CN117436849A - 基于大数据技术的医疗器械维修处理方法及系统 - Google Patents
基于大数据技术的医疗器械维修处理方法及系统 Download PDFInfo
- Publication number
- CN117436849A CN117436849A CN202311773733.4A CN202311773733A CN117436849A CN 117436849 A CN117436849 A CN 117436849A CN 202311773733 A CN202311773733 A CN 202311773733A CN 117436849 A CN117436849 A CN 117436849A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- adopting
- report
- fault
- scheme
- 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.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 263
- 238000005516 engineering process Methods 0.000 title claims abstract description 75
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 111
- 238000011156 evaluation Methods 0.000 claims abstract description 89
- 238000003745 diagnosis Methods 0.000 claims abstract description 60
- 238000004088 simulation Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000006872 improvement Effects 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000002787 reinforcement Effects 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 59
- 238000012544 monitoring process Methods 0.000 claims description 52
- 238000005457 optimization Methods 0.000 claims description 48
- 238000013461 design Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 28
- 238000003066 decision tree Methods 0.000 claims description 26
- 230000000694 effects Effects 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000007726 management method Methods 0.000 claims description 16
- 238000011161 development Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000010223 real-time analysis Methods 0.000 claims description 6
- 238000002922 simulated annealing Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000012407 engineering method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 claims description 2
- 230000008520 organization Effects 0.000 abstract description 4
- 238000011418 maintenance treatment Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000008439 repair process Effects 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 238000013439 planning Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000011343 solid material Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
Abstract
本发明涉及医疗信息技术领域，具体为基于大数据技术的医疗器械维修处理方法及系统，包括以下步骤，基于高级计算机视觉技术，采用深度学习算法，进行故障模拟、故障诊断分析，生成虚拟故障诊断报告。本发明中，通过高级计算机视觉技术和深度学习算法进行故障模拟和诊断，能够更准确地识别故障类型和原因，定制化维修方案的生成，提高维修工作的组织性和预测性。强化学习算法结合模拟环境的使用，使得实操练习评估更为高效，有效提升维修技术人员的技能和操作熟练度。维修后的性能评估报告能够全面分析器械的性能提升、能效和可靠性，确保了维修工作的高质量标准。提供更全面、高效、精确地维修处理流程，显著提升了医疗器械维修的质量和效率。
Description
技术领域
本发明涉及医疗信息技术领域，尤其涉及基于大数据技术的医疗器械维修处理方法及系统。
背景技术
医疗信息技术是在医疗领域应用信息技术、计算机科学和通信技术的领域。包括电子病历、医疗信息系统、健康信息交流等方面的技术应用。医疗信息技术的目标是提高医疗服务的效率、质量和可及性，促进医疗决策的科学性和精确性。
