所示的更多或更少的隐藏层540和560。层580是输出层,并且在图5的示例中包括具有输出590的节点582。每个输入512至516对应于输入层520的节点522至526,并且输入层520的每个节点522至526具有到隐藏层540的每个节点542至548的连接530。隐藏层540的每个节点542至548具有到隐藏层560的每个节点562至568的连接550。隐藏层560的每个节点562至568具有到输出层580的连接570。输出层580具有输出590以提供来自示例性神经网络500的输出。
在连接530、550和570中,某些示例性连接532、552、572可被赋予增加的权重,而其他示例性连接534、554、574可在神经网络500中被赋予较小的权重。例如,通过经由输入512至516接收输入数据来激活输入节点522至526。通过数据分别经由连接530和550向前流过网络500来激活隐藏层540和560的节点542至548和562至568。在经由连接570发送在隐藏层540和560中处理的数据之后,激活输出层580的节点582。当输出层580的输出节点582被激活时,节点582基于在神经网络500的隐藏层540和560中完成的处理来输出适当的值。
虽然图2中示出了图1A和/或图1B的机器恢复系统102的示例性具体实施,图2中所示的元件、过程和/或设备中的一者或多者可以以任何其他方式组合、划分、重新布置、省略、消除和/或实现。另外,设备接口212、数据库接口214、症状处理器224、过滤器226、维护包生成器228、解决方案预测器230、远程指令执行器232、技术人员选择器234、权重乘法器236、技术人员数据库238、机器识别器240、模型生成器242、调查生成器224、信息更新器246、数据库接口246和/或更一般地图2的机器恢复系统102可由硬件、软件、固件和/或硬件、软件和/或固件的任何组合来实现。因此,例如,设备接口212、数据库接口214、症状处理器224、过滤器226、维护包生成器228、解决方案预测器230、远程指令执行器232、技术人员选择器234、权重乘法器236、技术人员数据库238、机器识别器240、模型生成器242、调查生成器224、信息更新器246、数据库接口246和/或更一般地图2的机器恢复系统102中的任一者可由一个或多个模拟或数字电路、逻辑电路、可编程处理器、可编程控制器、图形处理单元(GPU)、数字信号处理器(DSP)、专用集成电路(ASIC)、可编程逻辑设备(PLD)和/或现场可编程逻辑设备(FPLD)来实现。当读取本专利的装置或系统权利要求中的任一项以覆盖纯粹的软件和/或固件具体实施时,设备接口212、数据库接口214、症状处理器224、过滤器226、维护包生成器228、解决方案预测器230、远程指令执行器232、技术人员选择器234、权重乘法器236、技术人员数据库238、机器识别器240、模型生成器242、调查生成器224、信息更新器246、和/或数据库接口246中的至少一者据此被明确地定义为包括非暂态计算机可读存储设备或存储磁盘,诸如存储器、数字通用光盘(DVD)、光盘(CD)、蓝光光盘等,包括软件和/或固件。此外,图2的机器恢复系统102可包括一个或多个元件、过程和/或设备,作为图2中所示的那些的补充或替代,和/或可以包括所示元件、过程和设备中的任何一者或全部中的一不止一者。如本文所用,短语“进行通信”包括其变型形式,涵盖直接通信和/或通过一个或多个中间部件的间接通信,并且不需要直接物理(例如有线)通信和/或恒定通信,而是另外包括以周期性间隔、预定间隔、非周期性间隔和/或一次性事件的选择性通信。
在图6至图10中示出了表示示例性硬件逻辑、机器可读指令、硬件实现的状态机和/或用于实现图2的机器恢复系统102的任何组合的流程图。机器可读指令可以为可执行程序或可执行程序的一部分,以用于由计算机处理器(诸如下文结合图11讨论的处理器平台800所示的处理器1112)执行。程序可具体体现在非暂态计算机可读存储介质(诸如CD-ROM、软盘、硬盘驱动器、DVD、蓝光盘或与处理器1112相关联的存储器)上存储的软件中,但整个程序和/或其部分可另选地由除处理器1112之外的设备执行以及/或者具体体现在固件或专用硬件中。此外,尽管参考图6至图10中所示的流程图描述了示例性程序,但是可以另选地使用实现机器恢复系统102的许多其他方法。例如,可改变框的执行顺序,和/或可改变、消除或组合所描述的框中的一些框。附加地或另选地,框中的任一个或全部可由被构造为执行对应操作的一个或多个硬件电路(例如,分立和/或集成的模拟和/或数字电路、FPGA、ASIC、比较器、运算放大器(op-amp)、逻辑电路等)来实现,而无需执行软件或固件。
如上所述,图6至图10的示例性过程可使用存储在非暂态计算机和/或机器可读介质上的可执行指令(例如,计算机和/或机器可读指令)来实现,该非暂态计算机和/或机器可读介质诸如为将信息存储任何持续时间(例如,存储延长时间段、永久存储、用于短暂情况、用于暂时缓冲和/或用于信息的高速缓存)的硬盘驱动器、闪速存储器、只读存储器、光盘、数字通用光盘、高速缓存、随机存取存储器和/或任何其他存储设备或存储盘。如本文所用,术语非暂态计算机可读介质明确地被定义为包括任何类型的计算机可读存储设备和/或存储盘,并且排除传播信号并且排除传输介质。
“包括”和“包含”(及其所有形式和时态)在本文中用作开放式术语。因此,每当权利要求采用任何形式的“包括”或“包含”(例如,包含(comprises、comprising)、包括(includes、including)、具有,等等)作为前序或在任何种类的权利要求叙述内时,应当理解,可以存在附加的元件、术语等而不落在对应的权利要求或叙述的范围之外。如本文所用,当短语“至少”例如用作权利要求前序中的过渡性术语时,与术语“包含”和“包括”是开放式的一样,也是开放式的。当例如以诸如A、B和/或C的形式使用时,术语“和/或”是指A、B、C的任何组合或子集,诸如(1)单独的A,(2)单独的B,(3)单独的C,(4)A与B,(5)A与C,(6)B与C,以及(7)A与B和C。如本文在描述结构、部件、项目、对象和/或事物的上下文中所使用的,短语“A和B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式:(1)至少一个A,(2)至少一个B,以及(3)至少一个A和至少一个B。类似地,如本文在描述结构、部件、项目、对象和/或事物的上下文中所使用的,短语“A或B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式:(1)至少一个A,(2)至少一个B,以及(3)至少一个A和至少一个B。如本文在描述过程、指令、动作、活动和/或步骤的执行或实行的上下文所使用的,短语“A和B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式:(1)至少一个A,(2)至少一个B,以及(3)至少一个A和至少一个B。类似地,如本文在描述过程、指令、动作、活动和/或步骤的执行或实行的上下文所使用的,短语“A或B中的至少一个”旨在指代包括以下项目中的任何一者的实施方式:(1)至少一个A,(2)至少一个B,以及(3)至少一个A和至少一个B。
图6包括表示可由图2的机器恢复系统102的结构部件实现的机器可读指令的流程图600。尽管结合图1和/或图2的机器恢复系统102描述了图6的流程图600,但也可以替代地使用其他类型的恢复系统和/或其他类型的处理器。
在框602处,机器恢复系统102的智能症状系统202执行智能症状过程。如下文结合图7进一步所述,智能症状系统202将机器的症状转换成问题和/或错误代码以服务于机器。在框604处,机器恢复系统102的智能维护包系统204执行智能维护包过程。如下文结合图8进一步所述,智能维护包系统204向技术人员的设备108生成智能维护包以服务于机器104。在框606处,机器恢复系统102的智能调度系统206执行智能调度过程。如下文结合图9进一步所述,智能调度系统206执行智能调度以选择一个或多个技术人员来为机器提供服务。
