CN114360703A - 一种医疗设备故障预警方法 - Google Patents

一种医疗设备故障预警方法 Download PDF

Info

Publication number
CN114360703A
CN114360703A CN202111655185.6A CN202111655185A CN114360703A CN 114360703 A CN114360703 A CN 114360703A CN 202111655185 A CN202111655185 A CN 202111655185A CN 114360703 A CN114360703 A CN 114360703A
Authority
CN
China
Prior art keywords
operation data
early warning
medical equipment
fault
equipment
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
Application number
CN202111655185.6A
Other languages
English (en)
Inventor
高峻嘉
罗旭
文雯
陈晓清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Zhongke Information Technology Co ltd
Original Assignee
Chengdu Zhongke Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Zhongke Information Technology Co ltd filed Critical Chengdu Zhongke Information Technology Co ltd
Priority to CN202111655185.6A priority Critical patent/CN114360703A/zh
Publication of CN114360703A publication Critical patent/CN114360703A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/40—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management of medical equipment or devices, e.g. scheduling maintenance or upgrades
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种医疗设备故障预警方法，包括以下步骤：S1、根据医疗设备类型采集对应的设备运行数据；S2、对比实时运行数据和历史运行数据，确定可疑运行数据；S3、基于可疑运行数据，确定对应医疗设备的预警结果。本发明提供的医疗设备故障预警方法，不仅能够实现实时的故障诊断，还能根据医疗设备的潜在故障提前发出故障等级预警，使得用户了解设备的运行情况，从而在发生前或未发生严重故障时，可以及时采取补救措施，防止更大的损失，提高医疗设备的使用寿命。

