CN116745715A - 用于通过预测性健康监测和积极的预防性维护来使眼科医疗装置的正常运行时间最大化的方法和系统 - Google Patents

Abstract

本披露内容的某些方面提供了用于预测眼科医疗装置中的部件的未来故障的可能性以及对该眼科医疗装置进行预防性维护的技术。示例方法通常包括从眼科医疗装置接收与该眼科医疗装置相关联的一个或多个操作参数的测量结果。使用一个或多个模型预测眼科医疗的未来故障。至少部分地基于接收到的该一个或多个操作参数的测量结果生成预测。基于该眼科医疗装置的预测的未来故障采取一个或多个动作来对该眼科医疗装置进行预防性维护。

Description

用于通过预测性健康监测和积极的预防性维护来使眼科医疗 装置的正常运行时间最大化的方法和系统

引言

本披露内容的各方面涉及眼科医疗装置，并且更具体地涉及至少部分地基于从眼科医疗装置获得的数据来预测这些装置的故障，以及响应于预测眼科医疗装置的未来故障而对这些装置进行预防性维护以使装置正常运行时间最大化。

背景技术

眼科医疗装置通常包括用于测量或表征患者眼睛的解剖学特性、对患者眼睛进行外科手术以纠正诊断的眼科问题和/或在外科手术后测量患者结局的装置、控制台和/或系统。这些装置包括各种可能需要随着时间的推移而调整或更换的光学部件、电气部件和机械部件。例如，光源可能随着时间的推移而劣化(例如，可能随着时间的推移而变得较暗或需要更多的电流来产生相同的光强度)，并且可能由于装置捕获的细节量减少、完成基于光的治疗(例如，基于激光的视网膜再附着手术)所需的时间量延长等而对装置的有效性产生不利影响。在另一个示例中，电池提供的电力可能随着时间的推移而减少，并且其他电源部件产生的输出中的噪声可能随着时间的推移而增加，这两者都可能由于需要更频繁地更换电池或引入可能损坏装置的机械部件的功率不稳定性而对眼科医疗装置的操作产生不利影响。在又一个示例中，机械装置通常会随着时间的推移而磨损。刀片通常会随着使用而变钝，真空泵可能随着时间的推移而无法产生有效的真空，齿轮会磨坏，电动机动力会降低或电动机提供的动力的一致性会降低，等等。进一步地，眼科医疗装置中的各种部件的性能可能因使用模式、环境参数等而以不同方式劣化。

由于眼科医疗装置的光学部件、电气部件或机械部件的性能通常会随着时间的推移而劣化，因此眼科医疗装置通常会不时地停止使用，以便更换这些部件并将装置恢复到预期的性能水平。在许多情况下，当部件损坏或以其他方式产生不期望的结果时，装置将停止使用以进行维护，并且可以分析损坏的部件以确定故障的根本原因。然而，这可能导致无法预测眼科医疗装置对医疗专业人员的可用性，因为专业人员可能不知道或无法预测装置何时会停止使用，并且可能导致在发现部件故障的根本原因之前出现多个重复故障。

然而，在一些情况下，可以进行预防性维护或其他补救动作，以将眼科医疗装置的性能水平恢复到预期的性能水平。例如，预防性维护可以允许对眼科医疗装置内的部件进行重新校准(自动或手动)，以将重新校准的部件的性能恢复到预期的性能水平。另外，预防性维护可以用于在部件损坏或对眼科医疗装置内的其他相关部件造成损坏之前识别要更换的部件。然而，预防性维护和其他补救动作可能是耗时的过程，并且在不需要时进行预防性维护或其他补救动作通常是低效的。进一步地，在涉及眼科医疗装置的预防性维护领域中，用于监测这种装置的现有技术可能无法在这些装置的问题发生之前准确预测这种问题发生的时间。

因此，需要用于准确预测故障的可能性和眼科医疗装置或其一个或多个部件可能发生故障的时间以及用于响应于这种预测而进行预防性维护或补救动作的技术。

发明内容

某些实施例提供了一种用于基于预测建模对眼科医疗装置进行预防性维护的方法。该方法通常包括从眼科医疗装置接收与该眼科医疗装置相关联的一个或多个操作参数的测量结果。使用一个或多个模型预测眼科医疗装置的未来故障。至少部分地基于接收到的该一个或多个操作参数的测量结果生成预测。可以基于该眼科医疗装置的预测的未来故障采取一个或多个动作来对该眼科医疗装置或其部件进行预防性维护。

某些实施例提供了一种用于训练预测模型以预测眼科医疗装置上的故障事件的方法。该方法通常包括由与眼科医疗装置相关联的操作参数的一组测量结果生成训练数据集。训练数据集通常包括多个记录。多个记录中的每个记录标识操作参数的测量结果、测量操作参数的时间以及测量操作参数的时间与眼科医疗装置发生故障事件的时间之间的差。基于训练数据集训练一个或多个机器学习模型，以生成关于眼科医疗装置的一个或多个故障预测。将经训练的一个或多个机器学习模型部署到一个或多个计算系统，以用于预测眼科医疗装置的故障并基于预测执行补救或预防性维护动作。

某些实施例提供了一种用于基于预测建模对眼科医疗装置进行预防性维护的方法。该方法通常包括由与眼科医疗装置相关联的操作参数的一组测量结果生成训练数据集。训练数据集可以包括多个记录，并且多个记录中的每个记录标识：操作参数的测量结果、测量操作参数的时间、以及测量操作参数的时间与眼科医疗装置发生故障事件的时间之间的差。基于训练数据集训练一个或多个机器学习模型，以生成关于眼科医疗装置的一个或多个故障预测。接收与眼科医疗装置相关联的一个或多个操作参数的测量结果。至少部分地基于接收到的一个或多个操作参数的测量结果使用一个或多个经训练的机器学习模型来预测眼科医疗装置的未来故障。基于眼科医疗装置的预测的未来故障采取一个或多个动作来对部件进行预防性维护。

本披露内容的各方面提供了用于执行本文所描述的方法的装置、设备、处理器和计算机可读介质。

为了完成前述和相关的目的，所述一个或多个方面包括下文中完整描述的、并且在权利要求书中所具体指明的特征。以下描述和附图详细阐述了一个或多个方面的某些说明性特征。然而，这些特征仅指示了可以采用各个方面的原理的各种方式中的几种方式。

附图说明

附图描绘了一个或多个实施例的某些方面，因此不应视为限制本披露内容的范围。

图1A至图1B描绘了根据本文所描述的某些方面的示例环境，其中训练和部署一个或多个机器学习模型以用于预测眼科医疗装置的故障和/或基于预测进行预防性维护或其他补救动作。

图2展示了根据本文描述的某些方面的示例操作，这些操作可以由联网计算环境内的计算系统执行以基于预测建模对眼科医疗装置进行预防性维护。

图3展示了根据本文描述的某些方面的示例操作，这些操作可以由一个或多个计算系统执行以训练一个或多个机器学习模型来预测眼科医疗装置的一个或多个部件将发生故障的可能性和/或一个或多个部件可能发生故障的时间。

