CN114207593A - 用于分析仪器性能诊断的技术 - Google Patents

Abstract

本发明描述了用于分析仪器的诊断过程的技术和装置。在一个实施方案中，例如，装置可包括至少一个存储器和耦接到该至少一个存储器的逻辑。该逻辑可被配置为接收与至少一个分析仪器相关联的诊断信息，并使用计算模型处理该诊断信息以为至少一个诊断设备生成至少一个诊断模型。本发明描述了其他实施方案。

Description

用于分析仪器性能诊断的技术

相关申请的交叉引用

本申请要求2019年6月10日提交的名称为“TECHNIQUES FOR ANALYTICALINSTRUMENT PERFORMANCE DIAGNOSTICS”（用于分析仪器性能诊断的技术）的美国临时申请第62/859,565号的权益，该临时申请据此以引用方式并入。

技术领域

本文的实施方案整体涉及管理分析仪器，并且更具体地涉及用于监测分析仪器性能和诊断分析仪器异常操作状况的过程。

背景技术

分析仪器的性能受到持续监测以确保数据质量。分析仪器诸如质谱（MS）和/或液相色谱-质谱（LC-MS）系统能够提供复杂样品组的详细特征描述。然而，用于执行分析以获得精确、详细的分析数据的能力导致MS和LC-MS系统易受操作不稳定性的影响，包括难以检测和诊断的硬件和/或软件问题。此类问题可能是由于现有或即将发生的部件故障、人为错误、不正确的系统配置等造成的。在常规系统中，确定根本原因通常涉及由操作者执行的广泛且耗时的试错过程，这些操作者可能有在分析仪器上运行方法的经验，但是可能对特定系统组件没有足够的知识来高效地确定诊断。

附图说明

图1示出了根据实施方案的第一操作环境的实施方案。

图2示出了第二操作环境的实施方案。

图3示出了第三操作环境的实施方案。

图4示出了用于诊断的配置结构。

图5至图16示出了根据一些实施方案的用于各种诊断场景的图表和相关联的数据捕获文件。

图17至图39示出了根据一些实施方案的用于色谱系统的例示性诊断场景。

图40示出了计算架构的实施方案。

具体实施方式

各种实施方案可整体涉及用于监测分析仪器的性能的系统、方法和/或装置。在一些实施方案中，诊断服务过程可用于确定分析仪器和/或其部件的标准操作状况。在各种实施方案中，标准操作状况可包括与标准参考数据（例如，对应于分析仪器的正常、预期和/或类似操作的数据）相关联的分析仪器操作。在示例性实施方案中，诊断服务过程可操作以确定分析仪器和/或其部件的非标准操作状况。在各种实施方案中，非标准操作状况可包括与非标准参考数据（例如，对应于分析仪器的异常状况、意外状况、部件故障（或即将发生的故障）状况、仪器错误状况和/或类似操作的数据）相关联的分析仪器操作。在一些实施方案中，诊断服务过程可操作以确定非标准操作状况的原因。

在各种实施方案中，可例如经由数据通道来访问在分析仪器和/或其部件的操作期间生成的数据。一些实施方案可通过神经网络和大数据（例如，可计算分析以显示出数据通道之间的模式、趋势和关联的大数据集）来实现具有机器学习的自动化计算机软件。诊断服务过程可操作以使用数据执行训练过程。训练过程的非限制性示例可包括开发通过/失败输入/输出函数以确定给定仪器相对于在仪器/系统的正常操作（例如，液相色谱-质谱（LC-MS）系统的初始化、流动或运行进样）中发生的一池记录的重复正/负测试的行为。诊断服务过程可操作以执行测试过程，例如检测和/或诊断分析仪器和/或其部件的仪器问题（例如，非标准操作状况）。在各种实施方案中，测试过程可包括将通过/失败输入/输出函数应用于预定测试（例如，在训练过程期间确定的测试）并将收集的结果和数据提供给训练数据存储库。

在各种实施方案中，分析仪器和/或其部件可在各种可能的场景中生成操作数据，各种可能的场景包括但不限于静止时、快速诊断测试、或在正常操作时（例如，执行分析方法）。在示例性实施方案中，操作数据可为或可包括来自内部设备的基于时间的数字化二进制模拟数据。在一些实施方案中，可经由驻留在可操作地耦接到分析仪器和/或其部件的计算设备上的逻辑部件、处理器、控制器、电路等订阅和读取通道数据。在一些实施方案中，系统可包括一个或多个分析仪器、其部件和/或相关设备（例如，采样设备、试剂供应设备等）。每个系统可包括一个或多个逻辑部件（或控制器）和/或与其相关联。

在一些实施方案中，逻辑部件可接收分析仪器和/或其部件的配置信息。在各种实施方案中，配置信息可包括但不限于操作配置、模式、范围、参数、阈值等。在一些实施方案中，逻辑部件可接收配置数据项，以使用存储在数据存储库中并输入到一个或多个计算模型（例如，神经网络）中的配置数据、通道数据和相关诊断来执行训练过程或模式，以针对每个仪器、系统、设备、部件等和/或其操作模式、配置等创建模型。在一些实施方案中，逻辑部件可接收配置数据项，以使用输入到一个或多个计算模型（例如，神经网络）中的配置数据、实时通道数据，使用针对每个仪器、系统、设备、部件等和/或其操作模式、配置等的模型来执行测试过程或模式，以确定一个或多个诊断。在各种实施方案中，可将测试通道数据和/或诊断信息添加至训练数据存储库。在一些实施方案中，可向操作者提供对仪器、系统、设备、部件等和/或其操作模式、配置等的诊断，以用于审查、分析、标注（或“标记”）等。

在一些实施方案中，诊断服务过程可包括具有y=f(x)形式的机器学习框架，其中y是输出，f是预测函数，并且x是输入。例如，对于训练过程，给定标记实例的训练集{(x1,y1), …, (xN,yN)}，可以估算预测函数f以使训练集上的预测误差最小化。又如，对于测试过程，可将f应用于新的测试实例x，并可确定输出预测值y=f(x)。

在各种实施方案中，可为分析系统生成计算模型，该分析系统可包括分析仪器、分析仪器部件和/或相关联的设备。计算模型可包括与标准操作（例如，正常操作、预期操作、适当操作、范围或阈值内操作等）相关联的标准模型和/或模型数据，其中系统和/或其部件（例如，分析仪器部件和/或相关联的设备）在接受极限内等适当地操作。计算模型可包括与非标准操作相关联的非标准模型和/或非标准模型数据，其中系统和/或其部件（例如，分析仪器部件和/或相关联的设备）在超出接受极限等不正确地操作。这样，可经由系统和/或系统部件的预测建模来预测系统故障和维护。因此，根据一些实施方案的诊断服务过程可以确定系统和/或系统部件何时已经发生故障和/或预测系统和/或系统部件何时将发生故障，并且更早地解决此类问题，并且具有比依赖于操作者实现的试错技术的常规系统更高的准确度。因此，与常规系统相比，根据一些实施方案操作的系统可实现更高水平的操作效率。