Description

一种医疗设备故障预警方法
技术领域
本发明属于设备故障预警技术领域，具体涉及一种医疗设备故障预警方法。
背景技术
近年来，随着我国科学技术的发展，医疗事业也得到了迅猛的发展，各类新型、大型的医疗设备进入医院，由于其种类杂，数量多，对传统医疗设备管理方法提出了新的挑战。
人工智能在医学上的应用日趋广泛，整合人工智能技术的仪器设备也逐渐增多，主要涉及影像、麻醉、病理、机器人及设备管理等领域。人工智能指系统具有模拟人类智能的特征，即学习能力、推理能力与自我校正的能力，采用人工智能可通过大数据深度学习，高效地解决一些目前人类脑力、精力所不能及或短时间难以完成的任务，医学领域被认为是人工智能应用前景最好的领域之一。
对于医疗设备的故障预警，目前，市面上主流的故障提醒方式为判断数值范围，如果某个特定参数超出了数值范围，系统报故障提醒，该故障提醒方式为传统的方式，具有以下问题：
(1)提醒及时，故障真正发生时已经设备比较糟糕的情况，造成的损失比较大，难以进行发生故障前的预警报警；
(2)现有的故障提醒方式进行获得最终的是否发生故障的结果，难以确定具体是设备具体是因为什么原因出现故障；
(3)现有的设备故障诊断方法难以对设备进行分级预警，为用户提供故障处理优先级参考。
发明内容
针对现有技术中的上述不足，本发明提供的医疗设备故障预警方法解决了现有的设备故障预警难以实现分级预警及确定故障原因的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种医疗设备故障预警方法，包括以下步骤：
S1、根据医疗设备类型采集对应的设备运行数据；
所述设备运行数据包括实时运行数据和历史运行数据，所述历史运行数据均为医疗设备正常状态下的运行数据；
S2、对比实时运行数据和历史运行数据，确定可疑运行数据；
S3、基于可疑运行数据，确定对应医疗设备的预警结果；
所述预警结果为故障诊断结果或分级预警结果，所述故障诊断结果为当前可疑运行数据对应待测医疗设备的故障类型，所述分级预警结果为当前可疑运行数据对应待测医疗设备的故障预警等级。
本发明的有益效果为：
(1)本发明通过正常状态下的历史运行数据，对实时运行数据进行初步筛选，基于初步筛选出可疑运行数据，可以提高后续数据处理过程的效率及故障预警准确度；
(2)本发明在数据处理过程中，对医疗设备的运行数据进行分类，以便后续获得预警结果后，反向快速寻找出引起设备故障的原因，便于后续有针对性的进行医疗设备维护及维修；
(3)本发明提供的设备故障预警方法，不仅能够实现实时的故障诊断，还能根据医疗设备的潜在故障提前发出故障等级预警，使得用户了解设备的运行情况，从而在发生前或未发生严重故障时，可以及时采取补救措施，防止更大的损失，提高医疗设备的使用寿命。
进一步地，所述步骤S1中的每种医疗设备对应的设备运行数据的类型包括环境因素数据、电气因素数据以及气路因素数据；每种所述医疗设备下的各类设备运行数据均有对应的设备运行数据。
上述进一步方案的有益效果为：通过对设备运行数据进行分类，使得后续能够数据处理结果快速确定引起设备故障的原因，以提供设备维护效率及设备使用寿命。
进一步地，所述步骤S2具体为：
S21、根据历史运行数据，生成各类医疗设备下各类设备运行数据的基准曲线，构建基准曲线集合，并为各类基准曲线配置关键词；
其中，所述关键词包括医疗设备类型、设备型号、配置信息、设备运行数据类型以及设备运行时间段；
S22、根据待测医疗设备的实时运行数据生成对应的实时曲线；
S23、根据实时曲线的关键词，在基准曲线集合中匹配与待测医疗设备相似度最高的基准曲线；