其中，基于大数据技术的医疗器械维修处理方法是一种利用大数据技术优化医疗器械维修处理的方法。通过收集、分析和应用大规模的医疗器械数据，以提高维修效率、降低成本、增强设备可靠性，主要目的是提高维修效率、降低维修成本、增强设备可靠性，通常会利用到数据采集与存储、数据分析与挖掘、预测性维护、信息共享与协同等手段达到相应效果。
传统维修方法在故障诊断方面依赖于技术人员的经验和直观判断，缺乏精确的数据支持，导致诊断不准确或效率低下。缺乏定制化的维修方案，导致维修过程中的资源和时间没有得到最优配置，降低工作效率。传统方法在技能提升方面依赖于现场实操或传统培训，限制技术人员学习和进步的速度。现有方法在维修完成后缺乏全面地性能评估，无法有效地评估维修工作的整体质量。难以满足现代高标准的医疗器械维修需求。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的基于大数据技术的医疗器械维修处理方法及系统。
为了实现上述目的，本发明采用了如下技术方案：基于大数据技术的医疗器械维修处理方法，包括以下步骤，
S1：基于高级计算机视觉技术，采用深度学习算法，进行故障模拟、故障诊断分析，生成虚拟故障诊断报告；
S2：基于所述虚拟故障诊断报告，采用决策树算法，进行维修方案设计、优化，生成定制化维修方案；
S3：基于所述定制化维修方案，采用强化学习算法结合模拟环境交互，进行实操练习评估，生成技能提升记录；
S4：基于所述技能提升记录，采用实时通讯技术，进行远程协助接口开发，进行交互式指导，生成远程协助系统；
S5：基于所述远程协助系统，采用边缘计算方法，监控维修过程，进行状态实时分析，生成维修实时监控报告；
S6：基于所述维修实时监控报告，采用自适应调整算法，优化维修计划，进行策略自动调整，生成优化后维修计划；
S7：基于所述优化后维修计划，采用效能分析方法，进行性能评估、能效管理，生成维修后性能评估报告；
所述虚拟故障诊断报告具体包括故障类型、故障原因、维修措施建议，所述定制化维修方案包括维修步骤、所需工具配件、预期维修时间，所述技能提升记录具体包括维修技能提升程度、操作熟练度、错误率降低情况，所述远程协助系统包括实时视频通讯、指导信息交互、远程操作指令传输，所述维修实时监控报告具体包括维修进度、维修质量、风险点，所述优化后维修计划具体包括实时反馈调整的维修步骤、时间、资源配置，所述维修后性能评估报告包括器械性能提升情况、能效比较、可靠性分析。
作为本发明的进一步方案，基于高级计算机视觉技术，采用深度学习算法，进行故障模拟、故障诊断分析，生成虚拟故障诊断报告的具体步骤为，
S101：基于高级计算机视觉技术，采用CNN进行图像处理与特征提取，生成故障特征数据集；
S102：基于所述故障特征数据集，采用RNN进行故障模拟，生成故障发展预测报告；
S103：基于所述故障发展预测报告，采用LSTM分析故障原因，生成故障原因分析报告；
S104：基于所述故障特征数据集、故障原因分析报告，采用GAN技术，生成虚拟故障诊断报告。
作为本发明的进一步方案，基于所述虚拟故障诊断报告，采用决策树算法，进行维修方案设计、优化，生成定制化维修方案的具体步骤为，
S201：基于所述虚拟故障诊断报告，采用分类决策树算法分析故障类型，生成故障类型分类结果；
S202：基于所述故障类型分类结果，采用随机森林算法，生成初步维修方案集；
S203：基于所述初步维修方案集，采用GBT算法进行效果预测、成本评估，生成方案效果与成本评估报告；
S204：基于所述方案效果与成本评估报告，采用逻辑回归算法进行方案优化，生成定制化维修方案。
作为本发明的进一步方案，基于所述定制化维修方案，采用强化学习算法结合模拟环境交互，进行实操练习评估，生成技能提升记录的具体步骤为，
S301：基于所述定制化维修方案，采用Q学习算法，生成初步决策模型；
S302：基于所述初步决策模型，采用深度Q网络，结合模拟环境进行实操模拟，生成实操模拟数据；
S303：基于所述实操模拟数据，采用策略梯度算法进行策略优化，生成优化后决策策略；
S304：基于所述优化后决策策略，采用MCTS进行深入分析，生成技能提升记录。
作为本发明的进一步方案，基于所述技能提升记录，采用实时通讯技术，进行远程协助接口开发，进行交互式指导，生成远程协助系统的具体步骤为，
S401：基于所述技能提升记录，采用WebRTC技术进行实时通讯基础建设，生成远程通讯基础框架；
S402：基于所述远程通讯基础框架，采用RESTful API进行系统接口设计，生成系统接口设计文档；
S403：基于所述系统接口设计文档，采用Socket编程技术，生成数据传输与管理模块；
S404：基于所述数据传输与管理模块，采用MVC架构模式进行完善，生成远程协助系统。
作为本发明的进一步方案，基于所述远程协助系统，采用边缘计算方法，监控维修过程，进行状态实时分析，生成维修实时监控报告的具体步骤为，
S501：基于所述远程协助系统，部署边缘计算节点，采用数据流处理算法进行初步数据处理，生成初步处理数据；
S502：基于所述初步处理数据，采用ARIMA模型，进行趋势、异常分析，生成趋势分析报告；
S503：基于所述趋势分析报告，采用支持向量机SVM，进行状态分类、识别，生成状态分类结果；
S504：基于所述状态分类结果，采用D3.js技术，生成维修实时监控报告。
作为本发明的进一步方案，基于所述维修实时监控报告，采用自适应调整算法，优化维修计划，进行策略自动调整，生成优化后维修计划的具体步骤为，
S601：基于所述维修实时监控报告，采用决策树算法进行问题诊断，生成问题诊断结果；
S602：基于所述问题诊断结果，采用遗传算法进行维修策略初步优化，生成初步优化方案；
S603：基于所述初步优化方案，采用模拟退火算法，生成微调后优化方案；
S604：基于所述微调后优化方案，采用动态规划算法确保方案实施效率、可行性，生成优化后维修计划。
作为本发明的进一步方案，基于所述优化后维修计划，采用效能分析方法，进行性能评估、能效管理，生成维修后性能评估报告的具体步骤为，
S701：基于所述优化后维修计划，采用关联规则学习技术，生成性能指标数据集；
