CN116705271B - 一种基于大数据的医疗冲洗设备运行监测系统 - Google Patents
一种基于大数据的医疗冲洗设备运行监测系统 Download PDFInfo
- Publication number
- CN116705271B CN116705271B CN202310992937.0A CN202310992937A CN116705271B CN 116705271 B CN116705271 B CN 116705271B CN 202310992937 A CN202310992937 A CN 202310992937A CN 116705271 B CN116705271 B CN 116705271B
- Authority
- CN
- China
- Prior art keywords
- data
- equipment
- fault
- module
- factor
- 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
- 238000011010 flushing procedure Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 230000003993 interaction Effects 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims description 24
- 238000005406 washing Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000003973 irrigation Methods 0.000 claims description 15
- 230000002262 irrigation Effects 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 13
- 239000003016 pheromone Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 7
- 239000007788 liquid Substances 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 abstract description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 102000020897 Formins Human genes 0.000 description 1
- 108091022623 Formins Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G16H40/20—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 or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及设备运行监测技术领域，且公开了一种基于大数据的医疗冲洗设备运行监测系统，包括数据存储模块、数据采集模块、数据预处理模块、数据分析模块、设备故障预警模块、设备寿命预测模块以及人机交互模块，设有故障预警模块与设备寿命预测模块，有利于通过对医疗冲洗设备的环境因素数据、电气因素数据以及性能因素数据进行分析，通过故障值对故障预测指数进行计算，与预警阈值进行对比，防止医疗冲洗设备在冲洗使用过程中发生故障，同时通过设备寿命计算公式对设备的使用寿命进行预测，对设备日常运行数据进行分析，为设备的退化做出提前的防范工作，更好地了解医疗冲洗设备的工况，能够及时对设备进行维护保养与检修更换。
Description
技术领域
本发明涉及设备运行监测技术领域，更具体地涉及一种基于大数据的医疗冲洗设备运行监测系统。
背景技术
医疗冲洗设备能够对医疗设备进行清洗，是对医疗设备进行后续有效消毒的基础，保证医疗设备良好的卫生环境与质量，因此需要定期对冲洗设备进行检查与维护保养，以保证对医疗设备的有效清洗。
但是现有的医疗冲洗设备大多通过人工形式对冲洗设备的工况进行检查维护，难以做到真正了解冲洗设备的内部性能参数情况，对冲洗设备的工况判断没有数据支撑，同时对设备日常运行数据进行分析，进而预测未来运行情况，为设备的损坏或退化做出提前的防范工作，无法根据故障参数特征进行故障预警，因此对冲洗设备的运行数据进行监测，并通过监测所得的数据对冲洗设备的剩余寿命进行预测以及对故障进行预警十分必要。
