CN114628016B - 一种基于大数据的腹腔镜手术器械运行故障预测系统 - Google Patents

Abstract

本发明公开了一种基于大数据的腹腔镜手术器械运行故障预测系统，涉及运行故障预测技术领域，解决了现有中，腹腔镜手术器械进行故障预测时，故障预测依据少且对应预测准确性低的技术问题，判断分析对象执行过程中高影响特征的出现风险，从而为分析对象的故障预测提供准确依据，使其预测准确性高，有利于增强故障发现的及时性，使其故障影响降至最低，间接提高了分析对象的工作效率；将对应分析对象的执行进行风险分析，判断分析对象的具体执行是否对器械故障存在影响，从而提高了分析对象故障预测的准确性，同时增加了执行过程监测的力度，以至于有效规避分析对象运行过程中的故障风险，提高了分析对象的工作效率。

Description

一种基于大数据的腹腔镜手术器械运行故障预测系统

技术领域

本发明涉及运行故障预测技术领域，具体为一种基于大数据的腹腔镜手术器械运行故障预测系统。

背景技术

腹腔镜手术是一门新发展起来的微创方法，是未来手术方法发展的一个必然趋势。随着工业制造技术的突飞猛进，相关学科的融合为开展新技术、新方法奠定了坚定的基础，加上医生越来越娴熟的操作，使得许多过去的开放性手术现在已被腔内手术取而代之，大大增加了手术选择机会。因此腹腔镜手术的相关器械也越发精密，其运行故障预测的要求则越高。

但是在现有技术中，腹腔镜手术器械进行故障预测时，故障预测依据少且对应预测准确性低；无法分析器械运行的风险以及器械执行过程中的风险，以至于预测结果偏差大，从而影响器械的实时工作效率，无法将故障影响降至最低。

针对上述的技术缺陷，现提出一种解决方案。

发明内容

本发明的目的就在于为了解决上述提出的问题，而提出一种基于大数据的腹腔镜手术器械运行故障预测系统，判断腹腔镜手术器械出现的故障特征对器械运行的影响，从而提高了器械故障预测的准确性，同时保证了手术器械运行效率，通过故障特征能够有针对性进行维护保养；判断当前高影响特征的出现是否受到外界影响，从而提高了器械故障的原因分析准确性，便于提高了分析对象的故障维护效率同时提高故障维护的准确性，防止出现故障原因分析异常导致故障维护方向错误，以至于增加了维护成本且影响器械的使用。

本发明的目的可以通过以下技术方案实现：

一种基于大数据的腹腔镜手术器械运行故障预测系统，包括服务器，服务器包括：

器械故障特征分析单元，用于将腹腔镜手术器械的历史故障特征进行分析，判断腹腔镜手术器械出现的故障特征对器械运行的影响；将腹腔镜手机器械标记为分析对象，获取到分析对象的故障特征并通过分析将故障特征进行类型限定，其限定类型为高影响特征、低影响特征故障影响特征和故障引发特征，并将其发送至服务器；

外界影响分析单元，用于将分析对象的高影响特征进行外界影响分析，判断当前高影响特征的出现是否受到外界影响；通过外接影响分析生成外界影响信号和外界无影响信号，并将其发送至服务器；

器械执行分析单元，用于将高影响特征对应的分析对象进行执行分析，判断分析对象执行过程中高影响特征的出现风险；通过分析生成器械高风险信号和器械低风险信号，并将其发送至服务器；

执行风险分析单元，用于将对应分析对象的执行进行风险分析，判断分析对象的执行是否对器械故障存在影响；通过执行风险分析生成执行高风险信号和执行低风险信号，并将其发送至服务器；

故障预测分析单元，用于将对应分析对象进行故障预测，通过故障预测生成故障高风险预测信号和故障低风险预测信号，并将其发送至服务器。

作为本发明的一种优选实施方式，器械故障特征分析单元的运行过程如下：

获取到分析对象的历史运行时间段，采集到历史运行时间段内分析对象出现故障的时刻，并将对应时刻的故障特征进行采集，故障特征表示为对应故障时刻分析对象的浮动参数，如：清晰度或者光量；

