CN115688558B - 检验设备状态评估方法、装置、计算机设备及存储介质 - Google Patents
检验设备状态评估方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115688558B CN115688558B CN202211121549.7A CN202211121549A CN115688558B CN 115688558 B CN115688558 B CN 115688558B CN 202211121549 A CN202211121549 A CN 202211121549A CN 115688558 B CN115688558 B CN 115688558B
- Authority
- CN
- China
- Prior art keywords
- state
- value
- coefficient
- voltage
- central curvature
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 164
- 238000012795 verification Methods 0.000 title claims description 67
- 238000007689 inspection Methods 0.000 claims abstract description 119
- 238000003908 quality control method Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000002558 medical inspection Methods 0.000 claims 1
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000010339 medical test Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Abstract
本发明实施例公开了一种检验设备状态评估方法、装置、计算机设备及存储介质，其中方法包括：将电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，所述状态预测模型是基于BP神经网络训练得到的模型；根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值确定综合状态评估值。实现了基于所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集确定了综合状态评估值，因综合状态评估值是一个具体数值，有利于后续根据综合状态评估值适时调整评估周期和检验设备运行状态评估。
Description
技术领域
本发明涉及设备技术领域，尤其涉及一种检验设备状态评估方法、装置、计算机设备及存储介质。
背景技术
现有检测检验设备的检定方式，通常是采用第三方送检或者检验设备厂家定期上门检定。采取第三方送检的方式，一方面运输过程中有可能对检验设备产生磕碰等损伤，另一方面环境的变化会使结果的准确性和有效性大打折扣，也增加了验证试验的频次，大大增加了人力和财力成本；而采用上门检定的方式，及时性不强，对于检验设备售后服务的依赖性高，不利于及时监控检验设备状态和有效预警检验设备故障。因此，对检验设备状态的准确评估显得尤为重要。传统的检验设备状态评估方法，是将检验设备的与状态相关的数据输入分类模型进行状态的分类预测，只能得到状态类别，难以根据状态类别适时地调整评估周期，以及进行检验设备运行状态的准确评估。
发明内容
基于此，有必要针对现有技术的检验设备状态评估方法，是将检验设备的与状态相关的数据输入分类模型进行状态的分类预测，只能得到状态类别，难以根据状态类别适时地调整评估周期，以及进行检验设备运行状态的准确评估的技术问题，提出了一种检验设备状态评估方法。
一种检验设备状态评估方法，所述方法包括：
获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集；
将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，其中，所述状态预测模型是基于BP神经网络训练得到的模型；
根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值。
进一步地，所述根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值的步骤之后，还包括：
若所述综合状态评估值大于或等于预设的第一评估值阈值，则将所述目标检验设备的运行状态确定为稳定状态，并将预设的第一天数作为所述目标检验设备的评估周期；
若所述综合状态评估值大于或等于预设的第二评估值阈值，并且，所述综合状态评估值小于所述第一评估值阈值，则将所述目标检验设备的所述运行状态确定为亚稳定状态，并将预设的第二天数作为所述目标检验设备的所述评估周期，所述第二天数小于所述第一天数；
若所述综合状态评估值小于所述第二评估值阈值，则将所述目标检验设备的所述运行状态确定为波动状态，并根据所述目标检验设备生成第一停机检定信号。
进一步地，所述根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值的步骤，包括：
分别对所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值进行归一化处理，得到电流状态系数、电压状态系数、中心曲率状态系数及运行温度状态系数；
根据所述电流状态系数、所述电压状态系数、所述中心曲率状态系数及所述运行温度状态系数计算所述综合状态评估值。