S24、判断匹配到的基准曲线与实时曲线之间的差值是否在预设阈值范围内；
若是，则进入步骤S25；
若否，则进入步骤S26；
S25、当前医疗设备的实时运行数据正常，将其加入到历史运行数据中；
S26、当前医疗设备的实时运行数据为可疑运行数据，进入步骤S3。
上述进一步方案的有益效果为：通过对设备运行数据进行初步的筛选，简化后续故障预警模型及运行预测模型的数据处理量，同时提高故障诊断及故障预警等级结果确定的准确度。
进一步地，所述步骤S3具体为：
S31、构建各类医疗设备的故障预警模型；
S32、根据各类医疗设备的历史运行数据训练对应的故障预警模型，并根据其输出结果确定预警阈值；
S33、将可疑运行数据输入至对应的故障预警模型中，获得预警系数；
S34、判断预警系数是否大于的预警阈值；
若是，则进入步骤S35；
若否，则进入步骤S36；
S35、判定待测医疗设备出现故障，根据可疑运行数据的类型确定医疗设备的故障类型；
S36、判定待测医疗设备暂未出现故障，对可疑运行数据进行分析，确定故障预警等级。
进一步地，所述步骤S31中的故障预警模型为多输入多输出的支持向量机，所述支持向量机的回归估计函数的表达式为：
Figure BDA0003445559160000041
式中，λ为正则化参数，
Figure BDA0003445559160000042
和
Figure BDA0003445559160000043
均为lagrange函数的解向量，k(xi,j,x)为支持向量机的径向核函数，m为输出函数的个数。
进一步地，所述步骤S32中，所述预警阈值k的表达式为：
Figure BDA0003445559160000044
所述步骤S33中，所述预警系数ρ的表达式为：
Figure BDA0003445559160000045
式中，
Figure BDA0003445559160000051
和
Figure BDA0003445559160000052
均为可疑运行数据类型对应的故障预警模型单节点输出，m为可疑运行数据类型对应的历史运行数据的总数，n为故障预警模型的输出节点数，δ为各输出节点的影响系数。
上述进一步方案的有益效果为：通过构建故障预警模型对各类可疑运行数据进行处理，以获得准确的故障诊断结果，通过可根据故障预警模型的输入及输出的对应关系快速确定出引起医疗设备故障的原因，即医疗设备的故障类型。
进一步地，所述步骤S36具体为：
S36-1、构建医疗设备的运行预测模型；
S36-2、通过LPP算法对可疑运行数据进行降维处理，提取特征向量；
S36-3、将特征向量作为运行预测模型的输入，得到可疑运行数据的预测值；
S36-4、计算等时间长度间隔内可疑运行数据的实时值和预测值的残差值；
S36-5、根据计算的残差值，计算可疑运行数据的RMSE值和熵值；
S35-6、根据RMSE值和熵值与设定阈值之间的关系，确定待测医疗设备的故障预警等级。
进一步地，所述步骤S36-3中，所述运行预测模型为基于极限学习机的单隐层前馈神经网络，含有L个隐节点的单隐层前馈神经网络的表达式为：
Figure BDA0003445559160000053
式中，wi为连接输入层和第i个隐含层节点的权值向量，βi为连接输出层和第i个隐含层节点的权值向量，bi为第i个隐含层节点的偏置，yj为输出节点的计算输出值，(xj,tj)为训练样本，N为训练样本的数量；
所述单隐层前馈神经网络中的隐含层函数为核函数，其表达式为：
Figure BDA0003445559160000054