将分析对象的故障特征进行分析，采集到故障特征出现浮动后对应分析对象的故障出现率以及同一故障特征对应分析对象的数量，并将其分别出现率阈值和分析对象数量阈值进行比较：

若故障特征出现浮动后对应分析对象的故障出现率超过出现率阈值，或者同一故障特征对应分析对象的数量超过分析对象数量阈值，则将对应故障特征标记为高影响特征；若故障特征出现浮动后对应分析对象的故障出现率未超过出现率阈值，且同一故障特征对应分析对象的数量未超过分析对象数量阈值，则将对应故障特征标记为低影响特征；

采集到故障特征的浮动时刻与分析对象的故障出现时刻，并通过差值计算获取到故障特征的时间差，若故障特征的浮动时刻早于分析对象的故障出现时刻，且故障特征的时间差超过时间差阈值，则将对应故障特征标记为故障引发特征；若故障特征的浮动时刻晚于分析对象的故障出现时刻，且故障特征的时间差未超过时间差阈值，则将对应故障特征标记为故障影响特征。

作为本发明的一种优选实施方式，外界影响分析单元的运行过程如下：

采集到高影响特征的影响因素，并将高影响特征的影响因素标记为外界因素，影响因素表示为影响高影响特征数值浮动的参数；采集到高影响特征的数值浮动时刻，并将其标记为故障时刻，采集到故障时刻高影响特征对应外界因素数值与对应数值阈值的差值以及对应数值差值的浮动速度，并将其进行比较：

若故障时刻高影响特征对应外界因素数值与对应数值阈值的差值超过对应数值差值的浮动速度，或者对应数值差值的浮动速度超过浮动速度阈值，则判定对应高影响特征受外界因素影响，生成外界影响信号并将外界影响信号和对应外界因素发送至服务器；

若故障时刻高影响特征对应外界因素数值与对应数值阈值的差值未超过对应数值差值的浮动速度，且对应数值差值的浮动速度未超过浮动速度阈值，则判定对应高影响特征未受外界因素影响，生成外界无影响信号并将外界无影响信号发送至服务器。

作为本发明的一种优选实施方式，器械执行分析单元的运行过程如下：

将分析对象的高影响特征设置标号o，o为大于1的自然数，采集到分析对象高影响特征的故障引发特征数量以及对应故障引发特征的平均引发率；采集到分析对象高影响特征的故障影响特征可引发故障特征的数量；通过分析获取到分析对象的各个高影响特征的执行分析系数X_o；

将分析对象的高影响特征的执行分析系数X_o与执行分析系数阈值进行比较：若分析对象的高影响特征的执行分析系数X_o超过执行分析系数阈值，则判定对应高影响特征的执行分析不合格，生成器械高风险信号并将器械高风险信号发送至服务器；若分析对象的高影响特征的执行分析系数X_o未超过执行分析系数阈值，则判定对应高影响特征的执行分析合格，生成器械低风险信号并将器械低风险信号发送至服务器。

作为本发明的一种优选实施方式，执行风险分析单元的运行过程如下：

采集到同一人员分时间进行分析对象操作时故障引发特征的引发率最大差值以及不同人员同时间进行分析对象操作时故障引发后故障影响特征出现间隔时长差值，并将同一人员分时间进行分析对象操作时故障引发特征的引发率最大差值以及不同人员同时间进行分析对象操作时故障引发后故障影响特征出现间隔时长差值分别与引发率差值阈值和间隔时长差值阈值进行比较：

若同一人员分时间进行分析对象操作时故障引发特征的引发率最大差值超过引发率差值阈值，或者不同人员同时间进行分析对象操作时故障引发后故障影响特征出现间隔时长差值超过间隔时长差值阈值，则判定对应分析对象的执行风险高，生成执行高风险信号并将执行高风险信号发送至服务器；若同一人员分时间进行分析对象操作时故障引发特征的引发率最大差值未超过引发率差值阈值，且不同人员同时间进行分析对象操作时故障引发后故障影响特征出现间隔时长差值未超过间隔时长差值阈值，则判定对应分析对象的执行风险低，生成执行低风险信号并将执行低风险信号发送至服务器。