在框608处,机器恢复系统102的智能发现系统208确定智能发现过程是否已在先前过程(例如,智能症状、智能维护包和/或智能调度过程)中的一者内执行。当在初始过程期间未执行智能发现过程时,则智能发现可结合服务于请求的技术人员来执行。例如,技术人员可在服务期间将信息输入到技术人员设备108中以识别机器。当智能发现系统208确定已执行智能发现过程时(框608:是),则该过程继续到框612。当智能发现系统208确定尚未执行智能发现过程时(框608:否),则智能发现系统208执行智能发现过程(框610),如下文结合图10进一步所述。
在框612处,调查生成器244确定服务请求是否完成。例如,当技术人员完成服务请求时,技术人员可经由技术人员设备108识别完成,该技术人员设备经由设备接口212传输完成触发。调查生成器244响应于接收到完成触发来确定服务请求完成。当调查生成器244确定服务请求未完成时(框612:否),则过程返回至框612,直到服务请求完成。当调查生成器244确定服务请求完成时(框612:是),则调查生成器244经由设备接口212将生成的调查传输至技术人员设备108(框614)。另选地,提示可以预加载到技术人员设备108中。在此类示例中,调查生成器244不传输调查。相反,当在机器恢复系统102处接收到来自预加载提示的反馈时,调查生成器244确定服务请求完成。在框616处,信息更新器246基于由技术人员(例如,经由设备接口212)输入的调查结果来获得反馈信息。在框618处,信息更新器246基于反馈使用执行机器学习的人工网络模型来更新问题解决方案数据库220中的问题解决方案信息、智能维护包格式和/或所提供的信息和/或人工智能模型(模型/数字孪生、神经网络等)。例如,图8的神经网络800可用于实现数字孪生630,与数字孪生630一起工作以提供诊断和/或修复建议,和/或代替数字孪生630操作以基于输入症状生成建议的问题,基于输入机器配置和问题信息提供建议的修复等,通过将所获得的反馈数据应用于神经网络(例如,以进一步训练神经网络)来更新数据库216、218、220、222、238中的数据和/或更新数字孪生和/或针对未来服务请求优化智能症状过程、智能维护包过程、智能调度过程和/或智能发现过程。
图7包括表示机器可读指令的流程图602,该机器可读指令可由图2的机器恢复系统102的结构部件实现以执行智能症状过程。尽管结合图1和/或图2的机器恢复系统102描述了图7的流程图602,但也可以替代地使用其他类型的恢复系统和/或其他类型的处理器。
在框702处,症状处理器224经由设备接口212从用户获得服务请求。例如,用户可呼叫将服务请求传输到设备接口212的服务中心106,或者用户可在计算机上的用户界面上或机器104自身上输入服务请求,该服务请求直接或间接地传输到设备接口212。在框704处,机器识别器240确定机器标识符或图像设备标识符和/或上下文信息是否可用于机器。例如,当用户与机器104上的用户界面交互并且机器104传输服务请求时,则机器104可包括附加信息,该附加信息包括机器/成像设备ID和/或上下文信息。
如果机器识别器240确定机器/成像设备ID或上下文信息不可用(框704:否),则过程继续到框708。当机器识别器240确定机器/成像设备ID或上下文信息可用时(框704:是),则机器恢复系统102执行智能发现过程(框706),如下文结合图10进一步所述。在框708处,症状处理器224经由设备接口212从用户获得一个或多个症状。一个或多个症状可包括在服务请求中。在一些示例中,服务请求可不包括任何症状。在框710处,症状处理器224从对应于机器的机器日志数据库218获得错误日志(例如,识别一个或多个错误代码的日志)信息。在框712处,过滤器226滤除不对应于错误日志和/或症状的问题,以生成对应于错误日志和/或症状的问题子集。过滤器226从问题数据库227获得问题。
在框714处,症状处理器224识别剩余问题的区别症状。例如,症状处理器224可识别区别症状以将问题分成对应于区别症状的第一问题和不对应于区别症状的第二问题。症状处理器224可识别机器104中是否存在区别特征中的一个或多个,并且过滤器226可基于系统反馈和/或用户响应来滤除第一问题或第二问题,以减少技术人员检查/维修以为机器104服务的潜在问题的数量。
在框716处,症状处理器224选择区别症状。症状处理器224可选择最有区别的症状(例如,对应于接近剩余问题的一半的症状)。在框718处,症状处理器224基于区别症状经由设备接口212将提示传输到机器、用户和/或用户设备(例如,用户用于传输对应于机器的数据的计算设备)。提示可直接发送到机器104和/或服务中心106(例如,其然后基于提示指示机器、用户和/或用户设备)。在一些示例中,提示被预加载在技术人员设备108上。提示请求来自机器、用户和/或技术人员设备108的响应以识别所选择的区别症状是否存在和/或执行查看区别症状是否存在的过程。例如,提示可包括待由机器自动执行以供机器提供对应于附加症状的附加反馈的指令(例如,用于执行一个或多个过程并提供一个或多个过程的结果作为反馈的指令)。又如,提示可向用户设备(例如,计算机或计算设备)识别区别症状,该用户设备提示用户对应于区别症状的附加反馈。在一些示例中,技术人员设备108可以直接或间接地从机器104获得数据,并且将所获得的数据包括在反馈中(例如,在服务之前、期间和/或之后获得的来自机器104的不同部分的输入数据和/或输出数据)。
在框720处,症状处理器224经由设备接口212从用户(例如,直接经由机器104或经由服务中心106)和/或从机器(例如,没有来自用户的输入)获得响应。该响应包括与机器处是否存在区别症状相关的数据。在框722处,过滤器226基于响应滤除问题。例如,当响应指示机器中存在区别症状时,则过滤器226滤除不对应于区别症状的问题,并且当响应指示机器中不存在区别症状时,过滤器226滤除对应于区别症状的问题。
在框724处,症状处理器224确定是否剩余超过阈值数量的问题。问题的阈值数量可基于例如用户和/或制造商偏好。当症状处理器224确定剩余不超过阈值数量的问题时(框724:否),则该过程返回到图6的框604。当症状处理器224确定剩余多于阈值数量的问题时(框724:是),则症状处理器224确定是否剩余附加区别症状(框726)。当症状处理器224确定剩余附加区别症状时(框726:是),则该过程返回到框716以进一步滤除问题。当症状处理器224确定不剩余附加区别症状时(框726:否),则该过程返回到图6的框604。
除此之外或另选地,图2的症状处理器224可与机器108进行交互(例如,直接使用设备接口212和/或经由技术人员设备108间接进行交互)以获得机器104的输出数据(例如,由机器104拍摄的照片)。在此类示例中,症状处理器224可处理由成像设备获得的图像以识别在图像上发现的伪影(例如,缺陷)。症状处理器224可使用所识别的缺陷来识别问题、问题的来源和/或附加症状。例如,症状处理器224可基于所识别的缺陷来确定没有足够的辐射、过多的辐射、识别到失效的检测器、未对准问题等。在一些示例中,症状处理器224可将所识别的问题、问题来源和/或与缺陷相关联的症状与先前的问题解决方案信息(例如,存储在示例性问题解决方案数据库220中)进行比较,以确定问题是否对应于配置和/或设计缺陷。在此类示例中,症状处理器224可将警报传输到机器108、机器108的用户(例如,经由文本、电子邮件等)、系统管理员等识别设计缺陷。另外,机器识别器240可更新群组信息和/或向类似机器生成警报以识别设计缺陷。
图8包括表示机器可读指令的流程图604,该机器可读指令可由图2的机器恢复系统102的结构部件实现以执行智能维护包过程。尽管结合图1和/或图2的机器恢复系统102描述了图8的流程图604,但也可以替代地使用其他类型的恢复系统和/或其他类型的处理器。
在框800处,维护包生成器225从症状处理器224获得错误代码(例如,经由数据库接口214从机器日志数据库218获得错误代码)和/或补偿问题。在一些示例中,机器日志218可包括可用于执行智能发现过程的机器标识符和/或上下文信息。在框802处,机器识别器240确定是否应执行智能发现。例如,当智能发现过程尚未执行并且错误代码为待执行的智能发现过程提供附加信息(例如,机器标识符和/或特定上下文信息)时,机器识别器240可执行智能过程。