式中，σ为核函数的宽度系数。
进一步地，所述步骤S36-5中，可疑运行数据的RMSE值的计算公式为：
Figure BDA0003445559160000061
式中，m为计算残差值的次数，h(x(i)-y(i))为运行预测模型输出预测值与实时值的差值，x(i)为可疑运行数据的实时值，y(i)为可疑运行数据对应的预测值；
所述熵值Hd的计算公式为：
Figure BDA0003445559160000062
式中，ni为可疑运行数据的实时值落在等长度时间间隔区间i内的数量，Td为N个等长度时间间隔集合内的可疑运行数据的总量。
进一步地，所述步骤S36-6中，待测医疗设备的故障预警等级包括一级故障预警、二级故障预警以及正常运行；
当待测医疗设备的RMSE值和熵值均超过设定阈值时，判定待测医疗设备存在潜在故障，发出一级故障预警；
当RMSE值和熵值中任意一个超出设定阈值范围内时，判定待测医疗设备当前运行不稳定，需进行进一步监测，发出二级故障预警；
当RMSE值和熵值均未超过设定阈值是，判定待测医疗设备当前运行状态稳定，发出正常运行信号，并持续采集医疗设备的设备运行数据。
上述进一步方案的有益效果为：通过构建医疗设备的运行预测模型，对可疑运行数据的未来走向进行预测，并判断出其是否会引起医疗设备故障，进而得出故障预警等级，使得用户可以根据故障预警等级对医疗设备进行有针对性的维护，避免相关医疗设备在未来使用过程中出现故障，进而影响患者的生命安全，同时提高了医疗设备的使用寿命。
附图说明
图1为本发明提供的医疗设备故障诊断方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明实施例提供了一种医疗设备故障预警方法，如图1所示，包括以下步骤：
S1、根据医疗设备类型采集对应的设备运行数据；
设备运行数据包括实时运行数据和历史运行数据，历史运行数据均为医疗设备正常状态下的运行数据；
S2、对比实时运行数据和历史运行数据，确定可疑运行数据；
S3、基于可疑运行数据，确定对应医疗设备的预警结果；
预警结果为故障诊断结果或分级预警结果，故障诊断结果为当前可疑运行数据对应待测医疗设备的故障类型，分级预警结果为当前可疑运行数据对应待测医疗设备的故障预警等级。
在本发明实施例的步骤S1中的每种医疗设备对应的设备运行数据的类型包括环境因素数据、电气因素数据以及气路因素数据；每种医疗设备下的各类设备运行数据均有对应的设备运行数据；通过对设备运行数据的类型进行划分，以便根据后续的预警结果确定出引起医疗设备故障的原因，实现有针对性的设备维护及维修。
在本发明实施例中，以呼吸机为例，其环境因素数据没包括呼吸机电源模块、控氧混合模块以及机箱内部温度和湿度数据；电气因素包括呼吸机总负载电压和负载电流、涡流和(或)压缩机输入电压和电流，空氧混合模块电压和电流以及呼出引入阀输入电压和电流等；气路因素包括呼吸机输入气体的压力、浓度及相对湿度，空氧混合气输入端气体压力，内部流量监测模块气体压力，吸入和呼出阀气体压力等。
本发明实施例的步骤S2具体为：
S21、根据历史运行数据，生成各类医疗设备下各类设备运行数据的基准曲线，构建基准曲线集合，并为各类基准曲线配置关键词；
其中，关键词包括医疗设备类型、设备型号、配置信息、设备运行数据类型以及设备运行时间段；
S22、根据待测医疗设备的实时运行数据生成对应的实时曲线；
S23、根据实时曲线的关键词，在基准曲线集合中匹配与待测医疗设备相似度最高的基准曲线；
S24、判断匹配到的基准曲线与实时曲线之间的差值是否在预设阈值范围内；
若是，则进入步骤S25；