一些实施方案可在各种级别操作诊断过程。例如，级别可包括在单位级别，其可涉及低级离散机电感测，诸如电机、螺线管、柱等。在另一个示例中，级别可包括部件级，其可涉及子组件部件，诸如泵、加热器冷却器、样品处理装置等。在另一个示例中，级别可包括资质级别，其可包括功能域级别，诸如产品初始化、仪器资质、仪器测试等。在其他示例中，级别可包括综合级别，其可涉及表示系统的应用程序级，该应用程序级可包括任何后处理数据（例如，监测仪器数据（原始/处理）以将模式和趋势与特定硬件或方法问题相关联）。

在此描述中，可能阐述许多具体细节，例如部件和系统配置，以便提供对所描述的实施方案的更透彻理解。然而，本领域的技术人员将理解，可以在没有这种具体细节的情况下实践所描述的实施方案。另外，未详细示出一些众所周知的结构、元件和其它特征，以避免不必要地使所描述的实施方案模糊。

在以下描述中，对“一个实施方案”、“实施方案”、“示例性实施方案”、“各种实施方案”等的引用指示所描述的技术的实施方案可包括特定特征、结构或特性，但是一个以上的实施方案可能包括该特定特征、结构或特性且并非每个实施方案都必须包括该特定特征、结构或特性。此外，一些实施方案可以具有针对其他实施方案描述的特征中的一些、全部或没有这些特征。

如本说明书和权利要求书中所使用的，除非另有说明，否则使用序数形容词“第一”、“第二”、“第三”等来描述元件仅表示引用元件的特定实例或相似元件的不同实例，而并不意味着暗示如此描述的元件必须在时间、空间、排序或任何其它方式上处于特定顺序。

图1示出了可表示一些实施方案的操作环境100的示例。如图1所示，操作环境100可包括用于管理与设备115a至115n相关联的信息的系统105。在一些实施方案中，设备115a至115n可为或可包括分析仪器、其部件（例如，泵、阀、仪器模块等）、与其相关联的设备（例如，样品管理系统、试剂系统等）等。在一些实施方案中，分析仪器可为或可包括色谱系统、液相色谱（LC）系统、气相色谱（GC）系统、质量分析器系统、质量检测器系统、质谱仪（MS）系统、离子迁移谱仪（IMS）系统、高效液相色谱（HPLC）系统、超高效液相色谱（UPLC^®）系统、超级高效液相色谱（UHPLC）系统、紫外(UV)检测器、可见光检测器、固相萃取系统、样品制备系统、样品引入系统、泵系统、毛细管电泳仪器、它们的组合、它们的部件、它们的变型等。尽管在此详细描述中的示例中使用了LC、MS和LC-MS，但实施方案不限于此，因为在本文中设想了能够根据一些实施方案进行操作的其他分析仪器。

在各种实施方案中，设备115a至115n可为或可包括各种部件、模块等。部件的非限制性示例可包括检测器、溶剂管理器、样品管理器、泵、阀、电极、四极元件、柱、离子源设备、传感器（例如，压力传感器、温度传感器、流量传感器等）、数据系统硬件、数据系统软件等。在各种实施方案中，设备部件可包括可被单独监测（例如，与操作信息相关联）的任何部件。在一些实施方案中，设备115a至115n可为或可包括仪器系统。一般来讲，仪器系统可包括作为整体单元共同操作的仪器模块的集合。例如，仪器系统可包括能够提供分析数据（测量值）的分析设备（例如，LC或MS设备）和有利于由分析设备生成分析数据的支持部件（例如，用于LC或MS系统的注射器、检测器、泵、控制系统等）。实施方案不限于此上下文。

在一些实施方案中，设备115a至115n可操作以执行分析并生成分析信息144。在各种实施方案中，分析信息144可包括由分析仪器因执行分析方法而生成的信息、数据、文件、图表、图形、图像、文本信息等。例如，对于LC-MS系统，设备115a至115n可根据特定方法分离样本并对分离的样本执行质量分析以生成分析信息144，该分析信息可包括原始数据、原生数据或其他未经处理的数据、色谱图、光谱、峰列表、质量值、保留时间值、浓度值、化合物识别信息等。在各种实施方案中，分析信息144可包括由质量控制过程（诸如，系统适用性测试、质量控制检查等）产生的信息。在一些实施方案中，系统105可包括多个设备115a至115n。在各种实施方案中，系统105可包括单个设备115a至115n。

在各种实施方案中，系统105可包括计算设备110，该计算设备通信地耦接到设备115a至115n或以其他方式被配置为接收并存储与设备115a至115n相关联的诊断信息（例如，存储在数据存储库154a至154n或其他远程数据存储结构中，包括云存储环境）。一般来讲，诊断信息可包括与设备115a至115n相关联的信息，该信息可用于生成与设备115a至115n相关联的诊断。在一些实施方案中，诊断信息可包括分析信息144和/或操作信息146。分析信息144可包括由设备115a至115n因执行分析而生成的信息。例如，对于LC-MS设备，分析信息144可包括但不限于化合物列表、峰、峰列表、质量控制（QC）结果、光谱、图形、图表等。在各种实施方案中，操作信息146可包括与设备115a至115n的操作相关联的信息。例如，操作信息146可包括在执行分析期间LC-MS设备使用的泵的电压。操作信息146的非限制性示例可包括电压、电流、功率、流量信息（例如，流速、阻塞检测等）、部件位置（例如，阀打开/关闭位置）、警报、警报代码、振动检测、音频检测、视频图像、压力、温度、软件状态、硬件状态等。在一些实施方案中，操作信息146可经由与设备115a至115n、其部件、其传感器（例如，与泵相关联的压力换能器、与阀相关联的位置传感器、与部件相关联的视频记录器等）等相关联的一个或多个数据通道117a至117n获得。实施方案不限于此上下文。

在各种实施方案中，设备115a至115n和/或数据通道117a至117n可操作以将分析信息144和/或操作信息146直接提供给计算设备110和/或计算设备110可访问的网络150上的位置，诸如云计算环境、节点152a至152n、数据存储库154a至154n等。在各种实施方案中，数据通道117a至117n可使用各种形式的数据操作，包括但不限于数字数据、字母数字数据、图形数据、文本数据、视觉数据、音频数据、图像数据、二进制数据等。实施方案不限于此上下文。