发明内容
为了克服现有技术的上述缺陷，本发明提供了一种基于大数据的医疗冲洗设备运行监测系统，以解决上述背景技术中存在的问题。
本发明提供如下技术方案：一种基于大数据的医疗冲洗设备运行监测系统，包括：
数据采集模块：采集设备运行时的环境因素数据、电气因素数据、性能因素数据以及设备的故障因素数据；
数据预处理模块：用于对数据采集模块采集的数据进行清洗与降噪；
数据分析模块：用于对数据预处理模块预处理后的数据进行分析，并通过蚁群算法对后续数据进行预测，所述数据分析模块包括：
环境因素数据分析单元：将数据预处理模块的环境因素数据形成走势图，通过蚁群算法对环境因素后续数据进行预测；
电气因素数据分析单元：将数据预处理模块的电气因素数据形成走势图，通过蚁群算法对电气因素后续数据进行预测；
性能因素数据分析单元；将数据预处理模块的性能因素数据形成走势图，通过蚁群算法对性能因素后续数据进行预测；
设备故障预警模块：基于数据预处理模块预处理后的设备故障因素数据构建神经网络模型对数据分析模块的预测数据进行故障类型参数特征提取，并计算得出故障预测指数，并与预警阈值进行对比；
设备寿命预测模块：通过结合数据分析模块的数据分析预测结果与设备故障预警模块的数据，利用设备寿命计算公式计算得出预测的设备剩余寿命；
人机交互模块：对设备寿命预测模块的预测结果通过人机交互终端进行显示，并根据设备故障预警模块的结果进行预警。
优选的，所述通过蚁群算法对后续数据进行预测包括以下步骤：
步骤S01：将数据预处理模块的原始数据记为x={x1,x2,x3……xn}，对原始数据进行一次重构，得到的新数据记为y={y1,y2,y3……yn}；
步骤S02：将步骤S01中的新数据划分为n个范围，即存在n条路径选择该n个范围内的样本值，通过路径计算公式计算得出每条路径对应的取值范围Pi与n条路径所代表的范围区间△Pi；
步骤S03：设初始各条路径的信息素浓度为A，经过蚁群中第一个蚂蚁选择之后信息素浓度变为A´；
步骤S04：通过样本训练公式对样本依次训练，得到最终信息素浓度A0；
步骤S05：通过权重计算公式计算得出每条路径的信息素浓度权重k；
步骤S06：对下一次路径选择进行预测，而后计算下一时刻数据预测值，所述对下一次路径选择进行预测即对下一时刻经过信号重构处理后的波动数据值进行预测，预测值记为Y´´m+1，将下一时刻数据预测值记为Ym+1。
优选的，所述构建神经网络的数学公式为：，其中，a、b、c分别表示神经网络的三个输入端，a为环境因素导致的故障类型输入端，b为电气因素导致的故障类型输入端，c为性能因素导致的故障类型输入端，sa为环境因素导致的故障类型参数特征，sb为电气因素导致的故障类型参数特征，sc为性能因素导致的故障类型参数特征，L为故障的时间序列，Ia表示在环境因素导致的设备故障状态下的输出电流，Ib表示在电气因素导致的设备故障状态下的输出电流，Ic表示在性能因素导致的设备故障状态下的输出电流，e为伏安特性参数。
优选的，所述故障预测指数的计算公式为：，其中，γ为故障预测指数，/>，h为医疗冲洗设备的损耗率，P为医疗冲洗设备的稳态功率，Ip为医疗冲洗设备的输出电流偏置，g为医疗冲洗设备发生故障的次数，c为医疗冲洗设备的总使用次数。
优选的，所述预警阈值的计算公式为：，其中，P为预警阈值，ε为敏感系数，用于反馈预警过程的灵敏度，即预警速度，n为神经网络模型中的神经网络输出节点数，m为神经网络模型中神经网络输入节点数，yout i为神经网络模型中神经网络的单节点输出值。
优选的，所述设备寿命计算公式为：，其中，ta为环境因素数据的故障值所对应的时间，tb为电气因素数据的故障值所对应的时间，tc为性能因素数据的故障值所对应的时间，所述时间的表达意义为医疗冲洗设备第几次被使用，t0为设备已经使用过的次数，Ta为故障因素数据中设备发生环境因素类型故障时的寿命，Tb为故障因素数据中设备发生电气因素类型故障时的寿命，Tc为故障因素数据中设备发生性能因素类型故障时的寿命。
优选的，所述环境因素数据包括但不限于医疗冲洗设备运行时的设备内部温度与湿度数据，所述电气因素数据包括但不限于医疗冲洗设备运行时的负载电压与负载电流，输入电压与输入电流，所述性能因素数据包括但不限于医疗冲洗设备运行时输入冲洗液的压力、输出端输出冲洗液的压力以及冲洗液的冲洗速率，所述设备的故障因素数据包括但不限于同型号设备发生故障时的环境因素数据、电气因素数据以及性能因素数据。
本发明的技术效果和优点：