若否，则进入步骤S26；
S25、当前医疗设备的实时运行数据正常，将其加入到历史运行数据中；
S26、当前医疗设备的实时运行数据为可疑运行数据，进入步骤S3。
在本发明实施例的步骤S23中，实时曲线与基准曲线之间的相似度ρ(A,B)的计算公式为：
Figure BDA0003445559160000081
式中，Wλ和Wξ为加权系数，k＝min(n,m)，n为距离邻接矩阵中的特征值个数，m为角度邻接矩阵中的特征值个数，λi A和λi B分别为曲线A和曲线B的规范化距离邻接矩阵中特征值序列中的第i个特征值，λi B为曲线A和曲线B的规范化角度邻接矩阵的特征值序列中的第i个特征值。
在本发明的一个实施例中，在匹配实时曲线最接近的基准曲线时，当计算出的相似度大于设定阈值且为所有大于设定阈值中的最大值对应的基准曲线，作为实时曲线相似度最高的基准曲线，当实时曲线与各匹配的基准曲线的相似度均小于设定阈值时，直接将其对应的数据作为可疑运行数据加入到后续的故障诊断及预警过程中。
在本发明的一个实施例中，将与实时曲线相似度最高的基准曲线对应的实时运行数据作为正常的设备运行数据，将其加入到历史运行数据中，并更新基准曲线集合，以提高后续筛选可疑运行数据的准确性。
在本发明实施例的步骤S3具体为：
S31、构建各类医疗设备的故障预警模型；
S32、根据各类医疗设备的历史运行数据训练对应的故障预警模型，并根据其输出结果确定预警阈值；
S33、将可疑运行数据输入至对应的故障预警模型中，获得预警系数；
S34、判断预警系数是否大于的预警阈值；
若是，则进入步骤S35；
若否，则进入步骤S36；
S35、判定待测医疗设备出现故障，根据可疑运行数据的类型确定医疗设备的故障类型；
S36、判定待测医疗设备暂未出现故障，对可疑运行数据进行分析，确定故障预警等级。
本发明实施例的步骤S31中的故障预警模型为多输入多输出的支持向量机，本实施例中的支持向量机是采用MIMO-SVMF方法构建的一种多任务的LS-SVM，本实施例中的支持向量机的回归估计函数的表达式为：
Figure BDA0003445559160000101
式中，λ为正则化参数，
Figure BDA0003445559160000102
和
Figure BDA0003445559160000103
均为lagrange函数的解向量，k(xi,j,x)为支持向量机的径向核函数，m为输出函数的个数。
在本发明实施例中，支持向量机的构建过程包括数据的简约处理、网络结构的搭建过程及输出模式的设计，本实施例中对历史运行数据进行统计分类及降维处理，以呼吸机为例，本实施例中选取具有代表性的设备运行数据，如电源模块故障、总负载电流、涡轮/压缩机电流、空氧模块温度、阀电压、气源电压、气源压力、气源湿度、气源浓度、流量传感器、氧浓度传感器记忆输出管道压力11类故障因素作为条件属性，潮气量异常、空压机故障、自检报警、氧浓度偏差过大、无法送气、低压报警以及密闭性无法通过7类作为决策属性，使用量化的数据搭建支持向量机，以构建出故障预警模型。
在本发明实施例中，上述步骤S2中，通过各类历史运行数据训练每种医疗设备的故障预警模型，将其输出作为医疗设备的预警阈值，其表达式为：
Figure BDA0003445559160000104
在本发明实施的步骤S33中，基于训练好的故障预警模型，将可疑运行数据作为其输入，根据可疑运行数据的数据类型输入到支持向量机对应的输入端口中，并获得对应的输出结果，最后对各输出端口的结果进行整合以得到待测医疗设备的故障系数，其表达式为：