进一步地，所述电流状态系数的计算公式φ1表述为：所述电压状态系数的计算公式φ2表述为：/>所述中心曲率状态系数的计算公式φ3表述为：/>所述运行温度状态系数的计算公式φ4表述为：
其中，o1是所述电流状态值，o2是所述电压状态值，o3是所述中心曲率状态值，o4是所述运行温度状态值，o1max是电流状态最大阈值，o1min是电流状态最小阈值，o2max是电压状态最大阈值，o2min是电压状态最小阈值，o3max是中心曲率状态最大阈值，o3min是中心曲率状态最小阈值，o4max是运行温度状态最大阈值，o4min是运行温度状态最小阈值，o1max、o1min、o2max、 o2min、o3max、o3min、o4max、o4min均是预设的常量。
进一步地，所述综合状态评估值的计算公式S表述为：
其中，S0是综合状态标准值，e是自然对数的底数，ξ为校正系数，S0、ξ均是预设的常量，φ1∈[φ10，1]，φ10为第一系数阈值，φ2∈[φ20，1]，δ20为第二系数阈值，φ3∈[φ30，1]，φ30为第三系数阈值，φ4∈[φ40，1]，φ40为第四系数阈值，所述第一系数阈值、所述第二系数阈值、所述第三系数阈值、所述第四系数阈值均是预设的常量。
进一步地，所述目标检验设备为医疗检测设备，所述若所述综合状态评估值小于所述第二评估值阈值，则将所述目标检验设备的所述运行状态确定为波动状态，并根据所述目标检验设备生成第一停机检定信号的步骤之后，还包括：
获取所述目标检验设备的医疗检测实际结果；
若所述目标检验设备的所述运行状态为亚稳定状态，则根据所述电流状态系数、所述电压状态系数、所述中心曲率状态系数、所述运行温度状态系数、所述第一系数阈值和所述第四系数阈值计算修正系数，将所述医疗检测实际结果乘以所述修正系数，得到医疗检测目标结果；
若所述目标检验设备的所述运行状态为稳定状态，则将所述医疗检测实际结果作为所述医疗检测目标结果；
其中，所述修正系数的计算公式γ为：
π为圆周率，exp为以自然常数为底的指数函数，|φ1-φ10|是对φ1-φ10进行绝对值计算，|1-φ2|是对1-φ2进行绝对值计算，|φ4-φ40|是对φ4-φ40进行绝对值计算。
进一步地，所述分别对所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值进行归一化处理，得到电流状态系数、电压状态系数、中心曲率状态系数及运行温度状态系数的步骤之后，还包括：
若所述电流状态系数小于所述第一系数阈值，则生成第二停机检定信号；
若所述电流状态系数大于1，则生成第三停机检定信号；
若所述电压状态系数小于所述第二系数阈值，则生成第四停机检定信号；
若所述电压状态系数大于1，则生成第五停机检定信号；
若所述中心曲率状态系数小于所述第三系数阈值，则生成第六停机检定信号；
若所述中心曲率状态系数大于1，则生成第七停机检定信号；
若所述运行温度状态系数小于所述第四系数阈值，则生成第八停机检定信号；
若所述运行温度状态系数大于1，则生成第九停机检定信号。
一种检验设备状态评估装置，所述装置包括：
数据获取模块，用于获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集；
状态预测模块，用于将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，其中，所述状态预测模型是基于BP神经网络训练得到的模型；
综合状态评估值确定模块，用于根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集；
将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，其中，所述状态预测模型是基于BP神经网络训练得到的模型；
根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值。
一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集；
将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，其中，所述状态预测模型是基于BP神经网络训练得到的模型；
根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值。
本申请的检验设备状态评估方法，通过将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值，从而实现了基于所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集确定了综合状态评估值，因综合状态评估值是一个具体数值，有利于后续根据综合状态评估值适时调整评估周期和检验设备运行状态评估，而且所述状态预测模型是基于BP神经网络训练得到的模型，通过该模型实现了数据融合，综合考虑了电流状态值、电压状态值、中心曲率状态值及运行温度状态值之间的关联影响，提高了综合状态评估值的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中检验设备状态评估方法的流程图；
图2为一个实施例中检验设备状态评估方法的全流程示意图；
图3为一个实施例中检验设备状态评估装置的结构框图；
图4为一个实施例中计算机设备的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。
如图1所示，在一个实施例中，提供了一种检验设备状态评估方法。该方法既可以应用于终端，也可以应用于服务器，本实施例以应用于终端举例说明。该检验设备状态评估方法具体包括如下步骤：
S1：获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集；
