CN117038048A - 一种用于医疗器械的远程故障处理方法及系统 - Google Patents
一种用于医疗器械的远程故障处理方法及系统 Download PDFInfo
- Publication number
- CN117038048A CN117038048A CN202311299474.6A CN202311299474A CN117038048A CN 117038048 A CN117038048 A CN 117038048A CN 202311299474 A CN202311299474 A CN 202311299474A CN 117038048 A CN117038048 A CN 117038048A
- Authority
- CN
- China
- Prior art keywords
- fault
- medical instrument
- parameters
- remote
- model
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title abstract description 6
- 238000012423 maintenance Methods 0.000 claims abstract description 44
- 238000003745 diagnosis Methods 0.000 claims abstract description 21
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 34
- 238000012544 monitoring process Methods 0.000 claims description 29
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000001364 causal effect Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 238000009413 insulation Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001960 triggered effect Effects 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
- G16H40/40—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
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种用于医疗器械的远程故障处理方法及系统，涉及故障处理技术领域，该故障处理方法包括以下步骤：对故障等级划分，将故障发生频率高的部件作为易发故障点；利用数字孪生技术模拟医疗器械在极限条件下的运行状态，识别出潜在故障点；基于易发故障点及潜在故障点的故障预测结果制定应急控制措施；将故障数据和运行数据进行实时上传和共享；确定故障根源并结合应急控制措施提供远程故障诊断和维修指导；根据诊断结果和维修指导实施限制控制及安全停机。本发明通过模拟医疗器械在极限条件下运行状态，可以有效触发部分性能类故障的表现，帮助识别潜在故障点，为远程故障处理人员提供参考。
Description
技术领域
本发明涉及故障处理技术领域，具体来说，涉及一种用于医疗器械的远程故障处理方法及系统。
背景技术
随着诊疗技术的快速发展，医疗器械投入逐渐加大，借助医疗器械进行医疗诊断已经日益普及，医疗器械是指直接或者间接用于医疗目的各种仪器、设备及器具，其目的是疾病的诊断、预防、监护或者缓解，然而医疗器械在长期使用后，其内部各种电子、机械部件都会随着时间的推移而逐步老化磨损，影响正常运行，且由于医疗器械工作环境温度、湿度变化大，容易受到环境影响而产生故障。
远程故障处理是指通过网络将医疗器械的运行数据实时传输到远程监测中心，由专业技术人员进行分析诊断和指导解决的一种服务模式，然而在医疗器械的远程故障处理中，如果无法预测医疗器械可能发生的故障并提前采取预防措施，从而会影响医疗器械的可靠性和安全性，一旦故障发生后无法迅速切换或修复，就无法及时反应并采取补救措施，从而可能延长故障修复时间，影响医疗器械正常使用，同时任何故障都可能影响其正常运行和使用安全性，若无法提前制定防范措施进行预防，不仅会增加医疗器械在使用过程中的安全隐患，进而降低了医疗器械的使用效率。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种用于医疗器械的远程故障处理方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种用于医疗器械的远程故障处理方法，该故障处理方法包括以下步骤：
S1、收集医疗器械的历史故障参数，并对故障等级划分，将故障发生频率高的部件作为易发故障点；
S2、利用数字孪生技术模拟医疗器械在极限条件下的运行状态，识别出潜在故障点；
S3、构建故障预测模型和故障监测模型，并基于易发故障点及潜在故障点的故障预测结果制定应急控制措施；
S4、将故障数据和运行数据进行实时上传和共享；