Figure BDA0003445559160000111
式中，
Figure BDA0003445559160000112
和
Figure BDA0003445559160000113
均为可疑运行数据类型对应的故障预警模型单节点输出，m为可疑运行数据类型对应的历史运行数据的总数，n为故障预警模型的输出节点数，δ为各输出节点的影响系数。
本发明实施例的步骤S36具体为：
S36-1、构建医疗设备的运行预测模型；
S36-2、通过LPP算法对可疑运行数据进行降维处理，提取特征向量；
S36-3、将特征向量作为运行预测模型的输入，得到可疑运行数据的预测值；
S36-4、计算等时间长度间隔内可疑运行数据的实时值和预测值的残差值；
S36-5、根据计算的残差值，计算可疑运行数据的RMSE值和熵值；
S35-6、根据RMSE值和熵值与设定阈值之间的关系，确定待测医疗设备的故障预警等级。
本发明实施例的步骤S36-3中，运行预测模型为基于极限学习机的单隐层前馈神经网络，含有L个隐节点的单隐层前馈神经网络的表达式为：
Figure BDA0003445559160000114
式中，wi为连接输入层和第i个隐含层节点的权值向量，βi为连接输出层和第i个隐含层节点的权值向量，bi为第i个隐含层节点的偏置，yj为输出节点的计算输出值，(xj,tj)为训练样本，N为训练样本的数量；
在本发明实施例中的上述模型中，若模型输出结果在毕竟N个样本(xj,tj)的过程中实现零误差毕竟，可得：
Hβ＝T
在本发明实施例中上述模型的隐含层输出矩阵为H，其第i列对应第i个隐含层神经单元的输出向量，T表示模型的期望输出值。
在本发明实施例中，SVM中的核函数可以将数据映射到无穷维，是低纬度求解函数困难是的一种问题转化方式，因此，本发明实施例中在极限学习机中引入核函数的概念，使用核函数直接替换极限学习机的隐含层函数，本实施例使用RBF核函数，其表达式：
Figure BDA0003445559160000121
式中，σ为核函数的宽度系数；
本发明实施例中的单隐层前馈神经网络，由于调节参数时可任意设定输入层到隐含层之间的参数值，仅需要调整隐含层到输出层之间的参数，使得参数调节时间大大缩短。
本发明实施例的步骤S36-5中，可疑运行数据的RMSE值的计算公式为：
Figure BDA0003445559160000122
式中，m为计算残差值的次数，h(x(i)-y(i))为运行预测模型输出预测值与实时值的差值，x(i)为可疑运行数据的实时值，y(i)为可疑运行数据对应的预测值；
熵值Hd的计算公式为：
Figure BDA0003445559160000123
式中，ni为可疑运行数据的实时值落在等长度时间间隔区间i内的数量，Td为N个等长度时间间隔集合内的可疑运行数据的总量。
在本发明实施例的步骤S36-6中，待测医疗设备的故障预警等级包括一级故障预警、二级故障预警以及正常运行；
当待测医疗设备的RMSE值和熵值均超过设定阈值时，判定待测医疗设备存在潜在故障，发出一级故障预警；
当RMSE值和熵值中任意一个超出设定阈值范围内时，判定待测医疗设备当前运行不稳定，需进行进一步监测，发出二级故障预警；
当RMSE值和熵值均未超过设定阈值是，判定待测医疗设备当前运行状态稳定，发出正常运行信号，并持续采集医疗设备的设备运行数据。
在本发明实施例中，对应不同等级的预警结果，采用的不同的设备处理方式，例如对于一级故障预警，要求用户在设定时间段内对对应的医疗设备进行检查维修，对于二级故障预警，要求用户在设定时间段对对应的医疗设备进行重点监测，保证其稳定运行。

