CN117970858A - 基于物联网的医疗设备监控方法及系统 - Google Patents
基于物联网的医疗设备监控方法及系统 Download PDFInfo
- Publication number
- CN117970858A CN117970858A CN202410390236.4A CN202410390236A CN117970858A CN 117970858 A CN117970858 A CN 117970858A CN 202410390236 A CN202410390236 A CN 202410390236A CN 117970858 A CN117970858 A CN 117970858A
- Authority
- CN
- China
- Prior art keywords
- medical device
- data
- abnormal
- monitoring
- internet
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 71
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000005856 abnormality Effects 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Alarm Systems (AREA)
Abstract
本发明涉及监控设备领域，更具体地，本发明涉及基于物联网的医疗设备监控方法及系统，方法包括：获取不同医疗设备在不同时刻下的历史工作状态数据并设置标签，构建工作状态数据集，并获取空间坐标系的分布，得到正常数据和异常数据的分界线；计算每一个医疗设备的数据向量与医疗设备对应的分界线之间的距离值作为异常程度值；对工作状态数据集使用密度聚类算法进行分类，根据聚类类别构建高斯函数模型，得到监控值序列并进行归一化处理；根据异常程度值和距离值计算医疗设备的异常系数，得到监控系统的检测结果。本发明通过每个医疗设备的异常系数和监控序列值，便于对每个医疗设备进行统一异常监控。
Description
技术领域
本发明一般地涉及监控设备领域。更具体地，本发明涉及基于物联网的医疗设备监控方法及系统。
背景技术
物联网（Internet of Things，简称IoT）是一种通过互联网连接和互通的方式，使得各种物理设备、传感器、软件以及其他技术能够相互通信和共享数据的概念。在物联网中，物理世界中的各种对象和设备都可以通过网络进行连接，实现信息的交流和协同工作。
通过监控系统与物联网相结合，实现了对各种环境、设备和过程的实时监测、数据采集、远程控制和智能分析；
现有基于物联网的医疗设备监控方法，通过物联网设备获取医疗设备的工作状态数据，对医疗设备的工作状态数据进行异常分析，可以得到医疗设备的异常向量，根据医疗设备的异常向量可以进行医疗设备的异常监测，实现医疗设备监控。但是由于医疗设备往往类型过多，不同医疗设备之间的异常向量并不相同，进而在实现医疗设备监控时，往往需要对不同的医疗设备进行单独的异常监测模型进行异常监控。
然而，对不同的医疗设备进行监控时，由于所需异常监测模型过多，不同异常监测模型之间存在较大的差异，在进行医疗设备异常监控时，往往难以统一管理，比如难以确定设备异常优先级，不利于医疗设备的异常监控。
发明内容
为解决上述一个或多个技术问题，本发明提出通过对不同医疗设备对应的异常值和正常值进行分析，分析后将不同医疗设备之间的统一进行异常监测，而后根据医疗设备的优先级进行医疗设备的异常监控，为此，本发明在如下的多个方面中提供方案。
在第一方面中，基于物联网的医疗设备监控方法，包括：获取不同医疗设备在不同时刻下的历史工作状态数据，对所述历史工作状态数据设置标签，其中标签为正常和异常，构建工作状态数据集，用于监控系统对工作状态数据集进行分析；使用监控系统获取工作状态数据集中每一个医疗设备处于正常数据和异常数据之间的空间坐标系的分布，使用监督式机器学习算法获取工作状态数据为正常数据和异常数据的分界线；获取当前时刻每一个医疗设备的数据向量，计算所述每一个医疗设备的数据向量与医疗设备对应的所述分界线之间的距离值作为医疗设备的异常程度值；根据所述工作状态数据集，使用密度聚类算法进行分类，根据聚类半径，得到多个医疗设备的聚类类别，根据所述聚类类别构建单个高斯函数模型，得到用于表示每个医疗设备的工作状态为正常模型和异常模型；对所述当前时刻每一个医疗设备的数据向量输入到对应的单个高斯函数模型中，得到用于统一监控的当前医疗设备处于不同状态的监控值序列，对所述监控值序列进行归一化处理；根据所述异常程度值、分界线以及单个高斯函数模型对应的值，计算每一个医疗设备在当前时刻的异常系数，根据所述异常系数，得到监控系统对医疗设备的检测结果。
在一个实施例中，获取所述历史工作状态数据，包括：
所述历史工作状态数据是由多个医疗设备在不同时刻下进行采集的数据总和，一个医疗设备设置有多个传感器，其中，一个类型的传感器对应一个维度的数据。
在一个实施例中，获取所述分界线，包括以下步骤：
获取工作状态数据集中正常数据和异常数据之间的空间坐标系的分布，利用高斯核函数对每个医疗设备数据进行升维，得到线性化超平面；
将所述线性化超平面投影到每个医疗设备在每一时刻的维度的数据，得到正常数据和异常数据之间最大间隔的分界线。
在一个实施例中，所述每一个医疗设备在当前时刻的异常系数满足下述关系式：