当机器识别器240确定将不执行智能发现时(框802:否),则过程继续到框806。当机器识别器240确定应执行智能发现过程时(框802:是),则机器恢复系统102执行智能发现过程(框804),如下文结合图10进一步所述。在框806处,维护包生成器228基于模板布局生成维护包。初始模板布局可基于技术人员和/或制造商偏好,并且可以是可定制的。在框808处,维护包生成器228经由数据库接口214访问来自数据库216、220、222的信息。例如,当已识别出机器104时,维护包生成器228可从企业系统数据库216访问(A)上下文信息(例如,客户站点和布局信息、合同保证、资产位置、历史机器信息等),(B)来自问题解决方案数据库220的对应于错误代码和/或所识别的问题的问题解决方案数据,和/或(C)来自动态系统健康状态数据库222的对应于机器104的系统健康状态信息。
在框810处,维护包生成器204确定对应于机器104的模型/数字孪生是否可用。例如,当已执行智能发现过程时,则已识别出对应于机器104的模型/数字孪生。除此之外或另选地,可基于错误代码、所识别的问题和/或所访问的信息来选择模型/数字孪生。当维护包生成器204确定对应于机器104的模型/数字孪生不可用时(框810:否),则过程继续到框814。当维护包生成器204确定对应于机器104的模型/数字孪生可用时(框810:是),则解决方案预测器230基于错误代码、所识别的问题和/或所访问的信息来测试对应的模型/数字孪生以识别机器问题的潜在解决方案。
例如,可基于症状和/或其他信息来处理x射线成像设备和/或x射线成像设备的部件的数字孪生(例如,x射线检测器的数字孪生等)。数字孪生建模症状以确定相关联的系统问题和/或建模问题以模拟一个或多个解决方案和相关联的结果以帮助确定例如要应用于改善由机器104表现出的症状的解决方案或“维修”。由于数字孪生是在虚拟空间中再现的实际机器104及其环境的基于物理的模型或复制品,因此对数字孪生的影响应指示对实际机器104的类似影响。
另选地或除此之外,深度学习网络(诸如深度学习网络500)可应用于将症状、问题、机器104的配置信息等作为输入,并且将这些输入与资源约束、客户需求、机器限制等相关联,以确定例如所提议的解决方案来解决问题。
在框814处,解决方案预测器230基于人工智能模型(例如,模型/数字孪生、神经网络等)的测试和/或问题解决方案数据库220的对应于所获得的错误代码、所识别的问题和/或所访问的信息的问题解决方案数据来预测解决方案。在框816处,解决方案预测器230确定是否能够预测至少一个解决方案。当不能预测至少一个解决方案时(框816:否),则过程继续到框820。当能够预测至少一个解决方案时(框816:是),则维护包生成器228将预测的解决方案信息添加到维护包(框818)。例如,维护包生成器228可添加对应于预测解决方案的手册/教程的部分。
在框820处,维护包生成器228确定是否存在为专用工具的对应于错误代码、问题和/或预测解决方案的工具。例如,每个技术人员都可携带或需要携带某些工具,并且可被允许不携带要么太大而不能一直携带、要么很少被利用、和/或对于公司而言太昂贵而不能为每名技术人员购买专用工具的专用工具。因此,一些专用工具可位于技术人员在需要时可获得专用工具的预定位置。因此,优选的是知道服务请求是否将需要专用工具,使得技术人员可以携带该工具到达,而不是在已经到达服务位置之后发现他/她需要该工具。专用工具与错误代码、问题和/或预测解决方案之间的对应关系可存储在问题解决方案数据库220中。
如果维护包生成器228确定对应于错误代码、问题和/或预测解决方案的一个或多个工具不是专用工具(框820:否),则该过程继续到框824。当维护包生成器228确定对应于错误代码、问题和/或预测解决方案的一个或多个工具是专用工具时(框820:是),维护包生成器228将专用工具的标识符添加到维护包(框822)。因此,技术人员知道他/她可能需要获得针对服务请求的专用工具。在框824处,维护包生成器228基于错误代码、问题、可能需要的替换部件、站点位置信息(例如,到站点位置的地图和/或方向)、和/或预测解决方案将其它相关信息和/或机器手册/教程的部分添加至维护包。
最终维护包是相关客户数据、机器配置信息、可执行指令/代码等的数据结构,其可由资源用于解决和/或识别机器104的问题。当问题可远程解决时(例如,通过传输待由机器104执行的指令自动解决),维护包可包括软件指令、补丁等,这些软件指令、补丁等可被传输到机器104以用于进行修复和/或提示对应于问题的附加数据。另外,维护包可包括软件,该软件在由机器104执行时识别问题和/或其他问题是否已经解决。当维护包正被传输到技术人员的技术人员设备108时,维护包是包括技术人员可能需要以避免不必要的停机时间、费用等的相关和定制数据的数据结构。例如,维护包允许技术人员在到达位置之前识别为请求提供服务所需的替换部件、专用工具等。另外,维护包已识别服务手册的相关部分,使得技术人员不必花费时间和努力找到对应于机器和/或问题的正确手册信息。另外,维护包消除了新的技术人员在为机器104提供服务时查找不正确的信息。另外,当维护包包括数字孪生时,技术人员可通过首先向数字孪生应用技术来避免对机器造成进一步损坏和/或避免在不成功的服务技术上浪费时间。
图9包括表示机器可读指令的流程图606,该机器可读指令可由图2的机器恢复系统102的结构部件实现以执行智能调度过程。尽管结合图1和/或图2的机器恢复系统102描述了图9的流程图606,但也可以替代地使用其他类型的恢复系统和/或其他类型的处理器。
在框902处,远程指令执行器232确定所识别的解决方案中的一个或多个是否对应于一个或多个远程解决方案(例如,可经由其解决)。例如,问题解决方案数据库220可以包括与已经用远程指令解决或可以用远程指令解决的先前问题有关的信息。因此,远程指令执行器232可使用所识别的解决方案经由数据库接口214访问问题解决方案数据库220,以确定所识别的解决方案中的一个或多个是否可远程解决。当远程指令执行器232确定一个或多个解决方案不对应于远程解决方案时(框902:否),则过程继续到框908。当远程指令执行器232确定一个或多个解决方案对应于远程解决方案时(框902:是),则远程指令执行器232(例如,直接)向机器104执行远程解决方案和/或作为至技术人员的维护包的一部分执行(框904)。例如,远程指令执行器232可传输软件补丁、重启指令和/或其他远程指令以尝试解决影响机器的问题中的一个或多个问题。又如,远程指令执行器232经由维护包警示技术人员潜在的远程指令解决方案。在此类示例中,技术人员尝试将指令远程传输到机器104以尝试解决该问题。
在框906处,远程指令执行器232确定是否已解决机器104的问题。例如,远程指令执行器232可基于与机器104直接的网络通信和/或基于完成触发和/或来自技术人员设备108的识别出服务请求完成的任何其他触发来确定机器104的问题已被解决。当远程指令执行器232确定问题已被解决时(框906:是),则该过程返回至图6的框608。当远程指令执行器232确定问题尚未解决时(框906:否),则过程继续到框908。
在框908处,技术人员选择器234确定所识别的错误代码和/或问题是否对应于关键性错误。错误代码和/或问题可基于用户/制造/客户偏好被识别为关键性错误。例如,当客户具有两个相同机器时,只要一个机器是可操作的,来自另一个机器的任何错误代码就不是关键性的。在另一个示例中,导致机器104完全关闭的任何错误代码和/或问题可对应于关键性错误。当技术人员选择器234确定所识别的错误代码和/或问题不对应于关键性错误时(框908:否),则过程继续到框912。当技术人员选择器234确定所识别的错误代码和/或问题对应于关键性错误时(框908:是),则技术人员选择器234通过滤除技术人员数据库238中在阈值时间量内不可用于服务关键性错误的技术人员来生成一组可用技术人员(框910)。例如,技术人员选择器234可以分析技术人员的计划表以确定哪些技术人员立即可用(例如,基于他们的计划表和他们到服务位置的距离等可以在阈值时间量内服务于请求)。距服务位置的距离可包括从技术人员的当前位置到用以获得专业部件和/或替换部件的第一位置的第一距离,以及从第一位置到服务位置的第二距离。