本发明通过设有故障预警模块与设备寿命预测模块，有利于通过对冲洗设备的环境因素数据、电气因素数据以及性能因素数据进行分析，再结合故障因素数据预测冲洗设备可能发生的环境因素类型故障、电气因素类型故障以及性能因素类型故障的故障值，从而得出冲洗设备在第几次使用后可能会出现故障，并通过故障值对故障预测指数进行计算，与预警阈值进行对比，防止冲洗设备在冲洗使用过程中发生故障，造成医疗冲洗效果差，同时通过设备寿命计算公式对设备的使用寿命进行预测，通过对设备日常运行数据的分析，为设备的退化做出提前的防范工作，更好地了解冲洗设备的工况，能够及时对设备进行维护保养与检修更换。
附图说明
图1为本发明的基于大数据的医疗冲洗设备运行监测系统结构图。
图2为本发明的基于大数据的医疗冲洗设备运行监测系统流程图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，另外，在以下的实施方式中记载的各结构的形态只不过是例示，本发明所涉及的一种基于大数据的医疗冲洗设备运行监测系统并不限定于在以下的实施方式中记载的各结构，在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。
本发明提供了一种基于大数据的医疗冲洗设备运行监测系统，包括数据存储模块、数据采集模块、数据预处理模块、数据分析模块、设备故障预警模块、设备寿命预测模块以及人机交互模块；
所述数据采集模块将采集后的数据传输至数据预处理模块，所述数据预处理模块对数据进行预处理后传输至数据分析模块与设备故障预警模块，所述数据分析模块对数据进行分析后将数据传输至设备故障预警模块与设备寿命预测模块，所述设备故障预警模块将数据传输至设备寿命预测模块与人机交互模块，所述设备寿命预测模块将预测数据结果传输至人机交互模块；
所述数据存储模块用于对所有模块的数据进行存储；
所述数据采集模块用于采集设备运行时的环境因素数据、电气因素数据、性能因素数据以及设备的故障因素数据，所述环境因素数据包括但不限于医疗冲洗设备运行时的设备内部温度与湿度数据，所述电气因素数据包括但不限于医疗冲洗设备运行时的负载电压与负载电流，输入电压与输入电流，所述性能因素数据包括但不限于医疗冲洗设备运行时输入冲洗液的压力、输出端输出冲洗液的压力以及冲洗液的冲洗速率，所述设备的故障因素数据包括但不限于同型号设备发生故障时的环境因素数据、电气因素数据以及性能因素数据；
所述数据预处理模块用于对数据采集模块采集的数据进行清洗与降噪；
所述数据分析模块用于对数据预处理模块预处理后的数据进行分析，并通过蚁群算法对后续数据进行预测，所述后续数据包括环境因素后续数据、电气因素后续数据以及性能因素后续数据，所述数据分析模块包括环境因素数据分析单元、电气因素数据分析单元以及性能因素数据分析单元，所述环境因素数据分析单元将数据预处理模块的环境因素数据形成走势图，通过蚁群算法对环境因素后续数据进行预测，所述电气因素数据分析单元将数据预处理模块的电气因素数据形成走势图，通过蚁群算法对电气因素后续数据进行预测，所述性能因素数据分析单元将数据预处理模块的性能因素数据形成走势图，通过蚁群算法对性能因素后续数据进行预测，将环境因素数据、电气因素数据以及性能因素数据中与设备的故障因素数据相同的预测值记为故障值，故障值所对应的时间即为医疗冲洗设备的使用次数；
所述设备故障预警模块基于数据预处理模块预处理后的设备故障因素数据构建神经网络模型对数据分析模块的预测数据进行故障类型参数特征提取，并计算得出故障预测指数，并与预警阈值进行对比，若该故障预测指数超出预警阈值，则说明故障会影响医疗冲洗设备使用，即需要进行预警引起重视，若该故障预测指数未超出预警阈值，则说明故障为轻微故障，不影响医疗冲洗设备的正常使用；
所述设备寿命预测模块用于通过结合数据分析模块的数据分析预测结果与设备故障预警模块的数据，利用设备寿命计算公式计算得出预测的设备剩余寿命；
所述人机交互模块用于对设备寿命预测模块的预测结果通过人机交互终端进行显示，并根据设备故障预警模块的结果进行预警。
本实施例中，需要具体说明的是，所述通过蚁群算法对后续数据进行预测包括以下步骤：
步骤S01：将数据预处理模块的原始数据记为x={x1,x2,x3……xn}，对原始数据进行一次重构，得到的新数据记为y={y1,y2,y3……yn}，其中，，其中，/>，其中，i为周期，a、b为常数；
步骤S02：将步骤S01中的新数据划分为n个范围，即存在n条路径选择该n个范围内的样本值，通过路径计算公式计算得出每条路径对应的取值范围Pi与n条路径所代表的范围区间△Pi；
所述路径计算公式为：，其中，/>，/>，其中，α1为min（yi）的冗余度，满足α1≤0.1%min（yi），α2为max（yi）的冗余度，满足α2≤0.1%max（yi）；