作为本发明的一种优选实施方式，故障预测分析单元的运行过程如下：

采集到分析对象的已故障频率和已故障种类，并将分析对象的已故障频率和已故障种类分别标记为PLi和ZLi；并将其代入故障预测模型，故障预测模型为

，其中，Y表示为分析对象的故障预测系数，s1和s2预设比例系数，且s1＞s2＞0，t为分析对象的已运行时间，当分析对象的已运行时间趋于0时，则分析对象的已故障频率和已故障种类对应其故障预测的影响忽略不计；β1为器械运行风险系数，当服务器接收到器械高风险信号，β1取值为1.5；当服务器接收到器械低风险信号，β1取值为1.2；β2为器械执行风险系数；当服务器接收到执行高风险信号时，β2取值为1.42，当服务器接收到执行低风险信号时，β2取值为1.26，e为自然常数；

将分析对象的故障预测系数与故障预测系数阈值进行比较：

若分析对象的故障预测系数超过故障预测系数阈值，则判定对应分析对象的故障风险高，生成故障高风险预测信号并将故障高风险预测信号发送至服务器；服务器接收到故障高风险预测信号后，将对应分析对象进行停用维护；若分析对象的故障预测系数未超过故障预测系数阈值，则判定对应分析对象的故障风险低，生成故障低风险预测信号并将故障低风险预测信号发送至服务器。

与现有技术相比，本发明的有益效果是：

1、本发明中，判断腹腔镜手术器械出现的故障特征对器械运行的影响，从而提高了器械故障预测的准确性，同时保证了手术器械运行效率，通过故障特征能够有针对性进行维护保养；判断当前高影响特征的出现是否受到外界影响，从而提高了器械故障的原因分析准确性，便于提高了分析对象的故障维护效率同时提高故障维护的准确性，防止出现故障原因分析异常导致故障维护方向错误，以至于增加了维护成本且影响器械的使用；

2、本发明中，判断分析对象执行过程中高影响特征的出现风险，从而为分析对象的故障预测提供准确依据，使其预测准确性高，有利于增强故障发现的及时性，使其故障影响降至最低，间接提高了分析对象的工作效率；将对应分析对象的执行进行风险分析，判断分析对象的具体执行是否对器械故障存在影响，从而提高了分析对象故障预测的准确性，同时增加了执行过程监测的力度，以至于有效规避分析对象运行过程中的故障风险，提高了分析对象的工作效率；

3、本发明中，将对应分析对象进行故障预测，提高了分析对象发现故障的及时性，有利于提高了分析对象的工作效率。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明一种基于大数据的腹腔镜手术器械运行故障预测系统的原理框图。

具体实施方式

下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，一种基于大数据的腹腔镜手术器械运行故障预测系统，包括服务器，服务器通讯连接有器械故障特征分析单元、外界影响分析单元、器械执行分析单元、执行风险分析单元以及故障预测分析单元；

服务器生成器械故障特征分析信号并将器械故障特征分析信号发送至器械故障特征分析单元，器械故障特征分析单元接收到器械故障特征分析信号后，将腹腔镜手术器械的历史故障特征进行分析，判断腹腔镜手术器械出现的故障特征对器械运行的影响，从而提高了器械故障预测的准确性，同时保证了手术器械运行效率，通过故障特征能够有针对性进行维护保养；

将腹腔镜手机器械标记为分析对象，设置标号i，i为大于1的自然数，获取到分析对象的历史运行时间段，采集到历史运行时间段内分析对象出现故障的时刻，并将对应时刻的故障特征进行采集，故障特征表示为对应故障时刻分析对象的浮动参数，如：清晰度或者光量等参数；