在一些实施方案中，计算设备110可用于控制、监测、管理或以其他方式处理设备115a至115n的各种操作功能。在一些实施方案中，计算设备110可用于通过安全或经认证的连接向网络150上的位置提供分析信息144和/或操作信息。在一些实施方案中，计算设备110可为或可包括独立计算设备，诸如个人计算机（PC）、服务器、平板计算设备、云计算设备、移动计算设备（例如，智能电话、平板计算设备等）、数据器具等。在各种实施方案中，计算设备110可为或可包括集成到设备115a至115n中以控制其操作方面的控制器或控制系统。

尽管图1中仅描绘了一个计算设备110，但实施方案不限于此。在各种实施方案中，相对于计算设备110所描述的功能、操作、配置、数据存储功能、应用程序、逻辑等可由一个或多个其他计算设备执行和/或存储在一个或多个其他计算设备中。仅为了进行示意性的说明，描绘了单个计算设备110以简化附图。

计算设备110可包括处理器电路120、存储器单元130和收发器160。处理器电路120可通信地耦接到存储器单元130和/或收发器160。

处理器电路120可包括和/或可访问用于执行根据一些实施方案的过程的各种逻辑。例如，处理器电路120可包括和/或可访问设备模型逻辑124和/或诊断逻辑126。处理电路120和/或设备模型逻辑124和/或诊断逻辑126和/或其部分可以硬件、软件或其组合来实现。如在本申请中所用，术语“逻辑”、“部件”、“层”、“系统”、“电路”、“解码器”、“编码器”和/或“模块”旨在指计算机相关的实体，可能是硬件、硬件和软件的组合、软件或执行中的软件，它们的示例由示例性计算架构4000提供。例如，逻辑、电路、控制器、处理器等可为和/或可包括但不限于在处理器上运行的进程、处理器、硬盘驱动器、多个存储驱动器（光学和/或磁性存储介质）、对象、可执行程序、执行线程、程序、计算机、硬件电路、集成电路、专用集成电路（ASIC）、可编程逻辑器件（PLD）、数字信号处理器（DSP）、现场可编程门阵列（FPGA）、片上系统（SoC）、存储器单元、逻辑门、寄存器、半导体器件、芯片、微芯片、芯片组、软件部件、程序、应用程序、固件、软件模块、计算机代码、前述项的任何组合等。

尽管图1中将诊断服务逻辑122描绘为在处理器电路120内，但实施方案不限于此。此外，尽管设备模型逻辑124和诊断逻辑126被描述为诊断服务逻辑122的逻辑，但是实施方案不限于此，因为设备模型逻辑124和诊断逻辑126可以是单独的逻辑和/或可以是独立的逻辑。例如，诊断服务逻辑122和/或其任何部件可位于加速器、处理器内核、接口、单个处理器管芯内，完全实现为软件应用程序（例如，分析服务应用程序150）等。

存储器单元130可包括呈一个或多个较高速存储器单元形式的各种类型的计算机可读存储介质和/或系统，诸如只读存储器（ROM）、随机存取存储器（RAM）、动态RAM（DRAM）、双数据速率DRAM（DDRAM）、同步DRAM（SDRAM）、静态RAM（SRAM）、可编程ROM（PROM）、可擦除可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）、闪存存储器、聚合物存储器（诸如铁电聚合物存储器、双向存储器、相变或铁电存储器）、硅-氧化物-氮化物-氧化物-硅（SONOS）存储器、磁卡或光卡、设备阵列（诸如独立磁盘冗余阵列（RAID）驱动器）、固态存储器设备（例如USB存储器、固态驱动器（SSD）以及适于存储信息的任何其它类型的存储介质。另外，存储器单元130可包括呈一个或多个较低速存储器单元形式的各种类型的计算机可读存储介质，包括内部（或外部）硬盘驱动器（HDD）、磁性软盘驱动器（FDD）以及用于读取或写入可移动光盘的光盘驱动器（例如CD-ROM或DVD）、固态驱动器（SSD）等。

存储器单元130可存储分析服务应用程序150，该分析服务应用可单独操作或与诊断服务逻辑122组合操作，以根据一些实施方案执行各种诊断过程功能。在各种实施方案中，分析服务应用程序150可通过各种驱动器（例如，应用编程接口（API）等）、软件和/或硬件接口等与设备115a至115n和/或其部件进行交互。

在各种实施方案中，诊断服务逻辑122可被配置成为设备115a至115n提供和/或实现诊断服务。在一些实施方案中，诊断服务可包括用于确定设备115a至115n和/或其部件是正常操作还是异常操作的过程。在各种实施方案中，诊断服务可包括用于预测性维护的过程，例如，确定设备115a至115n和/或其部件是否可能在将来异常操作（例如，检测即将发生的故障状况）。在示例性实施方案中，诊断服务可包括用于诊断异常操作的来源（例如，故障泵、不充分的密封、劣化的试剂等）的过程。实施方案不限于此上下文。

设备模型逻辑124可操作以生成与设备115a至115n和/或其部件相关联的模型。在一些实施方案中，模型可被存储为诊断模型142。在各种实施方案中，模型可包括各种计算模型，包括但不限于神经网络模型。计算模型的非限制性示例可包括机器学习模型、人工智能（AI）模型、神经网络（NN）、人工神经网络（ANN）、卷积神经网络（CNN）、深度学习（DL）网络、深度神经网络（DNN）、递归神经网络（RNN）、它们的组合、它们的变型等。实施方案不限于此上下文。在一些实施方案中，每个诊断模型142可与至少一个诊断设备相关联。

在一些实施方案中，诊断模型142可为或可包括神经网络。例如，图2示出了可以代表实现神经网络225的各种实施方案的操作环境200的示例。尽管神经网络可以用作本文的示例，但是实施方案不限于此，因为本文设想了能够根据一些实施方案操作的任何类型的模型。一般来讲，神经网络225可由多个层形成，包括输入层250、隐藏层260a至260n和输出层270。神经网络225的每个层可包括一个或多个神经元280a至280n。通常，神经元280a至280n可为获取一个或多个输入，将函数（例如，激活函数）应用于输入并生成输出的计算单元。神经元280a至280n可互连，使得来自第一层中的神经元280a至280n的输出可输入到后续层中神经元280a至280n（反之亦然）。例如，输入层250的神经元280a的输出可作为输入提供给隐藏层260a的神经元280d至280f。一般来说，输入层250和输出层270在神经网络225之外是可见的（例如，分别可用于网络输入或作为网络输出可访问），诸如对于软件、代理等。隐藏层260a至260n不能从神经网络225外部访问，并且作为用于处理（例如，训练和/或分析）从输入层250接收的输入数据的隐藏（或深度）处理结构来操作。