n条路径所代表的范围区间为：，其中，i=1、2、3……n；
步骤S03：设初始各条路径的信息素浓度为A，经过蚁群中第一个蚂蚁选择之后信息素浓度变为A´；
，/>其中，a为第一次选择的路径；
步骤S04：通过样本训练公式对样本依次训练，得到最终信息素浓度A0；
所述样本训练公式为：，其中，δ为衰减率，i=1、2、3……n，j=1、2、3……n；
；
步骤S05：通过权重计算公式计算得出每条路径的信息素浓度权重k；
所述权重计算公式为：，其中，c为蚁群中第m个蚂蚁所处的路径；
步骤S06：对下一次路径选择进行预测，而后计算下一时刻数据预测值，所述对下一次路径选择进行预测即对下一时刻经过信号重构处理后的波动数据值进行预测，预测值记为Y´´m+1，将下一时刻数据预测值记为Ym+1；
所述，其中，pi为第i个范围区间的中间值，所述。
本实施例中，需要具体说明的是，所述构建神经网络的数学公式为：，其中，a、b、c分别表示神经网络的三个输入端，a为环境因素导致的故障类型输入端，b为电气因素导致的故障类型输入端，c为性能因素导致的故障类型输入端，sa为环境因素导致的故障类型参数特征，sb为电气因素导致的故障类型参数特征，sc为性能因素导致的故障类型参数特征，L为故障的时间序列，Ia表示在环境因素导致的设备故障状态下的输出电流，Ib表示在电气因素导致的设备故障状态下的输出电流，Ic表示在性能因素导致的设备故障状态下的输出电流，e为伏安特性参数。
本实施例中，需要具体说明的是，所述故障预测指数的计算公式为：，其中，γ为故障预测指数，/>，h为医疗冲洗设备的损耗率，P为医疗冲洗设备的稳态功率，Ip为医疗冲洗设备的输出电流偏置，g为医疗冲洗设备发生故障的次数，c为医疗冲洗设备的总使用次数。
本实施例中，需要具体说明的是，所述预警阈值的计算公式为：，其中，P为预警阈值，ε为敏感系数，用于反馈预警过程的灵敏度，即预警速度，n为神经网络模型中的神经网络输出节点数，m为神经网络模型中神经网络输入节点数，yout i为神经网络模型中神经网络的单节点输出值。
本实施例中，需要具体说明的是，所述设备寿命计算公式为：，其中，ta为环境因素数据的故障值所对应的时间，tb为电气因素数据的故障值所对应的时间，tc为性能因素数据的故障值所对应的时间，所述时间的表达意义为医疗冲洗设备第几次被使用，t0为设备已经使用过的次数，Ta为故障因素数据中设备发生环境因素类型故障时的寿命，Tb为故障因素数据中设备发生电气因素类型故障时的寿命，Tc为故障因素数据中设备发生性能因素类型故障时的寿命。
本实施例中，需要具体说明的是，所述人机交互模块对设备寿命模块的预测结果通过人机交互终端进行显示的内容为医疗冲洗设备的预测剩余使用次数，所述根据设备故障预测模块的结果进行预警的判断标准为：当故障预测指数γ≥预警阈值P时，进行预警，当故障预测指数γ＜预警阈值P时，不进行预警，所述预警的形式包括但不限于微信公众号、短信以及邮箱。
本实施例中，需要具体说明的是，用于使用一种基于大数据的医疗冲洗设备运行监测系统的方法包括以下步骤：
步骤S11：采集设备运行时的环境因素数据、电气因素数据、性能因素数据以及设备的故障因素数据；
步骤S12：对步骤S11中采集的数据进行清洗与降噪；
步骤S13：对步骤S12中预处理后的数据进行分析，并通过蚁群算法对后续数据进行预测；
步骤S14：基于步骤S12中预处理后的设备故障因素数据构建神经网络模型对数据分析模块的预测数据进行故障类型参数特征提取，并计算得出故障预测指数，并与预警阈值进行对比；
步骤S15：结合步骤S13与步骤S14的数据，利用设备寿命计算公式计算得出预测的设备剩余寿命；
步骤S16：对步骤S15中的预测结果通过人机交互终端进行显示，并根据设备故障预警模块的结果进行预警。
本实施例中，需要具体说明的是，本实施与现有技术的区别主要在于本实施例具备故障预警模块与设备寿命预测模块，通过对医疗冲洗设备的环境因素数据、电气因素数据以及性能因素数据进行分析，再结合故障因素数据预测医疗冲洗设备可能发生的环境因素类型故障、电气因素类型故障以及性能因素类型故障的故障值，从而得出医疗冲洗设备在第几次使用后可能会出现故障，并通过故障值对故障预测指数进行计算，与预警阈值进行对比，防止医疗冲洗设备在冲洗使用过程中发生故障，造成医疗冲洗效果差，同时通过设备寿命计算公式对设备的使用寿命进行预测，通过对设备日常运行数据的分析，为设备的退化做出提前的防范工作，更好地了解冲洗设备的工况，能够及时对设备进行维护保养与检修更换。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (2)