具体而言，可以获取用户输入的目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集，也可以从数据库中获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集，还可以从第三方应用中获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集。
目标检验设备可以是医疗检测设备，还可以是其他用于检测的设备。医疗检测设备的取值范围包括但不限于：化学发光分析仪、气质联用仪和荧光定量检测仪。
目标评估周期，是当前的评估周期。
可以理解的是，不同的检验设备的评估周期可以不同，也可以相同。
电流特征包括目标检验设备在目标评估周期中的各个电流值的平均值、最高值、最低值中的至少一个数值。
电压特征包括目标检验设备在目标评估周期中的各个电压值的平均值、最高值、最低值中的至少一个数值。
质控曲线中心曲率，是目标检验设备在目标评估周期中的质控曲线的中心曲率。质控曲线，又称为L-J质控曲线，英文全称是Levey-Jennings。质控曲线的生成方法可以从现有技术中确定，在此不做赘述。可以理解的是，在本申请中的质控曲线是以天为单位的质控曲线。
其中，质控曲线中心曲率的计算公式k表述为：
Hθ′＝Hx′cosθ+Hy′sinθ
θ表示目标检验设备在目标评估周期中的质控曲线的方向角度，H′x,H′y均表示H的一阶偏导，H″xx,H″yy均表示H的二阶偏导，H″xy,H″yx均表示H的混合偏导，H′θ表示H的一阶方向导数，H″θθ表示H的二阶方向导数，H表示目标检验设备在目标评估周期中的质控曲线，cos是余弦函数，sin是正弦函数，MAX是计算最大值。
关键控制点运行温度特征集中包括至少一个关键控制点运行温度特征。关键控制点运行温度特征，是目标检验设备的一个关键控制部位在目标评估周期中的各个运行温度的平均值、最高值、最低值中的至少一个数值。比如，关键控制部位为伺服电机。
S2：将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，其中，所述状态预测模型是基于BP神经网络训练得到的模型；
具体而言，将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集组合成输入向量；将输入向量输入预设的状态预测模型进行状态预测，状态预测模型的输出层的每个神经元输出一个状态值，从而得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值。从而实现了采用基于BP神经网络训练得到的模型进行数据融合。
输入向量表述为x＝{x1，x2，x3，x4，…xn}，其中，x1表示所述电流特征，x2表示所述电压特征，x3表示所述质控曲线中心曲率，x4…xn中每个向量元素表述所述关键控制点运行温度特征集中的一个关键控制点运行温度特征。
所述状态预测模型是采用三层BP(back propagation)神经网络训练得到的模型。在本申请中，三层BP神经网络依次包括：一个输入层、一个隐层和一个输出层，其中，隐层有多个神经元，隐层和输出层的每个神经元均采用S型激励函数。S型激励函数为fj(x)＝1/(1+e-x)。
S3：根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值。
具体而言，分别对所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值进行归一化处理，将归一化处理得到的各个值输入预设的综合状态评估算法进行综合状态评估，得到综合状态评估值。
可以理解的是，输入预设的状态预测模型的数据还可以包括其他特征，比如，检测频率特征，此时状态预测模型还将输出频率状态值，根据所述频率状态值、所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值。其中，检测频率特征，是在目标检验设备在目标评估周期的日平均服务数量。
本实施例实现了基于所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集确定了综合状态评估值，因综合状态评估值是一个具体数值，有利于后续根据综合状态评估值适时地调整评估周期和检验设备运行状态评估；而且所述状态预测模型是基于BP神经网络训练得到的模型，通过该模型实现了数据融合，综合考虑了电流状态值、电压状态值、中心曲率状态值及运行温度状态值之间的关联影响，提高了综合状态评估值的准确性。
如图2所示，在一个实施例中，上述根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值的步骤之后，还包括：
S41：若所述综合状态评估值大于或等于预设的第一评估值阈值，则将所述目标检验设备的运行状态确定为稳定状态，并将预设的第一天数作为所述目标检验设备的评估周期；
可选的，第一天数设为7天。
可选的，第一评估值阈值设为90。
S42：若所述综合状态评估值大于或等于预设的第二评估值阈值，并且，所述综合状态评估值小于所述第一评估值阈值，则将所述目标检验设备的所述运行状态确定为亚稳定状态，并将预设的第二天数作为所述目标检验设备的所述评估周期，所述第二天数小于所述第一天数；
可选的，第二天数设为3天。
可选的，第二评估值阈值设为75。
S43：若所述综合状态评估值小于所述第二评估值阈值，则将所述目标检验设备的所述运行状态确定为波动状态，并根据所述目标检验设备生成第一停机检定信号。
具体而言，若所述综合状态评估值小于所述第二评估值阈值，此时意味着目标检验设备不能继续提供检测服务，因此，将所述目标检验设备的所述运行状态确定为波动状态，根据所述目标检验设备生成第一停机检定信号。第一停机检定信号，是综合状态较差的停机检定信号，用于通知用户需要对目标检验设备进行停机，并且送检目标检验设备或者申请上门检定目标检验设备。