训练或分析的结果可提供给输出层280并作为输出230传输给例如数据消费者。例如，在一些实施方案中，诊断服务过程可包括具有y=f(x)形式的神经网络，其中y是输出，f是预测函数，并且x是输入。例如，对于训练过程，给定标记实例的训练集{(x1,y1), …,(xN,yN)}，神经网络225可通过最小化训练集上的预测误差来实现预测函数f。又如，对于测试过程，神经网络可将f应用于新的测试实例x并输出预测值y=f(x)。实施方案不限于此上下文。

在一些实施方案中，设备模型逻辑124可以基于训练信息140来生成和训练模型。在各种实施方案中，训练信息140可由操作者生成（例如，人工操作数据），由操作设备115a至115n和/或其部件或它们的组合生成。例如，操作者可将在设备部件（诸如泵）的实际操作期间生成的训练信息140作为训练信息140（例如，可信操作数据）提供给计算设备110。在另一个示例中，可以操作设备115a至115n和/或其部件以生成训练信息140。在一些实施方案中，可为设备115a至115n和/或其部件的正常和/或异常操作生成操作信息140。在一个示例中，操作者可提供操作信息140，该操作信息包括与泵在正常条件下的操作相关联的通道数据。在另一个示例中，操作者可提供操作信息，该操作信息包括与泵的异常操作（诸如低电压状况）相关联的通道数据。根据操作状况，操作信息140可被指定为正常/异常的。

设备模型逻辑124可以将计算模型、学习过程等应用于训练信息140以训练诊断模型。在各种实施方案中，可为一个或多个诊断设备生成诊断模型。一般来讲，诊断设备或诊断单元可包括整个设备或系统（例如，仪器组）或设备115a至115n的至少一个被监测单元、通道117a至117n、它们的部件、它们的功能、它们的特性等。例如，诊断设备可包括设备115a至115n，诸如LC-MS设备。在另一个示例中，诊断设备可包括设备115a至115n的部件，诸如柱、泵、阀等。在另一个示例中，诊断设备可包括设备115a至115n和/或其部件的功能，诸如部件操作（例如，阀的打开/关闭、泵操作）等。在另外的示例中，诊断设备可包括设备115a至115n和/或其部件的特性，诸如温度、压力、电压、状态（例如，开/关、打开/闭合等）等。在各种实施方案中，诊断模型逻辑124可以用新信息连续训练诊断模型142，以改善诊断设备和诊断模型142的预测能力（例如，实现“大数据”数据存储库，使诊断模型142变得更准确）。

在一些实施方案中，诊断逻辑126可以例如对照实际数据（例如，实际通道数据）测试诊断模型142以确定诊断148，该诊断可包括预测、操作状况等。例如，诊断逻辑可以实现y=f(x)，其中y是输出（例如，诊断148），f是预测函数（例如，诊断模型142），并且x是输入（实际通道数据形式的操作信息146）。例如，数据通道117a可包括用于设备115a的泵的电压操作信息146。诊断逻辑126可以使用与泵和/或数据通道117a相关联的诊断模型142经由数据通道117a接收实际数据作为输入，并且可以生成与泵是否正常操作相关的诊断和/或作出诊断148，该诊断包括关于泵的操作寿命的预测（例如，在特定时间段内有X%的概率会出现故障）。

例如，对于包括设备1-3的系统1，诊断148可包括以下各项：系统1为100%正常、设备1为100%、设备2为100%、设备3为100%。对于系统1的诊断148可以指示系统1以100%操作正常，并且设备1-3以100%操作。又如，对于具有设备4-6的系统2的诊断148可包括以下各项：系统2为66%正常、设备4为0%、设备5为100%、设备6为100%。对于系统2的诊断148可以指示系统2为66%正常，并且设备4以0%操作。诊断148可以进一步预测或指示设备4可能是导致系统2的66%操作状况的原因。在各种实施方案中，可将用于生成对于系统1和/或系统2的诊断148的操作信息146添加到训练信息140以增加可用于生成诊断模型142的数据量（例如，实现“大数据”以增加模型准确度）。

根据一些实施方案的机器在分析环境中学习可提供优于常规系统的多个技术优势。一个非限制性技术优势可包括将仪器/系统诊断的速度和准确性提高到专家用户才能达到的许多倍。另一个非限制性技术优势可包括，在对初始训练数据集进行训练之后，诊断模型142可以在启动/设置间隔上连续且自动地更新，并且基于额外的捕获（例如，在客户地点处进行）通过“大数据”来改进，所述“大数据”可通过计算进行分析以显示可能无法通过常规操作者方法有效和/或准确确定的图案、趋势和关联。

图3示出了第三操作环境的实施方案。如图3所示，操作环境300可包括经由系统诊断通道317通信地耦接到系统控制器320a的多个仪器系统315a至315n。在一些实施方案中，多个诊断通道317可用于检查以诊断内部设备。在各种实施方案中，针对每个被监测元件可具有一个诊断通道317，例如每个传感器一个诊断通道。例如，对于LC-MS系统，可经由测试/进样等生成一个或多个诊断通道317。

在一些实施方案中，系统控制器320可包括处理配置322和处理器324。在各种实施方案中，针对每个仪器系统315a至315n可具有一个系统控制器320。在各种其他实施方案中，系统控制器320可与多个仪器系统315a至315n进行交互。根据一些实施方案，处理器320可实现各种建模过程（例如，经由机器学习过程）。例如，处理器320可实现训练模式和/或测试模式。在一些实施方案中，训练模式可包括使用存储在数据存储库（例如，本地数据存储库、云数据存储库等）中的配置数据、特定通道数据和相关诊断作为到神经网络诊断模型中的输入以针对诊断单元（例如，仪器、系统（例如，仪器和/或仪器部件的组）、设备、部件、传感器、元件等）创建诊断模型。在一些实施方案中，训练模式可包括经由自动化机器学习过程开发通过/失败输入/输出函数，以确定给定仪器和/或其部件相对于在仪器/系统的正常操作（例如，初始化、流动、进样等）中发生一池许多记录的重复正/负测试（例如，离散、简单测试）的行为。

在各种实施方案中，测试模式可包括使用输入到诊断单元的现有神经网络诊断模型中的配置数据和实际（例如，实时或基本上实时）通道数据来预测诊断单元的诊断326a至326n。在示例性实施方案中，测试模式可包括在将先前获得的通过/失败输入/输出函数应用于训练模式的正/负测试之后诊断给定仪器和/或其部件的问题，并将收集的结果和数据添加到训练池。