S702：基于所述性能指标数据集，采用多变量统计分析方法，生成综合性能评估结果；
S703：基于所述综合性能评估结果，采用数据包络分析DEA算法，生成能效比较报告；
S704：基于所述能效比较报告，采用自动报告生成工具，整合分析结果，生成维修后性能评估报告。
基于大数据技术的医疗器械维修处理系统，所述系统包括故障诊断模块、维修方案模块、实操评估模块、远程协助模块、监控报告模块、方案优化模块、性能评估模块、系统整合模块。
作为本发明的进一步方案，所述故障诊断模块基于高级计算机视觉技术，采用卷积神经网络进行图像处理与特征提取，生成故障特征数据集；
所述维修方案模块基于故障特征数据集，采用分类决策树算法分析故障类型，生成维修设计方案；
所述实操评估模块基于维修方案设计，采用强化学习算法Q学习，进行实操练习评估，生成技能提升记录；
所述远程协助模块基于技能提升记录，采用实时通讯技术WebRTC进行远程协助接口开发，生成远程协助系统；
所述监控报告模块基于远程协助系统，采用边缘计算方法监控维修过程，生成维修实时监控报告；
所述方案优化模块基于维修实时监控报告，采用自适应调整算法优化维修计划，生成优化后维修计划；
所述性能评估模块基于优化后维修计划，采用效能分析方法进行性能评估，生成性能评估报告；
所述系统整合模块基于故障特征数据集、维修设计方案、技能提升记录、远程协助系统、维修实时监控报告、优化后维修计划、性能评估报告，采用系统工程方法进行整体优化与协调，生成维修后性能评估报告。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过高级计算机视觉技术和深度学习算法进行故障模拟和诊断，能够更准确地识别故障类型和原因，从而提高维修效率和准确性。定制化维修方案的生成，包括维修步骤、所需工具配件和预期时间的具体规划，大大提高了维修工作的组织性和预测性。强化学习算法结合模拟环境的使用，使得实操练习评估更为高效，有效提升维修技术人员的技能和操作熟练度。维修实时监控报告提供对维修进程的深入洞察，允许及时调整策略，从而优化维修计划。维修后的性能评估报告能够全面分析器械的性能提升、能效和可靠性，确保了维修工作的高质量标准。提供更全面、高效、精确地维修处理流程，显著提升了医疗器械维修的质量和效率。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的S1细化流程图；
图3为本发明的S2细化流程图；
图4为本发明的S3细化流程图；
图5为本发明的S4细化流程图；
图6为本发明的S5细化流程图；
图7为本发明的S6细化流程图；
图8为本发明的S7细化流程图；
图9为本发明的系统流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
请参阅图1，本发明提供一种技术方案：基于大数据技术的医疗器械维修处理方法，包括以下步骤，
S1：基于高级计算机视觉技术，采用深度学习算法，进行故障模拟、故障诊断分析，生成虚拟故障诊断报告；
S2：基于虚拟故障诊断报告，采用决策树算法，进行维修方案设计、优化，生成定制化维修方案；
S3：基于定制化维修方案，采用强化学习算法结合模拟环境交互，进行实操练习评估，生成技能提升记录；
S4：基于技能提升记录，采用实时通讯技术，进行远程协助接口开发，进行交互式指导，生成远程协助系统；
S5：基于远程协助系统，采用边缘计算方法，监控维修过程，进行状态实时分析，生成维修实时监控报告；
S6：基于维修实时监控报告，采用自适应调整算法，优化维修计划，进行策略自动调整，生成优化后维修计划；
S7：基于优化后维修计划，采用效能分析方法，进行性能评估、能效管理，生成维修后性能评估报告；
虚拟故障诊断报告具体包括故障类型、故障原因、维修措施建议，定制化维修方案包括维修步骤、所需工具配件、预期维修时间，技能提升记录具体包括维修技能提升程度、操作熟练度、错误率降低情况，远程协助系统包括实时视频通讯、指导信息交互、远程操作指令传输，维修实时监控报告具体包括维修进度、维修质量、风险点，优化后维修计划具体包括实时反馈调整的维修步骤、时间、资源配置，维修后性能评估报告包括器械性能提升情况、能效比较、可靠性分析。
该方法通过高级计算机视觉技术和深度学习算法进行故障模拟和诊断，能够更准确地识别故障类型和原因，从而提高维修效率和准确性。定制化维修方案的生成，包括维修步骤、所需工具配件和预期时间的具体规划，大大提高了维修工作的组织性和预测性。强化学习算法结合模拟环境的使用，使得实操练习评估更为高效，有效提升维修技术人员的技能和操作熟练度。远程协助系统的引入，不仅增强了交互性，还使得远程教学和指导成为可能，进一步提高维修效率。维修实时监控报告提供了对维修进程的深入洞察，允许及时调整策略，从而优化维修计划。维修后的性能评估报告能够全面分析器械的性能提升、能效和可靠性，确保了维修工作的高质量标准。通过大数据技术的应用，能够实现对大量医疗器械数据的分析和挖掘，为医疗器械的研发、改进和优化提供有力支持。远程协助系统和实时监控报告等技术手段的应用，能够提高维修人员之间的协作效率和信息共享能力，进一步提升整个维修团队的综合竞争力。
请参阅图2，基于高级计算机视觉技术，采用深度学习算法，进行故障模拟、故障诊断分析，生成虚拟故障诊断报告的具体步骤为，
S101：基于高级计算机视觉技术，采用CNN进行图像处理与特征提取，生成故障特征数据集；
S102：基于故障特征数据集，采用RNN进行故障模拟，生成故障发展预测报告；
S103：基于故障发展预测报告，采用LSTM分析故障原因，生成故障原因分析报告；
S104：基于故障特征数据集、故障原因分析报告，采用GAN技术，生成虚拟故障诊断报告。
在步骤S101中，使用CNN（卷积神经网络）对医疗器械的图像进行处理和特征提取。通过CNN的卷积层、池化层和全连接层等网络结构，将输入的图像数据转化为高维的特征向量，形成故障特征数据集。
在步骤S102中，利用RNN（循环神经网络）对故障特征数据集进行故障模拟。RNN能够处理序列数据，根据已有的故障特征数据预测故障的发展过程，并生成故障发展预测报告。该报告可以包括故障的发展趋势、可能的影响以及可能的维修方案等信息。