图4展示了可以在其上执行本披露内容的实施例的示例系统。

为了便于理解，尽可能使用相同的附图标记来表示附图中共有的相同元件。可以设想到，一个实施例的元件和特征可以有益地结合在其他实施例中，而无需进一步叙述。

具体实施方式

如上文所讨论的，各种眼科医疗装置(以下简称“OMD”)可以用于眼科，以诊断和治疗患者眼睛的病症或疾病。例如，这些OMD包括手术系统和控制台以及诊断和测量装置和系统。手术系统和控制台包括用于执行各种眼科手术程序的系统和控制台，如玻璃体视网膜手术程序、白内障手术、LASIK、和/或本领域普通技术人员已知的任何其他眼科手术程序。诊断和测量装置和系统包括用于诊断与患者眼睛相关的病症或疾病或者测量眼睛的各种解剖学特性的装置和系统。诊断和测量装置的示例是屈光诊断装置、角膜曲率计、光学相干断层扫描(OCT)装置、和/或本领域普通技术人员已知的任何其他眼科诊断和测量装置和系统。这些OMD中的每一个通常包括随着时间的推移而磨损或以其他方式劣化的各种部件。因此，随着时间的推移，这些OMD的性能可能会劣化到需要停止使用OMD以更换磨损或损坏的部件的程度。

停止使用OMD通常意味着在更换损坏或以其他方式劣化的部件之前，专业人员无法使用OMD。进一步地，在更换损坏或劣化的部件与起初确定该部件损坏或劣化的根本原因之间可能会经过相当长的时间。因此，根本上导致了部件损坏或劣化的情况可能持续存在，并导致更换的部件类似地损坏或劣化，这可能最终在更换部件也需要更换时导致额外的停机时间。

在一些情况下，OMD的部件在使用时可能会发生故障(例如，在手术期间)。在这种情况下，在部件故障之前主动采取动作可能是有益的，以防止OMD在使用时发生故障的情况。例如，当OMD中的部件仍在运行但即将发生故障时，OMD可能会停止服务或禁用。

本披露内容的各方面提供了用于在给定OMD的当前测量的操作参数的情况下使用预测建模来预测OMD的一个或多个部件即将发生故障的可能性以及这些部件可能发生故障的时间的技术。通过预测建模，可以使用大量的OMD操作数据(例如，以及可以用于预测部件故障的可能性、时间、和/或原因的其他信息)来准确地预测部件发生故障的可能性、这种部件可能发生故障的时间、和/或这种故障的原因。进一步地，故障可能性、故障可能发生的时间、和/或所预测故障的原因的预测结果可以用作对OMD进行各种补救或预防性维护动作的触发因素，这可以延长这些部件的运行寿命。本文中使用的预防性维护动作是指为解决OMD中与OMD部件的故障或即将发生故障有关的情况而可能执行的各种动作。这种动作可以包括：例如，调整在操作OMD时使用的各种配置参数；向用户或维护人员生成标识正在发生故障或可能发生故障的部件的通知；调整OMD的操作以禁用与正在发生故障或可能发生故障的部件相关联的特征；禁用OMD直到进行维修，等等。通过进行这些补救或预防性维护操作，本披露内容的各方面可以延长OMD的部件的使用寿命，并减少使OMD停止服务以更换故障部件所涉及的停机时间。

用于基于预测建模对眼科医疗装置进行预防性维护的示例计算环境

可以使用各种技术来训练和部署机器学习模型，这些机器学习模型预测OMD中的一个或多个部件的未来故障的可能性、时间、和/或根本原因(本文中也简称为预测故障或预测未来故障)。图1A至图1B中展示了各种部署。例如，图1A展示了如下部署：其中机器学习模型在与被监测的OMD连接的远程服务器上被训练和执行，以便预测故障和/或响应于故障预测而导致进行预防性维护动作。图1B展示了如下部署：其中机器学习模型在远程服务器上训练并且被部署成使OMD进行局部故障预测和/或响应于故障预测而进行预防性维护动作。然而，应该认识到，可以考虑用于训练和部署预测OMD中的部件的未来故障的机器学习模型的各种其他技术，并且图1A至图1B中展示的部署是非限制性的说明性示例。

图1A展示了示例计算环境100A，其中OMD 110和服务器120经由网络连接，以便训练一个或多个ML模型以用于预测OMD 110中的一个或多个部件的未来故障和/或基于预测对OMD 110进行预防性维护动作。如本文中进一步详细讨论的，ML模型可以至少部分地基于由OMD提供的关于OMD的各种电气部件、光学部件和/或机械部件的操作参数来生成预测。如本文所使用的，操作参数通常包括指示OMD的对应的一个或多个部件的操作状态的参数。例如，操作参数可以包括用于电气部件的输入或输出电压或电流、由照明部件产生的光强度、用于机械装置的机械操作信息(例如，电动机输出轴或由电动机供电的装置的旋转速度、电动机温度)等。

OMD 110通常表示眼科外科医生可以用来诊断患者和/或对这些患者执行眼科手术程序的各种装置。OMD 110通常包括可能随着时间的推移而磨损或以其他方式劣化的一个或多个部件。例如，如所展示的，OMD 110包括机械部件112、电气部件114、光学部件116、和/或其他类型的部件。这些部件中的每一个都可以配备有各种传感器或允许测量这种部件的各种操作参数的其他计量装置。通常，任何数量的OMD可以包括在计算环境100A中，并且生成不同组的操作参数测量结果，这些操作参数测量结果可以被用作预测未来OMD故障的一个或多个ML模型的输入。计算环境100A中的每个OMD 110可以生成与操作参数相关联的测量结果，并将测量结果提供给服务器120和/或操作历史存储库140。

在一些方面，OMD 110可以另外生成使用模式数据并将其发送到服务器120用于分析。如本文所使用的，使用模式数据通常是指定义各种时间窗口上的历史使用模式的信息。例如，使用模式数据可以包括关于在变化的时间粒度上(例如，在一天中、在一天的特定部分期间等)使用OMD的次数的信息。该使用模式数据可以指示导致OMD 110的部件上的额外磨损的操作条件，该额外磨损可能导致部件故障的可能性增大以及与这些部件相关联的寿命或维护间隔的相应地减少。例如，每次使用OMD时，OMD中的部件可能会产生热量，并且产生的热量可能会导致部件性能劣化，并且热量的积累可能会导致额外的性能劣化。因此，使用模式数据也可以用作故障预测系统的输入，以确定故障的可能性和时间。

在一些方面，OMD 110可以包括用于生成患者眼睛的解剖学测量结果的各种诊断和测量装置。通常，解剖学测量结果是患者眼睛的一个或多个解剖学特性的测量结果，如白到白距离(white-to-whitedistance)、前房深度、轴向长度或角膜曲率。这些解剖学测量结果通常落在预期值的范围内，这些预期值可以被定义为平均测量结果的两个标准偏差内的值。因为大约95％的测量结果预计落在预期值的范围内，所以从统计数据来看，超过一定数量的患者的测量结果不太可能在预期值的范围外。通常，如下面进一步详细讨论的，由OMD提供的测量模式始终在预期值的范围之外可以指示对应的OMD的一个或多个部件的现有或未来故障。

在一些方面，上文讨论的校准数据、使用模式数据和/或解剖学测量数据以及其他信息可以用作ML模型的输入，以预测关于OMD 110的部件的未来故障。在校准数据、使用模式数据和/或解剖学测量数据被用作ML模型的输入的情况下，由ML模型处理的输入向量可以包括从OMD 110获得的操作参数测量结果、以及校准数据、使用模式数据和/或解剖学测量数据，如下面进一步详细讨论的。在一些方面，校准数据、使用模式数据和/或解剖学测量数据可以用于确定OMD的部件是否对使用(多个)ML模型的进一步监测或分析感兴趣。例如，如下面进一步描述的，在某些方面，校准数据、使用模式数据和/或解剖学测量数据可以触发ML模型来对OMD 110的部件的故障进行预测。