将分析对象的故障特征进行分析，采集到故障特征出现浮动后对应分析对象的故障出现率以及同一故障特征对应分析对象的数量，并将故障特征出现浮动后对应分析对象的故障出现率以及同一故障特征对应分析对象的数量分别出现率阈值和分析对象数量阈值进行比较：

若故障特征出现浮动后对应分析对象的故障出现率超过出现率阈值，或者同一故障特征对应分析对象的数量超过分析对象数量阈值，则将对应故障特征标记为高影响特征；若故障特征出现浮动后对应分析对象的故障出现率未超过出现率阈值，且同一故障特征对应分析对象的数量未超过分析对象数量阈值，则将对应故障特征标记为低影响特征；

采集到故障特征的浮动时刻与分析对象的故障出现时刻，并通过差值计算获取到故障特征的时间差，若故障特征的浮动时刻早于分析对象的故障出现时刻，且故障特征的时间差超过时间差阈值，则将对应故障特征标记为故障引发特征；若故障特征的浮动时刻晚于分析对象的故障出现时刻，且故障特征的时间差未超过时间差阈值，则将对应故障特征标记为故障影响特征；

将高影响特征、低影响特征故障影响特征和故障引发特征发送至服务器，同时生成外界影响分析信号并将外界影响分析信号发送至外界影响分析单元；

外界影响分析单元接收到外界影响分析信号后，将分析对象的高影响特征进行外界影响分析，判断当前高影响特征的出现是否受到外界影响，从而提高了器械故障的原因分析准确性，便于提高了分析对象的故障维护效率同时提高故障维护的准确性，防止出现故障原因分析异常导致故障维护方向错误，以至于增加了维护成本且影响器械的使用；

采集到高影响特征的影响因素，并将高影响特征的影响因素标记为外界因素，影响因素表示为影响高影响特征数值浮动的参数，如：分析对象使用时视野清晰度不高，则原因为分析对象使用前温度低，即清晰度为高影响特征时，温度为外界因素；

采集到高影响特征的数值浮动时刻，并将其标记为故障时刻，采集到故障时刻高影响特征对应外界因素数值与对应数值阈值的差值以及对应数值差值的浮动速度，并将故障时刻高影响特征对应外界因素数值与对应数值阈值的差值以及对应数值差值的浮动速度分别与数值差值阈值和浮动速度阈值进行比较：

若故障时刻高影响特征对应外界因素数值与对应数值阈值的差值超过对应数值差值的浮动速度，或者对应数值差值的浮动速度超过浮动速度阈值，则判定对应高影响特征受外界因素影响，生成外界影响信号并将外界影响信号和对应外界因素发送至服务器；若故障时刻高影响特征对应外界因素数值与对应数值阈值的差值未超过对应数值差值的浮动速度，且对应数值差值的浮动速度未超过浮动速度阈值，则判定对应高影响特征未受外界因素影响，生成外界无影响信号并将外界无影响信号发送至服务器；

服务器接收到外界影响信号和对应外界因素后，将对应外界因素作为对应分析对象的维护依据，接收到外界无影响信号后，将对应分析对象的高影响特征完成维护后，生成器械执行分析信号并将器械执行分析信号发送至器械执行分析单元；

器械执行分析单元接收到器械执行分析信号后，将高影响特征对应的分析对象进行执行分析，判断分析对象执行过程中高影响特征的出现风险，从而为分析对象的故障预测提供准确依据，使其预测准确性高，有利于增强故障发现的及时性，使其故障影响降至最低，间接提高了分析对象的工作效率；

将分析对象的高影响特征设置标号o，o为大于1的自然数，采集到分析对象高影响特征的故障引发特征数量以及对应故障引发特征的平均引发率，并将分析对象高影响特征的故障引发特征数量以及对应故障引发特征的平均引发率分别标记为SL_o和YF_o；采集到分析对象高影响特征的故障影响特征可引发故障特征的数量，并将分析对象高影响特征的故障影响特征可引发故障特征的数量标记为TZ_o；