S5、若故障监测模型检测出故障信号，确定故障根源并结合应急控制措施提供远程故障诊断和维修指导；
S6、根据诊断结果和维修指导实施限制控制及安全停机，并发送相应的维修指令。
进一步地，所述收集医疗器械的历史故障参数，并对故障等级划分，将故障发生频率高的部件作为易发故障点包括以下步骤：
S11、收集医疗器械的历史运行记录，利用数据库软件从历史运行记录中提取历史故障参数并建立故障参数数据库；
S12、从故障参数数据库中提取故障特征参数，并评定各故障特征参数的风险程度，形成影响因素体系；
S13、根据影响因素体系设计故障等级划分标准，对故障特征参数进行故障等级划分；
S14、统计每个故障等级中各部件的故障发生次数，并利用频率分析法计算各部件的故障发生频率；
S15、根据故障发生频率对故障特征参数进行权重分配，并对综合权重值进行排序，将权重值前列的部件作为易发故障点。
进一步地，所述根据故障发生频率对故障特征参数进行权重分配，并对综合权重值进行排序，将权重值前列的部件作为易发故障点包括以下步骤：
S151、利用量化技术得到消除量纲后的新矩阵，并从新矩阵的各列中选出最大值及最小值，分别得到最优对象及最劣对象；
S152、计算最优对象及最劣对象的关联系数，并根据关联系数建立权重分配模型；
S153、利用权重分配模型建立故障特征参数的权重值，并分别对权重值进行排序，将权重值前列的部件作为易发故障点。
进一步地，所述权重分配的表达式为：
；
式中，R表示权重分配的合理性指标；
表示第i个属性的重要程度；
表示第i个属性的约束条件；
n表示第i个属性的权重。
进一步地，所述利用数字孪生技术模拟医疗器械在极限条件下的运行状态，识别出潜在故障点包括以下步骤：
S21、基于医疗器械的结构参数构建三维数字化模型，并建立各部件之间的功能关联规则；
S22、分析医疗器械在正常工作场景中各部件的工作状态，并获取医疗器械中各部件的正常工作参数；
S23、对三维数字化模型进行参数调节以模拟医疗器械在不同极限工作场景中各部件的工作状态；
S24、获取各部件的极限工作参数，并与正常工作参数进行对比，识别首次参数超限的部件；
S25、将首次参数超限的部件作为初始故障点，将其在不同极限工作场景中进行单独模拟，记录其参数响应表现；
S26、将参数响应表现与正常工作参数进行比较，将参数响应表现较高的部件确定为潜在故障点。
进一步地，所述基于医疗器械的结构参数构建三维数字化模型，并建立各部件之间的功能关联规则包括以下步骤：
S211、对医疗器械进行关键特征定义，并为每个关键特征定义相应的属性和特征重构方式，确定三维数字化模型的几何层和数据层；
S212、导入医疗器械的理论工作原理模型，并对关键特征的属性理论值进行标定；
S213、针对关键特征的属性理论值的实测值进行计算和确定，并对所需重构的关键特征进行几何部分重构，将得到的模型组织成整体发布，形成三维数字化模型；
S214、在三维数字化模型中为各部件添加属性参数，并根据医疗器械工作原理，建立各部件之间的逻辑连接关系；
S215、定义各部件之间的信息和物理传递规则，并验证各部件是否按预期逻辑和规则进行交互。
进一步地，所述极限工作场景包括高温场景、低温场景、高负载场景及高湿场景；
所述高温场景用于模拟医疗器械在高温环境下运行时，测试是否会因高温引起部件过热故障；
所述低温场景用于模拟医疗器械在低温环境下运行，测试是否会因低温引起部件失效；
所述高负载场景用于模拟医疗器械在高负载工作条件下，测试是否会因负载过大引起部件损耗故障；
所述高湿场景用于模拟医疗器械在高湿环境下，测试是否会因潮湿导致绝缘故障。
进一步地，所述构建故障预测模型和故障监测模型，并基于易发故障点及潜在故障点的故障预测结果制定应急控制措施包括以下步骤：
S31、分别构建故障预测模型及故障监测模型；
S32、实时调用故障预测模型对易发故障点及潜在故障点进行故障预测；
S33、为各潜在故障点及易发故障点设置不同的预测阈值，并根据预测阈值制定相应的应急控制措施，所述预测阈值包括低风险阈值、中风险阈值及高风险阈值。
进一步地，所述实时调用故障预测模型对易发故障点及潜在故障点进行故障预测包括以下步骤：
S321、利用医疗器械的理论工作原理模型明确各部件之间的连接关系；
S322、为各部件定义状态变量，并将其作为医疗器械拓扑结构中的每个连接点，并状态变量之间的约束方程；
S323、利用医疗器械的设计原理模型和历史故障参数，离线得到医疗器械各个部件的正常状态值分布；
S324、根据历史故障参数训练深度学习网络建立故障预测模型，预测各部件下一个时间步的正常状态值；
S325、将正常状态值和实际状态值的差值作为溯因推理网络的输入变量，并利用溯因推理网络输出预测的故障类型。
进一步地，所述将正常状态值和实际状态值的差值作为溯因推理网络的输入变量，并利用溯因推理网络输出预测的故障类型包括以下步骤：
S3251、获取各部件在实际运行时刻的实际状态值，并将正常状态值和实际状态值的差值作为溯因推理网络的输入变量；
S3252、利用溯因推理网络输出故障类型的事件链和对应溯因推理规则集；
S3253、根据溯因推理规则集找到与故障类型具有因果关系的所有故障事件，组成待验证事件集合；
S3254、遍历待验证事件集合中的故障事件和对应的因果规则，若故障事件缺失，则利用断点识别算法判断此处是否存在断点；
S3255、判断故障事件是否满足待验证事件集合的时间一致性，并利用例外故障识别算法对故障事件的故障类型进行识别并输出。