为了维护OMD 110，可以对OMD周期性地执行校准操作。在校准操作期间生成的校准数据可以包括例如定义为了使OMD 110达到已知的基本状态而执行的对OMD 110的调整的信息。通常，随着时间的推移，校准操作可能需要对OMD 110的部件进行更大的调整，以补偿这些部件的性能特性的额外劣化。校准操作可以周期性地执行，或者当OMD 110的部件的操作参数劣化到定义的阈值或设定点时执行。当周期性地执行校准操作时，使OMD 110回到已知的基本状态所需的调整量可以用于确定OMD可能发生故障，如下面进一步详细讨论的。类似地，当响应于检测到操作参数的测量结果已经劣化(如劣化到定义的阈值或设定点)而执行校准操作时，可以使用执行这种校准操作的频率来确定OMD可能发生故障。例如，如果由于操作参数更频繁地劣化而更频繁地执行校准，或者如果校准需要更大的调整来补偿OMD的部件的劣化，这可能指示OMD可能发生故障。

服务器120通常表示单个计算装置或计算装置集群，训练数据集可以在其上生成并用于训练一个或多个ML模型，以预测OMD中的一个或多个部件的未来故障和/或基于预测对OMD进行预防性维护动作。服务器120与OMD 110和操作历史存储库130(以下称为“存储库130”)通信地耦接，该存储库存储历史操作参数的记录和故障事件信息(例如，故障的原因、与故障相关联的时间信息等)。在某些方面，存储库130可以是或包括数据库服务器，该数据库服务器用于从OMD 110和/或服务器120接收信息并以结构化和有组织的方式将信息存储在对应的记录中。

在某些方面，存储库130中的每个记录可以包括如下信息：OMD110的部件的与操作参数相关联的标识、由与该部件相关联的传感器或其他计量装置测量的操作参数、测量操作参数的时间以及该部件最终发生故障的时间。

服务器120使用这些历史操作参数的记录和与操作参数的测量以及OMD 110中对应部件的故障相关联的时间信息，用于训练ML模型以预测OMD中的部件的未来故障。更具体地，如图1A所示，服务器120包括训练数据生成器122(以下称为“TDG 122”)、模型训练器124、故障预测器126和故障纠正器128。TDG 122从存储库130检索数据以生成供模型训练器124用来训练ML模型的数据，这些ML模型由故障预测器126用来预测OMD中的一个或多个部件的未来故障。

模型训练器124包括或指被配置成使用训练数据集来训练ML模型的一个或多个机器学习算法(以下称为“ML算法”)。在某些实施例中，经训练的ML模型是指例如具有权重和参数的函数，该函数用于针对给定的一组输入生成或预测OMD的部件的未来故障。各种ML算法可以用于为给定的一组输入生成不同类型的输出。

ML算法通常可以包括监督学习算法、无监督学习算法和/或半监督学习算法。无监督学习是一种用于从由没有标记响应的输入数据组成的数据集中进行推断的机器学习算法。监督学习是学习函数的机器学习任务，该函数例如基于示例输入输出对将输入映射到输出。监督学习算法通常包括回归算法、分类算法、决策树、神经网络等。下面提供了对数据集的描述。

一旦被训练和部署，基于特定的一组输入(包括OMD 110中的部件的操作参数和/或与部件故障相关联的时间信息)，ML模型能够做出与OMD 110的部件的故障相关的预测。通常，ML模型所做的预测可以包括部件在给定时间段内发生故障的可能性和/或部件可能发生故障的时间。在某些方面，模型训练器124训练多个ML模型，这些ML模型被配置成预测OMD 110中不同类别的部件的故障事件。例如，第一ML模型可以被配置成基于与OMD的机械部件相关联的操作参数(例如，输入功率噪声水平、旋转速度、温度等)来预测该机械部件的未来故障；第二ML模型可以被配置成基于与电气相关联的操作参数(例如，输入功率噪声水平、输出电压、输出功率噪声水平、温度等)来预测OMD的电气部件的故障；第三ML模型可以被配置成基于特定于发光部件的操作参数(例如，输入功率噪声、输入功率电平、输出亮度等)来预测发光器件的故障；等等。在示例中，故障的可能性可以是故障的一般可能性，如有20％的可能性、30％的可能性等特定部件将发生故障、OMD将发生故障等。在另一个示例中，故障的可能性是在特定时间段内故障的可能性，例如对于特定部件、对于整个OMD等，有20％的可能性在接下来的2天内发生故障。

用于训练(多个)ML模型的数据集中的每个样本包括特定于训练(多个)ML模型所针对的装置类型的操作参数和/或与在OMD 110处获得操作参数时和OMD的(多个)相关部件的故障之间经过的时间量相关的时间信息。在一些情况下，数据集中的每个样本可以进一步包括校准数据以及与所测量的操作参数相关联的使用模式信息。使用模式信息可以包括例如在生成先前一组操作参数时和生成当前一组所测量的操作参数时之间的时间段期间装置被使用的次数。使用模式信息可以用于基于较重的使用模式或更高强度的使用模式可能加速或以其他方式影响OMD中的部件劣化的速率的假设来进一步预测未来故障。

为了训练(多个)ML模型，模型训练器124通过ML模型运行每个样本的输入数据，以生成与输入数据相关的预测。在一些方面，预测可以是在指定的时间段(例如，n天)上的概率分布，其中每一天都与OMD 110的部件在该天将发生故障的概率相关联。通常，由于OMD110的部件最终将发生故障，因此概率分布的总面积将接近1(即，100％的可能性发生故障)；然而，由于装置可以在可预测的时间段内以可预测的方式发生故障，因此概率分布可以包括多个低值和一个或多个尖峰，这表明部件更有可能在时间窗口中的某些时间发生故障。通常，可以计算预测的时间信息(即，为数据集中的每个样本预测的Y^)和包括在数据集中的每个样本中的实际时间信息(即，包括在数据集的每个样本中的Y)的差异，并使用这些差异来训练(多个)ML模型。例如，预测的时间信息可以对应于直到部件故障的预测天数，并且每个样本中包括的实际时间信息可以是从记录每个样本中包括的输入到部件故障之间经过的实际天数。应该注意的是，上面讨论的时间信息仅是示例，并且可以通过从涉及其他参数或输出类型(例如，不涉及时间的参数或输出的类型)的Y的实际值学习来训练(多个)ML模型以预测Y^。

在一些方面，模型训练器124可以基于实际时间信息和预测的时间信息之间的误差(即，Y-Y^)来训练(或细化)ML模型。换言之，模型训练器124调整ML模型中的权重，以最小化预测的时间信息与实际时间信息之间的误差(或偏差)。随着模型训练器124通过ML模型运行更多的样本并继续调整权重，ML模型的准确性可以提高，使得ML模型开始以非常低的错误率进行非常准确的预测。在这一点上，ML模型已准备好被部署以做出关于OMD 110的各种部件(例如，机械部件112、电气部件114和/或光学部件116)的故障预测。在图1A的示例中，经训练的ML模型可以被部署到故障预测器126，用于基于捕获的操作参数来预测OMD110的部件的故障，如下面进一步详细描述的。