通过公式

获取到分析对象的各个高影响特征的执行分析系数X_o，其中，a1、a2以及a3均为预设比例系数，且a1＞a2＞a3＞0；可以理解的是，分析对象的故障特征，在当前故障时为故障引发特征，则在其他故障时也可以故障影响特征，各个故障之间也存在影响，因此高影响特征的执行分析系数能体现出当前高影响特征的发生概率，即为分析对象的故障预测进一步提高准确性；

将分析对象的高影响特征的执行分析系数X_o与执行分析系数阈值进行比较：

若分析对象的高影响特征的执行分析系数X_o超过执行分析系数阈值，则判定对应高影响特征的执行分析不合格，生成器械高风险信号并将器械高风险信号发送至服务器；若分析对象的高影响特征的执行分析系数X_o未超过执行分析系数阈值，则判定对应高影响特征的执行分析合格，生成器械低风险信号并将器械低风险信号发送至服务器；

器械执行分析单元生成执行风险分析信号并将执行风险分析信号发送至执行风险分析单元，执行风险分析单元接收到执行风险分析信号后，将对应分析对象的执行进行风险分析，判断分析对象的具体执行是否对器械故障存在影响，从而提高了分析对象故障预测的准确性，同时增加了执行过程监测的力度，以至于有效规避分析对象运行过程中的故障风险，提高了分析对象的工作效率；

采集到同一人员分时间进行分析对象操作时故障引发特征的引发率最大差值以及不同人员同时间进行分析对象操作时故障引发后故障影响特征出现间隔时长差值，并将同一人员分时间进行分析对象操作时故障引发特征的引发率最大差值以及不同人员同时间进行分析对象操作时故障引发后故障影响特征出现间隔时长差值分别与引发率差值阈值和间隔时长差值阈值进行比较：

若同一人员分时间进行分析对象操作时故障引发特征的引发率最大差值超过引发率差值阈值，或者不同人员同时间进行分析对象操作时故障引发后故障影响特征出现间隔时长差值超过间隔时长差值阈值，则判定对应分析对象的执行风险高，生成执行高风险信号并将执行高风险信号发送至服务器；若同一人员分时间进行分析对象操作时故障引发特征的引发率最大差值未超过引发率差值阈值，且不同人员同时间进行分析对象操作时故障引发后故障影响特征出现间隔时长差值未超过间隔时长差值阈值，则判定对应分析对象的执行风险低，生成执行低风险信号并将执行低风险信号发送至服务器；

可以理解的是，同一人员分时间进行分析对象操作时故障引发特征的引发率最大差值超过引发率差值阈值时，则判断当前执行存在风险，会影响引发率浮动；不同人员同时间进行分析对象操作时故障引发后故障影响特征出现间隔时长差值未超过间隔时长差值阈值，也可以判定不同人员会导致故障影响特征的出现时间，则表示操作存在风险；

服务器生成故障预测分析信号并将故障预测分析信号发送至故障预测分析单元，故障预测分析单元接收到故障预测分析信号后，将对应分析对象进行故障预测，提高了分析对象发现故障的及时性，有利于提高了分析对象的工作效率；

采集到分析对象的已故障频率和已故障种类，并将分析对象的已故障频率和已故障种类分别标记为PLi和ZLi；并将其代入故障预测模型，故障预测模型为

，其中，Y表示为分析对象的故障预测系数，s1和s2预设比例系数，且s1＞s2＞0，t为分析对象的已运行时间，当分析对象的已运行时间趋于0时，则分析对象的已故障频率和已故障种类对应其故障预测的影响忽略不计；β1为器械运行风险系数，当服务器接收到器械高风险信号，β1取值为1.5；当服务器接收到器械低风险信号，β1取值为1.2；β2为器械执行风险系数；当服务器接收到执行高风险信号时，β2取值为1.42，当服务器接收到执行低风险信号时，β2取值为1.26，e为自然常数；

将分析对象的故障预测系数与故障预测系数阈值进行比较：

若分析对象的故障预测系数超过故障预测系数阈值，则判定对应分析对象的故障风险高，生成故障高风险预测信号并将故障高风险预测信号发送至服务器；服务器接收到故障高风险预测信号后，将对应分析对象进行停用维护；若分析对象的故障预测系数未超过故障预测系数阈值，则判定对应分析对象的故障风险低，生成故障低风险预测信号并将故障低风险预测信号发送至服务器。