根据本发明的另一个方面，还提供了一种用于医疗器械的远程故障处理系统，该故障处理系统包括易发故障点识别模块、潜在故障点识别模块、控制措施制定模块、数据传输模块、远程指导模块及发送指令模块；
所述易发故障点识别模块与所述潜在故障点识别模块连接，所述潜在故障点识别模块与所述控制措施制定模块连接，所述控制措施制定模块与所述数据传输模块连接，所述数据传输模块与所述远程指导模块连接，所述远程指导模块与所述发送指令模块连接；
所述易发故障点识别模块，用于收集医疗器械的历史故障参数，并对故障等级划分，将故障发生频率高的部件作为易发故障点；
所述潜在故障点识别模块，用于利用数字孪生技术模拟医疗器械在极限条件下的运行状态，识别出潜在故障点；
所述控制措施制定模块，用于构建故障预测模型和故障监测模型，并基于易发故障点及潜在故障点的故障预测结果制定应急控制措施；
所述数据传输模块，用于将故障数据和运行数据进行实时上传和共享；
所述远程指导模块，用于若故障监测模型检测出故障信号，确定故障根源并结合应急控制措施提供远程故障诊断和维修指导；
所述发送指令模块，用于根据诊断结果和维修指导实施限制控制及安全停机，并发送相应的维修指令。
本发明的有益效果为：
1、本发明通过建立三维数字化模型，能够安全地对医疗器械进行超负荷或长时间高强度工作模拟，比实际操作风险更小，而对于医疗器械的性能类故障，由于其表现依赖于运行条件，如果在日常工作条件下检查，可能难以暴露问题，而利用数字孪生技术模拟医疗器械在极限条件下运行状态，可以有效触发部分性能类故障的表现，帮助识别潜在故障点，为远程故障处理人员提供参考。
2、本发明能够识别出医疗器械各部件的易发故障点，为维修工作提供重要参考，维修人员可以针对这些部件进行预防性检查和维修，有效降低实际故障率，医疗器械生产商可以针对易发故障点进行结构或材料优化，提高这些部件的使用寿命和可靠性，同时能够根据易发故障点结果，安排合理的维修计划和备件储备。
3、本发明通过对易发故障点及潜在故障点进行故障预测及分析，能够根据预测结果及时调整医疗器械运行模式延缓故障并提前制定应急措施，从而有效防止故障的发生，当预测到可能出现的故障后，事先准备必要的备用设备和零件，一旦故障发生后能够迅速切换或修复，大大减少故障对正常运行的影响，提高故障预警响应能力，并通过预测分析出重点监测和预防的部件，可以更高效地进行定期维护，节省后续的维修时间和人力成本，同时通过构建故障监测模型能准确检测并定位故障点，为维修提供依据，并通过远程指导实现在线故障诊断和处理，降低停机维修时间，提升医疗设备正常运行效率。
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。
图1是根据本发明实施例的一种用于医疗器械的远程故障处理方法的流程图；
图2是根据本发明实施例的一种用于医疗器械的远程故障处理系统的原理框图。
图中：
1、易发故障点识别模块；2、潜在故障点识别模块；3、控制措施制定模块；4、数据传输模块；5、远程指导模块；6、发送指令模块。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
根据本发明的实施例，提供了一种用于医疗器械的远程故障处理方法及系统。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的用于医疗器械的远程故障处理方法，该故障处理方法包括以下步骤：
S1、收集医疗器械的历史故障参数，并对故障等级划分，将故障发生频率高的部件作为易发故障点。
其中，所述收集医疗器械的历史故障参数，并对故障等级划分，将故障发生频率高的部件作为易发故障点包括以下步骤：
S11、收集医疗器械的历史运行记录，利用数据库软件从历史运行记录中提取历史故障参数并建立故障参数数据库。
需要说明的是，历史故障参数主要包括报警参数、导致停机的参数、维修记录参数、运行状态参数。
报警参数：医疗器械在运行过程中会根据不同条件产生报警，报警参数就记录了报警时对应的各项运行参数值，如温度、压力、电流等超过设定值时的具体数值。
导致停机的参数：若历史记录显示器械曾发生过停机故障，就需要记录故障发生时对应的各项运行参数，这些参数很可能与故障直接相关。
维修记录参数：记录每次维修时发现的故障原因相关的参数，如某个部件磨损严重导致的参数值异常等。
运行状态参数：如转速、流量、电压等正常运行过程中的各项状态参数，通过分析其变化规律找出可能导致故障的异常参数。
S12、从故障参数数据库中提取故障特征参数，并评定各故障特征参数的风险程度，形成影响因素体系；
S13、根据影响因素体系设计故障等级划分标准，对故障特征参数进行故障等级划分。
需要说明的是，根据影响程度划分主要表现在以下方面：
一级故障：对器械安全性影响很小，对运行几乎没有影响。
二级故障：对器械有一定影响，对运行产生一定影响但可以容许。
三级故障：对器械安全性有较大影响，对运行产生较大影响但通过备用方式可以进行。
四级故障：对器械安全性有很大影响，对运行产生严重影响，需要立即排除。
S14、统计每个故障等级中各部件的故障发生次数，并利用频率分析法计算各部件的故障发生频率。
需要说明的是，频率分析法是通过统计和分析历史故障记录中各参数值出现的频率，可以找到影响设备可靠性的关键参数，统计每个故障等级中各部件的故障发生次数，按频率从高到低排序各参数，频率高的参数表明它与故障关系更紧密。