在一些方面，可以使用基于时间序列的算法和数据集来训练ML模型。例如，可以使用长短期记忆(LSTM)ML算法来训练ML模型，这些算法能够学习数据中的时间关系(或其他顺序依赖性)。通常，这些LSTM模型学习将过去的观察结果序列(即，OMD 110的部件的过去的操作参数)映射到输出观察结果(即，部件将发生故障的概率和部件将发生故障的时间)的函数。其他ML算法(如递归神经网络或能够学习不同输入之间的时间关系的其他算法)也可以或可替代地用于基于捕获的操作参数来预测OMD 110的部件的未来故障。

模型训练器124可以训练单个ML模型以大致生成对OMD 110的故障预测(例如，预测关于OMD 110中的任何部件的未来故障)。在这种情况下，用于训练单个ML模型的数据集可以包括跨OMD 110中的多个被监测部件聚合的操作参数测量结果和/或与OMD 110的故障相关的时间信息。在另一个示例中，模型训练器124可以训练多个ML模型以生成对OMD 110的不同部件的故障预测。多个ML模型可以包括被训练成生成对机械部件112的故障预测的第一模型、被训练成生成对电气部件114的故障预测的第二模型、被训练成生成对光学部件116的故障预测的第三模型等等。用于训练这些ML模型中的每一个的数据集可以包括输入数据，该输入数据可以用于生成对每种特定类型的部件的故障预测。

通常，模型训练器124可以使用本文描述的动态数据集来重新训练(多个)ML模型。数据集可以被称为动态的，因为它们可以不断地接收并反映从OMD 110和其他OMD收集的新数据点。可以周期性地(根据时间表)执行重新训练，如在已经将阈值数量的新条目添加到模型训练器124用来训练和重新训练ML模型的历史数据集之后，或者手动地执行重新训练。通过使用这些动态数据集重新训练ML模型，模型训练器124可以生成ML模型，随着时间的推移，ML模型可以对OMD或其部件做出更准确的故障预测。OMD的故障预测准确性的提高反过来可以允许更及时地进行关于OMD 110的一个或多个部件的各种预防性维护动作，并相应地增加系统正常运行时间。

故障预测器126通常使用捕获的操作参数、来自OMD 110的其他信息以及经训练的ML模型来确定OMD的部件是否可能发生故障。故障预测器126可以实时地或以周期性的批量报告从OMD 110接收操作参数测量结果和其他信息，以用于对OMD 110的部件故障进行预测。

通常，故障预测器126可以至少使用由OMD 110生成的关于部件的操作参数测量结果和各种模型(如可应用于部件的先验定义的模型或(多个)经训练的ML模型)来预测OMD中的部件(例如，与操作参数测量结果相关联的部件或其故障可由与该部件相关联的操作参数测量结果指示的上游或下游部件)的未来故障。OMD中部件的未来故障的预测可以包括例如部件故障的可能性和/或部件将发生故障的可能时间以及其他预测。通常，先验定义的模型不需要由模型训练器124训练，并且可以用于基于这些部件的已知特性来确定部件正在发生故障(例如，以及其时间/可能性)。经训练的ML模型可以与先验定义的模型结合使用或代替先验定义的模型来生成关于OMD110的部件(或相关部件，因为关于一个部件的操作参数的测量结果实际上可以指示上游或下游部件实际上正在发生故障)的故障预测。

如所讨论的，(多个)ML模型可以将一组操作参数测量结果作为输入，并生成概率分布作为输出。概率分布可以示出在生成操作参数测量结果之后的多个时间段中的每个时间段部件发生故障的概率。例如，在n天的时间窗口内，概率分布可以显示在1天后、2天后、依此类推直到n天的故障概率。概率分布中的尖峰通常说明部件最有可能发生故障的时间。

在一些方面，(多个)ML模型可以将其他信息结合该组操作参数测量结果作为输入，用于预测部件故障的可能性和/或部件将发生故障的时间。例如，(多个)ML模型可以使用校准数据、使用模式信息和/或由OMD 110生成的解剖学参数的测量结果(或从中得到的信息)结合操作参数测量结果来预测OMD 110的部件将发生故障的未来故障和/或部件可能发生故障的时间。使用模式信息可以包括例如在给定时间段内OMD 110被使用的次数或者关于在给定时间段内的利用率的更细粒度的信息(例如，在该给定时间段的不同部分期间的利用率)。在给定时间段内生成的解剖学参数的测量结果可以用于例如生成关于在给定解剖学参数的预期值范围之外的测量结果的比例的信息。

在一些方面，可以使用先验定义的模型来基于OMD 110的部件的正常和异常操作参数测量结果的先验已知值来确定该部件是否正在发生故障。例如，先验定义的模型可以根据最小值和最大值来定义操作参数测量结果的正常值。最大值可以对应于已知部件(或上游或下游部件)发生故障的操作参数测量结果的值。如果接收到的OMD 110的部件的操作参数测量结果超过该最大值，则故障预测器126可以确定该部件已经发生故障，并且可以指示故障纠正器128针对该部件采取一个或多个动作。在一些方面，最初可以使用先验定义的模型，并且可以基于捕获的历史数据随着时间的推移来训练ML模型，使得最终可以使用经训练的ML模型来代替先验定义的模型或与先验定义的模型结合使用。

在一些方面，可以使用各种阈值化技术来确定故障预测器126是否要使用(多个)经训练的ML模型来预测OMD 110的部件的未来故障。通过使用这些阈值化技术，ML模型可以用于生成对感兴趣的OMD 110的部件的预测，而不是对OMD 110所有部件的预测而不管部件是否表现出即将发生故障的迹象。因此，可以通过使用ML模型来仅针对感兴趣的用于额外监测的部件生成预测来节省计算资源。

例如，接收到的操作参数测量结果与预期操作参数测量结果的比较可以用于确定ML模型是否应该用于生成对OMD 110的部件的故障预测。通常，OMD 110的每个部件可以与操作参数的预定义的正常范围相关联。例如，机械装置可以与输入电流/电压、旋转速度、振动测量结果等的正常范围相关联。电气装置可以与输出电流/电压、输出噪声、热量等的正常范围相关联。发光装置可以与所请求的输入功率、输出亮度水平等的正常范围相关联。如果OMD 110报告部件的在这种部件的正常范围内的操作参数，则故障预测器126可以确定该部件正在正常操作，并且不需要使用ML模型来预测OMD 110的部件的未来故障，因为OMD的部件不太可能立即发生故障或在不久的将来需要更密切的关注。

在一些方面，故障预测器126可以使用趋势分析或其他统计分析来确定是否使用ML模型来生成对OMD 110的部件的故障预测。如所讨论的，OMD 110中的机械、电气、光学和发光部件的性能随着时间的推移而劣化。在一些情况下，这些部件可能会在一段时间内产生一致的操作参数，然后突然劣化。在其他情况下，这些部件可能显示出操作参数的单调变化模式，随着部件达到其使用寿命的终点或以其他方式接近故障状态，会发生更剧烈的变化。基于装置的操作参数的先验已知劣化特性，故障预测器126可以检查在一定时间窗口内为部件捕获的操作参数，以检测所报告的操作参数的趋势。如果该趋势指示即将发生的故障(例如，该趋势示出了操作参数在时间窗口内的显著变化)，则故障预测器126可以确定应当更密切地监测OMD 110的部件，并且因此可以使用由模型训练器124训练的ML模型来生成对该部件的故障预测。