Claims (10)

1.一种医疗设备故障预警方法，其特征在于，包括以下步骤：
S1、根据医疗设备类型采集对应的设备运行数据；
所述设备运行数据包括实时运行数据和历史运行数据，所述历史运行数据均为医疗设备正常状态下的运行数据；
S2、对比实时运行数据和历史运行数据，确定可疑运行数据；
S3、基于可疑运行数据，确定对应医疗设备的预警结果；
所述预警结果为故障诊断结果或分级预警结果，所述故障诊断结果为当前可疑运行数据对应待测医疗设备的故障类型，所述分级预警结果为当前可疑运行数据对应待测医疗设备的故障预警等级。
2.根据权利要求1所述的医疗设备预警方法，其特征在于，所述步骤S1中的每种医疗设备对应的设备运行数据的类型包括环境因素数据、电气因素数据以及气路因素数据；每种所述医疗设备下的各类设备运行数据均有对应的设备运行数据。
3.根据权利要求2所述的医疗设备故障预警方法，其特征在于，所述步骤S2具体为：
S21、根据历史运行数据，生成各类医疗设备下各类设备运行数据的基准曲线，构建基准曲线集合，并为各类基准曲线配置关键词；
其中，所述关键词包括医疗设备类型、设备型号、配置信息、设备运行数据类型以及设备运行时间段；
S22、根据待测医疗设备的实时运行数据生成对应的实时曲线；
S23、根据实时曲线的关键词，在基准曲线集合中匹配与待测医疗设备相似度最高的基准曲线；
S24、判断匹配到的基准曲线与实时曲线之间的差值是否在预设阈值范围内；
若是，则进入步骤S25；
若否，则进入步骤S26；
S25、当前医疗设备的实时运行数据正常，将其加入到历史运行数据中；
S26、当前医疗设备的实时运行数据为可疑运行数据，进入步骤S3。
4.根据权利要求2所述的医疗设备故障预警方法，其特征在于，所述步骤S3具体为：
S31、构建各类医疗设备的故障预警模型；
S32、根据各类医疗设备的历史运行数据训练对应的故障预警模型，并根据其输出结果确定预警阈值；
S33、将可疑运行数据输入至对应的故障预警模型中，获得预警系数；
S34、判断预警系数是否大于的预警阈值；
若是，则进入步骤S35；
若否，则进入步骤S36；
S35、判定待测医疗设备出现故障，根据可疑运行数据的类型确定医疗设备的故障类型；
S36、判定待测医疗设备暂未出现故障，对可疑运行数据进行分析，确定故障预警等级。
5.根据权利要求4所述的医疗设备故障预警方法，其特征在于，所述步骤S31中的故障预警模型为多输入多输出的支持向量机，所述支持向量机的回归估计函数的表达式为：
Figure FDA0003445559150000021
式中，λ为正则化参数，
Figure FDA0003445559150000022
和bi *均为lagrange函数的解向量，k(xi,j,x)为支持向量机的径向核函数，m为输出函数的个数。
6.根据权利要求5所述的医疗设备故障预警方法，其特征在于，所述步骤S32中，所述预警阈值k的表达式为：
Figure FDA0003445559150000031
所述步骤S33中，所述预警系数ρ的表达式为：
Figure FDA0003445559150000032
式中，
Figure FDA0003445559150000033
和
Figure FDA0003445559150000034
均为可疑运行数据类型对应的故障预警模型单节点输出，m为可疑运行数据类型对应的历史运行数据的总数，n为故障预警模型的输出节点数，δ为各输出节点的影响系数。
7.根据权利要求4所述的医疗设备故障预警方法，其特征在于，所述步骤S36具体为：
S36-1、构建医疗设备的运行预测模型；
S36-2、通过LPP算法对可疑运行数据进行降维处理，提取特征向量；
S36-3、将特征向量作为运行预测模型的输入，得到可疑运行数据的预测值；
S36-4、计算等时间长度间隔内可疑运行数据的实时值和预测值的残差值；
S36-5、根据计算的残差值，计算可疑运行数据的RMSE值和熵值；
S35-6、根据RMSE值和熵值与设定阈值之间的关系，确定待测医疗设备的故障预警等级。
8.根据权利要求7所述的医疗设备故障预警方法，其特征在于，所述步骤S36-3中，所述运行预测模型为基于极限学习机的单隐层前馈神经网络，含有L个隐节点的单隐层前馈神经网络的表达式为：
Figure FDA0003445559150000041
式中，wi为连接输入层和第i个隐含层节点的权值向量，βi为连接输出层和第i个隐含层节点的权值向量，bi为第i个隐含层节点的偏置，yj为输出节点的计算输出值，(xj,tj)为训练样本，N为训练样本的数量；
所述单隐层前馈神经网络中的隐含层函数为核函数，其表达式为：
Figure FDA0003445559150000042
式中，σ为核函数的宽度系数。
9.根据权利要求8所述的医疗设备故障预警方法，其特征在于，所述步骤S36-5中，可疑运行数据的RMSE值的计算公式为：
Figure FDA0003445559150000043
式中，m为计算残差值的次数，h(x(i)-y(i))为运行预测模型输出预测值与实时值的差值，x(i)为可疑运行数据的实时值，y(i)为可疑运行数据对应的预测值；
所述熵值Hd的计算公式为：
Figure FDA0003445559150000044
式中，ni为可疑运行数据的实时值落在等长度时间间隔区间i内的数量，Td为N个等长度时间间隔集合内的可疑运行数据的总量。
10.根据权利要求8所述的医疗设备故障预警方法，其特征在于，所述步骤S36-6中，待测医疗设备的故障预警等级包括一级故障预警、二级故障预警以及正常运行；
当待测医疗设备的RMSE值和熵值均超过设定阈值时，判定待测医疗设备存在潜在故障，发出一级故障预警；
当RMSE值和熵值中任意一个超出设定阈值范围内时，判定待测医疗设备当前运行不稳定，需进行进一步监测，发出二级故障预警；
当RMSE值和熵值均未超过设定阈值是，判定待测医疗设备当前运行状态稳定，发出正常运行信号，并持续采集医疗设备的设备运行数据。
CN202111655185.6A 2021-12-30 2021-12-30 一种医疗设备故障预警方法 Pending CN114360703A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111655185.6A CN114360703A (zh) 2021-12-30 2021-12-30 一种医疗设备故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111655185.6A CN114360703A (zh) 2021-12-30 2021-12-30 一种医疗设备故障预警方法