S15、根据故障发生频率对故障特征参数进行权重分配，并对综合权重值进行排序，将权重值前列的部件作为易发故障点。
其中，所述根据故障发生频率对故障特征参数进行权重分配，并对综合权重值进行排序，将权重值前列的部件作为易发故障点包括以下步骤：
S151、利用量化技术得到消除量纲后的新矩阵，并从新矩阵的各列中选出最大值及最小值，分别得到最优对象及最劣对象；
S152、计算最优对象及最劣对象的关联系数，并根据关联系数建立权重分配模型；
S153、利用权重分配模型建立故障特征参数的权重值，并分别对权重值进行排序，将权重值前列的部件作为易发故障点。
其中，所述权重分配的表达式为：
；
式中，R表示权重分配的合理性指标；
表示第i个属性的重要程度；
表示第i个属性的约束条件；
n表示第i个属性的权重。
S2、利用数字孪生技术模拟医疗器械在极限条件下的运行状态，识别出潜在故障点。
其中，所述利用数字孪生技术模拟医疗器械在极限条件下的运行状态，识别出潜在故障点包括以下步骤：
S21、基于医疗器械的结构参数构建三维数字化模型，并建立各部件之间的功能关联规则。
其中，所述基于医疗器械的结构参数构建三维数字化模型，并建立各部件之间的功能关联规则包括以下步骤：
S211、对医疗器械进行关键特征定义，并为每个关键特征定义相应的属性和特征重构方式，确定三维数字化模型的几何层和数据层；
S212、导入医疗器械的理论工作原理模型，并对关键特征的属性理论值进行标定。
需要说明的是，医疗器械的理论工作原理模型包括信号采集模型，信号采集模型是医疗器械工作的基础，主要描述器械如何采集生理信号，如ECG、EEG等，其包括传感器类型、采集路径、放大处理等。
S213、针对关键特征的属性理论值的实测值进行计算和确定，并对所需重构的关键特征进行几何部分重构，将得到的模型组织成整体发布，形成三维数字化模型；
S214、在三维数字化模型中为各部件添加属性参数，并根据医疗器械工作原理，建立各部件之间的逻辑连接关系；
S215、定义各部件之间的信息和物理传递规则，并验证各部件是否按预期逻辑和规则进行交互。
S22、分析医疗器械在正常工作场景中各部件的工作状态，并获取医疗器械中各部件的正常工作参数；
S23、对三维数字化模型进行参数调节以模拟医疗器械在不同极限工作场景中各部件的工作状态。
其中，所述极限工作场景包括高温场景、低温场景、高负载场景及高湿场景；
所述高温场景用于模拟医疗器械在高温环境下运行时，测试是否会因高温引起部件过热故障；
所述低温场景用于模拟医疗器械在低温环境下运行，测试是否会因低温引起部件失效；
所述高负载场景用于模拟医疗器械在高负载工作条件下，测试是否会因负载过大引起部件损耗故障；
所述高湿场景用于模拟医疗器械在高湿环境下，测试是否会因潮湿导致绝缘故障。
S24、获取各部件的极限工作参数，并与正常工作参数进行对比，识别首次参数超限的部件；
S25、将首次参数超限的部件作为初始故障点，将其在不同极限工作场景中进行单独模拟，记录其参数响应表现；
S26、将参数响应表现与正常工作参数进行比较，将参数响应表现较高的部件确定为潜在故障点。
S3、构建故障预测模型和故障监测模型，并基于易发故障点及潜在故障点的故障预测结果制定应急控制措施。
其中，所述构建故障预测模型和故障监测模型，并基于易发故障点及潜在故障点的故障预测结果制定应急控制措施包括以下步骤：
S31、分别构建故障预测模型及故障监测模型。
需要说明的是，故障监测模型主要包括以下步骤：
从运行数据中提取影响器械运行质量和可靠性的关键特征参数。
根据正常运行数据建立每个特征参数在正常状态下的数学分布模型。
根据历史故障数据，给出每个特征参数在异常状态下的数学分布模型。
根据正常与异常模型的差异程度，给每个特征参数设置故障检测阈值。
选择监测算法如SVM、KNN等，并在历史数据上训练算法模型。
对新采集的运行数据进行实时特征提取和监测，判断是否超出阈值。
输出监测结果，同时定期收集新数据重新训练模型，保持模型精度。
S32、实时调用故障预测模型对易发故障点及潜在故障点进行故障预测。
其中，所述实时调用故障预测模型对易发故障点及潜在故障点进行故障预测包括以下步骤：
S321、利用医疗器械的理论工作原理模型明确各部件之间的连接关系；
S322、为各部件定义状态变量，并将其作为医疗器械拓扑结构中的每个连接点，并状态变量之间的约束方程；
S323、利用医疗器械的设计原理模型和历史故障参数，离线得到医疗器械各个部件的正常状态值分布；
S324、根据历史故障参数训练深度学习网络建立故障预测模型，预测各部件下一个时间步的正常状态值；
S325、将正常状态值和实际状态值的差值作为溯因推理网络的输入变量，并利用溯因推理网络输出预测的故障类型。
需要说明的是，溯因推理网络（Causal Network）是一种医疗器械故障分析方法，溯因推理网络通过建立器械各部件和运行参数之间的因果关系网络结构分析故障原因。
其中，所述将正常状态值和实际状态值的差值作为溯因推理网络的输入变量，并利用溯因推理网络输出预测的故障类型包括以下步骤：
S3251、获取各部件在实际运行时刻的实际状态值，并将正常状态值和实际状态值的差值作为溯因推理网络的输入变量；
S3252、利用溯因推理网络输出故障类型的事件链和对应溯因推理规则集；
S3253、根据溯因推理规则集找到与故障类型具有因果关系的所有故障事件，组成待验证事件集合；