在框912处,技术人员选择器234检查对应于机器的临床工作流。临床工作流对应于用于完成特定任务的一系列机器。例如,可评估临床工作流中的其他机器以确定是否要服务另外的机器(例如,是否应检查、是否为问题的一部分等)和/或问题是否源于另一个机器。例如,当第一机器的输出用于第二机器中,其中识别出问题时,则该问题可导致无效输入。在此类示例中,即使在第二机器中识别出问题,实际问题也可来自第一机器。因此,可能期望选择可服务于多个机器的技术人员或多个技术人员来服务于临床工作流中的多个机器,以避免在不同时间派出不同的技术人员。
在框914处,技术人员选择器234确定站点位置处的附加机器是否需要服务(例如,建筑物中或基于临床工作流的其他机器是否应检查或也对应于错误/问题)。当技术人员选择器234确定站点位置处不存在需要服务的附加机器时(框914:否),则过程继续到框918。当技术人员选择器234确定站点位置处存在需要服务的附加机器时(框914:是),则权重乘法器236基于技术人员可服务的附加机器的数量来调整可用技术人员的预设权重(框916)。例如,当技术人员选择器234识别出需要/应该服务的三个机器时,则将较高的权重施加于可服务于所有三个机器的技术人员,并且将较低的权重施加于仅可服务于一个机器的技术人员。当技术人员不能服务于任何机器时,则施加零权重,从而滤除该技术人员,除非其为可用的唯一技术人员。
在框918处,权重乘法器236基于技能等级、工具、距离、可用性等来调整可用技术人员的权重。在一些示例中,权重乘法器可利用神经网络(例如,图5的示例性神经网络500)基于包括资源的技能等级、工具、距离等的输入来生成权重。调整的次数和/或权重的强度可基于用户/制造/客户偏好。例如,当对于客户来说时间是高优先级时,则距离和可用性可接收比技能等级更高的权重。在框920处,技术人员选择器234确定在站点位置处为机器提供服务所需的技术人员的数量。技术人员的数量可基于与客户的合同、技术人员的可用性、机器问题的复杂性和/或需要服务的机器的数量。在框922处,技术人员选择器234选择X个最高加权技术人员,其中X对应于框920的确定的数量。在框924处,技术人员选择器234经由设备接口212将服务请求的指示与对应的维护包一起传输给选择的技术人员。
图10包括表示机器可读指令的流程图610、706、802,该机器可读指令可由图2的机器恢复系统102的结构部件实现以执行智能发现过程。尽管结合图1和/或图2的机器恢复系统102描述了图10的流程图610、706、802,但也可以替代地使用其他类型的恢复系统和/或其他类型的处理器。
在框1002处,机器识别器240确定机器ID是否可用。机器ID可由用户、机器、技术人员(例如,当为机器提供服务时)提供,和/或可结合机器104存储在数据库216、218、220、222中的一个或多个数据库中。当机器识别器240确定机器ID不可用时(框1002:否),则机器识别器240使用机器识别器240可使用所获得的关于机器104的信息,并将所获得的信息(例如,上下文信息)与企业系统数据库216中的所存储的信息进行比较以识别机器(框1004)。在一些示例中,所获得的信息可包括机器104的一个或多个照片。在此类示例中,机器识别器240利用图像处理技术来确定机器104的不同特征和/或机器104所位于的位置,并且将经处理的照片和/或不同特征与参考数据和/或参考位置信息进行比较以识别机器104。在一些示例中,机器识别器420可利用神经网络(例如,图5的示例性神经网络500)基于上下文信息来识别机器。
如果机器识别器240确定机器ID可用(框1002:是),则机器识别器240基于机器ID识别机器104(框1006)。在框1008处,机器识别器240确定所识别的机器的品牌、型号、模态和/或其他信息。例如,机器识别器240可经由数据库接口214访问企业系统数据库216,以获得对应于所识别的机器的信息。在框1010处,模型生成器242确定是否存在所识别的机器的品牌、型号、模态和/或其他信息的对应群组。机器群组具有类似的品牌、型号、模态和/或其他信息。来自群组中的机器的信息可用于诊断、预测问题和/或为群组中的其他机器服务。另外,群组对应于基于从群组获得的信息而定制的人工智能模型(例如,模型、数字孪生和/或神经网络)。在一些示例中,机器可对应于多个群组。群组信息可存储在企业系统数据库216中。
如果模型生成器242确定不存在对应的机器群组(框1010:否),则模型生成器242基于品牌、模态和/或型号来选择模板人工智能模型(例如,模型/数字孪生、神经网络等)(框1012)。在框1014处,模型生成器242通过用对应于机器的模态和/或其他可用信息修改模板人工智能模型(例如,模型/数字孪生、神经网络等)来为机器104生成人工智能模型(例如,模型/数字孪生、神经网络等)。当模型生成器242确定存在对应的机器群组时(框1010:是),则模型生成器242选择对应的群组的人工智能模型(例如,模型、数字孪生、神经网络等)(框1016)。在框1018处,模型生成器242经由设备接口212将对应群组的人工智能模型(例如,模型、数字孪生、神经网络等)部署到技术人员的设备108(例如,其可包括在智能包中)。技术人员可在机器104的服务之前/期间利用人工智能模型(例如,模型、数字孪生、神经网络等)作为测试机器。
在框1020处,信息更新器246将所识别的机器的错误信息(例如,错误代码、所识别的问题等)与群组相对应地存储(例如,经由数据库接口214存储在企业系统数据库216中等)。使用该错误信息,该群组可跟踪群组内的机器的错误/问题,以展开进一步的分析和/或预测群组内的未来错误。在框1022处,信息更新器246确定群组中的其他机器是否对应于类似的错误/问题。当信息更新器246确定群组中的其他机器对应于类似错误/问题时,则信息更新器246将错误/问题标记为与上下文信息(例如,发生错误的时间,发生错误之前的执行数量、最后服务和错误之间的时间量、机器的使用年限、位置信息等)相关联的共同错误。在框1026处,设备接口212为具有类似上下文信息的机器传输对应于该标记的警告。例如,当机器104操作五年后发生错误时,则设备接口212可将警告传输到已经操作了四年以上的其他机器。设备接口212可将警告传输到设备、设备的用户(例如,经由电子邮件、文本消息等)、客户、机器恢复系统102的管理者、服务中心106和/或任何其他相关方。
图11是被构造为执行图6、图7、图8、图9和/或图10的指令以实现图2的机器恢复系统102的处理器平台1100的框图。处理器平台1100可以是例如服务器、个人计算机、工作站、自学机器(例如,神经网络)、互联网设备或任何其他类型的计算设备。
所示示例的处理器平台1100包括处理器1112。所示示例的处理器1112是硬件。例如,处理器1112可以由来自任何期望的产品系列或制造商的一个或多个集成电路、逻辑电路、微处理器、GPU、DSP或控制器来实现。硬件处理器可以是基于半导体的(例如,基于硅的)设备。在该示例中,处理器1112实施设备接口212、数据库接口214、症状处理器224、过滤器226、维护包生成器228、解决方案预测器230、远程指令执行器232、技术人员选择器234、权重乘法器236、技术人员数据库238、机器识别器240、模型生成器242、调查生成器244、信息更新器246和数据库接口214。
所示示例的处理器1112包括本地存储器1113(例如,高速缓存)。所示示例的处理器1112经由总线1118与包括易失性存储器1114和非易失性存储器1116的主存储器通信。易失性存储器1114可由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、动态随机存取存储器和/或任何其他类型的随机存取存储器设备来实现。非易失性存储器1116可由闪存存储器和/或任何其他所需类型的存储器设备来实现。对主存储器1114、1116的访问由存储器控制器来控制。