1.一种基于大数据的医疗冲洗设备运行监测系统，其特征在于：包括：
数据采集模块：采集设备运行时的环境因素数据、电气因素数据、性能因素数据以及设备的故障因素数据；
所述环境因素数据包括医疗冲洗设备运行时的设备内部温度与湿度数据，所述电气因素数据包括医疗冲洗设备运行时的负载电压与负载电流，输入电压与输入电流，所述性能因素数据包括医疗冲洗设备运行时输入冲洗液的压力、输出端输出冲洗液的压力以及冲洗液的冲洗速率，所述设备的故障因素数据包括同型号设备发生故障时的环境因素数据、电气因素数据以及性能因素数据；
数据预处理模块：用于对数据采集模块采集的数据进行清洗与降噪；
数据分析模块：用于对数据预处理模块预处理后的数据进行分析，并通过蚁群算法对后续数据进行预测，所述数据分析模块包括：
环境因素数据分析单元：将数据预处理模块的环境因素数据形成走势图，通过蚁群算法对环境因素后续数据进行预测；
电气因素数据分析单元：将数据预处理模块的电气因素数据形成走势图，通过蚁群算法对电气因素后续数据进行预测；
性能因素数据分析单元；将数据预处理模块的性能因素数据形成走势图，通过蚁群算法对性能因素后续数据进行预测；
设备故障预警模块：基于数据预处理模块预处理后的设备故障因素数据构建神经网络模型对数据分析模块的预测数据进行故障类型参数特征提取，并计算得出故障预测指数，并与预警阈值进行对比；
所述构建神经网络的数学公式为：，其中，a、b、c分别表示神经网络的三个输入端，a为环境因素导致的故障类型输入端，b为电气因素导致的故障类型输入端，c为性能因素导致的故障类型输入端，sa为环境因素导致的故障类型参数特征，sb为电气因素导致的故障类型参数特征，sc为性能因素导致的故障类型参数特征，L为故障的时间序列，Ia表示在环境因素导致的设备故障状态下的输出电流，Ib表示在电气因素导致的设备故障状态下的输出电流，Ic表示在性能因素导致的设备故障状态下的输出电流，e为伏安特性参数；
所述故障预测指数的计算公式为：，其中，γ为故障预测指数，，h为医疗冲洗设备的损耗率，P为医疗冲洗设备的稳态功率，Ip为医疗冲洗设备的输出电流偏置，g为医疗冲洗设备发生故障的次数，c为医疗冲洗设备的总使用次数；
所述预警阈值的计算公式为：，其中，P为预警阈值，ε为敏感系数，用于反馈预警过程的灵敏度，即预警速度，n为神经网络模型中的神经网络输出节点数，m为神经网络模型中神经网络输入节点数，yout i为神经网络模型中神经网络的单节点输出值；
设备寿命预测模块：通过结合数据分析模块的数据分析预测结果与设备故障预警模块的数据，利用设备寿命计算公式计算得出预测的设备剩余寿命；
所述设备寿命计算公式为：，其中，ta为环境因素数据的故障值所对应的时间，tb为电气因素数据的故障值所对应的时间，tc为性能因素数据的故障值所对应的时间，所述时间的表达意义为医疗冲洗设备第几次被使用，t0为设备已经使用过的次数，Ta为故障因素数据中设备发生环境因素类型故障时的寿命，Tb为故障因素数据中设备发生电气因素类型故障时的寿命，Tc为故障因素数据中设备发生性能因素类型故障时的寿命；
人机交互模块：对设备寿命预测模块的预测结果通过人机交互终端进行显示，并根据设备故障预警模块的结果进行预警；
所述人机交互模块对设备寿命模块的预测结果通过人机交互终端进行显示的内容为医疗冲洗设备的预测剩余使用次数，所述根据设备故障预测模块的结果进行预警的判断标准为：当故障预测指数γ≥预警阈值P时，进行预警，当故障预测指数γ＜预警阈值P时，不进行预警。
2.根据权利要求1所述的一种基于大数据的医疗冲洗设备运行监测系统，其特征在于：所述通过蚁群算法对后续数据进行预测包括以下步骤：
步骤S01：将数据预处理模块的原始数据记为x={x1,x2,x3……xn}，对原始数据进行一次重构，得到的新数据记为y={y1,y2,y3……yn}；
步骤S02：将步骤S01中的新数据划分为n个范围，即存在n条路径选择该n个范围内的样本值，通过路径计算公式计算得出每条路径对应的取值范围Pi与n条路径所代表的范围区间△Pi；
步骤S03：设初始各条路径的信息素浓度为A，经过蚁群中第一个蚂蚁选择之后信息素浓度变为A´；
步骤S04：通过样本训练公式对样本依次训练，得到最终信息素浓度A0；
步骤S05：通过权重计算公式计算得出每条路径的信息素浓度权重k；