在步骤S103中，使用LSTM（长短期记忆网络）对故障发展预测报告中的故障原因进行分析。LSTM是一种特殊类型的RNN，具有记忆能力，能够捕捉长期依赖关系。通过对故障发展预测报告的分析，LSTM可以识别出导致故障发生的主要原因，并生成故障原因分析报告。
在步骤S104中，利用GAN（生成对抗网络）技术结合故障特征数据集和故障原因分析报告，生成虚拟故障诊断报告。GAN由生成器和判别器组成，生成器负责生成虚拟的故障诊断报告，判别器则评估生成的报告与真实报告的差异。通过不断迭代训练生成器和判别器的过程，最终可以得到一个能够生成高质量的虚拟故障诊断报告的模型。
请参阅图3，基于虚拟故障诊断报告，采用决策树算法，进行维修方案设计、优化，生成定制化维修方案的具体步骤为，
S201：基于虚拟故障诊断报告，采用分类决策树算法分析故障类型，生成故障类型分类结果；
S202：基于故障类型分类结果，采用随机森林算法，生成初步维修方案集；
S203：基于初步维修方案集，采用GBT算法进行效果预测、成本评估，生成方案效果与成本评估报告；
S204：基于方案效果与成本评估报告，采用逻辑回归算法进行方案优化，生成定制化维修方案。
在步骤S201中，使用分类决策树算法对虚拟故障诊断报告中的故障类型进行分析。根据故障特征数据集和故障原因分析报告，构建一个决策树模型，该模型能够将输入的故障数据映射到相应的故障类型上。通过训练决策树模型并应用到虚拟故障诊断报告中的数据，可以得到故障类型的分类结果。
在步骤S202中，利用随机森林算法生成初步维修方案集。随机森林是一种集成学习算法，由多个决策树组成。通过对故障类型分类结果的分析，可以确定不同的维修策略和方案。随机森林算法可以根据训练数据中的样本特征和标签，生成多个决策树，并通过投票或平均的方式得到最终的维修方案集。
在步骤S203中，使用GBT（梯度提升树）算法对初步维修方案集进行效果预测和成本评估。GBT是一种集成学习算法，通过迭代地训练一系列的弱学习器（通常是决策树），组合成一个强学习器。通过对初步维修方案中的每个方案进行效果预测和成本评估，可以得到每个方案的效果指标和成本指标。
在步骤S204中，利用逻辑回归算法对方案效果与成本评估报告进行方案优化，生成定制化维修方案。逻辑回归是一种监督学习算法，用于解决二分类问题。通过对方案效果与成本评估报告中的效果指标和成本指标进行逻辑回归分析，可以得到不同方案之间的优先级和选择依据。根据分析结果，可以选择最优的维修方案作为定制化维修方案。
请参阅图4，基于定制化维修方案，采用强化学习算法结合模拟环境交互，进行实操练习评估，生成技能提升记录的具体步骤为，
S301：基于定制化维修方案，采用Q学习算法，生成初步决策模型；
S302：基于初步决策模型，采用深度Q网络，结合模拟环境进行实操模拟，生成实操模拟数据；
S303：基于实操模拟数据，采用策略梯度算法进行策略优化，生成优化后决策策略；
S304：基于优化后决策策略，采用MCTS进行深入分析，生成技能提升记录。
在步骤S301中，使用Q学习算法生成初步决策模型。Q学习是一种基于值函数的强化学习算法，通过学习一个动作-值函数Q(s,a）来选择最优的动作。根据定制化维修方案中的操作步骤和要求，构建一个Q学习模型，该模型能够根据当前状态选择一个最优的动作。
在步骤S302中，利用深度Q网络（DQN）结合模拟环境进行实操模拟，生成实操模拟数据。DQN是一种结合深度学习和Q学习的算法，通过将神经网络作为价值函数的近似器来提高Q学习的性能。将初步决策模型应用到模拟环境中，进行实操模拟并记录下每个时刻的状态、动作和奖励信息，生成实操模拟数据。
在步骤S303中，使用策略梯度算法对实操模拟数据进行策略优化，生成优化后决策策略。策略梯度算法是一种直接优化策略的方法，它通过计算策略的梯度并更新策略参数来实现策略的优化。根据实操模拟数据中的奖励信息和状态转移信息，使用策略梯度算法对初步决策模型进行优化，得到一个更加准确和高效的决策策略。
在步骤S304中，利用MCTS（蒙特卡洛树搜索）对优化后决策策略进行深入分析，生成技能提升记录。MCTS是一种搜索算法，它结合了蒙特卡洛方法和树搜索算法的特点。通过对优化后决策策略进行多次模拟和搜索，可以得到每个动作的价值函数和最优的动作序列等信息。根据这些信息，可以生成一份详细的技能提升记录，用于评估维修技术人员的技能水平和进步情况。
请参阅图5，基于技能提升记录，采用实时通讯技术，进行远程协助接口开发，进行交互式指导，生成远程协助系统的具体步骤为，
S401：基于技能提升记录，采用WebRTC技术进行实时通讯基础建设，生成远程通讯基础框架；
S402：基于远程通讯基础框架，采用RESTful API进行系统接口设计，生成系统接口设计文档；
S403：基于系统接口设计文档，采用Socket编程技术，生成数据传输与管理模块；
S404：基于数据传输与管理模块，采用MVC架构模式进行完善，生成远程协助系统。
在步骤S401中，使用WebRTC技术进行实时通讯基础建设，生成远程通讯基础框架。WebRTC是一种实现浏览器之间点对点实时通信的技术，提供了音视频通话、数据传输等功能。通过WebRTC技术，可以建立一个稳定和高效的远程通讯基础框架，为后续的远程协助系统提供支持。
在步骤S402中，基于远程通讯基础框架，采用RESTful API进行系统接口设计，生成系统接口设计文档。RESTful API是一种基于HTTP协议的API设计风格，使用统一的资源标识符来对接口进行描述和管理。根据系统的需求和功能，设计相应的接口，并编写详细的接口文档，包括接口的URL、请求方法、参数说明等。
在步骤S403中，基于系统接口设计文档，采用Socket编程技术生成数据传输与管理模块。Socket编程是一种基于网络通讯的程序设计技术，可以实现不同计算机之间的数据交互和传输。根据接口设计文档中定义的接口和数据格式，使用Socket编程技术实现数据的发送、接收和管理等功能。
在步骤S404中，基于数据传输与管理模块，采用MVC架构模式进行完善，生成远程协助系统。MVC（Model-View-Controller）是一种常用的软件架构模式，它将应用程序分为模型、视图和控制器三个部分。通过将数据传输与管理模块与视图和控制器进行整合和优化，可以构建一个完整的远程协助系统。该系统可以实现维修技术人员与专家之间的实时交流、指导和操作共享等功能。