式中，表示第/>个医疗设备在/>时刻对应的异常系数，/>表示阶跃函数，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量到具有最小距离的正常模型类别的距离值，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量到具有最小距离的异常模型类别的距离值，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量带入到阶跃函数对应正常或者异常类型中的第/>个高斯函数模型的高斯函数值，表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量代入到阶跃函数对应正常或者异常类型中第/>个高斯函数模型到边界线的距离值，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量到具有最小距离的阶跃函数对应正常或者异常类型中第/>个高斯函数模型的距离值，/>表示对/>进行遍历，/>表示高斯函数模型的总个数。
在一个实施例中，根据所述异常系数，得到监控系统对医疗设备的检测结果，包括：
对每一个医疗设备进行预设加权，计算所述异常系数与预设加权值的乘积，得到显著异常系数，对所述显著异常系数进行排序，得到当前医疗设备监控结果；
当显著异常系数大于预设阈值，则当前医疗设备处于异常状态。
第二方面，基于物联网的医疗设备监控系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现任一项所述的基于物联网的医疗设备监控方法。
本发明具有以下效果：
1、本发明通过物联网获取现有不同医疗设备的历史工作状态数据，使用机器学习方法得到正常数据和异常数据的分界线，以使每个医疗设备的数据向量与分界线之间的距离得到异常程度值的异常系数，便于通过每个医疗设备的高斯函数模型得到监控序列值，从而根据异常系数和监控序列值便于对每个医疗设备进行统一异常监控。
2、本发明通过对现有的正常数据和异常数据进行进一步分析，得到空间坐标系分布，获取数据的分界线，从而根据每个医疗设备位于正常或异常数据的位置以及与分界线之间的距离，判断每个医疗设备的异常系数，通过监控系统对异常系数进行监控，有利于监控系统对医疗设备异常进行统一管理。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本发明实施例基于物联网的医疗设备监控方法中步骤S1-S6的方法流程图。
图2是本发明实施例基于物联网的医疗设备监控方法中步骤S20-S21的方法流程图。
图3是本发明实施例基于物联网的医疗设备监控方法中步骤S60-S62的方法流程图。
图4是本发明实施例基于物联网的医疗设备监控系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
参照图1，基于物联网的医疗设备监控方法包括步骤S1-S6，具体如下：
S1：获取不同医疗设备在不同时刻下的历史工作状态数据，对历史工作状态数据设置标签，其中标签为正常和异常，构建工作状态数据集，用于监控系统对工作状态数据集进行分析。
历史工作状态数据是由多个医疗设备在不同时刻下进行采集的数据总和，一个医疗设备设置有多个传感器，其中，一个类型的传感器对应一个维度的数据。
进一步说明，在医疗设备上安装不同的物联网设备，比如电压传感器，电流传感器等，一个医疗设备的不同维度的数据组成一个医疗设备的工作状态数据向量，其中，不同维度表示通过物联网设备采集得到的不同类型传感器数据，一个类型的传感器就是一个维度的数据，构成一个历史工作状态数据向量，集合为工作状态数据集；某一个医疗设备中不具有对应类型传感器数据时，则历史工作状态数据向量中的维度数据值为0。
S2：使用监控系统获取工作状态数据集中每一个医疗设备处于正常数据和异常数据之间的空间坐标系的分布，使用监督式机器学习算法获取工作状态数据为正常数据和异常数据的分界线。
参照图2，包括步骤S20-S21：
S20：根据工作状态数据集中正常数据和异常数据之间的空间坐标系的分布，利用高斯核函数对每个医疗设备数据进行升维，得到线性化超平面；
S21：将线性化超平面通过投影到每个医疗设备在每一时刻对应的维度的数据，得到正常数据和异常数据之间最大间隔的分界线。
进一步说明，通过监控系统获取工作状态数据集中正常数据和异常数据之间的空间坐标系的分布，本实施例中，通过使用支持向量机SVM（Support Vector Machine）进行正常数据和异常数据之间的分界线获取，将数据映射到一个高维的特征空间，以便在新的空间中更容易找到线性超平面，得到最大化正常数据和异常数据之间的间隔，将得到的线性超平面投影回原始的维度，以获得正常数据和异常数据在原始维度上的分界线。
S3：获取当前时刻每一个医疗设备的数据向量，计算每一个医疗设备的数据向量与医疗设备对应的分界线之间的距离值作为医疗设备的异常程度值。
进一步说明，计算当前时刻每一个医疗设备的数据向量和分界线之间的距离，通过点到直线距离公式计算，通过距离值判断，若当前时刻任意一个医疗设备的数据向量，更靠近正常数据类别的距离值越大，则当前数据越正常，如果当前时刻任意一个医疗设备的数据向量，更靠近异常数据类别的距离值越大，则当前数据越异常，得到了每一个医疗设备处于正常数据类别或异常数据类别，同时得到每一个医疗设备的异常程度值。
S4：根据工作状态数据集，使用密度聚类算法进行分类，根据聚类半径，得到多个医疗设备的聚类类别，根据聚类类别构建单个高斯函数模型，得到用于表示每个医疗设备的工作状态为正常模型和异常模型。
进一步说明，本实施例选择采用均值漂移方法进行分类，均值漂移（Mean Shift）是一种非参数化的聚类和密度估计算法，通过在数据分布中寻找局部密度最大值（概率密度函数的局部最大值）的方式来发现数据中的聚类中心。