在一些实施方案中，诊断326a至326n可以与诊断单元和诊断模型相关联。例如，诊断326a可与第一诊断设备（例如，整个仪器系统）和为第一诊断设备生成的特定神经网络（神经网络1）相关联。在另一个示例中，诊断326b可与第二诊断设备（例如，仪器系统的特定设备，诸如泵）和与第二诊断设备相关联的第二神经网络（神经网络2）相关联。对于诊断326a，处理器324可接收与第一诊断设备相关联的通道数据，并且将通道数据提供给对应的模型（例如，神经网络1）以生成诊断326a。

在示例性实施方案中，可将仪器系统315a至315n（例如，整个仪器系统和仪器系统的每个设备）的已处理诊断报告给仪器系统（例如，按以下形式：仪器系统A 315a为100%正常、设备1为100%、设备2为100%、设备3为100%；以及仪器系统B为66%正常，设备4为0%，设备5为100%，设备6为100%；等）。在各种实施方案中，诊断326a至326n可存储在数据存储库354中和/或提供给各种节点330a至330n，例如操作者节点、训练监督者节点、数据系统节点等。在一些实施方案中，节点330a至330n可由训练监督者或其他主题专家操作，该训练监督者或其他主题专家可审查、标注或以其他方式分析诊断326a至326n、通道数据等。在各种实施方案中，训练监督者可标记通道数据、诊断等等，以改善训练数据、诊断模型等。

在一些实施方案中，一个或多个诊断单元（例如，仪器系统和/或其部件）可以在各种可能的场景中从内部设备生成基于时间的数字化二进制模拟数据，各种可能的场景包括但不限于静止时、诊断测试、正常操作（例如，运行方法）等。

通道数据（例如，来自通道317）可经由驻留在用于协调和控制多个仪器的计算设备（例如，系统控制器320）上的过程“处理器”（例如，处理器324）来订阅和读取。在一些实施方案中，针对每个系统（例如，仪器组）可具有一个“系统控制器”。

处理器可读取一个或多个配置数据项以执行以下操作：

训练模式–将存储在数据存储库（基于本地/云）中的配置数据、特定通道数据和/或相关联的诊断输入到一个或多个神经网络中以针对每个仪器/系统/设备诊断创建模型。训练监督者（例如，通过节点A 330a访问信息）可为用于帮助标记初始训练数据的主题专家。机器学习模型可以在任何时间创建，例如在设定的时间间隔、在后台、在停机时间或在云端；或

测试模式–使用输入到一个或多个神经网络中的配置数据、特定实时通道数据，使用针对每个仪器/系统/设备已创建的模型来预测一个或多个诊断。可将测试通道数据连同诊断一起添加到训练数据存储库（例如，数据存储库354）。对模型y=f(x)的测试可包括将f应用于新的测试实例x以输出预测值y。

整个仪器/系统和该仪器/系统上的每个设备的已处理诊断可报告给数据消费者，诸如操作者、连接的数据系统、训练监督者、仪器/系统本身等。随着训练数据存储库变得更大（“大数据”），神经网络模型变得更准确。训练数据存储库可为本地数据库或远程（即，亚马逊网络服务（Amazon Web Service）或类似的）数据库。

图4示出了用于诊断设备的配置结构。例如，配置405可为用于分析仪器（诸如LC-MS仪器）的配置文件。在各种实施方案中，配置405可以描绘一个或多个诊断模型的属性，诸如输入、输出、通道等（例如，在*.json文件中）。在各种实施方案中，诊断设备可与多种配置相关联，包括但不限于捕获配置、训练配置、训练配置等。

在一些实施方案中，根据一些实施方案的诊断过程的第一步骤可为创建各种模型（例如，为仪器的每个部件或诊断设备创建一个模型）。除了其他事项之外，配置405可以用于列出输入/输出，以创建用于每个诊断设备的模型。在各种实施方案中，输入可包括传感器数据、仪器流量/使用年限/警报代码历史等。在创建配置405之后，可捕获诊断操作的良好示例的许多记录。例如，对于泵，使用可运行（在上电/系统启动/进样/自组织时）的软件例程以1毫升/分钟流动1分钟。诊断服务应用程序和/或训练监督者可将所有诊断列标记为良好（1）（参见例如图7和图14）。质量流量计可以任选地用于验证流量是理想的，从而确保诊断服务应用程序和/或训练监督者标记适当的“良好”示例。然后可利用相同的标准（例如，以1毫升/分钟流动1分钟）捕获每个部件的不良场景的许多记录。神经网络然后可针对所捕获的数据进行训练以创建模型。最后，当在客户地点处（在上电/系统启动/进样/自组织时）完成新捕获时，可将数据馈送到诊断模型（例如，神经网络）中，该诊断模型相对于每个模型运行，从而为仪器/系统中的每个部件给出诊断指标（例如，正常百分比）值。

示例：色谱系统的诊断场景

图5示出了根据一些实施方案的用于各种诊断设备510的色谱系统的实时曲线图的图表505。图6和图7分别示出了与图表505中绘出的数据相关的数据捕获文件605和705。在各种实施方案中，诊断列可具有1（如果正常的话）和0（如果不良）的值。初始训练数据集可以具有由诊断服务应用程序和/或主题专家修改的诊断列数据，并且捕获不良诊断的各种“灌注”示例，以帮助获得最佳训练数据以生成模型。在各种实施方案中，这可仅在初始时完成，因为在正常操作下，诊断数据分配可为自动的。图8描绘了与预测相关联的诊断输出805，该预测与图表505中绘制的信息相关联。图9示出了根据一些实施方案的“不良换能器”场景（例如，换能器输出为0）的图表905，并且图10示出了与图表905中绘制的数据相关的数据捕获文件1005。图11示出了根据一些实施方案的“不良编码器”场景的图表1105，并且图12示出了与图表1105中绘制的数据相关的数据捕获文件1205（例如，监督后）。

图13示出了根据一些实施方案的“灌注损失”场景的图表1305。例如，灌注的诊断可涉及确定溶剂何时在溶剂供应端耗尽。例如，在图13的场景中，蓄积器压力可能不保持，从而导致上下波动。如图14的数据捕获文件1405所示，诊断服务应用程序和/或训练监督者可将该通道的诊断列“诊断设备诊断灌注”标注为不良（0）。

图15示出了根据一些实施方案的“不良止回阀”（例如，用于LC泵）场景的图表1505。例如，在图13的场景中，蓄积器压力可以具有>1%的“波动”。例如，当止回阀球未正确安置时，可能发生“不良止回阀”的诊断，导致泵在进行泵的冲程时流体被虹吸。止回阀的状态可与其使用年限和历史流量相关。如图16的数据捕获文件1605所示，诊断服务应用程序和/或训练监督者可将该通道的诊断列“诊断设备诊断止回阀”标记为不良（0）。