请参阅图6，基于远程协助系统，采用边缘计算方法，监控维修过程，进行状态实时分析，生成维修实时监控报告的具体步骤为，
S501：基于远程协助系统，部署边缘计算节点，采用数据流处理算法进行初步数据处理，生成初步处理数据；
S502：基于初步处理数据，采用ARIMA模型，进行趋势、异常分析，生成趋势分析报告；
S503：基于趋势分析报告，采用支持向量机SVM，进行状态分类、识别，生成状态分类结果；
S504：基于状态分类结果，采用D3.js技术，生成维修实时监控报告。
在步骤S501中，部署边缘计算节点并采用数据流处理算法对初步数据处理。边缘计算是一种将计算资源和存储资源部署到网络边缘的计算模式，可以降低数据传输延迟和带宽消耗。通过在远程协助系统中部署边缘计算节点，可以将维修过程中产生的数据进行实时处理和分析。使用数据流处理算法对初步数据进行处理，生成初步处理数据。
在步骤S502中，基于初步处理数据，采用ARIMA模型进行趋势分析和异常检测，生成趋势分析报告。ARIMA模型是一种常用的时间序列预测模型，可以用于分析和预测数据的趋势和季节性变化。根据初步处理数据中的时序特征，使用ARIMA模型进行趋势分析和异常检测，得到趋势分析报告。
在步骤S503中，基于趋势分析报告，采用支持向量机（SVM）进行状态分类和识别，生成状态分类结果。SVM是一种常用的机器学习算法，可以用于分类和回归问题。根据趋势分析报告中的趋势信息和异常情况，使用SVM算法对维修过程的状态进行分类和识别，得到状态分类结果。
在步骤S504中，基于状态分类结果，采用D3.js技术生成维修实时监控报告。D3.js是一种基于JavaScript的数据可视化库，可以用于创建交互式和动态的数据可视化图表。根据状态分类结果，使用D3.js技术生成维修实时监控报告，包括各种指标的实时展示、趋势图、异常警报等内容。
请参阅图7，基于维修实时监控报告，采用自适应调整算法，优化维修计划，进行策略自动调整，生成优化后维修计划的具体步骤为，
S601：基于维修实时监控报告，采用决策树算法进行问题诊断，生成问题诊断结果；
S602：基于问题诊断结果，采用遗传算法进行维修策略初步优化，生成初步优化方案；
S603：基于初步优化方案，采用模拟退火算法，生成微调后优化方案；
S604：基于微调后优化方案，采用动态规划算法确保方案实施效率、可行性，生成优化后维修计划。
在步骤S601中，使用决策树算法对维修实时监控报告进行问题诊断，生成问题诊断结果。决策树算法是一种常用的机器学习算法，可以用于分类和回归问题。根据维修实时监控报告中的数据和指标，构建一个决策树模型，该模型能够根据当前状态判断出可能存在的问题，并给出相应的诊断结果。
在步骤S602中，基于问题诊断结果，使用遗传算法对维修策略进行初步优化，生成初步优化方案。遗传算法是一种模拟自然选择和遗传机制的优化算法，它通过交叉、变异和选择等操作来搜索最优解。根据问题诊断结果中的问题和优先级，使用遗传算法对维修策略进行初步优化，得到一个初步的优化方案。
在步骤S603中，基于初步优化方案，使用模拟退火算法进行微调，生成微调后优化方案。模拟退火算法是一种启发式的搜索算法，模拟固体材料退火过程中的能量变化来进行全局优化。根据初步优化方案中的参数和约束条件，使用模拟退火算法进行微调，得到一个更加精确和高效的微调后优化方案。
在步骤S604中，基于微调后优化方案，使用动态规划算法确保方案的实施效率和可行性，生成优化后维修计划。动态规划是一种用于解决最优化问题的数学方法，通过将问题分解为子问题并记录子问题的解来实现。根据微调后优化方案中的参数和约束条件，使用动态规划算法对方案进行评估和优化，确保其实施效率和可行性，最终生成一个优化后的维修计划。
请参阅图8，基于优化后维修计划，采用效能分析方法，进行性能评估、能效管理，生成维修后性能评估报告的具体步骤为，
S701：基于优化后维修计划，采用关联规则学习技术，生成性能指标数据集；
S702：基于性能指标数据集，采用多变量统计分析方法，生成综合性能评估结果；
S703：基于综合性能评估结果，采用数据包络分析DEA算法，生成能效比较报告；
S704：基于能效比较报告，采用自动报告生成工具，整合分析结果，生成维修后性能评估报告。
在步骤S701中，使用关联规则学习技术生成性能指标数据集。关联规则学习是一种挖掘频繁项集和关联规则的机器学习算法，可以帮助发现数据中的隐藏模式和关联关系。根据优化后维修计划中的维修项目和参数，使用关联规则学习技术生成一个包含性能指标的数据集。
在步骤S702中，使用多变量统计分析方法对性能指标数据集进行综合性能评估，生成综合性能评估结果。多变量统计分析是一种用于处理多个相关变量的分析方法，帮助理解变量之间的关系和影响。根据性能指标数据集中的指标和权重，使用多变量统计分析方法对维修后的性能进行综合评估，得到一个综合性能评估结果。
在步骤S703中，使用数据包络分析（DEA）算法对综合性能评估结果进行能效比较，生成能效比较报告。DEA算法是一种用于评价决策单元（DMU）相对效率的非参数方法，通过比较不同DMU的输入输出关系来评估其相对效率。根据综合性能评估结果中的指标和权重，使用DEA算法对不同维修方案或不同时间段的维修效果进行能效比较，生成一个能效比较报告。
在步骤S704中，使用自动报告生成工具整合分析结果，生成维修后性能评估报告。自动报告生成工具可以根据预设的模板和格式将分析结果整合为一份完整的报告。根据能效比较报告和其他分析结果，使用自动报告生成工具生成一份维修后性能评估报告，该报告可以包括维修效果、能效比较、问题诊断等内容。
请参阅图9，基于大数据技术的医疗器械维修处理系统，系统包括故障诊断模块、维修方案模块、实操评估模块、远程协助模块、监控报告模块、方案优化模块、性能评估模块、系统整合模块。
故障诊断模块基于高级计算机视觉技术，采用卷积神经网络进行图像处理与特征提取，生成故障特征数据集；
维修方案模块基于故障特征数据集，采用分类决策树算法分析故障类型，生成维修设计方案；
实操评估模块基于维修方案设计，采用强化学习算法Q学习，进行实操练习评估，生成技能提升记录；