在一些方面，故障预测器126还可以或可替代地使用关于对OMD110执行的校准程序的信息来确定应当使用(多个)ML模型来检查OMD的部件。通常，OMD 110可以周期性地(例如，每天)执行校准程序，以便将部件调整到已知的基本状态。由于OMD中部件的性能可能会随着时间的推移而劣化，因此校准程序可能会逐渐需要越来越多的改变，以便将OMD的部件调整到已知的基本状态。进一步地，因为各种部件的性能特性可能具有已知的模式，所以用于将OMD的部件调整到已知的基本状态的校准程序可能具有反映部件的性能特性模式的模式。因此，故障预测器126可以使用趋势分析或校准参数的已知范围来确定是否使用ML模型来生成对部件的故障预测。

在另一个示例中，故障预测器126可以使用由OMD 110生成的解剖学测量结果来确定应当使用(多个)ML模型来检查OMD 110的部件。如所讨论的，解剖学测量结果通常落入已知的值分布内。然而，如果OMD 110一致地生成在已知的值分布之外的解剖学测量结果，则更有可能的是OMD 110正在发生故障或在不久的将来可能发生故障。例如，如果所生成的解剖学测量结果在已知的分布之外的患者数量超过由OMD评估的患者的阈值百分比，则故障预测器126可以确定应当使用(多个)ML模型来检查OMD 110。例如，解剖学测量结果可以包括示出在获得解剖学测量结果时记录的患者眼运动的眼睛跟踪信息、轴向长度(即，前角膜与视网膜之间的距离)、角膜厚度、前房深度(即，前角膜与前晶状体表面之间的距离)、白到白直径(即，眼睛两侧的角膜与巩膜边界之间的距离)、晶状体厚度、晶状体曲率以及在使用期间可能由OMD记录的其他解剖学测量结果。

在故障预测器126确定OMD部件可能发生故障和/或识别出该部件将发生故障的可能时间之后，故障预测器126可以将该预测和标识故障部件的信息提供给故障纠正器128以供进一步处理。通常，故障纠正器128被配置成针对OMD 110的一个或多个部件进行各种预防性维护动作。预防性维护动作可以基于部件的身份、为部件记录的当前操作参数测量结果以及可以用于确定是否可以远程地对部件进行维护的其他信息而变化。

在一些方面，故障预测器126可以生成向OMD的用户和/或维护OMD的支持人员显示的一个或多个通知，这些通知包括关于OMD的预测的未来故障的信息。这些通知可以包括例如关于故障纠正器128响应于部件可能发生故障的预测而采取的动作的信息、采取动作的原因(例如，响应于基于操作参数测量结果做出的预测)、和/或可以帮助理解OMD中的部件的状态的其他信息、OMD中部件的问题、以及响应部件可能发生故障的预测而要采取的未来动作。

故障预测器126可以用于对位于各种操作环境和各种地理区域中的OMD执行故障预测。因为故障预测器126可以为处于变化的操作环境和地理区域中的装置生成故障预测，所以模型训练器124和故障预测器126可以利用广泛的数据来训练和预测部署的OMD的广泛范围内的故障。此外，从广泛部署的OMD中获得的数据点可以允许基于大数据集执行各种分析。例如，故障预测器126可以将广泛部署的OMD划分为多个组(例如，区域组、环境组等)，以识别在这些组中或多或少普遍存在的故障。关于在一个组中更普遍的故障的信息可以由故障预测器126提供给负责OMD的特定部件的工程组，以识别这些故障的(多个)根本原因以及关于这些部件的新设计或程序，这些新设计或程序可能降低特定用户组的故障普遍性。

在一些方面，故障纠正器128可以包括可以被执行以补救OMD110的部件的故障或预期故障的程序化解决方案库。这些程序化解决方案可以与例如特定类型的部件和特定组的操作参数测量结果相关联。通常，程序化解决方案可以包括可执行代码，该可执行代码在被推送到OMD 110以供执行时补救OMD 110处的异常执行状况。这些程序化解决方案可以包括例如控制各种操作的时间的软件补丁、用于调整OMD 110的校准的校准目标的改变等等。当发现程序化解决方案与由OMD 110报告的部件和操作参数测量结果之间的匹配时，故障纠正器128可以将程序化解决方案推送到OMD 110以供执行。

在一些方面，故障纠正器128可以确定被识别为发生故障或可能立即发生故障的部件应该被更换，以便补救故障或预期故障。故障纠正器128可以基于标识部件由于无法由软件补偿的电气故障或机械故障而发生故障的信息来确定应该更换部件。例如，如果需要逐渐更大量的电力来生成部件的预期输出，则故障纠正器128可以确定应该更换电气部件，因为增加的电力需求(例如，电气部件中对应增加的电阻)可能指示无法由软件纠正的即将发生的故障。在另一个示例中，如果针对机械部件报告的操作参数测量结果指示性能劣化(例如，机动装置的旋转速度不一致)或指示该装置具有心跳(例如，与OMD 110处的控制器电连接)但机械上不起作用，则故障纠正器128可以确定应该更换机械部件。在这种情况下，故障纠正器128可以将一个或多个指令推送到OMD 110以禁用OMD，直到更换了已经发生故障或即将发生故障的所识别部件。

在一些方面，故障纠正器128可以针对OMD 110上的部件执行诊断测试或其他动作，以进一步确定该部件是否正在故障或即将发生故障。诊断测试可以包括使OMD执行特定操作并向故障纠正器128提供附加操作参数测量结果以供分析的指令。如果附加测量结果指示部件正在发生故障或可能发生故障，则故障纠正器128可以确定应当针对部件进行预防性维护动作，如上所讨论的。

图1B展示了另一个示例计算环境100B，其中可以执行训练和使用机器学习模型来预测OMD中的部件的未来故障以对OMD进行预防性维护。如所展示的，计算环境100B包括测量装置110、服务器120和操作历史存储库130。在图1B所展示的示例中，TDG 122和模型训练器124在服务器120上执行，而故障预测器126和故障纠正器128使用由与机械部件112、电气部件114和/或光学部件116相关联的装置部件仪器生成的数据在OMD 110上执行。装置部件仪器通常包括可以监测和测量OMD上的部件的各种操作参数的各种传感器和其他计量装置。如所讨论的，这些操作参数测量结果可以单独使用或与其他数据(如校准数据、使用历史或各种患者的解剖学参数的测量结果)结合使用，以预测OMD上的部件可能发生故障，并基于该预测来识别对OMD进行预防性维护动作以防止部件发生故障。

用于基于预测建模对眼科医疗装置进行预防性维护的示例方法

图2展示了示例操作200，这些示例操作可以由计算系统执行以预测OMD中的部件的未来故障从而用于对OMD执行预防性维护。操作200可以由图1A至图1B中展示的OMD 110或服务器120中的一个或多个来执行。

如所展示的，操作200可以在框210处开始，其中系统从OMD接收与OMD的部件相关联的一个或多个操作参数的测量结果。测量结果可以包括在一段时间内的不同时间处的操作参数测量结果。在一些情况下，可以周期性地接收测量结果(例如，根据对OMD执行的心跳监测器或接收测量结果的服务器)。例如，可以每天在每次使用OMD之后接收测量结果，或者根据为从OMD接收测量结果而定义的某个其他周期性来接收测量结果。