步骤S06：对下一次路径选择进行预测，而后计算下一时刻数据预测值，所述对下一次路径选择进行预测即对下一时刻经过信号重构处理后的波动数据值进行预测，预测值记为Y´´m+1，将下一时刻数据预测值记为Ym+1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310992937.0A CN116705271B (zh) | 2023-08-09 | 2023-08-09 | 一种基于大数据的医疗冲洗设备运行监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310992937.0A CN116705271B (zh) | 2023-08-09 | 2023-08-09 | 一种基于大数据的医疗冲洗设备运行监测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116705271A CN116705271A (zh) | 2023-09-05 |
| CN116705271B true CN116705271B (zh) | 2023-11-14 |
Family
ID=87843723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310992937.0A Active CN116705271B (zh) | 2023-08-09 | 2023-08-09 | 一种基于大数据的医疗冲洗设备运行监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116705271B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898238A (zh) * | 2018-05-24 | 2018-11-27 | 沈阳东软医疗系统有限公司 | 医疗设备故障预测系统及相关方法、装置及设备 |
| CN109934358A (zh) * | 2019-01-30 | 2019-06-25 | 中国人民解放军32181部队 | 装备故障预测和健康评估方法、系统及终端设备 |
| CN113971777A (zh) * | 2021-10-25 | 2022-01-25 | 国网浙江省电力有限公司 | 一种设备故障预测方法、装置及服务器 |
| CN114360703A (zh) * | 2021-12-30 | 2022-04-15 | 成都中科信息技术有限公司 | 一种医疗设备故障预警方法 |
| CN115497610A (zh) * | 2022-09-22 | 2022-12-20 | 明峰医疗系统股份有限公司 | 一种基于数据分析的医疗设备故障预测系统和方法 |
| CN115705279A (zh) * | 2021-08-10 | 2023-02-17 | 中国移动通信集团浙江有限公司 | 一种基于指标数据的智能故障预警方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200150643A1 (en) * | 2018-05-07 | 2020-05-14 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
| CN113657693B (zh) * | 2021-10-20 | 2022-02-08 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 一种智能制造装备的预测性维护系统和方法 |
-
2023
- 2023-08-09 CN CN202310992937.0A patent/CN116705271B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108898238A (zh) * | 2018-05-24 | 2018-11-27 | 沈阳东软医疗系统有限公司 | 医疗设备故障预测系统及相关方法、装置及设备 |
| CN109934358A (zh) * | 2019-01-30 | 2019-06-25 | 中国人民解放军32181部队 | 装备故障预测和健康评估方法、系统及终端设备 |
| CN115705279A (zh) * | 2021-08-10 | 2023-02-17 | 中国移动通信集团浙江有限公司 | 一种基于指标数据的智能故障预警方法和装置 |
| CN113971777A (zh) * | 2021-10-25 | 2022-01-25 | 国网浙江省电力有限公司 | 一种设备故障预测方法、装置及服务器 |
| CN114360703A (zh) * | 2021-12-30 | 2022-04-15 | 成都中科信息技术有限公司 | 一种医疗设备故障预警方法 |