在一些实施方案中，泵部件诊断相对于流动1分钟的另一个场景是在泄漏测试期间捕获训练和测试数据。可以收集与图13和图15中相同或相似的通道，然而可以采用不同的配置文件，使用不同的诊断模型。泵渗漏测试执行压力斜升，然后采用反馈控制以保持泵头内的恒定压力。通过在恒压阶段期间监测柱塞行进，其计算主致动器和蓄积器致动器的泄漏速率。这些泄漏速率可指示止回阀、管、配件、柱塞或柱塞密封件是否有故障。诊断服务应用程序和/或训练监督者可将该通道的诊断列“诊断设备诊断流量精度”标记为坏（0）。

在各种实施方案中，“不良流量精度”状况的诊断可涉及妨碍由泵递送的溶剂的全流量通过的情况。捕获1毫升/分钟的一分钟流量的“不良流量精度”示例，其中例如蓄积器压力和/或主压力较低并且/或者编码器加速度较低。在示例性实施方案中，当泵活塞腔室已磨损密封件时，可发生“不良密封件”的诊断，导致泵在进行泵的冲程时流体被虹吸。泵密封件的状态可与其使用年限和历史流量相关。诊断服务应用程序和/或训练监督者可将该通道的诊断列“诊断设备诊断密封件”标记为不良（0）。当柱劣化至过度压缩或允许流动的点时，可发生“不良柱”的诊断。这通常受柱的使用年限和通过柱的历史流量的影响。此类诊断可包括捕获1毫升/分钟的1分钟流量的“不良柱”示例。在一个示例中，蓄积器压力可具有明显的压力波动或高于正常压力。诊断服务应用程序和/或训练监督者可将该通道的诊断列“诊断设备诊断柱”标记为不良（0）。

根据一些实施方案，可使用各种检测器仪器，诸如紫外线检测器（UV）、测量AU（吸光度单位）的LC检测器和/或可用于捕获/训练/测试TUV（可调UV）FLR、PDA检测器等的配置文件的检测器。例如，在一些实施方案中，每个诊断设备（例如，仪器）可与其诊断设置的配置文件（例如，data_analyzer_config_diagnostic_capture_file_tuv.json、data_analyzer_config_diagnostic_train_file_tuv.json、data_analyzer_config_diagnostic_test_file_tuv.json等）相关联。

图17至图39示出了根据一些实施方案的色谱系统的例示性诊断场景。

图40示出了适于实现如前所述的各种实施方案的示例性计算架构4000的实施方案。在各种实施方案中，计算架构4000可包括或实现为电子设备的一部分。在一些实施方案中，计算架构4000可表示例如计算设备110。实施方案不限于该上下文。

如在本申请中所用，术语“系统”和“部件”和“模块”旨在是指与计算机相关的实体，可能是硬件、硬件和软件的组合、软件或执行中的软件，它们的示例由示例性计算架构4000提供。例如，部件可以是但不限于是在处理器上运行的进程、处理器、硬盘驱动器、多个存储驱动器（光学和/或磁性存储介质）、对象、可执行文件、执行线程、程序和/或计算机。举例来说，在服务器上运行的应用程序和服务器两者都可以是部件。一个或多个部件可以驻留在进程和/或执行线程内，并且部件可以位于一台计算机上和/或分布在两台或更多台计算机之间。此外，部件可以通过各种类型的通信介质彼此通信地耦接以协调操作。协调可以涉及单向或双向信息交换。例如，部件可以以通过通信介质传达的信号的形式传达信息。该信息可以实现为分配给各种信号线的信号。在此类分配中，每条消息都是信号。然而，另外实施方案可以替代地采用数据消息。可以通过各种连接发送此类数据消息。示例性连接包括并行接口、串行接口和总线接口。

计算架构4000包括各种通用计算元件，诸如一个或多个处理器、多核处理器，协同处理器、存储器单元、芯片组、控制器、外围设备、接口、振荡器、定时设备、视频卡、音频卡、多媒体输入/输出（I/O）部件、电源等。然而，实施方案不限于计算架构4000的实施方式。

如图40所示，计算架构4000包括处理单元4004、系统存储器4006和系统总线4008。处理单元4004可为各种可商购获得的处理器中的任一种，包括但不限于：AMD^®、Athlon^®、Duron^®和Opteron^®处理器；ARM^®应用程序、嵌入式和安全处理器；IBM^®和Motorola^®DragonBall^®和PowerPC^®处理器；IBM和Sony^® Cell处理器；Intel^® Celeron^®、Core(2) Duo^®、Itanium^®、Pentium^®、Xeon^®和XScale^®处理器；以及类似的处理器。双微处理器、多核处理器和其他多处理器架构也可以用作处理单元4004。

系统总线4008为系统部件提供了接口，包括但不限于将系统存储器4006连接到处理单元4004的接口。系统总线4008可为若干类型的总线结构中的任一种，其可使用各种可商购获得的总线架构中的任一种进一步互连到存储器总线（具有或不具有存储器控制器）、外围总线和本地总线。接口适配器可经由插槽架构连接到系统总线4008。示例性插槽架构可以包括但不限于加速图形端口(AGP)、卡总线、（扩展）工业标准架构((E)ISA)、微通道架构(MCA)、NuBus、外围部件互连（扩展）(PCI(X))、PCI Express、个人计算机存储卡国际协会(PCMCIA)等。

系统存储器4006可包括呈一个或多个较高速存储器单元形式的各种类型的计算机可读存储介质，诸如只读存储器（ROM）、随机存取存储器（RAM）、动态RAM（DRAM）、双数据速率DRAM（DDRAM）、同步DRAM（SDRAM）、静态RAM（SRAM）、可编程ROM（PROM）、可擦除可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）、闪存存储器、聚合物存储器（诸如铁电聚合物存储器、双向存储器、相变或铁电存储器）、硅-氧化物-氮化物-氧化物-硅（SONOS）存储器、磁卡或光卡、设备阵列（诸如独立磁盘冗余阵列（RAID）驱动器）、固态存储器设备（例如，USB存储器、固态驱动器（SSD）以及适于存储信息的任何其他类型的存储介质。在图40所示的例示实施方案中，系统存储器4006可包括非易失性存储器4010和/或易失性存储器4012。基本输入/输出系统（BIOS）可存储在非易失性存储器4010中。

计算机4002可包括呈一个或多个较低速存储器单元形式的各种类型的计算机可读存储介质，包括内部（或外部）硬盘驱动器（HDD）4014、用于读取或写入可移动磁盘4018的磁性软盘驱动器（FDD）4016，以及用于读取或写入可移动光盘4022的光盘驱动器4020（例如，CD-ROM或DVD）。HDD 4014、FDD 4016和光盘驱动器4020可以分别通过HDD接口4024、FDD接口4026和光盘驱动器接口4028连接到系统总线4008。用于外部驱动器实施方式的HDD接口4024可包括通用串行总线（USB）和IEEE 1384接口技术中的至少一者或两者。