上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式，公式中的系数是由本领域技术人员根据实际情况进行设置；

本发明在使用时，通过器械故障特征分析单元将腹腔镜手术器械的历史故障特征进行分析，判断腹腔镜手术器械出现的故障特征对器械运行的影响；将腹腔镜手机器械标记为分析对象，获取到分析对象的故障特征并通过分析将故障特征进行类型限定，其限定类型为高影响特征、低影响特征故障影响特征和故障引发特征，并将其发送至服务器；通过外界影响分析单元将分析对象的高影响特征进行外界影响分析，判断当前高影响特征的出现是否受到外界影响；通过外接影响分析生成外界影响信号和外界无影响信号，并将其发送至服务器；通过器械执行分析单元将高影响特征对应的分析对象进行执行分析，判断分析对象执行过程中高影响特征的出现风险；通过分析生成器械高风险信号和器械低风险信号，并将其发送至服务器；通过执行风险分析单元将对应分析对象的执行进行风险分析，判断分析对象的执行是否对器械故障存在影响；通过执行风险分析生成执行高风险信号和执行低风险信号，并将其发送至服务器；通过故障预测分析单元将对应分析对象进行故障预测，通过故障预测生成故障高风险预测信号和故障低风险预测信号，并将其发送至服务器。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (1)

1.一种基于大数据的腹腔镜手术器械运行故障预测系统，包括服务器，其特征在于，服务器包括：

器械故障特征分析单元，用于将腹腔镜手术器械的历史故障特征进行分析，判断腹腔镜手术器械出现的故障特征对器械运行的影响；将腹腔镜手术器械标记为分析对象，获取到分析对象的故障特征并通过分析将故障特征进行类型限定，其限定类型为高影响特征、低影响特征、故障影响特征和故障引发特征，并将其发送至服务器；

外界影响分析单元，用于将分析对象的高影响特征进行外界影响分析，判断当前高影响特征的出现是否受到外界影响；通过外接影响分析生成外界影响信号和外界无影响信号，并将其发送至服务器；

器械执行分析单元，用于将高影响特征对应的分析对象进行执行分析，判断分析对象执行过程中高影响特征的出现风险；通过分析生成器械高风险信号和器械低风险信号，并将其发送至服务器；

执行风险分析单元，用于将对应分析对象的执行进行风险分析，判断分析对象的执行是否对器械故障存在影响；通过执行风险分析生成执行高风险信号和执行低风险信号，并将其发送至服务器；

故障预测分析单元，用于将对应分析对象进行故障预测，通过故障预测生成故障高风险预测信号和故障低风险预测信号，并将其发送至服务器；

器械故障特征分析单元的运行过程如下：

获取到分析对象的历史运行时间段，采集到历史运行时间段内分析对象出现故障的时刻，并将对应时刻的故障特征进行采集，故障特征表示为对应故障时刻分析对象的浮动参数，所述浮动参数为清晰度或者光量；

将分析对象的故障特征进行分析，采集到故障特征出现浮动后对应分析对象的故障出现率以及同一故障特征对应分析对象的数量，并将其分别出现率阈值和分析对象数量阈值进行比较：若故障特征出现浮动后对应分析对象的故障出现率超过出现率阈值，或者同一故障特征对应分析对象的数量超过分析对象数量阈值，则将对应故障特征标记为高影响特征；若故障特征出现浮动后对应分析对象的故障出现率未超过出现率阈值，且同一故障特征对应分析对象的数量未超过分析对象数量阈值，则将对应故障特征标记为低影响特征；

采集到故障特征的浮动时刻与分析对象的故障出现时刻，并通过差值计算获取到故障特征的时间差，若故障特征的浮动时刻早于分析对象的故障出现时刻，且故障特征的时间差超过时间差阈值，则将对应故障特征标记为故障引发特征；若故障特征的浮动时刻晚于分析对象的故障出现时刻，且故障特征的时间差未超过时间差阈值，则将对应故障特征标记为故障影响特征；