本实施例通过基于第一评估值阈值、第二评估值阈值、综合状态评估值确定所述目标检验设备的所述运行状态及评估周期，因综合状态评估值是一个具体数值，有利于适时地调整评估周期。
在一个实施例中，上述根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值的步骤，包括：
S31：分别对所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值进行归一化处理，得到电流状态系数、电压状态系数、中心曲率状态系数及运行温度状态系数；
具体而言，对所述电流状态值进行归一化处理，得到电流状态系数；对所述电压状态值进行归一化处理，得到电压状态系数；对所述中心曲率状态值进行归一化处理，得到中心曲率状态系数；对所述运行温度状态值进行归一化处理，得到运行温度状态系数。
S32：根据所述电流状态系数、所述电压状态系数、所述中心曲率状态系数及所述运行温度状态系数计算所述综合状态评估值。
具体而言，将所述电流状态系数、所述电压状态系数、所述中心曲率状态系数及所述运行温度状态系数输入预设的综合状态评估算法进行综合状态评估，得到综合状态评估值。
本实施例采用归一化处理之后的状态系数进行综合状态评估，避免单个状态值(也就是所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值)对综合状态评估的过度影响，从而有利于提高综合状态评估值的准确性。
在一个实施例中，上述电流状态系数的计算公式φ1表述为：所述电压状态系数的计算公式φ2表述为：/>所述中心曲率状态系数的计算公式φ3表述为：/>所述运行温度状态系数的计算公式φ4表述为：
其中，o1是所述电流状态值，o2是所述电压状态值，o3是所述中心曲率状态值，o4是所述运行温度状态值，o1max是电流状态最大阈值，o1min是电流状态最小阈值，o2max是电压状态最大阈值，o2min是电压状态最小阈值，o3max是中心曲率状态最大阈值，o3min是中心曲率状态最小阈值，o4max是运行温度状态最大阈值，o4min是运行温度状态最小阈值，o1max、o1min、o2max、 o2min、o3max、o3min、o4max、o4min均是预设的常量。
本实施例采用实际的状态值与最小阈值的差值除以最大阈值与最小阈值的差值作为状态系数(也就是所述电流状态系数、所述电压状态系数、所述中心曲率状态系数及所述运行温度状态系数)，从而提高了确定的状态系数的准确性。
在一个实施例中，上述综合状态评估值的计算公式S表述为：
其中，S0是综合状态标准值，e是自然对数的底数，ξ为校正系数，S0、ξ均是预设的常量，φ1∈[φ10，1]，φ10为第一系数阈值，φ2∈[φ20，1]，δ20为第二系数阈值，φ3∈[φ30，1]，φ30为第三系数阈值，φ4∈[φ40，1]，φ40为第四系数阈值，所述第一系数阈值、所述第二系数阈值、所述第三系数阈值、所述第四系数阈值均是预设的常量。
本实施例采用归一化处理之后的状态系数进行综合状态评估，避免单个状态值(也就是所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值)对综合状态评估的过度影响，从而有利于提高综合状态评估值的准确性。
如图2所示，在一个实施例中，上述目标检验设备为医疗检测设备，所述若所述综合状态评估值小于所述第二评估值阈值，则将所述目标检验设备的所述运行状态确定为波动状态，并根据所述目标检验设备生成第一停机检定信号的步骤之后，还包括：
S44：获取所述目标检验设备的医疗检测实际结果；
具体而言，可以获取用户输入的所述目标检验设备的医疗检测实际结果，也可以从存储空间中获取所述目标检验设备的医疗检测实际结果，还可以从第三方应用中获取所述目标检验设备的医疗检测实际结果。
医疗检测实际结果，是目标检验设备在提供检测服务时实际检测得到的数据。
S45：若所述目标检验设备的所述运行状态为亚稳定状态，则根据所述电流状态系数、所述电压状态系数、所述中心曲率状态系数、所述运行温度状态系数、所述第一系数阈值和所述第四系数阈值计算修正系数，将所述医疗检测实际结果乘以所述修正系数，得到医疗检测目标结果；
具体而言，若所述目标检验设备的所述运行状态为亚稳定状态，此时意味着目标检验设备提供检测服务的稳定性未达到预期，因此，根据所述电流状态系数、所述电压状态系数、所述中心曲率状态系数、所述运行温度状态系数、所述第一系数阈值和所述第四系数阈值计算修正系数，将所述医疗检测实际结果乘以所述修正系数，得到医疗检测目标结果，从而将修正后的数据作为医疗检测目标结果。
S46：若所述目标检验设备的所述运行状态为稳定状态，则将所述医疗检测实际结果作为所述医疗检测目标结果；
其中，所述修正系数的计算公式γ为：
π为圆周率，exp为以自然常数为底的指数函数，|φ1-φ10|是对φ1-φ10进行绝对值计算，|1-φ2|是对1-φ2进行绝对值计算，|φ4-φ40|是对φ4-φ40进行绝对值计算。
具体而言，若所述目标检验设备的所述运行状态为稳定状态，此时意味着目标检验设备检测的稳定性达到预期，因此，直接将所述医疗检测实际结果作为所述医疗检测目标结果。
本实施例在所述目标检验设备的所述运行状态为亚稳定状态时，根据所述电流状态系数、所述电压状态系数、所述中心曲率状态系数、所述运行温度状态系数、所述第一系数阈值和所述第四系数阈值计算修正系数，使修正系数与电流、电压、质控曲线的中心曲率、关键控制点的运行温度关联，从而提高了修正系数的准确性；将所述医疗检测实际结果乘以所述修正系数，得到医疗检测目标结果，从而将修正后的数据作为医疗检测目标结果，提高了医疗检测目标结果的准确性。
在一个实施例中，上述分别对所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值进行归一化处理，得到电流状态系数、电压状态系数、中心曲率状态系数及运行温度状态系数的步骤之后，还包括：