| CN115497610A (zh) * | 2022-09-22 | 2022-12-20 | 明峰医疗系统股份有限公司 | 一种基于数据分析的医疗设备故障预测系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116705271A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046453B (zh) | 一种激光雷达的寿命预测方法 | |
| US8862119B2 (en) | Method and apparatus for telecommunications network performance anomaly events detection and notification | |
| EP2415209B1 (en) | Network analysis system | |
| KR101748122B1 (ko) | 경보의 오류율 계산 방법 | |
| CN110516848B (zh) | 一种基于生存分析模型的电力设备维修成本优化方法 | |
| CN115081883A (zh) | 一种适用于配电网的运行风险评估方法及系统 | |
| CN114816901A (zh) | 通过ai的方式对软件变更后的健康状态进行评估的方法 | |
| CN116739829B (zh) | 一种基于大数据的电力数据分析方法、系统及介质 | |
| CN117761444B (zh) | 一种电涌保护器的寿命监测方法及系统 | |
| CN113676343A (zh) | 电力通信网故障源定位方法及装置 | |
| CN116705271B (zh) | 一种基于大数据的医疗冲洗设备运行监测系统 | |
| CN112187680A (zh) | 一种光纤存储网络大数据智慧监控和预警方法及系统 | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
| CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
| CN113123955A (zh) | 柱塞泵异常检测方法、装置、存储介质及电子设备 | |
| CN114598621B (zh) | 一种电力通信网络可靠性评估系统 | |
| EP3391295B1 (en) | Autonomic method for managing a computing system | |
| CN109782680A (zh) | 一种发电机组的状态预警方法及系统 | |
| KR20230110146A (ko) | 군집알고리즘을 적용한 원격감시제어 시스템에 공급되는 제어전원의 품질 건전성을 진단하는 장치 및 방법 | |
| EP2761861B1 (en) | Ementline performance measurement | |
| CN117114248B (zh) | 一种水质监测系统健康度评价方法、计算机设备及介质 | |
| CN117391459B (zh) | 基于深度学习的电力运行风险预警方法及系统 | |
| CN117150032B (zh) | 一种水电站发电机组的智能维护系统及方法 | |
| CN117254596B (zh) | 基于数字孪生的储能电站全生命周期监测系统及方法 | |
| TWI573027B (zh) | Customer Experience and Equipment Profitability Analysis System and Its Method |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231208 Address after: 274300 No. 1, North Fan Road, Southwest, Changshou Avenue Road, Shan County, Heze City, Shandong Province Patentee after: Shandong BondA medical supplies Co.,Ltd. Address before: 274300 east end of Dang Dang Road, Shanxian County, Heze, Shandong Patentee before: SHANDONG BODA MEDICAL ARTICLES Co.,Ltd. |
|
| TR01 | Transfer of patent right |