Publications (1)

Publication Number Publication Date
CN114360703A true CN114360703A (zh) 2022-04-15

Family

ID=81102496

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111655185.6A Pending CN114360703A (zh) 2021-12-30 2021-12-30 一种医疗设备故障预警方法

Country Status (1)

Country Link
CN (1) CN114360703A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220148718A1 (en) * 2017-08-18 2022-05-12 Bayer Healthcare Llc System, method, and computer program product for predictive maintenance
CN114913968A (zh) * 2022-07-15 2022-08-16 深圳市三维医疗设备有限公司 一种基于人工智能的医疗设备状态监控系统及方法
CN115079634A (zh) * 2022-07-15 2022-09-20 重庆中环建设有限公司 基于5g物联网的空压站变频调速系统及方法
CN115164988A (zh) * 2022-07-08 2022-10-11 湖北明络医疗科技有限公司 一种基于数据采集的理疗设备运行安全监控分析系统
CN116009463A (zh) * 2023-03-28 2023-04-25 聊城市冠达机械配件厂 基于工业互联网的轴承保持架生产监控方法、设备及介质
CN116705271A (zh) * 2023-08-09 2023-09-05 山东博达医疗用品股份有限公司 一种大数据的医疗冲洗设备运行监测系统
CN116736027A (zh) * 2023-08-16 2023-09-12 深圳市环阳通信息技术有限公司 用于医疗自助终端的设备故障预警系统
CN117423444A (zh) * 2023-09-26 2024-01-19 中普达科技股份有限公司 一种基于物联网的医疗设备管理系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220148718A1 (en) * 2017-08-18 2022-05-12 Bayer Healthcare Llc System, method, and computer program product for predictive maintenance
CN115164988A (zh) * 2022-07-08 2022-10-11 湖北明络医疗科技有限公司 一种基于数据采集的理疗设备运行安全监控分析系统
CN115164988B (zh) * 2022-07-08 2023-09-22 北京亿家老小科技有限公司 一种基于数据采集的理疗设备运行安全监控分析系统
CN114913968A (zh) * 2022-07-15 2022-08-16 深圳市三维医疗设备有限公司 一种基于人工智能的医疗设备状态监控系统及方法
CN115079634A (zh) * 2022-07-15 2022-09-20 重庆中环建设有限公司 基于5g物联网的空压站变频调速系统及方法
CN116009463A (zh) * 2023-03-28 2023-04-25 聊城市冠达机械配件厂 基于工业互联网的轴承保持架生产监控方法、设备及介质
CN116705271A (zh) * 2023-08-09 2023-09-05 山东博达医疗用品股份有限公司 一种大数据的医疗冲洗设备运行监测系统
CN116705271B (zh) * 2023-08-09 2023-11-14 山东博达医疗用品股份有限公司 一种基于大数据的医疗冲洗设备运行监测系统
CN116736027A (zh) * 2023-08-16 2023-09-12 深圳市环阳通信息技术有限公司 用于医疗自助终端的设备故障预警系统
CN116736027B (zh) * 2023-08-16 2023-10-27 深圳市环阳通信息技术有限公司 用于医疗自助终端的设备故障预警系统
CN117423444A (zh) * 2023-09-26 2024-01-19 中普达科技股份有限公司 一种基于物联网的医疗设备管理系统

Similar Documents

Publication Publication Date Title
CN114360703A (zh) 一种医疗设备故障预警方法
CN104595170B (zh) 一种自适应核高斯混合模型的空压机监控诊断系统及方法
JP2023042527A (ja) データドライブの能動配電網異常状態検知方法及びシステム
Razavi-Far et al. Model-based fault detection and isolation of a steam generator using neuro-fuzzy networks
CN110441065A (zh) 基于lstm的燃气轮机在线检测方法与装置
CN108921230A (zh) 基于类均值核主元分析和bp神经网络的故障诊断方法
CN113255848A (zh) 基于大数据学习的水轮机空化声信号辨识方法
Zhao et al. A novel cap-LSTM model for remaining useful life prediction
CN112906764B (zh) 基于改进bp神经网络的通信安全设备智能诊断方法及系统
CN109033513A (zh) 电力变压器故障诊断方法与电力变压器故障诊断装置
CN107862324A (zh) 一种基于mwspca的cbr预测模型智能化预警方法
CN111767657B (zh) 一种核动力系统故障诊断方法和系统
CN112580198A (zh) 一种用于变压器状态评估的改进优化分类方法
Ma et al. Online fault diagnosis for open-cathode PEMFC systems based on output voltage measurements and data-driven method
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
Yu et al. A continuous learning monitoring strategy for multi-condition of nuclear power plant
You et al. Signal anomaly identification strategy based on Bayesian inference for nuclear power machinery
Liu et al. Industrial process monitoring based on optimal active relative entropy components
Zeng et al. Dynamic Bayesian networks for feature learning and transfer applications in remaining useful life estimation
Xu et al. A bran-new performance evaluation model of coal mill based on GA-IFCM-IDHGF method
Hu et al. Research on the fault identification method of oil pumping unit based on residual network
CN112598057B (zh) 一种基于feknn策略的燃煤电厂锅炉故障诊断方法
Zhang et al. An unsupervised leak detection method with aggregating prediction and reconstruction along projection pathway for natural gas gathering pipelines
Xu et al. A novel imbalanced fault diagnosis method based on area identification conditional generative adversarial networks
CN117237165B (zh) 一种检测造假数据的方法

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