在框220处，系统使用一个或多个模型至少部分地基于接收到的一个或多个操作参数的测量结果来预测OMD的部件未来故障的可能性和/或部件可能发生故障的时间。该模型可以包括先验定义的模型，该先验定义的模型基于与正常和异常操作相对应的操作参数测量结果的已知值或者基于可以预测OMD的未来故障的经训练的ML模型来识别部件是否正在发生故障。注意，使用先验模型识别部件是否正在发生故障可以包括至少部分地基于接收到的一个或多个操作参数的测量结果来预测OMD的部件将发生故障的可能性和/或部件可能发生故障的时间。在一些情况下，为了减少预测OMD的部件的未来故障所涉及的计算资源利用率，系统可以响应于确定来自OMD的其他数据指示部件已经劣化到需要预测建模和预防性维护的程度而预测OMD的部件的未来故障。

例如，为了确定预测建模是有必要的，系统可以对照部件的已知规范检查部件的操作参数测量结果。已知规范可以包括例如关于部件的所测量的操作参数值的预期范围的信息。如果测量结果超出预期范围(例如，超出阈值量)，则系统可以确定预测建模和基于预测建模的预防性维护是有必要的。在另一个示例中，系统可以使用所测量的光学参数和历史测量结果的趋势分析或统计分析来确定该部件是否表现出指示即将发生的故障的性能劣化的迹象。

在一些情况下，系统可以检查除了所测量的光学参数或这些光学参数的历史测量结果之外的数据，以确定预测建模和预防性维护是有必要的。例如，可以检查校准测试的结果，以确定是否连续使用更大量的校准调整来校准OMD。因为使用较大的校准调整可以表明OMD的部件正在劣化，所以增加到阈值量之外的校准调整可以表明部件正在发生故障或可能发生故障，并且因此预测建模和预防性维护是有必要的。在另一个示例中，系统可以检查患者解剖学测量结果，以确定OMD是否一致地生成相对于解剖学参数的值的正态分布异常的测量数据。如果OMD持续生成异常的测量数据，则系统可以确定OMD执行异常，并且可以确定预测建模和预防性维护是有必要的。

在框230处，系统基于预测的故障可能性和/或部件可能发生故障的时间采取一个或多个动作来对部件进行预防性维护。一个或多个动作可以包括在OMD上执行对OMD的潜在故障模式进行寻址的代码，对OMD执行附加诊断测试以确定进一步的动作过程，或者禁用OMD直到更换了故障部件。

图3展示了示例操作300，这些示例操作可以由系统执行以训练机器学习模型预测OMD中的部件的未来故障，用于对OMD进行预防性维护。操作300可以由例如图1A至图1B中展示的服务器120来执行。

如所展示的，操作300在框310处开始，其中系统由与OMD相关联的一组操作参数测量结果生成训练数据集。在一些方面，数据集可以包括OMD的各种部件的所测量的操作参数和/或与在OMD处获得测量结果的时间和OMD发生故障的时间相关联的时间信息。生成训练数据集可能需要为OMD的不同部件或部件类别生成不同的训练数据集，因为不同的部件或部件类别可能具有指示未来故障的可能性的不同参数。

在框320处，系统基于训练数据集训练一个或多个机器学习模型。可以训练一个或多个机器学习模型以生成关于OMD的故障预测。例如，可以训练第一ML模型以生成对OMD的机械部件的故障预测。可以训练第二ML模型以生成对OMD的电气部件的故障预测。可以训练第三ML模型以生成对OMD的发光部件的故障预测。还可以训练进一步的ML模型以生成对OMD中其他类别或类型的部件的故障预测。在另一个示例中，可以训练ML模型以生成对OMD中每个特定部件的故障预测。

在框330处，系统将经训练的一个或多个ML模型部署到一个或多个计算系统。在一些方面，经训练的ML模型可以被部署到在用于训练ML模型的同一系统(或系统集群)上执行的故障预测器。可替代地，经训练的ML模型可以被部署到OMD本地的计算系统，这可以允许对可能未与中央系统连接或可能与中央系统具有间歇性连接的OMD进行故障预测和预防性维护。

用于基于预测建模对眼科医疗装置进行预防性维护的示例系统

图4展示了示例系统400，该示例系统使用机器学习模型来帮助执行眼科手术程序(例如白内障手术)。例如，系统400可以对应于图1中展示的测量装置110、服务器120和/或用户控制台130中的一个或多个。

如所示出的，系统400包括中央处理单元(CPU)402、可以允许各种I/O装置414(例如，键盘、显示器、鼠标装置、笔输入等)连接到系统400的一个或多个I/O装置接口404、系统400通过其连接到网络490(其可以是本地网络、内联网、互联网或彼此通信地连接的任何其他计算装置组)的网络接口406、存储器408、存储装置410和互连件412。

CPU 402可以检索并执行存储在存储器408中的编程指令。类似地，CPU 402可以检索并存储驻留在存储器408中的应用数据。互连件412在CPU 402、I/O装置接口404、网络接口406、存储器408和存储装置410之间传输编程指令和应用数据。

将CPU 402包括在内以表示单个CPU、多个CPU、具有多个处理核的单个CPU等。

存储器408表示如随机存取存储器等易失性存储器和/或如非易失性随机存取存储器、相变随机存取存储器等非易失性存储器。如所示出的，存储器408包括装置部件仪器软件420、TDG 430、模型训练器440、故障预测器450、故障纠正器460和操作历史存储库470。装置部件仪器软件420通常与OMD中的传感器和其他计量装置接口连接，以获得OMD的部件(包括但不限于机械部件、电气部件和/或光学部件)的各种操作参数的测量结果。由装置部件仪器软件420获得的操作参数测量结果通常包括各种参数，这些参数可以预测OMD的部件是否正在发生故障或可能发生故障，以及如果是，则何时可能发生这种故障。

TDG 430通常使用从装置部件仪器软件420获得的信息来生成由模型训练器440用来训练一个或多个ML模型来预测OMD中的部件的未来故障以用于对OMD进行预防性维护的训练数据集。为了生成训练数据集，TDG 430可以生成将OMD的部件的各种操作参数测量结果与和部件故障相关的时间信息相关联的记录。训练数据集中的记录可以被持久化到存储装置410中的操作历史存储库470，用于存储和将来用于生成更新的数据集以训练ML模型来预测OMD中的部件的未来故障，从而用于对OMD进行预防性维护。

模型训练器440通常训练故障预测器450使用的一个或多个ML模型，以预测OMD中的部件的未来故障，从而用于对OMD进行预防性维护。如所讨论的，模型训练器440可以使用由TDG 430生成的训练数据集来训练ML模型，并且可以将经训练的ML模型部署到故障预测器450(或远程系统)以供使用。

故障预测器450通常使用经由装置部件仪器软件420获得的操作参数测量结果来确定OMD的部件是否正在发生故障或在不久的将来可能发生故障。如果部件正在发生故障或可能发生故障(例如，基于操作参数测量结果、校准数据或解剖学测量结果在预期范围之外)，则故障预测器450可以使用经训练的ML模型来确定OMD何时可能发生故障。基于预测，故障纠正器460可以用于对部件执行进一步的诊断测试，将预防性维护代码或补救指令推送到OMD以供执行，和/或禁用OMD，直到更换了正在发生故障或可能发生故障的部件。