远程协助模块基于技能提升记录，采用实时通讯技术WebRTC进行远程协助接口开发，生成远程协助系统；
监控报告模块基于远程协助系统，采用边缘计算方法监控维修过程，生成维修实时监控报告；
方案优化模块基于维修实时监控报告，采用自适应调整算法优化维修计划，生成优化后维修计划；
性能评估模块基于优化后维修计划，采用效能分析方法进行性能评估，生成性能评估报告；
系统整合模块基于故障特征数据集、维修设计方案、技能提升记录、远程协助系统、维修实时监控报告、优化后维修计划、性能评估报告，采用系统工程方法进行整体优化与协调，生成维修后性能评估报告。
故障诊断模块利用高级计算机视觉技术和卷积神经网络进行图像处理与特征提取，能够准确识别和定位故障特征，提高故障诊断的准确性和效率。
维修方案模块通过分类决策树算法分析故障类型，生成相应的维修设计方案，为维修人员提供具体的操作步骤和工具需求，提高了维修过程的规划性和组织性。
实操评估模块采用强化学习算法Q学习对维修方案进行实操练习评估，生成技能提升记录。通过不断实践和反馈，维修人员能够不断提升自己的技术水平和操作能力。
远程协助模块利用实时通讯技术WebRTC开发远程协助接口，实现维修人员的远程指导和教学，提高了维修效率和可操作性。
监控报告模块采用边缘计算方法监控维修过程，生成维修实时监控报告。通过对维修过程的实时监测和分析，可以及时发现问题并进行调整，提高维修质量和安全性。
方案优化模块根据维修实时监控报告，采用自适应调整算法优化维修计划，生成优化后维修计划。通过不断优化和调整，可以提高维修效率和减少资源浪费。
性能评估模块采用效能分析方法对优化后维修计划进行性能评估，生成性能评估报告。通过对维修后的性能进行评估，可以全面了解维修方案的有效性和可行性。
系统整合模块将故障特征数据集、维修设计方案、技能提升记录、远程协助系统、维修实时监控报告、优化后维修计划、性能评估报告等整合起来，采用系统工程方法进行整体优化与协调，生成综合的维修后性能评估报告。有助于全面评估整个维修过程的效果和质量，并为后续的改进提供参考依据。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (10)
1.基于大数据技术的医疗器械维修处理方法，其特征在于，包括以下步骤，
基于高级计算机视觉技术，采用深度学习算法，进行故障模拟、故障诊断分析，生成虚拟故障诊断报告；
基于所述虚拟故障诊断报告，采用决策树算法，进行维修方案设计、优化，生成定制化维修方案；
基于所述定制化维修方案，采用强化学习算法结合模拟环境交互，进行实操练习评估，生成技能提升记录；
基于所述技能提升记录，采用实时通讯技术，进行远程协助接口开发，进行交互式指导，生成远程协助系统；
基于所述远程协助系统，采用边缘计算方法，监控维修过程，进行状态实时分析，生成维修实时监控报告；
基于所述维修实时监控报告，采用自适应调整算法，优化维修计划，进行策略自动调整，生成优化后维修计划；
基于所述优化后维修计划，采用效能分析方法，进行性能评估、能效管理，生成维修后性能评估报告；
所述虚拟故障诊断报告具体包括故障类型、故障原因、维修措施建议，所述定制化维修方案包括维修步骤、所需工具配件、预期维修时间，所述技能提升记录具体包括维修技能提升程度、操作熟练度、错误率降低情况，所述远程协助系统包括实时视频通讯、指导信息交互、远程操作指令传输，所述维修实时监控报告具体包括维修进度、维修质量、风险点，所述优化后维修计划具体包括实时反馈调整的维修步骤、时间、资源配置，所述维修后性能评估报告包括器械性能提升情况、能效比较、可靠性分析。
2.根据权利要求1所述的基于大数据技术的医疗器械维修处理方法，其特征在于，基于高级计算机视觉技术，采用深度学习算法，进行故障模拟、故障诊断分析，生成虚拟故障诊断报告的具体步骤为，
基于高级计算机视觉技术，采用CNN进行图像处理与特征提取，生成故障特征数据集；
基于所述故障特征数据集，采用RNN进行故障模拟，生成故障发展预测报告；
基于所述故障发展预测报告，采用LSTM分析故障原因，生成故障原因分析报告；
基于所述故障特征数据集、故障原因分析报告，采用GAN技术，生成虚拟故障诊断报告。
3.根据权利要求1所述的基于大数据技术的医疗器械维修处理方法，其特征在于，基于所述虚拟故障诊断报告，采用决策树算法，进行维修方案设计、优化，生成定制化维修方案的具体步骤为，
基于所述虚拟故障诊断报告，采用分类决策树算法分析故障类型，生成故障类型分类结果；
基于所述故障类型分类结果，采用随机森林算法，生成初步维修方案集；
基于所述初步维修方案集，采用GBT算法进行效果预测、成本评估，生成方案效果与成本评估报告；
基于所述方案效果与成本评估报告，采用逻辑回归算法进行方案优化，生成定制化维修方案。
4.根据权利要求1所述的基于大数据技术的医疗器械维修处理方法，其特征在于，基于所述定制化维修方案，采用强化学习算法结合模拟环境交互，进行实操练习评估，生成技能提升记录的具体步骤为，
基于所述定制化维修方案，采用Q学习算法，生成初步决策模型；
基于所述初步决策模型，采用深度Q网络，结合模拟环境进行实操模拟，生成实操模拟数据；
基于所述实操模拟数据，采用策略梯度算法进行策略优化，生成优化后决策策略；
基于所述优化后决策策略，采用MCTS进行深入分析，生成技能提升记录。
5.根据权利要求1所述的基于大数据技术的医疗器械维修处理方法，其特征在于，基于所述技能提升记录，采用实时通讯技术，进行远程协助接口开发，进行交互式指导，生成远程协助系统的具体步骤为，
基于所述技能提升记录，采用WebRTC技术进行实时通讯基础建设，生成远程通讯基础框架；
基于所述远程通讯基础框架，采用RESTful API进行系统接口设计，生成系统接口设计文档；
基于所述系统接口设计文档，采用Socket编程技术，生成数据传输与管理模块；
基于所述数据传输与管理模块，采用MVC架构模式进行完善，生成远程协助系统。
6.根据权利要求1所述的基于大数据技术的医疗器械维修处理方法，其特征在于，基于所述远程协助系统，采用边缘计算方法，监控维修过程，进行状态实时分析，生成维修实时监控报告的具体步骤为，
基于所述远程协助系统，部署边缘计算节点，采用数据流处理算法进行初步数据处理，生成初步处理数据；