所示示例的处理器平台1100还包括接口电路1120。接口电路1120可由任何类型的接口标准来实现,诸如以太网接口、通用串行总线(USB)、接口、近场通信(NFC)接口,和/或PCI express接口。
在所示示例中,一个或多个输入设备1122连接到接口电路1120。输入设备1122准许用户将数据和命令输入到处理器1112中。一个或多个输入设备可由例如音频传感器、麦克风、相机(静物相机或摄像机)、键盘、按钮、鼠标、触摸屏、触控板、轨迹球、isopoint和/或语音识别系统来实现。
一个或多个输出设备1124也连接到所示示例的接口电路1120。输出设备1124可例如由显示设备(例如,发光二极管(LED)、有机发光二极管(OLED)、液晶显示器(LCD)、阴极射线管显示器(CRT)、就地切换(IPS)显示器、触摸屏等)、触觉输出设备、打印机和/或扬声器来实现。因此,所示示例的接口电路1120通常包括图形驱动器卡、图形驱动器芯片和/或图形驱动器处理器。
所示示例的接口电路1120还包括通信设备,诸如发射器、接收器、收发器、调制解调器、家庭网关、无线接入点和/或网络接口,以有利于经由网络1126与外部机器(例如,任何种类的计算设备)交换数据。通信可经由例如以太网连接、科技用户线路(DSL)连接、电话线连接、同轴电缆系统、卫星系统、直线对传式无线系统、蜂窝电话系统等来进行。
所示示例的处理器平台1100还包括用于存储软件和/或数据的一个或多个大容量存储设备1128。此类大容量存储设备1128的示例包括软盘驱动器、硬盘驱动器盘、光盘驱动器、蓝光盘驱动器、独立磁盘冗余阵列(RAID)系统以及数字通用光盘(DVD)驱动器。
图6、图7、图8、图9和/或图10的机器可执行指令1132可存储在大容量存储设备1128中、易失性存储器1114中、非易失性存储器1116中和/或可移动的非暂态计算机可读存储介质上,诸如CD或DVD。
根据上述内容,应当理解,已经公开了提供新的技术先进的成像模态维护、监测和修复的示例性方法、装置和制品。所公开的方法、装置和制品通过将计算设备转换成诊断和修复工具以接收机器的症状和/或配置信息(例如,通过数据传输、测量、监视等),识别该机器和/或其他连接部件的问题,对问题的解决方案的选择进行建模和驱动以及识别适当的资源以执行该解决方案来改善机器处的症状/问题来提高使用计算设备的效率。某些示例通过建模和/或网络分析来提供模拟,并且生成要部署以解决问题的维护包。因此,所公开的方法、装置和制品涉及计算机功能的一个或多个改进。
例如,可以对结果和观察到的行为建模,以开发成像模态设备、修复资源、环境等的真实的、基于物理的虚拟对应物,和/或稳健的学习网络模型,以根据对机器问题的指示生成解决方案。某些示例包括问题的严重性、问题的即时性、问题的范围,以及用于生成打包的解决方案的可用工具、技术人员和/或其他资源,以解决目标机器和/或其群组中的其他机器、其环境中的其他设备、其维护路径/协议上的其他部件等的问题。某些示例生成修复或维护包以诊断和/或治疗机器的问题,而不是发送不足的资源来解决问题、每天花费数百美元在行程和时间上、使得问题加剧和花费更多来进行解决,从而导致更大的机器不可用性。解决方案可针对特定环境中的特定机器进行调整和/或可延伸到某个位置处、某个群组中等的类似机器。虽然现有方法涉及手动技术人员调查,但某些示例为具有特定问题的特定机器提供了定制的演进解决方案。例如,用于一天12次扫描的MR机器可以与用于一天30次扫描的另一MR机器不同地建模和处理。可对机器进行比较,以分配相同的响应和/或偏离以为其使用模式与群组中的其他机器不同的机器开发不同的响应。某些示例提供群组建模、站点建模、工作流/协议建模等,以将环境利用于机器修复的有益效果,并且将一个机器的修复利用于较大环境的有益效果。
虽然本文已公开了某些示例性方法、装置和制品,但本专利的覆盖范围不限于此。相反,本专利覆盖合理落入本专利的权利要求书的范围内的所有方法、装置和制品。
Claims (20)
1.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括指令,所述指令在被执行时使得机器至少执行以下操作:
基于成像设备的错误代码或所述成像设备的识别的问题中的至少一者来访问来自数据库的信息;
基于所述错误代码或所识别的问题中的所述至少一者以及与对应于所述错误代码或所识别的问题中的所述至少一者的先前解决方案相关的信息来预测用于服务所述成像设备的解决方案;
基于所述解决方案生成定制维护包,所述定制维护包包括来自对应于所述解决方案的手册的相关信息;
使用无线通信将所述定制维护包传输到技术人员设备,所述定制维护包将所述技术人员设备配置为根据所述解决方案服务所述成像设备;
响应于所述成像设备的所述服务的完成,从对应于所述维护包的所述技术人员设备获得对提示的响应,所述提示识别对应于所述成像设备的所述服务的信息;以及
更新所述成像设备的所访问的信息、所预测的解决方案、所述相关信息或数字孪生中的至少一者,以基于对所述提示的所述响应来更新后续定制维护包生成。
2.根据权利要求1所述的计算机可读存储介质,其中所述指令使得所述机器通过基于所访问的信息、所述错误代码或所识别的问题中的至少一者测试所述成像设备的模型来预测用于服务所述成像设备的所述解决方案。
3.根据权利要求2所述的计算机可读存储介质,其中所述指令使得所述机器将所述成像设备的所述模型添加到所述维护包。
4.根据权利要求1所述的计算机可读存储介质,其中所述信息对应于所述成像设备的上下文信息、问题解决方案数据或系统健康信息中的至少一者。
5.根据权利要求3所述的计算机可读存储介质,其中所述指令使得所述机器基于来自技术人员的反馈来更新所述数据库。
6.根据权利要求1所述的计算机可读存储介质,其中所述指令使得所述机器基于来自技术人员的反馈来更新所述维护包的格式或所述维护包中的信息中的至少一者。
7.根据权利要求1所述的计算机可读存储介质,其中所述指令使得所述机器确定专用工具是否对应于所预测的解决方案。
8.根据权利要求7所述的计算机可读存储介质,其中所述指令使得所述机器在所述专用工具对应于所预测的解决方案时向所述维护包添加所述专用工具的标识符。
9.根据权利要求1所述的计算机可读存储介质,其中所述指令使得所述机器包括到所述成像设备的位置的方向或识别所述成像设备的所述位置的地图中的至少一者。
10.根据权利要求1所述的计算机可读存储介质,其中所述技术人员设备能够进行以下中的至少一者:直接服务所述成像设备、远程服务所述图像设备或促进技术人员修复。
11.一种装置,包括:
解决方案预测器,所述解决方案预测器用于基于错误代码或识别的问题中的所述至少一者以及与对应于所述错误代码或所识别的问题中的所述至少一者的先前解决方案相关的信息来预测用于服务成像设备的解决方案;
维护包生成器,所述维护包生成器用于生成对应于所述解决方案的定制数据结构,所述定制数据结构包括用以服务所述成像设备的自动解决方案;
接口,所述接口用于:
使用无线通信将所述定制数据结构传输到所述成像设备或连接到所述成像设备的修复设备中的至少一者;以及
响应于所述成像设备执行所述自动解决方案,获得对应于使用所述修复设备进行的所述成像设备的所述服务的响应;和
信息更新器,所述信息更新器用于更新所述成像设备的所访问的信息、所预测的解决方案、相关信息或数字孪生中的至少一者,以基于所述响应来更新后续定制维护包生成。
12.根据权利要求11所述的装置,其中所述解决方案预测器用于通过基于所访问的信息、所述错误代码或所识别的问题中的至少一者测试所述成像设备的模型来预测用于服务所述成像设备的所述解决方案。
13.根据权利要求12所述的装置,其中所述维护包生成器用于将所述成像设备的所述模型添加到所述维护包。
14.根据权利要求11所述的装置,其中所述信息对应于所述成像设备的上下文信息、问题解决方案数据或系统健康状态信息中的至少一者。
15.根据权利要求13所述的装置,其中所述信息更新器用于基于来自技术人员的反馈来更新数据库。
16.根据权利要求11所述的装置,所述信息更新器用于基于来自技术人员的反馈来更新所述维护包的格式或所述维护包中的信息中的至少一者。