附加考虑

提供前面的描述是为了使本领域的任何技术人员能够实践本文所描述的各种实施例。对这些实施例的各种修改对于本领域技术人员来说是显而易见的，并且本文所定义的一般原理可以应用于其他实施例。例如，在不脱离本披露内容的范围的情况下，可以对所讨论的元素的功能和布置进行改变。各种示例可以适当地省略、替换或添加各种程序或部件。此外，关于一些示例描述的特征可以在一些其他示例中组合。例如，可以使用本文阐述的任何数量的方面来实施设备或实践方法。另外，本披露内容的范围旨在覆盖使用除了或不同于本文阐述的本披露内容的各个方面的其他结构、功能或结构和功能来实践的设备或方法。应当理解，本文所披露的本披露内容的任何方面可以由权利要求的一个或多个元素来体现。

如本文所使用的，关于项目列表中的“至少一个”的短语是指那些项目的任何组合，包括单个成员。例如，“a、b或c中的至少一个”旨在涵盖a、b、c、a-b、a-c、b-c和a-b-c以及与同一元素的倍数的任意组合(例如，a-a、a-a-a、a-a-b、a-a-c、a-b-b、a-c-c、b-b、b-b-b、b-b-c、c-c和c-c-c或a、b和c的任何其他顺序)。

如本文所使用的，术语“确定”包括多种多样的动作。例如，“确定”可以包括计算、运算、处理、导出、调查、查找(例如，在表格、数据库或其他数据结构中查找)、查明等。而且，“确定”可以包括接收(例如，接收信息)、访问(例如，访问存储器中的数据)等。而且，“确定”可以包括解析、选择、挑选、建立等。

本文所披露的方法包括用于实现方法的一个或多个步骤或动作。在不脱离权利要求的范围的情况下，方法步骤和/或动作可以彼此互换。换言之，除非指定了特定的步骤或动作顺序，否则可以在不脱离权利要求的范围的情况下修改特定步骤和/或动作的顺序和/或使用。进一步地，上述方法的各种操作可以由能够执行对应功能的任何合适的装置来执行。所述装置可以包括各种硬件和/或软件部件和/或模块，包括但不限于电路、专用集成电路(ASIC)或处理器。通常，在图中展示了操作的情况下，那些操作可以具有对应的带类似编号的对应装置加功能部件。

结合本披露内容描述的各种说明性逻辑块、模块和电路可以用被设计成执行本文描述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件(PLD)、离散门或晶体管逻辑、离散硬件部件、或其任何组合来实施或执行。通用处理器可以是微处理器，但在替代方案中，处理器可以是任何可商购的处理器、控制器、微控制器、或状态机。处理器还可以被实施为计算装置的组合，例如，DSP与微处理器的组合、多个微处理器、结合DSP核的一个或多个微处理器或者任何其他这种配置。

处理系统可以用总线架构来实施。根据处理系统的具体应用和总体设计约束，总线可以包括任何数量的互连总线和桥。总线可以将包括处理器、机器可读介质和输入/输出装置等的各种电路链接在一起。用户接口(例如，小键盘、显示器、鼠标、操纵杆等)还可以连接到总线。总线还可以链接如定时源、外围设备、电压调节器、电源管理电路等各种其他电路，这些电路在本领域中是众所周知的，并且因此将不再进一步描述。处理器可以用一个或多个通用和/或专用处理器来实施。示例包括微处理器、微控制器、DSP处理器和其他可以执行软件的电路系统。本领域的技术人员将认识到如何根据具体应用和施加在整个系统上的总体设计约束来最好地实施处理系统的所述功能。

如果以软件实施，则功能可以作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质进行传输。软件应广义地解释为指令、数据或其任何组合，无论是称为软件、固件、中间件、微码、硬件描述语言还是其他。计算机可读介质包括计算机存储介质和通信介质(如促进计算机程序从一个地方到另一个地方的传递的任何介质)两者。处理器可以负责管理总线和一般处理，包括存储在计算机可读存储介质上的软件模块的执行。计算机可读存储介质可以耦接到处理器，使得处理器可以从存储介质读取信息和向存储介质写入信息。在替代方案中，存储介质可以与处理器成一体。举例来说，计算机可读介质可以包括传输线、由数据调制的载波和/或其上存储有与无线节点分离的指令的计算机可读存储介质，所有这些都可以由处理器通过总线接口访问。替代性地或另外，计算机可读介质或其任何部分可以被集成到处理器中，如可以具有高速缓存和/或通用寄存器文件的情况。举例来说，机器可读存储介质的示例可以包括RAM(随机存取存储器)、闪存、ROM(只读存储器)、PROM(可编程只读存储器)、EPROM(可擦除可编程只读存储器)、EEPROM(电可擦除可编程只读存储器)、寄存器、磁盘、光盘、硬盘驱动器、或任何其他合适的存储介质、或其任何组合。机器可读介质可以体现在计算机程序产品中。

软件模块可以包括单个指令或多个指令，并且可以分布在若干不同的代码段上，分布在不同的程序之间，并且跨多个存储介质分布。计算机可读介质可以包括多个软件模块。软件模块包括指令，所述指令当由如处理器等设备执行时使处理系统执行各种功能。软件模块可以包括传输模块和接收模块。每个软件模块可以存在于在单个存储装置中，或者跨多个存储装置分布。举例来说，当触发事件发生时，软件模块可以从硬盘驱动器加载到RAM中。在软件模块的执行期间，处理器可以将一些指令加载到高速缓存中以提高访问速度。然后，一个或多个高速缓存行可以被加载到通用寄存器文件中以供处理器执行。当提及软件模块的功能时，应当理解这种功能是由处理器在执行来自该软件模块的指令时实施的。

以下权利要求不旨在限于本文所示的实施例，而是被赋予与权利要求的语言一致的全部范围。在权利要求中，除非特别说明，否则对单数元件的引用并非旨在表示“一个且仅一个”，而是“一个或多个”。除非另外特别说明，否则术语“一些”是指一个或多个。根据35U.S.C.§112(f)的规定，将不解释任何权利要求的元素，除非使用“用于……的装置”的短语明确地叙述所述元素，或者在方法权利要求的情况下，使用“用于……的步骤”的短语叙述所述元素。本领域普通技术人员已知或以后将知道的在整个本披露内容所描述的各个方面的元素的所有结构和功能等同物通过引用明确地并入本文，并且旨在由权利要求涵盖。此外，无论在权利要求中是否明确地叙述了这样的披露内容，本文所披露的内容都不旨在致力于公众。

Claims (25)

1.一种用于基于预测建模对眼科医疗装置进行预防性维护的方法，所述方法包括：

从眼科医疗装置接收与所述眼科医疗装置相关联的一个或多个操作参数的测量结果；

使用一个或多个模型，至少部分地基于接收到的所述一个或多个操作参数的测量结果来预测所述眼科医疗装置的未来故障；以及

基于所述眼科医疗装置的预测的未来故障采取一个或多个动作来对所述眼科医疗装置进行预防性维护。

2.如权利要求1所述的方法，其中，所述一个或多个模型包括定义所述一个或多个操作参数的对应于所述眼科医疗装置的正常操作的值和所述一个或多个操作参数的对应于所述眼科医疗装置的故障的值的模型。

3.如权利要求1所述的方法，其中，所述一个或多个模型包括一个或多个机器学习模型，所述一个或多个机器学习模型被训练成至少部分地基于所述接收到的所述一个或多个操作参数的测量结果来预测所述眼科医疗装置的未来故障。