基于所述初步处理数据，采用ARIMA模型，进行趋势、异常分析，生成趋势分析报告；
基于所述趋势分析报告，采用支持向量机SVM，进行状态分类、识别，生成状态分类结果；
基于所述状态分类结果，采用D3.js技术，生成维修实时监控报告。
7.根据权利要求1所述的基于大数据技术的医疗器械维修处理方法，其特征在于，基于所述维修实时监控报告，采用自适应调整算法，优化维修计划，进行策略自动调整，生成优化后维修计划的具体步骤为，
基于所述维修实时监控报告，采用决策树算法进行问题诊断，生成问题诊断结果；
基于所述问题诊断结果，采用遗传算法进行维修策略初步优化，生成初步优化方案；
基于所述初步优化方案，采用模拟退火算法，生成微调后优化方案；
基于所述微调后优化方案，采用动态规划算法确保方案实施效率、可行性，生成优化后维修计划。
8.根据权利要求1所述的基于大数据技术的医疗器械维修处理方法，其特征在于，基于所述优化后维修计划，采用效能分析方法，进行性能评估、能效管理，生成维修后性能评估报告的具体步骤为，
基于所述优化后维修计划，采用关联规则学习技术，生成性能指标数据集；
基于所述性能指标数据集，采用多变量统计分析方法，生成综合性能评估结果；
基于所述综合性能评估结果，采用数据包络分析DEA算法，生成能效比较报告；
基于所述能效比较报告，采用自动报告生成工具，整合分析结果，生成维修后性能评估报告。
9.基于大数据技术的医疗器械维修处理系统，其特征在于，根据权利要求1-8任一项所述的基于大数据技术的医疗器械维修处理方法，所述系统包括故障诊断模块、维修方案模块、实操评估模块、远程协助模块、监控报告模块、方案优化模块、性能评估模块、系统整合模块。
10.根据权利要求9所述的基于大数据技术的医疗器械维修处理系统，其特征在于，所述故障诊断模块基于高级计算机视觉技术，采用卷积神经网络进行图像处理与特征提取，生成故障特征数据集；
所述维修方案模块基于故障特征数据集，采用分类决策树算法分析故障类型，生成维修设计方案；
所述实操评估模块基于维修方案设计，采用强化学习算法Q学习，进行实操练习评估，生成技能提升记录；
所述远程协助模块基于技能提升记录，采用实时通讯技术WebRTC进行远程协助接口开发，生成远程协助系统；
所述监控报告模块基于远程协助系统，采用边缘计算方法监控维修过程，生成维修实时监控报告；
所述方案优化模块基于维修实时监控报告，采用自适应调整算法优化维修计划，生成优化后维修计划；
所述性能评估模块基于优化后维修计划，采用效能分析方法进行性能评估，生成性能评估报告；
所述系统整合模块基于故障特征数据集、维修设计方案、技能提升记录、远程协助系统、维修实时监控报告、优化后维修计划、性能评估报告，采用系统工程方法进行整体优化与协调，生成维修后性能评估报告。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311773733.4A CN117436849A (zh) | 2023-12-22 | 2023-12-22 | 基于大数据技术的医疗器械维修处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311773733.4A CN117436849A (zh) | 2023-12-22 | 2023-12-22 | 基于大数据技术的医疗器械维修处理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117436849A true CN117436849A (zh) | 2024-01-23 |
Family
ID=89558759
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311773733.4A Pending CN117436849A (zh) | 2023-12-22 | 2023-12-22 | 基于大数据技术的医疗器械维修处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117436849A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
| CN112800668A (zh) * | 2021-01-20 | 2021-05-14 | 西安科技大学 | 基于数字孪生的复杂产品运维与制造集成总体模型 |
| CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
| CN116070129A (zh) * | 2022-12-09 | 2023-05-05 | 国能迪庆香格里拉发电有限公司 | 一种水电集控事故智能诊断系统 |
| CN117118781A (zh) * | 2023-08-24 | 2023-11-24 | 中车大同电力机车有限公司 | 一种智能化工业网关设计方法及装置 |
-
2023
- 2023-12-22 CN CN202311773733.4A patent/CN117436849A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111985561A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种智能电表的故障诊断方法、系统及电子装置 |
| CN112800668A (zh) * | 2021-01-20 | 2021-05-14 | 西安科技大学 | 基于数字孪生的复杂产品运维与制造集成总体模型 |
| CN114579875A (zh) * | 2022-03-03 | 2022-06-03 | 中国科学院大学 | 基于知识图谱的设备故障诊断与维修知识推荐系统 |
| CN116070129A (zh) * | 2022-12-09 | 2023-05-05 | 国能迪庆香格里拉发电有限公司 | 一种水电集控事故智能诊断系统 |