S3254、遍历待验证事件集合中的故障事件和对应的因果规则，若故障事件缺失，则利用断点识别算法判断此处是否存在断点；
S3255、判断故障事件是否满足待验证事件集合的时间一致性，并利用例外故障识别算法对故障事件的故障类型进行识别并输出。
需要说明的是，例外故障识别算法是医疗器械故障监测中的一个重要内容，例外故障指的是正常监测模型无法识别的少见但可能严重影响设备安全的故障。
S33、为各潜在故障点及易发故障点设置不同的预测阈值，并根据预测阈值制定相应的应急控制措施，所述预测阈值包括低风险阈值、中风险阈值及高风险阈值。
S4、将故障数据和运行数据进行实时上传和共享。
需要说明的是，将故障数据和运行数据进行实时上传和共享主要包括：
设置数据采集模块，负责实时采集设备运行参数和故障信息的数据。
建立安全可靠的通信通道，如VPN隧道。
定期或触发上传采集的数据包到云端平台，支持二进制或JSON等格式。
实现基于浏览器的云端数据监视端，支持各类用户从任何地方查看设备运行状况，云端支持将分析结果发送给相关人员，实现故障预警。
S5、若故障监测模型检测出故障信号，确定故障根源并结合应急控制措施提供远程故障诊断和维修指导。
需要说明的是，检测到故障信号后，立即记录当时所有监测参数数据，调用溯因推理网络，根据参数间因果关系追溯可能的故障根源组件，检查根源组件历史运行数据，分析故障产生的先兆信号，远程调用设备端相应故障诊断程序，进行更详细的组件测试诊断，根据诊断结果，确定具体的故障类型和位置，并且可以通过语音或视频指导现场人员进行维修操作，若需要更换组件，指导选用正规配件并提供安装步骤，维修结束后，指导测试运行以确认故障得到解决。
S6、根据诊断结果和维修指导实施限制控制及安全停机，并发送相应的维修指令。
需要说明的是，当检测到故障后，根据故障诊断结果和维修指导，实施限制控制和安全停机，同时发送相应的维修指令，具体操作如下：
根据故障级别判断是否需要进入应急控制模式，若需要，自动限制设备的某些功能操作，防止故障扩大，同时触发安全停机程序，将设备在安全范围内关闭运行，记录时所有运行参数，并上报给云端，为后续分析提供依据，接收云端下发的详细维修指令。
如图2所示，根据本发明的另一个实施例，还提供了一种用于医疗器械的远程故障处理系统，该故障处理系统包括易发故障点识别模块1、潜在故障点识别模块2、控制措施制定模块3、数据传输模块4、远程指导模块5及发送指令模块6；
所述易发故障点识别模块1与所述潜在故障点识别模块2连接，所述潜在故障点识别模块2与所述控制措施制定模块3连接，所述控制措施制定模块3与所述数据传输模块4连接，所述数据传输模块4与所述远程指导模块5连接，所述远程指导模块5与所述发送指令模块6连接；
所述易发故障点识别模块1，用于收集医疗器械的历史故障参数，并对故障等级划分，将故障发生频率高的部件作为易发故障点；
所述潜在故障点识别模块2，用于利用数字孪生技术模拟医疗器械在极限条件下的运行状态，识别出潜在故障点；
所述控制措施制定模块3，用于构建故障预测模型和故障监测模型，并基于易发故障点及潜在故障点的故障预测结果制定应急控制措施；
所述数据传输模块4，用于将故障数据和运行数据进行实时上传和共享；
所述远程指导模块5，用于若故障监测模型检测出故障信号，确定故障根源并结合应急控制措施提供远程故障诊断和维修指导；
所述发送指令模块6，用于根据诊断结果和维修指导实施限制控制及安全停机，并发送相应的维修指令。
综上所述，借助于本发明的上述技术方案，本发明通过建立三维数字化模型，能够安全地对医疗器械进行超负荷或长时间高强度工作模拟，比实际操作风险更小，而对于医疗器械的性能类故障，由于其表现依赖于运行条件，如果在日常工作条件下检查，可能难以暴露问题，而利用数字孪生技术模拟医疗器械在极限条件下运行状态，可以有效触发部分性能类故障的表现，帮助识别潜在故障点，为远程故障处理人员提供参考。
本发明能够识别出医疗器械各部件的易发故障点，为维修工作提供重要参考，维修人员可以针对这些部件进行预防性检查和维修，有效降低实际故障率，医疗器械生产商可以针对易发故障点进行结构或材料优化，提高这些部件的使用寿命和可靠性，同时能够根据易发故障点结果，安排合理的维修计划和备件储备。
本发明通过对易发故障点及潜在故障点进行故障预测及分析，能够根据预测结果及时调整医疗器械运行模式延缓故障并提前制定应急措施，从而有效防止故障的发生，当预测到可能出现的故障后，事先准备必要的备用设备和零件，一旦故障发生后能够迅速切换或修复，大大减少故障对正常运行的影响，提高故障预警响应能力，并通过预测分析出重点监测和预防的部件，可以更高效地进行定期维护，节省后续的维修时间和人力成本，同时通过构建故障监测模型能准确检测并定位故障点，为维修提供依据，并通过远程指导实现在线故障诊断和处理，降低停机维修时间，提升医疗设备正常运行效率。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种用于医疗器械的远程故障处理方法，其特征在于，该故障处理方法包括以下步骤：
S1、收集医疗器械的历史故障参数，并对故障等级划分，将故障发生频率高的部件作为易发故障点；
S2、利用数字孪生技术模拟医疗器械在极限条件下的运行状态，识别出潜在故障点；
S3、构建故障预测模型和故障监测模型，并基于易发故障点及潜在故障点的故障预测结果制定应急控制措施；