均值漂移算法在进行分类时，聚类半径为3，可由实施者根据具体实施场景进行调整，共得到多个类别，数据值近似的会被分为一类。
S5：对当前时刻每一个医疗设备的数据向量输入到对应的单个高斯函数模型中，得到用于统一监控的当前医疗设备处于不同状态的监控值序列，对监控值序列进行归一化处理。
进一步说明，在对医疗设备进行监控时，由于异常数据的类别不同，可能会存在多个不同异常类型，即为故障不同，正常工作状态也存在多个不同的正常数据类型，即为使用功率不同，对每一个医疗设备监控时，在维度空间上难以有一固定阈值用于对距离值进行所有监测数据的异常或正常状态判定，从而计算每一个医疗设备在同一时刻的异常系数，便于对医疗设备统一监控。通过对正常数据和异常数据的高斯函数与对应峰值的倒数相乘实现归一化处理。
S6：根据异常程度值、分界线以及单一高斯函数模型对应的值，计算每一个医疗设备在当前时刻的异常系数，根据异常系数，得到监控系统对医疗设备的检测结果。
参照图3，包括步骤S60-S62：
S60：计算每一个医疗设备在当前时刻的异常系数，满足下述关系式：
式中，表示第/>个医疗设备在/>时刻对应的异常系数，/>表示阶跃函数，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量到具有最小距离的正常模型类别的距离值，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量到具有最小距离的异常模型类别的距离值，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量带入到阶跃函数对应正常或者异常类型中的第/>个高斯函数模型的高斯函数值，表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量代入到阶跃函数对应正常或者异常类型中第/>个高斯函数模型到边界线的距离值，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量到具有最小距离的阶跃函数对应正常或者异常类型中第/>个高斯函数模型的距离值，/>表示对/>进行遍历，/>表示高斯函数模型的总个数；
进一步说明，距离值为当前数据点到各个类别对应数据均值点的距离，计算方法为两点之间的距离公式进行计算；根据正常模型类别的距离值和异常模型类别的距离值的差值大于0时表示当前数据更加贴合正常类别，反之小于0时，表示当前数据更加贴合异常类别；
当前时刻某一个医疗设备对应高斯函数模型的高斯函数值越大，则表示当前时刻某一个医疗设备的工作状态向量越属于当前高斯函数模型对应的监控状态；表示是否贴合现有的模型数据，当不贴合时，比值越大，则表示当前时刻某一个医疗设备的工作状态向量越远离已有数据，表示越正常或越不正常。
S61：对每一个医疗设备进行预设加权，计算异常系数与预设加权值的乘积，得到显著异常系数，对显著异常系数进行排序，得到当前医疗设备监控结果。
进一步说明，由于不同医疗设备的重要性和风险性不同，进而将不同医疗设备通过具有相关工作经验的人员进行加权，从而根据权重得到显著异常系数序列，通过监控系统与可视化设备连接，得到医疗设备的异常状态的排序。
S62：响应于显著异常系数大于预设阈值，则当前医疗设备处于异常状态。
进一步说明，本实施例中预设阈值为0.8，根据当前的医疗设备的异常系数得到监控结果，异常系数值越低，表示风险值越大，监控系统发出提醒，通过相关工作经验人员进行调整，进而完成医疗设备的统一监控。
本发明还提供了基于物联网的医疗设备监控系统。如图4所示，系统包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本发明第一方面的基于物联网的医疗设备监控方法。
系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (6)
1.基于物联网的医疗设备监控方法，其特征在于，包括：
获取不同医疗设备在不同时刻下的历史工作状态数据，对所述历史工作状态数据设置标签，其中标签为正常和异常，构建工作状态数据集，用于监控系统对工作状态数据集进行分析；
使用监控系统获取工作状态数据集中每一个医疗设备处于正常数据和异常数据之间的空间坐标系的分布，使用监督式机器学习算法获取工作状态数据为正常数据和异常数据的分界线；
获取当前时刻每一个医疗设备的数据向量，计算所述每一个医疗设备的数据向量与医疗设备对应的所述分界线之间的距离值作为医疗设备的异常程度值；
根据所述工作状态数据集，使用密度聚类算法进行分类，根据聚类半径，得到多个医疗设备的聚类类别，根据所述聚类类别构建单个高斯函数模型，得到用于表示每个医疗设备的工作状态为正常模型和异常模型；
对所述当前时刻每一个医疗设备的数据向量输入到对应的单个高斯函数模型中，得到用于统一监控的当前医疗设备处于不同状态的监控值序列，对所述监控值序列进行归一化处理；
根据所述异常程度值、分界线以及单个高斯函数模型对应的值，计算每一个医疗设备在当前时刻的异常系数，根据所述异常系数，得到监控系统对医疗设备的检测结果。
2.根据权利要求1所述的基于物联网的医疗设备监控方法，其特征在于，获取所述历史工作状态数据，包括：
所述历史工作状态数据是由多个医疗设备在不同时刻下进行采集的数据总和，一个医疗设备设置有多个传感器，其中，一个类型的传感器对应一个维度的数据。
3.根据权利要求1所述的基于物联网的医疗设备监控方法，其特征在于，获取所述分界线，包括以下步骤：
获取工作状态数据集中正常数据和异常数据之间的空间坐标系的分布，利用高斯核函数对每个医疗设备数据进行升维，得到线性化超平面；
将所述线性化超平面投影到每个医疗设备在每一时刻的维度的数据，得到正常数据和异常数据之间最大间隔的分界线。