S311：若所述电流状态系数小于所述第一系数阈值，则生成第二停机检定信号；
第二停机检定信号，是电流过低的停机检定信号，用于提醒检验设备电流过低，需要停机并检定目标检验设备。
S312：若所述电流状态系数大于1，则生成第三停机检定信号；
第三停机检定信号，是电流过高的停机检定信号，用于提醒检验设备电流过高，需要停机并检定目标检验设备。
S313：若所述电压状态系数小于所述第二系数阈值，则生成第四停机检定信号；
第四停机检定信号，是电压过低的停机检定信号，用于提醒检验设备电压过低，需要停机并检定目标检验设备。
S314：若所述电压状态系数大于1，则生成第五停机检定信号；
第五停机检定信号，是电压过高的停机检定信号，用于提醒检验设备电压过高，需要停机并检定目标检验设备。
S315：若所述中心曲率状态系数小于所述第三系数阈值，则生成第六停机检定信号；
第六停机检定信号，是中心曲率过低的停机检定信号，用于提醒检验设备中心曲率过低，需要停机并检定目标检验设备。
S316：若所述中心曲率状态系数大于1，则生成第七停机检定信号；
第六停机检定信号，是中心曲率过高的停机检定信号，用于提醒检验设备中心曲率过高，需要停机并检定目标检验设备。
S317：若所述运行温度状态系数小于所述第四系数阈值，则生成第八停机检定信号；
第八停机检定信号，是运行温度过低的停机检定信号，用于提醒检验设备运行温度过低，需要停机并检定目标检验设备。
S318：若所述运行温度状态系数大于1，则生成第九停机检定信号。
第九停机检定信号，是运行温度过高的停机检定信号，用于提醒检验设备运行温度过高，需要停机并检定目标检验设备。
本实施例通过系数阈值监控状态系数，及时确定需要停机检定的信号，避免存在问题的目标检验设备继续用于检定服务，提高了目标检验设备的安全性和检定的准确性。
可以理解的是，本申请的检验设备状态评估方法仅用于对目标检验设备在目标评估周期，进行主动评估确定主动评估周期和/或停机检定信号(比如，第一停机检定信号)，在实际应用场景中，除了要根据规定的对检验设备进行定期检定外，还可以根据本申请的方案调整为合适的评估周期和/或生成停机检定信号进行主动检定、检验设备送检/上门检定，以提高检验设备的稳定性和检验结果的准确性。
如图3所示，在一个实施例中，提供了一种检验设备状态评估装置，所述装置包括：
数据获取模块801，用于获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集；
状态预测模块802，用于将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，其中，所述状态预测模型是基于BP神经网络训练得到的模型；
综合状态评估值确定模块803，用于根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值。
本实施例实现了基于所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集确定了综合状态评估值，因综合状态评估值是一个具体数值，有利于后续根据综合状态评估值准确的确定评估周期；而且所述状态预测模型是基于BP神经网络训练得到的模型，通过该模型实现了数据融合，提高了确定的电流状态值、电压状态值、中心曲率状态值及运行温度状态值的准确性，提高了综合状态评估值的准确性。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是终端，也可以是服务器。如图4所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现检验设备状态评估方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行检验设备状态评估方法。本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提出了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集；
将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，其中，所述状态预测模型是基于BP神经网络训练得到的模型；
根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值。
本实施例实现了基于所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集确定了综合状态评估值，因综合状态评估值是一个具体数值，有利于后续根据综合状态评估值适时地调整评估周期和检验设备运行状态评估；而且所述状态预测模型是基于BP神经网络训练得到的模型，通过该模型实现了数据融合，综合考虑了电流状态值、电压状态值、中心曲率状态值及运行温度状态值的关联影响，提高了综合状态评估值的准确性。
在一个实施例中，提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集；
将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，其中，所述状态预测模型是基于BP神经网络训练得到的模型；
根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值。