外界影响分析单元的运行过程如下：

采集到高影响特征的影响因素，并将高影响特征的影响因素标记为外界因素，影响因素表示为影响高影响特征数值浮动的参数；采集到高影响特征的数值浮动时刻，并将其标记为故障时刻，采集到故障时刻高影响特征对应外界因素数值与对应数值阈值的差值以及对应数值差值的浮动速度，并将其进行比较：

若故障时刻高影响特征对应外界因素数值与对应数值阈值的差值超过对应数值差值的浮动速度，或者对应数值差值的浮动速度超过浮动速度阈值，则判定对应高影响特征受外界因素影响，生成外界影响信号并将外界影响信号和对应外界因素发送至服务器；

若故障时刻高影响特征对应外界因素数值与对应数值阈值的差值未超过对应数值差值的浮动速度，且对应数值差值的浮动速度未超过浮动速度阈值，则判定对应高影响特征未受外界因素影响，生成外界无影响信号并将外界无影响信号发送至服务器；

器械执行分析单元的运行过程如下：

采集到分析对象高影响特征的故障引发特征数量以及对应故障引发特征的平均引发率；采集到分析对象高影响特征的故障影响特征可引发故障特征的数量；通过分析获取到分析对象的各个高影响特征的执行分析系数；

将分析对象的高影响特征的执行分析系数与执行分析系数阈值进行比较：若分析对象的高影响特征的执行分析系数超过执行分析系数阈值，则判定对应高影响特征的执行分析不合格，生成器械高风险信号并将器械高风险信号发送至服务器；若分析对象的高影响特征的执行分析系数未超过执行分析系数阈值，则判定对应高影响特征的执行分析合格，生成器械低风险信号并将器械低风险信号发送至服务器；

执行风险分析单元的运行过程如下：

采集到同一人员分时间进行分析对象操作时故障引发特征的引发率最大差值以及不同人员同时间进行分析对象操作时故障引发后故障影响特征出现间隔时长差值，并将其分别标记为引发率差值和间隔时长差值，将引发率差值和间隔时长差值分别与引发率差值阈值和间隔时长差值阈值进行比较：

若引发率差值超过引发率差值阈值，或者间隔时长差值超过间隔时长差值阈值，则判定对应分析对象的执行风险高，生成执行高风险信号并将执行高风险信号发送至服务器；若引发率差值未超过引发率差值阈值，且间隔时长差值未超过间隔时长差值阈值，则判定对应分析对象的执行风险低，生成执行低风险信号并将执行低风险信号发送至服务器；

故障预测分析单元的运行过程如下：

采集到分析对象的已故障频率和已故障种类，并将分析对象的已故障频率和已故障种类分别标记为

和

；并将其代入故障预测模型，故障预测模型为

，其中，Y表示为分析对象的故障预测系数，s1和s2预设比例系数，且s1>s2>0， t为分析对象的已运行时间，当分析对象的已运行时间趋于0时，则分析对象的已故障频率和已故障种类对应其故障预测的影响忽略不计；β1为器械运行风险系数，当服务器接收到器械高风险信号，β1取值为1.5； 当服务器接收到器械低风险信号，β1取值为1.2；β2为器械执行风险系数；当服务器接收到执行高风险信号时，β2取值为1.42，当服务器接收到执行低风险信号时，β2取值为1.26，e为自然常数；

将分析对象的故障预测系数与故障预测系数阈值进行比较：

若分析对象的故障预测系数超过故障预测系数阈值，则判定对应分析对象的故障风险高，生成故障高风险预测信号并将故障高风险预测信号发送至服务器；服务器接收到故障高风险预测信号后，将对应分析对象进行停用维护；若分析对象的故障预测系数未超过故障预测系数阈值，则判定对应分析对象的故障风险低，生成故障低风险预测信号并将故障低风险预测信号发送至服务器。

Images