4.根据权利要求1所述的基于物联网的医疗设备监控方法，其特征在于，所述每一个医疗设备在当前时刻的异常系数满足下述关系式：
；
式中，表示第/>个医疗设备在/>时刻对应的异常系数，/>表示阶跃函数，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量到具有最小距离的正常模型类别的距离值，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量到具有最小距离的异常模型类别的距离值，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量带入到阶跃函数对应正常或者异常类型中的第/>个高斯函数模型的高斯函数值，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量代入到阶跃函数对应正常或者异常类型中第/>个高斯函数模型到边界线的距离值，/>表示第/>个医疗设备在当前/>时刻对应的物联网设备数据向量到具有最小距离的阶跃函数对应正常或者异常类型中第个高斯函数模型的距离值，/>表示对/>进行遍历，/>表示高斯函数模型的总个数。
5.根据权利要求1所述的基于物联网的医疗设备监控方法，其特征在于，根据所述异常系数，得到监控系统对医疗设备的检测结果，包括：
对每一个医疗设备进行预设加权，计算所述异常系数与预设加权值的乘积，得到显著异常系数，对所述显著异常系数进行排序，得到当前医疗设备监控结果；
当显著异常系数大于预设阈值，则当前医疗设备处于异常状态。
6.基于物联网的医疗设备监控系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-5任一项所述的基于物联网的医疗设备监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410390236.4A CN117970858B (zh) | 2024-04-02 | 2024-04-02 | 基于物联网的医疗设备监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410390236.4A CN117970858B (zh) | 2024-04-02 | 2024-04-02 | 基于物联网的医疗设备监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117970858A true CN117970858A (zh) | 2024-05-03 |
| CN117970858B CN117970858B (zh) | 2024-06-11 |
Family
ID=90851826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410390236.4A Active CN117970858B (zh) | 2024-04-02 | 2024-04-02 | 基于物联网的医疗设备监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117970858B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080013821A1 (en) * | 2004-05-20 | 2008-01-17 | Macgregor John F | Method For Controlling The Appearance Of Products And Process Performance By Image Analysis |
| CN101714273A (zh) * | 2009-05-26 | 2010-05-26 | 北京银丰新融科技开发有限公司 | 一种基于规则引擎的银行异常业务监控方法和系统 |
| US20170092021A1 (en) * | 2014-03-19 | 2017-03-30 | Northern Vo Aps | Method and system for monitoring equipment |
| US20180191758A1 (en) * | 2017-01-03 | 2018-07-05 | General Electric Company | Cluster-based decision boundaries for threat detection in industrial asset control system |
| CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
| US20190332101A1 (en) * | 2018-04-30 | 2019-10-31 | Aspen Technology, Inc. | Computer System And Method For Automated Batch Data Alignment In Batch Process Modeling, Monitoring And Control |
| US20190347817A1 (en) * | 2018-05-09 | 2019-11-14 | Postureco, Inc. | Method and system for postural analysis and measuring anatomical dimensions from a digital image using machine learning |