S4、将故障数据和运行数据进行实时上传和共享；
S5、若故障监测模型检测出故障信号，确定故障根源并结合应急控制措施提供远程故障诊断和维修指导；
S6、根据诊断结果和维修指导实施限制控制及安全停机，并发送相应的维修指令；
所述收集医疗器械的历史故障参数，并对故障等级划分，将故障发生频率高的部件作为易发故障点包括以下步骤：
S11、收集医疗器械的历史运行记录，利用数据库软件从历史运行记录中提取历史故障参数并建立故障参数数据库；
S12、从故障参数数据库中提取故障特征参数，并评定各故障特征参数的风险程度，形成影响因素体系；
S13、根据影响因素体系设计故障等级划分标准，对故障特征参数进行故障等级划分；
S14、统计每个故障等级中各部件的故障发生次数，并利用频率分析法计算各部件的故障发生频率；
S15、根据故障发生频率对故障特征参数进行权重分配，并对综合权重值进行排序，将权重值前列的部件作为易发故障点；
所述构建故障预测模型和故障监测模型，并基于易发故障点及潜在故障点的故障预测结果制定应急控制措施包括以下步骤：
S31、分别构建故障预测模型及故障监测模型；
S32、实时调用故障预测模型对易发故障点及潜在故障点进行故障预测；
S33、为各潜在故障点及易发故障点设置不同的预测阈值，并根据预测阈值制定相应的应急控制措施，所述预测阈值包括低风险阈值、中风险阈值及高风险阈值；
所述实时调用故障预测模型对易发故障点及潜在故障点进行故障预测包括以下步骤：
S321、利用医疗器械的理论工作原理模型明确各部件之间的连接关系；
S322、为各部件定义状态变量，并将其作为医疗器械拓扑结构中的每个连接点，并状态变量之间的约束方程；
S323、利用医疗器械的设计原理模型和历史故障参数，离线得到医疗器械各个部件的正常状态值分布；
S324、根据历史故障参数训练深度学习网络建立故障预测模型，预测各部件下一个时间步的正常状态值；
S325、将正常状态值和实际状态值的差值作为溯因推理网络的输入变量，并利用溯因推理网络输出预测的故障类型。
2.根据权利要求1所述的一种用于医疗器械的远程故障处理方法，其特征在于，所述根据故障发生频率对故障特征参数进行权重分配，并对综合权重值进行排序，将权重值前列的部件作为易发故障点包括以下步骤：
S151、利用量化技术得到消除量纲后的新矩阵，并从新矩阵的各列中选出最大值及最小值，分别得到最优对象及最劣对象；
S152、计算最优对象及最劣对象的关联系数，并根据关联系数建立权重分配模型；
S153、利用权重分配模型建立故障特征参数的权重值，并分别对权重值进行排序，将权重值前列的部件作为易发故障点。
3.根据权利要求2所述的一种用于医疗器械的远程故障处理方法，其特征在于，所述权重分配的表达式为：
；
式中，R表示权重分配的合理性指标；
表示第i个属性的重要程度；
表示第i个属性的约束条件；
n表示第i个属性的权重。
4.根据权利要求3所述的一种用于医疗器械的远程故障处理方法，其特征在于，所述利用数字孪生技术模拟医疗器械在极限条件下的运行状态，识别出潜在故障点包括以下步骤：
S21、基于医疗器械的结构参数构建三维数字化模型，并建立各部件之间的功能关联规则；
S22、分析医疗器械在正常工作场景中各部件的工作状态，并获取医疗器械中各部件的正常工作参数；
S23、对三维数字化模型进行参数调节以模拟医疗器械在不同极限工作场景中各部件的工作状态；
S24、获取各部件的极限工作参数，并与正常工作参数进行对比，识别首次参数超限的部件；
S25、将首次参数超限的部件作为初始故障点，将其在不同极限工作场景中进行单独模拟，记录其参数响应表现；
S26、将参数响应表现与正常工作参数进行比较，将参数响应表现较高的部件确定为潜在故障点。
5.根据权利要求4所述的一种用于医疗器械的远程故障处理方法，其特征在于，所述基于医疗器械的结构参数构建三维数字化模型，并建立各部件之间的功能关联规则包括以下步骤：
S211、对医疗器械进行关键特征定义，并为每个关键特征定义相应的属性和特征重构方式，确定三维数字化模型的几何层和数据层；
S212、导入医疗器械的理论工作原理模型，并对关键特征的属性理论值进行标定；
S213、针对关键特征的属性理论值的实测值进行计算和确定，并对所需重构的关键特征进行几何部分重构，将得到的模型组织成整体发布，形成三维数字化模型；
S214、在三维数字化模型中为各部件添加属性参数，并根据医疗器械工作原理，建立各部件之间的逻辑连接关系；
S215、定义各部件之间的信息和物理传递规则，并验证各部件是否按预期逻辑和规则进行交互。
6.根据权利要求5所述的一种用于医疗器械的远程故障处理方法，其特征在于，所述极限工作场景包括高温场景、低温场景、高负载场景及高湿场景；
所述高温场景用于模拟医疗器械在高温环境下运行时，测试是否会因高温引起部件过热故障；
所述低温场景用于模拟医疗器械在低温环境下运行，测试是否会因低温引起部件失效；
所述高负载场景用于模拟医疗器械在高负载工作条件下，测试是否会因负载过大引起部件损耗故障；
所述高湿场景用于模拟医疗器械在高湿环境下，测试是否会因潮湿导致绝缘故障。
7.根据权利要求6所述的一种用于医疗器械的远程故障处理方法，其特征在于，所述将正常状态值和实际状态值的差值作为溯因推理网络的输入变量，并利用溯因推理网络输出预测的故障类型包括以下步骤：
S3251、获取各部件在实际运行时刻的实际状态值，并将正常状态值和实际状态值的差值作为溯因推理网络的输入变量；