驱动器和相关联的计算机可读介质提供数据、数据结构、计算机可执行指令等的易失性和/或非易失性存储。例如，多个程序模块可存储在驱动器和存储器单元4010、4012中，包括操作系统4030、一个或多个应用程序4032、其他程序模块4034和程序数据4036。在一个实施方案中，一个或多个应用程序4032、其他程序模块4034和程序数据4036可包括例如计算设备110的各种应用程序和/或部件。

用户可通过一个或多个有线/无线输入设备（例如，键盘4038和点击设备诸如鼠标4040）将命令和信息输入到计算机4002中。其他输入设备可以包括麦克风、红外(IR)遥控器、射频(RF)遥控器、游戏手柄、手写笔、读卡器、加密狗、指纹读卡器、手套、图形输入板、操纵杆、键盘、视网膜读取器、触摸屏（例如，电容式、电阻式等）、轨迹球、触控板、传感器、触控笔等。这些和其他输入设备通常通过耦接到系统总线4008的输入设备接口4042连接到处理单元4004，但可以通过其他接口诸如并行端口、IEEE 1394串行端口、游戏端口、USB端口、IR接口等进行连接。

监视器4044或其他类型的显示设备也经由接口诸如视频适配器4046连接到系统总线4008。监视器4044可以在计算机4002的内部或外部。除了监视器4044之外，计算机通常包括其他外围输出设备，诸如扬声器、打印机等。

计算机4002可以经由到一个或多个远程计算机诸如远程计算机4048的有线和/或无线通信使用逻辑连接在联网环境中操作。远程计算机4048可为工作站、服务器计算机、路由器、个人计算机、便携式计算机、基于微处理器的娱乐设施、对等设备或其他公共网络节点，并且通常包括相对于计算机4002描述的元件中的许多或所有元件，但是为了简洁起见，仅示出了存储器/存储设备4050。所描绘的逻辑连接包括到局域网（LAN）4052和/或更大网络例如广域网（WAN）4054的有线/无线连接。此类LAN和WAN网络环境在办公室和公司中是常见的，并且促成企业范围的计算机网络，诸如内联网，它们全都可以连接到全球通信网络，例如互联网。

当在LAN网络环境中使用时，计算机4002通过有线和/或无线通信网络接口或适配器4056连接到LAN 4052。适配器4056可以促成到LAN 4052的有线和/或无线通信，该LAN还可包括设置在其上的无线接入点，以用于与适配器4056的无线功能通信。

当在WAN联网环境中使用时，计算机4002可包括调制解调器4058，或连接到WAN4054上的通信服务器，或具有用于通过WAN 4054诸如通过互联网建立通信的其他手段。调制解调器4058可为内部的或外部的以及有线和/或无线设备，其经由输入设备接口4042连接到系统总线4008。在联网环境中，相对于计算机4002描绘的程序模块或其部分可以存储在远程存储器/存储设备4050中。应当理解，所示的网络连接是示例性的，并且可以使用在计算机之间建立通信链路的其他手段。

计算机4002可操作为使用IEEE 802系列标准与有线和无线设备或实体（诸如可操作地设置在无线通信中的无线设备（例如，IEEE 802.16空中调制技术））通信。这至少包括Wi-Fi（或无线保真）、WiMax和Bluetooth^™无线技术等。因此，通信可以是与常规网络一样的预定义的结构，或仅是至少两个设备之间的自组织通信。Wi-Fi网络使用称为IEEE 802.11x（a、b、g、n等）的无线电技术来提供安全、可靠、快速的无线连接性。Wi-Fi网络可以用于将计算机彼此连接，连接到互联网，以及连接到有线网络（使用IEEE 802.3相关媒体和功能）。

本文中已经阐述了许多具体细节以提供对实施方案的透彻理解。然而，本领域技术人员将理解，可在没有这些具体细节的情况下实践实施方案。在其它情况下，没有详细描述众所周知的操作、部件和电路，以免混淆实施方案。可理解的是，本文中公开的具体结构和功能细节可为代表性的，并且不一定限制实施方案的范围。

可使用表述“耦接”和“连接”以及其派生词来描述一些实施方案。这些术语并非旨在互为同义词。例如，可使用术语“连接”和/或“耦接”来描述一些实施方案，以指示两个或更多个元件彼此直接物理或电接触。然而，术语“耦接”还可表示两个或更多个元件不彼此直接接触，但是仍然彼此协作或相互作用。

除非另有明确说明，否则可理解，诸如“处理”、“计算”、“运算”、“确定”等术语是指计算机或计算系统或类似电子计算设备的操作和/或过程，其将计算系统的寄存器和/或存储器内表示为物理量（例如电子）的数据处理和/或转换成类似地表示为计算系统的存储器、寄存器或其它此类信息存储装置、传输或显示装置内的物理量。实施方案不限于该上下文。

应当指出的是，本文所述的方法不必以所描述的次序或以任何特定的次序执行。此外，关于本文标识的方法描述的各种活动可以以串联或并行方式执行。

虽然在本文中已经绘示和描述了具体的实施方案，但是应当理解，预计实现相同的目的的任何布置可以替代所示出的具体的实施方案。本公开旨在涵盖各种实施方案的任何和所有改编或变化。应当理解，以上描述是以例示性方式进行，而不是限制性的。在阅读以上描述后，上述实施方案的组合以及本文未具体地描述的其他实施方案对于本领域的技术人员来说将是显而易见的。因此，各种实施方案的范围包括其中使用上述组合物、结构和方法的任何其他应用。

虽然已经用特定于结构特征和/或方法动作的语言描述了本主题，但是应当理解，所附权利要求中限定的主题不一定限于以上描述的具体的特征或动作。相反，具体的特征和动作被公开为实施权利要求的示例形式。

Claims (45)

1. 一种装置，包括：

至少一个存储器；和

逻辑，所述逻辑耦接到所述至少一个存储器，所述逻辑用于：

接收与至少一个分析仪器相关联的诊断信息，以及

使用计算模型处理所述诊断信息，以为至少一个诊断设备生成至少一个诊断模型。

2.根据权利要求1所述的装置，所述诊断信息包括用于所述至少一个诊断设备的标准操作信息。

3.根据权利要求1所述的装置，所述诊断信息包括用于所述至少一个诊断设备的异常操作信息。

4.根据权利要求2或3中任一项所述的装置，所述逻辑用于接收所述诊断信息的至少一个状态指标，所述至少一个状态指标用于指示所述诊断信息是标准的还是异常的。

5.根据权利要求4所述的装置，所述逻辑用于通过基于所述至少一个状态指标用所述标准操作信息训练所述计算模型来生成所述至少一个诊断模型，以对所述至少一个诊断设备的标准操作状况进行建模。