| CN110868312A (zh) * | 2018-08-28 | 2020-03-06 | 中国科学院沈阳自动化研究所 | 一种基于遗传算法优化的工业行为异常检测方法 |
| GB202014223D0 (en) * | 2020-09-10 | 2020-10-28 | Oxford Nanoimaging Ltd | Cell classification algorithm |
| CN113516162A (zh) * | 2021-04-26 | 2021-10-19 | 湖南大学 | 一种基于OCSVM和K-means算法的工控系统流量异常检测方法与系统 |
| CN217880317U (zh) * | 2022-08-30 | 2022-11-22 | 山西久远爱思普软件股份有限公司 | 一种社保读卡器 |
| CN218130626U (zh) * | 2022-09-01 | 2022-12-27 | 山西久远爱思普软件股份有限公司 | 一种气体净化设备 |
| CN115601331A (zh) * | 2022-10-18 | 2023-01-13 | 长沙理工大学（Cn） | 基于红外热像图的高层建筑外墙脱落异常检测与风险评估方法 |
| CN115795330A (zh) * | 2021-09-09 | 2023-03-14 | 上海市徐汇区大华医院 | 一种基于ai算法的医疗信息异常检测方法及系统 |
| CN116224887A (zh) * | 2023-04-18 | 2023-06-06 | 辽宁工业大学 | 一种多工况间歇过程故障监测方法 |
| CN117171596A (zh) * | 2023-11-02 | 2023-12-05 | 宝鸡市兴宇腾测控设备有限公司 | 一种压力变送器的在线监测方法及系统 |
| CN117253024A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种基于机器视觉的工业盐质检管控方法及系统 |
| CN117312846A (zh) * | 2023-09-06 | 2023-12-29 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络的船舶异常告警与预警方法 |
-
2024
- 2024-04-02 CN CN202410390236.4A patent/CN117970858B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080013821A1 (en) * | 2004-05-20 | 2008-01-17 | Macgregor John F | Method For Controlling The Appearance Of Products And Process Performance By Image Analysis |
| CN101714273A (zh) * | 2009-05-26 | 2010-05-26 | 北京银丰新融科技开发有限公司 | 一种基于规则引擎的银行异常业务监控方法和系统 |
| US20170092021A1 (en) * | 2014-03-19 | 2017-03-30 | Northern Vo Aps | Method and system for monitoring equipment |
| US20180191758A1 (en) * | 2017-01-03 | 2018-07-05 | General Electric Company | Cluster-based decision boundaries for threat detection in industrial asset control system |
| US20190332101A1 (en) * | 2018-04-30 | 2019-10-31 | Aspen Technology, Inc. | Computer System And Method For Automated Batch Data Alignment In Batch Process Modeling, Monitoring And Control |
| US20190347817A1 (en) * | 2018-05-09 | 2019-11-14 | Postureco, Inc. | Method and system for postural analysis and measuring anatomical dimensions from a digital image using machine learning |
| CN110868312A (zh) * | 2018-08-28 | 2020-03-06 | 中国科学院沈阳自动化研究所 | 一种基于遗传算法优化的工业行为异常检测方法 |
| CN110192853A (zh) * | 2019-04-30 | 2019-09-03 | 杭州电子科技大学 | 一种基于心电熵值图的心电异常评估方法 |
| GB202014223D0 (en) * | 2020-09-10 | 2020-10-28 | Oxford Nanoimaging Ltd | Cell classification algorithm |
| CN113516162A (zh) * | 2021-04-26 | 2021-10-19 | 湖南大学 | 一种基于OCSVM和K-means算法的工控系统流量异常检测方法与系统 |
