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
一种基于大数据的腹腔镜手术器械运行故障预测系统 Download PDFInfo
- Publication number
- CN114628016B CN114628016B CN202210533686.5A CN202210533686A CN114628016B CN 114628016 B CN114628016 B CN 114628016B CN 202210533686 A CN202210533686 A CN 202210533686A CN 114628016 B CN114628016 B CN 114628016B
- Authority
- CN
- China
- Prior art keywords
- fault
- influence
- analysis
- analysis object
- risk
- 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.)
- Expired - Fee Related
Links
- 238000004458 analytical method Methods 0.000 claims abstract description 285
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012502 risk assessment Methods 0.000 claims abstract description 20
- 230000000977 initiatory effect Effects 0.000 claims description 54
- 238000007667 floating Methods 0.000 claims description 43
- 238000012423 maintenance Methods 0.000 claims description 19
- 230000009849 deactivation Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000002357 laparoscopic surgery Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B17/00—Surgical instruments, devices or methods, e.g. tourniquets
- A61B17/00234—Surgical instruments, devices or methods, e.g. tourniquets for minimally invasive surgery
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
- A61B2560/02—Operational features
- A61B2560/0266—Operational features for monitoring or limiting apparatus function
- A61B2560/0276—Determining malfunction
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Microscoopes, Condenser (AREA)
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
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Xo;
将分析对象的高影响特征的执行分析系数Xo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Xo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Xo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SLo和YFo;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TZo;
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Xo,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Xo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Xo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Xo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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533686.5A CN114628016B (zh) | 2022-05-17 | 2022-05-17 | 一种基于大数据的腹腔镜手术器械运行故障预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533686.5A CN114628016B (zh) | 2022-05-17 | 2022-05-17 | 一种基于大数据的腹腔镜手术器械运行故障预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114628016A CN114628016A (zh) | 2022-06-14 |
CN114628016B true CN114628016B (zh) | 2022-11-11 |
Family
ID=81906907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210533686.5A Expired - Fee Related CN114628016B (zh) | 2022-05-17 | 2022-05-17 | 一种基于大数据的腹腔镜手术器械运行故障预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114628016B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115101187B (zh) * | 2022-07-14 | 2022-11-15 | 西南医科大学附属医院 | 一种基于大数据的麻醉机运行故障预测系统 |
CN115130702B (zh) * | 2022-09-02 | 2022-12-02 | 山东汇泓纺织科技有限公司 | 一种基于大数据分析的纺织机故障预测系统 |
CN116451044B (zh) * | 2023-06-13 | 2023-08-18 | 深圳市超卓实业有限公司 | 基于数据分析的机加设备故障预警系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109960626A (zh) * | 2017-12-26 | 2019-07-02 | 中国移动通信集团辽宁有限公司 | 端口异常的识别方法、装置、设备及介质 |
CN214101878U (zh) * | 2020-12-18 | 2021-08-31 | 常州星宇车灯股份有限公司 | 车灯故障预测系统 |
CN114421471A (zh) * | 2022-02-09 | 2022-04-29 | 浙江容大电力工程有限公司 | 一种应用于转供电的电流负荷特性识别系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013203337B2 (en) * | 2007-03-30 | 2014-11-27 | Covidien Lp | Laparoscopic port assembly |
JP6531213B1 (ja) * | 2018-12-04 | 2019-06-12 | Psp株式会社 | 医療機器の故障予測システム、医療機器の故障予測方法、およびプログラム |
US11992372B2 (en) * | 2020-10-02 | 2024-05-28 | Cilag Gmbh International | Cooperative surgical displays |
CN112565740A (zh) * | 2020-11-17 | 2021-03-26 | 海信视像科技股份有限公司 | 故障诊断方法、终端设备及显示设备 |
CN113291234A (zh) * | 2021-04-29 | 2021-08-24 | 安徽泗州拖拉机制造有限公司 | 一种基于物联网的拖拉机故障预警系统 |
CN113890820A (zh) * | 2021-09-29 | 2022-01-04 | 王小平 | 一种数据中心网络故障节点诊断方法及系统 |
CN114137916B (zh) * | 2021-11-19 | 2022-10-21 | 吉安县鑫盛电子有限公司 | 基于数据分析的电路板生产用监督管控系统 |
CN114326594A (zh) * | 2021-12-30 | 2022-04-12 | 苏州科腾软件开发有限公司 | 一种基于机床数据的机床性能测评的系统及其测评方法 |
CN114355185A (zh) * | 2022-01-12 | 2022-04-15 | 淮北祥泰科技有限责任公司 | 一种用于智能开关的运行管控系统 |
-
2022
- 2022-05-17 CN CN202210533686.5A patent/CN114628016B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109960626A (zh) * | 2017-12-26 | 2019-07-02 | 中国移动通信集团辽宁有限公司 | 端口异常的识别方法、装置、设备及介质 |
CN214101878U (zh) * | 2020-12-18 | 2021-08-31 | 常州星宇车灯股份有限公司 | 车灯故障预测系统 |
CN114421471A (zh) * | 2022-02-09 | 2022-04-29 | 浙江容大电力工程有限公司 | 一种应用于转供电的电流负荷特性识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114628016A (zh) | 2022-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114628016B (zh) | 一种基于大数据的腹腔镜手术器械运行故障预测系统 | |
EP3595347B1 (en) | Method and device for detecting health state of network element | |
US11501106B2 (en) | Anomaly factor estimation device, anomaly factor estimation method, and storage medium | |
JP2018147172A (ja) | 異常検知装置、異常検知方法及びプログラム | |
CN116955091B (zh) | 基于机器学习的数据中心故障检测系统 | |
CN116660672B (zh) | 基于大数据的电网设备故障诊断方法及系统 | |
CN116390137B (zh) | 一种智能终端无线网络信号异常监测方法 | |
CN114255784A (zh) | 一种基于声纹识别的变电站设备故障诊断方法及相关装置 | |
WO2024093256A1 (zh) | 一种异常根因定位方法、装置、设备及介质 | |
CN115858303B (zh) | 一种基于Zabbix的服务器性能监控方法及系统 | |
CN116893643A (zh) | 一种基于数据分析的智能机器人行驶轨迹安全管控系统 | |
CN113676343A (zh) | 电力通信网故障源定位方法及装置 | |
CN115497610A (zh) | 一种基于数据分析的医疗设备故障预测系统和方法 | |
CN116872206A (zh) | 一种基于工业互联网的机器人故障检测方法及系统 | |
CN117155703B (zh) | 一种网络安全测试评估系统及方法 | |
CN110992205A (zh) | 风电机组发电机绕组的状态检测方法、系统及相关组件 | |
CN115774159A (zh) | 高压变频器功率单元故障检测系统 | |
CN114785617A (zh) | 一种5g网络应用层异常检测方法及系统 | |
CN114037010A (zh) | 一种电量数据异常的识别方法及装置 | |
JPH02137035A (ja) | 計算機システム故障診断装置 | |
EP3836042A1 (en) | Maintenance management device, maintenance management method, and program | |
CN116111677B (zh) | 一种应用于储能领域的后台监控数据处理方法与系统 | |
CN116112285B (zh) | 一种基于人工智能的网络攻击路径预测方法及系统 | |
CN117811940B (zh) | 一种基于数据分析的印控仪运行网络质量检测评估系统 | |
CN108572640A (zh) | 一种工业系统智能诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221111 |