S3252、利用溯因推理网络输出故障类型的事件链和对应溯因推理规则集；
S3253、根据溯因推理规则集找到与故障类型具有因果关系的所有故障事件，组成待验证事件集合；
S3254、遍历待验证事件集合中的故障事件和对应的因果规则，若故障事件缺失，则利用断点识别算法判断此处是否存在断点；
S3255、判断故障事件是否满足待验证事件集合的时间一致性，并利用例外故障识别算法对故障事件的故障类型进行识别并输出。
8.一种用于医疗器械的远程故障处理系统，用于实现权利要求1-7中任一项所述的用于医疗器械的远程故障处理方法，其特征在于，该故障处理系统包括易发故障点识别模块、潜在故障点识别模块、控制措施制定模块、数据传输模块、远程指导模块及发送指令模块；
所述易发故障点识别模块与所述潜在故障点识别模块连接，所述潜在故障点识别模块与所述控制措施制定模块连接，所述控制措施制定模块与所述数据传输模块连接，所述数据传输模块与所述远程指导模块连接，所述远程指导模块与所述发送指令模块连接；
所述易发故障点识别模块，用于收集医疗器械的历史故障参数，并对故障等级划分，将故障发生频率高的部件作为易发故障点；
所述潜在故障点识别模块，用于利用数字孪生技术模拟医疗器械在极限条件下的运行状态，识别出潜在故障点；
所述控制措施制定模块，用于构建故障预测模型和故障监测模型，并基于易发故障点及潜在故障点的故障预测结果制定应急控制措施；
所述数据传输模块，用于将故障数据和运行数据进行实时上传和共享；
所述远程指导模块，用于若故障监测模型检测出故障信号，确定故障根源并结合应急控制措施提供远程故障诊断和维修指导；
所述发送指令模块，用于根据诊断结果和维修指导实施限制控制及安全停机，并发送相应的维修指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311299474.6A CN117038048B (zh) | 2023-10-09 | 2023-10-09 | 一种用于医疗器械的远程故障处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311299474.6A CN117038048B (zh) | 2023-10-09 | 2023-10-09 | 一种用于医疗器械的远程故障处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117038048A true CN117038048A (zh) | 2023-11-10 |
| CN117038048B CN117038048B (zh) | 2023-12-26 |
Family
ID=88641674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311299474.6A Active CN117038048B (zh) | 2023-10-09 | 2023-10-09 | 一种用于医疗器械的远程故障处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117038048B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118380123A (zh) * | 2024-06-13 | 2024-07-23 | 浙江辰和医疗设备有限公司 | 一种医疗器械追溯方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103246801A (zh) * | 2013-03-04 | 2013-08-14 | 北京工业大学 | 一种基于改进案例推理的竖炉炉况故障预报方法 |
| EP2837984A2 (en) * | 2013-08-05 | 2015-02-18 | Uptime Engineering GmbH | Process to optimize the maintenance of technical systems |
| CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
| WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
| CN113639842A (zh) * | 2021-08-25 | 2021-11-12 | 江苏邮创达安全科技有限公司 | 一种基于5g的远程设备故障诊断方法及系统 |
| CN114021400A (zh) * | 2021-09-23 | 2022-02-08 | 中铁第一勘察设计院集团有限公司 | 基于数字孪生的受电弓监控运维系统 |
| CN114897271A (zh) * | 2022-06-14 | 2022-08-12 | 郑州轻工业大学 | 数字孪生环境下基于故障传播的中央空调预测性维护方法 |
| CN116184293A (zh) * | 2023-03-01 | 2023-05-30 | 深圳市中科恒辉科技有限公司 | 一种基于数字孪生锂电池系统的故障诊断方法及报警系统 |
-
2023