| CN115795330A (zh) * | 2021-09-09 | 2023-03-14 | 上海市徐汇区大华医院 | 一种基于ai算法的医疗信息异常检测方法及系统 |
| CN217880317U (zh) * | 2022-08-30 | 2022-11-22 | 山西久远爱思普软件股份有限公司 | 一种社保读卡器 |
| CN218130626U (zh) * | 2022-09-01 | 2022-12-27 | 山西久远爱思普软件股份有限公司 | 一种气体净化设备 |
| CN115601331A (zh) * | 2022-10-18 | 2023-01-13 | 长沙理工大学（Cn） | 基于红外热像图的高层建筑外墙脱落异常检测与风险评估方法 |
| CN116224887A (zh) * | 2023-04-18 | 2023-06-06 | 辽宁工业大学 | 一种多工况间歇过程故障监测方法 |
| CN117312846A (zh) * | 2023-09-06 | 2023-12-29 | 中国人民解放军海军航空大学 | 一种基于卷积神经网络的船舶异常告警与预警方法 |
| CN117171596A (zh) * | 2023-11-02 | 2023-12-05 | 宝鸡市兴宇腾测控设备有限公司 | 一种压力变送器的在线监测方法及系统 |
| CN117253024A (zh) * | 2023-11-17 | 2023-12-19 | 山东海晟盐业有限公司 | 一种基于机器视觉的工业盐质检管控方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 温扬茂 等: "川滇地区GPS速度场聚类分析", 《大地测量与地球动力学》, vol. 38, no. 5, 31 May 2018 (2018-05-31), pages 447 - 453 * |
| 陈彬强 等: "无监督学习驱动的高端轴承故障智能诊断算法", 《中国科学》, vol. 52, no. 1, 31 December 2022 (2022-12-31), pages 165 - 179 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117970858B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lim et al. | SVD-based voltage stability assessment from phasor measurement unit data | |
| JP2018170006A (ja) | 電力グリッドにおけるサイバー脅威を検出する汎用フレームワーク | |
| CN111126822B (zh) | 一种工业机器人健康评估方法、装置及存储介质 | |
| CN115392037A (zh) | 设备故障预测方法、装置、设备及存储介质 | |
| CN116154972B (zh) | 一种分布式电网电能质量监测方法及系统 | |
| CN117970858B (zh) | 基于物联网的医疗设备监控方法及系统 | |
| CN116524691A (zh) | 输电线路隐患告警方法、装置、存储介质及计算机设备 | |
| CN113159517B (zh) | 一种三维可视化电网运行数据分析系统 | |
| CN110222098A (zh) | 基于流数据聚类算法的电力大数据流异常检测 | |
| CN116522096B (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
| CN110210092B (zh) | 一种体温数据处理方法、装置、存储介质及终端设备 | |
| CN116594446A (zh) | 一种大数据中心温控方法及系统 | |
| CN111859625A (zh) | 基于大数据的节能控制方法、装置及存储介质 | |
| CN114663074A (zh) | 一种基于数字孪生的产品数据分析方法及系统 | |
| CN113987013A (zh) | 一种基于时序数据平台发电车数据采集的管控系统及方法 | |
| CN114781482A (zh) | 一种基于som-m的业扩项目聚类方法、装置、设备和存储介质 | |
| CN110309873B (zh) | 基于潮流向量贝叶斯分类的集成暂态稳定评估方法及系统 | |
| CN116935608B (zh) | 一种空气能设备的远程智能监控方法及系统 | |
| CN117556874B (zh) | 基于多源数据的车辆控制方法及系统 | |
| US20230126849A1 (en) | Learning method for the detection of anomalies from multivariate data sets and associated anomaly detection method | |
| CN115683631B (zh) | 轴承故障检测方法及装置 | |
| CN112884199B (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| CN116541252B (zh) | 一种机房故障日志数据处理方法及装置 | |
| CN116245505A (zh) | 一种线损主因分析方法及其相关设备 | |
| CN116049662A (zh) | 基于联邦学习的电力数据异常检测模型的训练方法和装置 |
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 |