17.根据权利要求11所述的装置,其中所述维护包生成器用于确定专用工具是否对应于所预测的解决方案。
18.根据权利要求17所述的装置,其中所述维护包生成器用于在所述专用工具对应于所预测的解决方案时向所述维护包添加所述专用工具的标识符。
19.根据权利要求11所述的装置,其中所述维护包生成器用于包括到所述成像设备的位置的方向或识别所述成像设备的所述位置的地图中的至少一者。
20.一种方法,包括:
基于成像设备的错误代码或所述成像设备的识别的问题中的至少一者来访问来自数据库的信息;
基于所述错误代码或所识别的问题中的所述至少一者以及与对应于所述错误代码或所识别的问题中的所述至少一者的先前解决方案相关的信息来预测用于服务所述成像设备的解决方案;
基于所述解决方案生成定制维护包,所述定制维护包包括用于服务所述成像设备所需的替换部件或专用工具中的至少一者;
使用无线通信将所述定制维护包传输到技术人员设备,以将所述技术人员设备配置为有利于根据所述解决方案服务所述成像设备;
响应于所述成像设备的所述服务的完成,从对应于所述维护包的所述设备获得反馈;以及
更新所述成像设备的所访问的信息、所预测的解决方案、相关信息或数字孪生中的至少一者,以基于所述反馈来更新后续定制维护包生成。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/232,437 US11531970B2 (en) | 2018-12-26 | 2018-12-26 | Imaging modality maintenance care package systems and methods |
US16/232,437 | 2018-12-26 | ||
PCT/US2019/068517 WO2020139907A1 (en) | 2018-12-26 | 2019-12-26 | Imaging modality maintenance care package systems and methods |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113196315A true CN113196315A (zh) | 2021-07-30 |
Family
ID=69326735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980077201.2A Pending CN113196315A (zh) | 2018-12-26 | 2019-12-26 | 成像模态保养维护包系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11531970B2 (zh) |
EP (1) | EP3903251A1 (zh) |
JP (1) | JP7297898B2 (zh) |
CN (1) | CN113196315A (zh) |
WO (1) | WO2020139907A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11676063B2 (en) * | 2019-03-28 | 2023-06-13 | International Business Machines Corporation | Exposing payload data from non-integrated machine learning systems |
US11714152B2 (en) * | 2019-04-26 | 2023-08-01 | Regents Of The University Of Minnesota | Methods for scan-specific artifact reduction in accelerated magnetic resonance imaging using residual machine learning algorithms |
JP7322538B2 (ja) * | 2019-06-20 | 2023-08-08 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及びプログラム |
WO2022240906A1 (en) * | 2021-05-11 | 2022-11-17 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for edge-distributed storage and querying in value chain networks |
EP4075239A1 (en) * | 2021-04-16 | 2022-10-19 | TRUMPF Medizin Systeme GmbH + Co. KG | Method of operation of a computer assisted reality system for a medical apparatus, computer assisted reality system and computer program product |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6115489A (en) * | 1997-09-02 | 2000-09-05 | General Electric Company | System and method for performing image-based diagnosis |
JP2010122847A (ja) * | 2008-11-19 | 2010-06-03 | Hitachi Ltd | 装置異常診断方法及びシステム |
US20110060945A1 (en) * | 2009-09-08 | 2011-03-10 | Softthinks Sas | Smart repair of computer systems |
US20130115923A1 (en) * | 2010-07-27 | 2013-05-09 | Xerox Corporation | Method and system for delivering device specific service documentation to a mobile platform |
US20130275313A1 (en) * | 2013-05-31 | 2013-10-17 | Javid Vahid | Apparatus, methods and systems for knowledge based maintenance |
CN103451866A (zh) * | 2013-09-05 | 2013-12-18 | 新杰克缝纫机股份有限公司 | 工业缝纫机远程监测与故障诊断系统 |
CN104412190A (zh) * | 2012-07-24 | 2015-03-11 | 通用电气公司 | 用于人机接口(hmi)设备的健康评估的系统和方法 |
CN104871136A (zh) * | 2012-12-19 | 2015-08-26 | 吉林克斯公司 | 实时在线技术支援 |
CN105278519A (zh) * | 2014-06-23 | 2016-01-27 | 通用汽车环球科技运作有限责任公司 | 用于车辆的基于增强现实的交互式故障排除和诊断 |
CN105731209A (zh) * | 2016-03-17 | 2016-07-06 | 天津大学 | 基于物联网的电梯故障智能预测与诊断及维护方法 |
JP2017045220A (ja) * | 2015-08-26 | 2017-03-02 | Necフィールディング株式会社 | 管理装置、管理システム、管理装置の制御方法、及びプログラム |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6381557B1 (en) | 1998-11-25 | 2002-04-30 | Ge Medical Systems Global Technology Company, Llc | Medical imaging system service evaluation method and apparatus |