本实施例实现了基于所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集确定了综合状态评估值，因综合状态评估值是一个具体数值，有利于适时地调整评估周期和检验设备运行状态评估；而且所述状态预测模型是基于BP神经网络训练得到的模型，通过该模型实现了数据融合，综合考虑了电流状态值、电压状态值、中心曲率状态值及运行温度状态值的关联影响，提高了综合状态评估值的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程 ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态 RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态 RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种检验设备状态评估方法，其特征在于，所述方法包括：
获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集，所述关键控制点运行温度特征集中包括至少一个关键控制点运行温度特征；所述关键控制点运行温度特征，是目标检验设备的一个关键控制部位在目标评估周期中的各个运行温度的平均值、最高值、最低值中的至少一个数值；
将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，其中，所述状态预测模型是基于BP神经网络训练得到的模型；
根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值，包括：分别对所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值进行归一化处理，得到电流状态系数、电压状态系数、中心曲率状态系数及运行温度状态系数；
根据所述电流状态系数、所述电压状态系数、所述中心曲率状态系数及所述运行温度状态系数计算所述综合状态评估值；
所述电流状态系数的计算公式φ1表述为：所述电压状态系数的计算公式φ2表述为：/>所述中心曲率状态系数的计算公式φ3表述为：所述运行温度状态系数的计算公式φ4表述为：/>
其中，o1是所述电流状态值，o2是所述电压状态值，o3是所述中心曲率状态值，o4是所述运行温度状态值，o1max是电流状态最大阈值，o1min是电流状态最小阈值，o2max是电压状态最大阈值，o2min是电压状态最小阈值，o3max是中心曲率状态最大阈值，o3min是中心曲率状态最小阈值，o4max是运行温度状态最大阈值，o4min是运行温度状态最小阈值，o1max、o1min、o2max、o2min、o3max、o3min、o4max、o4min均是预设的常量；
所述综合状态评估值的计算公式S表述为：
其中，S0是综合状态标准值，e是自然对数的底数，ξ为校正系数，S0、ξ均是预设的常量，φ1∈[φ10,1]，φ10为第一系数阈值，φ2∈[φ20,1]，δ20为第二系数阈值，φ3∈[φ30,1]，φ30为第三系数阈值，φ4∈[φ40,1]，φ40为第四系数阈值，所述第一系数阈值、所述第二系数阈值、所述第三系数阈值、所述第四系数阈值均是预设的常量。
2.根据权利要求1所述的检验设备状态评估方法，其特征在于，所述根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值的步骤之后，还包括：
若所述综合状态评估值大于或等于预设的第一评估值阈值，则将所述目标检验设备的运行状态确定为稳定状态，并将预设的第一天数作为所述目标检验设备的评估周期；
若所述综合状态评估值大于或等于预设的第二评估值阈值，并且，所述综合状态评估值小于所述第一评估值阈值，则将所述目标检验设备的所述运行状态确定为亚稳定状态，并将预设的第二天数作为所述目标检验设备的所述评估周期，所述第二天数小于所述第一天数；
若所述综合状态评估值小于所述第二评估值阈值，则将所述目标检验设备的所述运行状态确定为波动状态，并根据所述目标检验设备生成第一停机检定信号。
3.根据权利要求2所述的检验设备状态评估方法，其特征在于，所述目标检验设备为医疗检测设备，所述若所述综合状态评估值小于所述第二评估值阈值，则将所述目标检验设备的所述运行状态确定为波动状态，并根据所述目标检验设备生成第一停机检定信号的步骤之后，还包括：
获取所述目标检验设备的医疗检测实际结果；
若所述目标检验设备的所述运行状态为亚稳定状态，则根据所述电流状态系数、所述电压状态系数、所述中心曲率状态系数、所述运行温度状态系数、所述第一系数阈值和所述第四系数阈值计算修正系数，将所述医疗检测实际结果乘以所述修正系数，得到医疗检测目标结果；
若所述目标检验设备的所述运行状态为稳定状态，则将所述医疗检测实际结果作为所述医疗检测目标结果；
其中，所述修正系数的计算公式γ为：
π为圆周率，exp为以自然常数为底的指数函数，|φ1-φ10|是对φ1-φ10进行绝对值计算，|1-φ2|是对1-φ2进行绝对值计算，|φ4-φ40|是对φ4-φ40进行绝对值计算。
4.根据权利要求1所述的检验设备状态评估方法，其特征在于，所述分别对所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值进行归一化处理，得到电流状态系数、电压状态系数、中心曲率状态系数及运行温度状态系数的步骤之后，还包括：
若所述电流状态系数小于所述第一系数阈值，则生成第二停机检定信号；
若所述电流状态系数大于1，则生成第三停机检定信号；
若所述电压状态系数小于所述第二系数阈值，则生成第四停机检定信号；
若所述电压状态系数大于1，则生成第五停机检定信号；
若所述中心曲率状态系数小于所述第三系数阈值，则生成第六停机检定信号；
若所述中心曲率状态系数大于1，则生成第七停机检定信号；
若所述运行温度状态系数小于所述第四系数阈值，则生成第八停机检定信号；
若所述运行温度状态系数大于1，则生成第九停机检定信号。
5.一种检验设备状态评估装置，其特征在于，所述装置包括：
数据获取模块，用于获取目标检验设备在目标评估周期中的电流特征、电压特征、质控曲线中心曲率及关键控制点运行温度特征集，所述关键控制点运行温度特征集中包括至少一个关键控制点运行温度特征；所述关键控制点运行温度特征，是目标检验设备的一个关键控制部位在目标评估周期中的各个运行温度的平均值、最高值、最低值中的至少一个数值；