- 2023-10-09 CN CN202311299474.6A patent/CN117038048B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103246801A (zh) * | 2013-03-04 | 2013-08-14 | 北京工业大学 | 一种基于改进案例推理的竖炉炉况故障预报方法 |
| EP2837984A2 (en) * | 2013-08-05 | 2015-02-18 | Uptime Engineering GmbH | Process to optimize the maintenance of technical systems |
| WO2021218003A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国电子科技集团公司第十四研究所 | 一种雷达嵌入式健康管理系统 |
| CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 |
| CN113639842A (zh) * | 2021-08-25 | 2021-11-12 | 江苏邮创达安全科技有限公司 | 一种基于5g的远程设备故障诊断方法及系统 |
| CN114021400A (zh) * | 2021-09-23 | 2022-02-08 | 中铁第一勘察设计院集团有限公司 | 基于数字孪生的受电弓监控运维系统 |
| CN114897271A (zh) * | 2022-06-14 | 2022-08-12 | 郑州轻工业大学 | 数字孪生环境下基于故障传播的中央空调预测性维护方法 |
| CN116184293A (zh) * | 2023-03-01 | 2023-05-30 | 深圳市中科恒辉科技有限公司 | 一种基于数字孪生锂电池系统的故障诊断方法及报警系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118380123A (zh) * | 2024-06-13 | 2024-07-23 | 浙江辰和医疗设备有限公司 | 一种医疗器械追溯方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117038048B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116320832B (zh) | 一种监控设备故障监测方法及装置 | |
| CN117038048B (zh) | 一种用于医疗器械的远程故障处理方法及系统 | |
| CN108803569A (zh) | 电站锅炉诊断专家系统及其故障诊断方法 | |
| CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
| CN117455242A (zh) | 一种基于数字孪生的水利管理系统 | |
| CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及系统 | |
| CN118395358B (zh) | 一种变电站智能防误拓扑分析方法 | |
| 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 | |
| CN118430092B (zh) | 一种基于mcc系统的数据通用采集方法 | |
| CN117176560A (zh) | 一种基于物联网的监测设备监管系统及其方法 | |
| CN117391459B (zh) | 基于深度学习的电力运行风险预警方法及系统 | |
| CN113763667A (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
| CN117289659A (zh) | 一种电厂集控运行智能自动监控系统 | |
| CN117289085A (zh) | 一种多线路故障分析诊断方法及系统 | |
| CN114519382A (zh) | 一种核动力装置关键运行参数提取与异常监测方法 | |
| CN117791876A (zh) | 变电设备运行状态监测方法及异常管控系统 | |
| CN112363432A (zh) | 一种水电站辅助设备的监测系统及监测方法 | |
| CN117560300B (zh) | 一种智能物联网流量预测与优化系统 | |
| CN118115296A (zh) | 基于多源融合理赔申报的电力设备数据采集分析检测平台 | |
| CN114400776A (zh) | 基于数字镜像的变电站自动化设备状态诊断方法和系统 | |
| CN117435883A (zh) | 一种基于数字孪生的设备故障预测的方法和系统 | |
| CN111382946B (zh) | 设备健康状态的自主评估方法、系统及工业互联网设备 | |
| CN118445170B (zh) | 一种基于物联网的智能防误系统 | |
| CN118432710B (zh) | 一种光纤通信链路故障上报的方法 | |
| CN117589444B (zh) | 一种基于联邦学习的风力发电机齿轮箱故障诊断方法 |
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 |