4.如权利要求1所述的方法，其中，所述预测的未来故障包括以下至少一项：

所述眼科医疗装置的未来故障的可能性，或

所述眼科医疗装置可能发生故障的时间。

5.如权利要求1所述的方法，其中，所述一个或多个操作参数与所述眼科医疗装置的部件相关联，并且其中，预测所述眼科医疗装置的未来故障包括预测所述眼科医疗装置中的所述部件或一个或多个其他部件的未来故障。

6.如权利要求1所述的方法，进一步包括：

接收所述眼科医疗装置或其部件的校准数据，其中，预测所述眼科医疗装置的未来故障是进一步基于所述校准数据随时间的推移而表现出的趋势。

7.如权利要求1所述的方法，进一步包括：

接收所述眼科医疗装置的使用模式数据，其中，预测所述眼科医疗装置的未来故障是进一步基于所述使用模式数据。

8.如权利要求7所述的方法，其中，所述使用模式数据包括与多个时间窗口内的系统利用率有关的信息。

9.如权利要求1所述的方法，进一步包括：

接收由所述眼科医疗装置为多个患者生成的患者解剖学测量结果；以及

基于接收到的患者解剖学测量结果确定所述眼科医疗装置或其部件的性能已经劣化，其中，预测所述眼科医疗装置的未来故障是进一步基于所述确定所述眼科医疗装置或所述部件的性能已经劣化。

10.如权利要求9所述的方法，其中，所述患者解剖学测量结果包括眼睛跟踪信息，所述眼睛跟踪信息包括在收集所述患者解剖学测量结果时记录的患者眼运动，并且其中，确定所述眼科医疗装置或所述部件的性能已经劣化包括确定所述多个患者的所记录的患者运动已超过阈值量。

11.如权利要求9所述的方法，其中，确定所述眼科医疗装置或所述部件的性能已经劣化包括：

对于每个接收到的患者解剖学测量结果，确定所述测量结果是否在由所述测量结果表示的数据点的阈值范围之外；以及

确定至少阈值数量的所述接收到的患者解剖学测量结果在典型值范围之外。

12.如权利要求1所述的方法，进一步包括：

基于所述眼科医疗装置的部件的所测量的操作参数与所述所测量的操作参数的被定义为指示所述部件的正常操作的值范围之间的比较，确定所述部件的性能已经劣化，其中，预测所述眼科医疗装置的未来故障是进一步基于所述确定所述部件的性能已经劣化。

13.如权利要求1所述的方法，其中，所述一个或多个动作包括：

识别当对所述眼科医疗装置执行时补救所述眼科医疗装置的故障或预期故障的程序化解决方案；以及

将所识别的程序化解决方案推送到所述眼科医疗装置以供执行。

14.如权利要求1所述的方法，其中，所述一个或多个动作包括：

识别所述眼科医疗装置的要更换以便补救所述眼科医疗装置的故障或预期故障的一个或多个部件；以及

禁用所述眼科医疗装置，直到更换了所识别的要更换的部件。

15.如权利要求1所述的方法，其中，所述一个或多个操作参数与所述眼科医疗装置的部件相关联，并且其中，所述一个或多个动作包括：

识别要使用所述眼科医疗装置的所述部件进行的一个或多个动作；

将一个或多个指令传输到所述眼科医疗装置以执行所识别的一个或多个动作；

响应于传输所述一个或多个指令而从所述眼科医疗装置接收操作参数的附加测量结果；以及

基于接收到的附加测量结果确定要执行以基于所述预测的未来故障对所述部件进行预防性维护的一个或多个附加动作。

16.如权利要求1所述的方法，其中，所述一个或多个操作参数与所述眼科医疗装置的部件相关联，并且所述方法进一步包括：

通过将与所述眼科医疗装置的部件相关联的所述一个或多个操作参数的测量结果和所述眼科医疗装置的所述预测的未来故障与来自多个其他眼科医疗装置的测量结果和预测进行聚合来生成聚合数据集；以及

基于所述聚合数据集生成一个或多个分析，所述一个或多个分析展示多组眼科医疗装置的趋势。

17.如权利要求1所述的方法，进一步包括：

输出通知以供向所述眼科医疗装置的用户显示，所述通知包括标识所述眼科医疗装置的可能发生故障的一个或多个部件的信息、所述预测的未来故障、以及与进行预防性维护要采取的所述一个或多个动作有关的信息。

18.一种用于训练预测模型以预测眼科医疗装置上的故障事件的方法，所述方法包括：

由与所述眼科医疗装置相关联的操作参数的一组测量结果生成训练数据集，其中，所述训练数据集包括多个记录，并且所述多个记录中的每个记录标识：

操作参数的测量结果，

测量所述操作参数的时间，以及

测量所述操作参数的时间与所述眼科医疗装置发生故障事件的时间之间的差；

基于所述训练数据集训练一个或多个机器学习模型，以生成关于所述眼科医疗装置的一个或多个故障预测；以及

将经训练的一个或多个机器学习模型部署到一个或多个计算系统。

19.如权利要求18所述的方法，其中，所述操作参数的测量结果包括所述眼科医疗装置中的电气部件的功率测量结果。

20.如权利要求18所述的方法，其中，所述操作参数的测量结果包括一定时间窗口内的使用信息。

21.如权利要求18所述的方法，其中，训练所述一个或多个机器学习模型包括训练多输出机器学习模型，所述多输出机器学习模型针对所述操作参数的一个或多个测量结果生成输出，所述输出标识对所述眼科医疗装置是否可能在从做出预测的时间起的一定时间段内发生故障的预测和在所述眼科医疗装置上发生故障事件之前的剩余时间。

22.如权利要求18所述的方法，其中，训练所述一个或多个机器学习模型包括训练第一机器学习模型和第二机器学习模型，所述第一机器学习模型生成对所述眼科医疗装置是否可能在从做出预测的时间起的一定时间段内发生故障的预测，所述第二机器学习模型预测在所述眼科医疗装置上发生故障事件之前的剩余时间量。

23.如权利要求18所述的方法，其中，将经训练的一个或多个机器学习模型部署到一个或多个计算系统包括将所述经训练的一个或多个机器学习模型部署到与所述眼科医疗装置成一体的计算机。

24.如权利要求18所述的方法，其中，将经训练的一个或多个机器学习模型部署到一个或多个计算系统包括将所述经训练的一个或多个机器学习模型部署到与一个或多个眼科医疗装置通信地耦接的远程服务器。

25.一种用于基于预防性建模对眼科手术装置执行预防性维护的方法，所述方法包括：

由与眼科医疗装置相关联的操作参数的一组测量结果生成训练数据集，其中，所述训练数据集包括多个记录，并且所述多个记录中的每个记录标识：

操作参数的测量结果，

测量所述操作参数的时间，以及

测量所述操作参数的时间与所述眼科医疗装置发生故障事件的时间之间的差；

基于所述训练数据集训练一个或多个机器学习模型，以生成关于所述眼科医疗装置的一个或多个故障预测；

从所述眼科医疗装置接收与所述眼科医疗装置相关联的一个或多个操作参数的测量结果；

使用一个或多个经训练的机器学习模型，至少部分地基于接收到的所述一个或多个操作参数的测量结果来预测所述眼科医疗装置的未来故障；以及

基于所述眼科医疗装置的预测的未来故障采取一个或多个动作来对所述眼科医疗装置进行预防性维护。