JP2001118177A (ja) | 1999-10-21 | 2001-04-27 | Babcock Hitachi Kk | 現場点検操作支援装置とその点検操作方法 |
US6665425B1 (en) * | 1999-12-16 | 2003-12-16 | Xerox Corporation | Systems and methods for automated image quality based diagnostics and remediation of document processing systems |
US20040139176A1 (en) | 2002-08-29 | 2004-07-15 | Kevin Farrell | Systems and methods for improving service delivery |
US8489408B2 (en) | 2002-10-18 | 2013-07-16 | Kabushiki Kaisha Toshiba | Medical equipment management apparatus which predicts future status of medical equipment |
US6882271B2 (en) | 2002-11-12 | 2005-04-19 | Koninklijke Philips Electronics N.V. | Automated medical imaging system repair diagnostics |
JP2005032103A (ja) | 2003-07-09 | 2005-02-03 | Nec Corp | 自動販売機管理システム |
US20060184410A1 (en) | 2003-12-30 | 2006-08-17 | Shankar Ramamurthy | System and method for capture of user actions and use of capture data in business processes |
US8019503B2 (en) | 2007-06-28 | 2011-09-13 | Innova Electronics Corp | Automotive diagnostic and remedial process |
US8121856B2 (en) | 2005-06-28 | 2012-02-21 | Hill-Rom Services, Inc. | Remote access to healthcare device diagnostic information |
US8200533B2 (en) * | 2008-10-02 | 2012-06-12 | ecoATM, Inc. | Apparatus and method for recycling mobile phones |
US20100095188A1 (en) | 2008-10-09 | 2010-04-15 | Transwitch Corporation | Apparatus and method for detecting and correcting errors in control characters of a multimedia interface |
US8520920B2 (en) * | 2009-11-11 | 2013-08-27 | Siemens Corporation | System for dynamically improving medical image acquisition quality |
US8468391B2 (en) | 2010-08-04 | 2013-06-18 | International Business Machines Corporation | Utilizing log event ontology to deliver user role specific solutions for problem determination |
US8621278B2 (en) | 2011-06-28 | 2013-12-31 | Kaspersky Lab, Zao | System and method for automated solution of functionality problems in computer systems |
US10762475B2 (en) | 2015-02-25 | 2020-09-01 | Siemens Schweiz Ag | Digital twins for energy efficient asset maintenance |
US10235646B2 (en) | 2015-04-10 | 2019-03-19 | Teletracking Technologies, Inc. | Systems and methods for automated real-time task scheduling and management |
EP3168793B1 (en) * | 2015-11-13 | 2020-08-26 | ABB Schweiz AG | Remote user support tool |
US20180315260A1 (en) | 2017-05-01 | 2018-11-01 | PiMios, LLC | Automotive diagnostics using supervised learning models |
EP3407567A1 (en) | 2017-05-26 | 2018-11-28 | ABB Schweiz AG | Application deployment in industrial internet of things |
EP3486675B1 (en) | 2017-11-21 | 2020-02-19 | Siemens Healthcare GmbH | Automatic failure detection in medical devices |
US10966791B2 (en) | 2017-12-28 | 2021-04-06 | Ethicon Llc | Cloud-based medical analytics for medical facility segmented individualization of instrument function |
-
2018
- 2018-12-26 US US16/232,437 patent/US11531970B2/en active Active
-
2019
- 2019-12-26 CN CN201980077201.2A patent/CN113196315A/zh active Pending
- 2019-12-26 JP JP2021535510A patent/JP7297898B2/ja active Active
- 2019-12-26 WO PCT/US2019/068517 patent/WO2020139907A1/en unknown
- 2019-12-26 EP EP19843028.2A patent/EP3903251A1/en active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6115489A (en) * | 1997-09-02 | 2000-09-05 | General Electric Company | System and method for performing image-based diagnosis |