状态预测模块，用于将所述电流特征、所述电压特征、所述质控曲线中心曲率及所述关键控制点运行温度特征集输入预设的状态预测模型进行状态预测，得到电流状态值、电压状态值、中心曲率状态值及运行温度状态值，其中，所述状态预测模型是基于BP神经网络训练得到的模型；
综合状态评估值确定模块，用于根据所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值，确定综合状态评估值，包括：分别对所述电流状态值、所述电压状态值、所述中心曲率状态值及所述运行温度状态值进行归一化处理，得到电流状态系数、电压状态系数、中心曲率状态系数及运行温度状态系数；根据所述电流状态系数、所述电压状态系数、所述中心曲率状态系数及所述运行温度状态系数计算所述综合状态评估值；
所述电流状态系数的计算公式φ1表述为：所述电压状态系数的计算公式φ2表述为：/>所述中心曲率状态系数的计算公式φ3表述为：所述运行温度状态系数的计算公式φ4表述为：/>
其中，o1是所述电流状态值，o2是所述电压状态值，o3是所述中心曲率状态值，o4是所述运行温度状态值，o1max是电流状态最大阈值，o1min是电流状态最小阈值，o2max是电压状态最大阈值，o2min是电压状态最小阈值，o3max是中心曲率状态最大阈值，o3min是中心曲率状态最小阈值，o4max是运行温度状态最大阈值，o4min是运行温度状态最小阈值，o1max、o1min、o2max、o2min、o3max、o3min、o4max、o4min均是预设的常量；
所述综合状态评估值的计算公式S表述为：
其中，S0是综合状态标准值，e是自然对数的底数，ξ为校正系数，S0、ξ均是预设的常量，φ1∈[φ10,1]，φ10为第一系数阈值，φ2∈[φ20,1]，δ20为第二系数阈值，φ3∈[φ30,1]，φ30为第三系数阈值，φ4∈[φ40,1]，φ40为第四系数阈值，所述第一系数阈值、所述第二系数阈值、所述第三系数阈值、所述第四系数阈值均是预设的常量。
6.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211121549.7A CN115688558B (zh) | 2022-09-15 | 2022-09-15 | 检验设备状态评估方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211121549.7A CN115688558B (zh) | 2022-09-15 | 2022-09-15 | 检验设备状态评估方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115688558A CN115688558A (zh) | 2023-02-03 |
| CN115688558B true CN115688558B (zh) | 2023-12-22 |
Family
ID=85062596
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211121549.7A Active CN115688558B (zh) | 2022-09-15 | 2022-09-15 | 检验设备状态评估方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115688558B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111126851A (zh) * | 2019-12-25 | 2020-05-08 | 上海奥普生物医药股份有限公司 | 质控方法、系统、服务器及存储介质 |
| DE102019207016A1 (de) * | 2019-05-15 | 2020-11-19 | Robert Bosch Gmbh | Verfahren zum Ermitteln eines Systemmodells für ein technisches System |
| CN111983459A (zh) * | 2020-07-18 | 2020-11-24 | 武汉数值仿真技术研究院有限公司 | 一种基于车用锂离子电池的健康状态测试评估方法 |
| WO2021099159A1 (de) * | 2019-11-21 | 2021-05-27 | Pro-Micron Gmbh | Verfahren für die überwachung und/oder vorhersage von bearbeitungsprozessen und/oder bearbeitungsergebnissen |
| CN114065605A (zh) * | 2021-09-30 | 2022-02-18 | 云南电网有限责任公司曲靖供电局 | 一种智能电能表运行状态检测评估系统和方法 |
| CN114418409A (zh) * | 2022-01-21 | 2022-04-29 | 广东电网有限责任公司 | 一种基于多个神经网络的设备安全风险的评估方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210041511A (ko) * | 2019-10-07 | 2021-04-15 | 삼성에스디아이 주식회사 | 배터리의 건강 상태를 추정하는 방법 및 장치 |
-
2022