6.根据权利要求4所述的装置，所述逻辑用于通过基于所述至少一个状态指标用所述异常操作信息训练所述计算模型来生成所述至少一个诊断模型，以对所述至少一个诊断设备的异常操作状况进行建模。

7.根据权利要求4所述的装置，所述逻辑用于通过基于所述至少一个状态指标用所述标准操作信息和所述异常操作信息训练所述计算模型来生成所述至少一个诊断模型，以对所述至少一个诊断设备的标准操作状况和异常操作状况进行建模。

8.根据权利要求1所述的装置，所述逻辑用于接收与所述至少一个诊断设备相关联的操作信息。

9.根据权利要求8所述的装置，所述逻辑用于使用所述至少一个诊断模型来处理所述诊断信息，以生成所述诊断设备的操作值。

10.根据权利要求8所述的装置，所述逻辑用于使用所述操作信息更新所述至少一个诊断模型。

11.根据权利要求9所述的装置，所述操作值用于指示所述诊断设备是标准的还是异常的。

12.根据权利要求9所述的装置，所述操作值用于指示所述诊断设备的标准百分比或异常百分比。

13.根据权利要求1所述的装置，所述逻辑用于访问用于确定所述至少一个诊断模型的输入或输出的配置信息。

14.根据权利要求1所述的装置，所述至少一个分析仪器包括科学实验室仪器、色谱系统、液相色谱系统、气相色谱系统、质量分析仪、质谱仪或离子迁移谱仪中的至少一者。

15.根据权利要求1所述的装置，所述诊断信息包括操作信息或分析信息中的至少一者。

16.根据权利要求1所述的装置，所述诊断信息包括与所述至少一个分析仪器的部件相关联的操作信息。

17.根据权利要求16所述的装置，所述操作信息包括用于配置所述部件的操作的部件配置信息。

18.根据权利要求16所述的装置，所述操作信息包括与所述部件的操作相关联的部件操作信息。

19.根据权利要求16所述的装置，所述逻辑用于经由与所述部件通信的至少一个数据通道来接收所述操作信息。

20.根据权利要求16所述的装置，所述逻辑用于经由与所述部件通信的至少一个传感器接收所述操作信息。

21.根据权利要求16所述的装置，所述逻辑用于经由所述部件的至少一个配置文件来接收所述操作信息。

22.根据权利要求16所述的装置，所述逻辑用于在所述至少一个分析仪器的测试运行期间接收所述操作信息。

23.根据权利要求16所述的装置，所述逻辑用于在所述至少一个分析仪器的分析运行期间接收所述操作信息。

24.根据权利要求16所述的装置，所述部件包括以下中的至少一者：泵、流体源、蓄积器、阀、止回阀、电磁阀、电机、编码器、致动器、传感器、电源、密封件、色谱柱、检测器、电极、加热元件或冷却元件。

25.根据权利要求16所述的装置，所述部件操作信息包括以下中的至少一者：流量、压力、温度、流体体积、电压、安培数、位置或状态。

26.根据权利要求1所述的装置，所述至少一个诊断设备包括所述至少一个分析仪器的操作特征。

27.根据权利要求1所述的装置，所述至少一个诊断设备包括所述至少一个分析仪器的部件的操作特征。

28.根据权利要求1所述的装置，所述诊断信息包括分析信息，所述分析信息包括与由所述至少一个分析仪器生成的分析输出相关联的信息。

29.根据权利要求28所述的装置，所述分析输出包括色谱图或质谱中的至少一者。

30.根据权利要求28所述的装置，所述分析信息包括峰保留时间、峰面积、峰形、峰宽、系统压力或峰数中的至少一者。

31.根据权利要求28所述的装置，所述逻辑用于使用所述至少一个诊断模型处理所述分析信息以确定故障指标。

32.根据权利要求28所述的装置，所述故障指标指示与所述分析信息相关联的基准值的变化。

33.根据权利要求28所述的装置，所述分析信息包括色谱图或质谱中的一者，所述故障指标指示多个故障指标类别中的一个故障指标类别，所述故障指标类别包括峰保留时间的变化、峰面积的变化、峰形的变化、峰宽的变化、系统压力的变化、峰数的变化中的一者或多者。

34.根据权利要求31所述的装置，所述逻辑用于确定与所述故障指标相关联的至少一个原因。

35.根据权利要求31所述的装置，所述逻辑用于基于所述故障指标执行测试序列，以确定与所述故障指标相关联的至少一个原因。

36.根据权利要求31所述的装置，所述逻辑用于确定与所述故障指标相关联的至少一个故障指纹。

37.根据权利要求1所述的装置，所述计算模型包括深度学习（DL）计算模型、神经网络、卷积神经网络（CNN）、递归神经网络（RNN）或多层感知器（MLP）模型中的至少一者。

38.根据权利要求1所述的装置，所述逻辑用于在可操作地耦接到所述逻辑的显示设备上呈现诊断。

39.根据权利要求1所述的装置，所述至少一个模型包括至少一个输入和至少一个输出。

40.根据权利要求1所述的装置，所述至少一个输入包括与所述诊断设备相关联的所述至少一个分析仪器的部件的数据通道。

41. 一种计算机实现的方法，包括由根据权利要求2至40中任一项所述的装置的逻辑执行以下操作：

接收与至少一个分析仪器相关联的诊断信息，以及

使用计算模型处理所述诊断信息，以为至少一个诊断设备生成至少一个诊断模型。

42.一种系统，包括根据权利要求2至40中任一项所述的装置，所述至少一个分析仪器包括多个分析仪器。

43.根据权利要求40所述的系统，所述多个分析仪器包括色谱系统和质量分析器系统中的至少一者。

44.一种计算机实现的方法，包括由装置的系统控制器执行以下操作：

捕获分析仪器的部件的训练操作数据；

通过指示所述操作数据是标准的还是异常的来生成诊断数据；

经由使用所述诊断数据训练计算模型来生成诊断模型；

接收所述部件的实时操作数据；以及

通过使用所述诊断模型处理所述实时操作数据来预测所述部件的至少一个诊断。

45. 一种装置，包括：

至少一个存储器；和

逻辑，所述逻辑耦接到所述至少一个存储器，所述逻辑用于：

接收分析仪器的部件的操作特征的训练操作信息，

接收至少一个训练指标，以指定所述训练操作信息对于所述操作特征是标准的还是异常的，

基于所述操作信息和所述至少一个训练指标生成诊断信息，以及

通过使用所述诊断信息训练计算模型来生成用于所述操作特征的诊断模型。

Images