JP2010122847A (ja) * | 2008-11-19 | 2010-06-03 | Hitachi Ltd | 装置異常診断方法及びシステム |
US20110060945A1 (en) * | 2009-09-08 | 2011-03-10 | Softthinks Sas | Smart repair of computer systems |
US20130115923A1 (en) * | 2010-07-27 | 2013-05-09 | Xerox Corporation | Method and system for delivering device specific service documentation to a mobile platform |
CN104412190A (zh) * | 2012-07-24 | 2015-03-11 | 通用电气公司 | 用于人机接口(hmi)设备的健康评估的系统和方法 |
CN104871136A (zh) * | 2012-12-19 | 2015-08-26 | 吉林克斯公司 | 实时在线技术支援 |
US20130275313A1 (en) * | 2013-05-31 | 2013-10-17 | Javid Vahid | Apparatus, methods and systems for knowledge based maintenance |
CN103451866A (zh) * | 2013-09-05 | 2013-12-18 | 新杰克缝纫机股份有限公司 | 工业缝纫机远程监测与故障诊断系统 |
CN105278519A (zh) * | 2014-06-23 | 2016-01-27 | 通用汽车环球科技运作有限责任公司 | 用于车辆的基于增强现实的交互式故障排除和诊断 |
JP2017045220A (ja) * | 2015-08-26 | 2017-03-02 | Necフィールディング株式会社 | 管理装置、管理システム、管理装置の制御方法、及びプログラム |
CN105731209A (zh) * | 2016-03-17 | 2016-07-06 | 天津大学 | 基于物联网的电梯故障智能预测与诊断及维护方法 |
Non-Patent Citations (1)
Title |
---|
南淑君;李宏哲;: "通用测试诊断专家系统的设计与实现", 电子产品可靠性与环境试验, no. 01, 20 February 2016 (2016-02-20) * |
Also Published As
Publication number | Publication date |
---|---|
JP2022515997A (ja) | 2022-02-24 |
US20200210966A1 (en) | 2020-07-02 |
US11531970B2 (en) | 2022-12-20 |
JP7297898B2 (ja) | 2023-06-26 |
EP3903251A1 (en) | 2021-11-03 |
WO2020139907A1 (en) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11531901B2 (en) | Imaging modality smart find maintenance systems and methods | |
US11120904B2 (en) | Imaging modality maintenance smart dispatch systems and methods | |
US10838797B2 (en) | Imaging modality smart symptom maintenance systems and methods | |
US11531970B2 (en) | Imaging modality maintenance care package systems and methods | |
Niu | Data-driven technology for engineering systems health management | |
US10452525B2 (en) | Utilizing semantic clusters to predict software defects | |
US20180189332A1 (en) | Methods and systems for implementing a data reconciliation framework | |
US20210064518A1 (en) | Methods Circuits Devices Systems and Functionally Associated Machine Executable Code For Automatic Failure Cause Identification in Software Code Testing | |
Vogl et al. | Standards related to prognostics and health management (PHM) for manufacturing | |
JP2019028834A (ja) | 異常値診断装置、異常値診断方法、およびプログラム | |
US20190188574A1 (en) | Ground truth generation framework for determination of algorithm accuracy at scale | |
US11556837B2 (en) | Cross-domain featuring engineering | |
US20210109750A1 (en) | Code quality linked rewards | |
CN109698026B (zh) | 医学设备的故障处理时的组件识别 | |
CN116547618A (zh) | 用于自动或半自动识别维护案例的(一个或多个)故障区域的系统和方法 | |
JP7439140B2 (ja) | 人工知能を用いた適応型医用撮像装置の構成 | |
US20200387786A1 (en) | Method for learning from data with label noise | |
CN116235254A (zh) | 用于优化和个性化维修清单的系统和方法 | |
JP7204012B2 (ja) | 機械学習装置、デザインレビュー検証装置、機械学習方法 | |
US11693921B2 (en) | Data preparation for artificial intelligence models | |
EP4187455A1 (en) | Data quality improvement system for imaging system service work orders (swo) | |
Azhar | BONEFRACTURE DETECTION AND CLASSIFICATION USING DEEP LEARNING | |
WO2023089001A1 (en) | Identifying the cause of a problem with a medical imaging device | |
Altun | DATA-DRIVEN AND KNOWLEDGE-ASSISTED MODEL-BASED FRAMEWORKS FOR SUPPORTING FACILITY MAINTENANCE | |
WO2023099248A1 (en) | Data quality improvement system for imaging system service work orders (swo) |
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 |