- 2022-09-15 CN CN202211121549.7A patent/CN115688558B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102019207016A1 (de) * | 2019-05-15 | 2020-11-19 | Robert Bosch Gmbh | Verfahren zum Ermitteln eines Systemmodells für ein technisches System |
| WO2021099159A1 (de) * | 2019-11-21 | 2021-05-27 | Pro-Micron Gmbh | Verfahren für die überwachung und/oder vorhersage von bearbeitungsprozessen und/oder bearbeitungsergebnissen |
| CN111126851A (zh) * | 2019-12-25 | 2020-05-08 | 上海奥普生物医药股份有限公司 | 质控方法、系统、服务器及存储介质 |
| CN111983459A (zh) * | 2020-07-18 | 2020-11-24 | 武汉数值仿真技术研究院有限公司 | 一种基于车用锂离子电池的健康状态测试评估方法 |
| CN114065605A (zh) * | 2021-09-30 | 2022-02-18 | 云南电网有限责任公司曲靖供电局 | 一种智能电能表运行状态检测评估系统和方法 |
| CN114418409A (zh) * | 2022-01-21 | 2022-04-29 | 广东电网有限责任公司 | 一种基于多个神经网络的设备安全风险的评估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115688558A (zh) | 2023-02-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110912867B (zh) | 工业控制系统的入侵检测方法、装置、设备和存储介质 | |
| Giles et al. | Some pretesting issues on testing for Granger noncausality | |
| Davis | Verification of internal risk measure estimates | |
| CN110990645B (zh) | 用电监测方法、装置、计算机设备和存储介质 | |
| EP3716160A1 (en) | Learning parameters of a probabilistic model comprising gaussian processes | |
| CN113946986B (zh) | 基于加速退化试验的产品平均失效前时间评估方法和装置 | |
| CN111104644A (zh) | 可靠性评估方法、装置、计算机设备和存储介质 | |
| CN111325159A (zh) | 故障诊断方法、装置、计算机设备和存储介质 | |
| Anagnostidis et al. | Nonlinearity in high-frequency stock returns: Evidence from the Athens Stock Exchange | |
| CN110866682B (zh) | 基于历史数据的地下电缆预警方法和装置 | |
| CN115688558B (zh) | 检验设备状态评估方法、装置、计算机设备及存储介质 | |
| WO2020162069A1 (ja) | 異常検知装置 | |
| CN113110961B (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
| CN112326882B (zh) | 空气质量传感器处理方法和装置 | |
| CN113947076A (zh) | 保单数据的检测方法、装置、计算机设备及存储介质 | |
| Alves et al. | Identification of corrosive substances and types of corrosion through electrochemical noise using signal processing and machine learning | |
| CN110265165B (zh) | 核电容器温度调节方法、装置、计算机设备和存储介质 | |
| US20230204549A1 (en) | Apparatus and automated method for evaluating sensor measured values, and use of the apparatus | |
| CN115047262A (zh) | 基于电能质量数据的设备异常状态通用识别方法 | |
| CN114266284A (zh) | 开关柜绝缘缺陷类型检测方法、装置、设备和程序产品 | |
| CN110865939B (zh) | 应用程序质量监测方法、装置、计算机设备和存储介质 | |
| Zaglauer | Bayesian design of experiments for nonlinear dynamic system identification | |
| CN113407422B (zh) | 数据异常告警处理方法、装置、计算机设备和存储介质 | |
| CN112488528A (zh) | 数据集的处理方法、装置、设备和存储介质 | |
| Lazariv et al. | On control charts for monitoring the variance of a time series |
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 |