| CN117118781A (zh) * | 2023-08-24 | 2023-11-24 | 中车大同电力机车有限公司 | 一种智能化工业网关设计方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Abioye et al. | Artificial intelligence in the construction industry: A review of present status, opportunities and future challenges | |
| US20220172146A1 (en) | Apparatus for the semantic-based optimization of production facilities with explainability | |
| CN108830745A (zh) | 基于监控信息的电网连锁故障诊断、预警、评估系统 | |
| CN117389236B (zh) | 一种环氧丙烷生产过程优化方法及系统 | |
| Moallemi et al. | An agent-monitored framework for the output-oriented design of experiments in exploratory modelling | |
| Ochuba et al. | Predictive analytics in the maintenance and reliability of satellite telecommunications infrastructure: a conceptual review of strategies and technological advancements | |
| Lynch et al. | Increased need for data analytics education in support of verification and validation | |
| Xia et al. | Managing production systems with machine learning: a case analysis of Suzhou GCL photovoltaic technology | |
| CN117436849A (zh) | 基于大数据技术的医疗器械维修处理方法及系统 | |
| Li et al. | Challenges in developing a computational platform to integrate data analytics with simulation-based optimization | |
| Chen et al. | An experimental reactive scheduling framework for the multi-mode resource constrained project scheduling problem | |
| Raman et al. | Learning framework for maturing architecture design decisions for evolving complex SoS | |
| Waqar | Intelligent decision support systems in construction engineering: An artificial intelligence and machine learning approaches | |
| Leleur | Systemic planning: Dealing with complexity by a wider approach to planning. | |
| Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
| Badmus | Application of AI technology in Program Management | |
| Edgar et al. | NSF Workshop on Research needs in Advanced Sensors, Controls, Platforms, and Modeling (ASCPM) for Smart Manufacturing | |
| Bush et al. | Workshop Report on Methods for R&D Portfolio Analysis and Evaluation | |
| CN117787711A (zh) | 一种基于大数据的拱桥施工单端管理系统 | |
| Malandri et al. | Contrastive Explanations of Text Classifiers as a Service | |
| Tang et al. | A Comprehensive Evaluation Framework of Digital Twin Platforms for Domain-Specific Applications: A Case Study | |
| Bush et al. | Methods for R&D Portfolio Analysis and Evaluation (Workshop Report) | |
| Yazdi | Computational Tools and Techniques for Reliability and Maintainability | |
| Greco | A Bayesian integration of simulator data and judgment to develop empirically-based reference values for human reliability | |
| Kulkarni | Decision-Making in the Face of Uncertainty |
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 |