CN118057546A - 用于实现医疗成像设备的远程计划维护的系统和方法 - Google Patents
用于实现医疗成像设备的远程计划维护的系统和方法 Download PDFInfo
- Publication number
- CN118057546A CN118057546A CN202311521367.3A CN202311521367A CN118057546A CN 118057546 A CN118057546 A CN 118057546A CN 202311521367 A CN202311521367 A CN 202311521367A CN 118057546 A CN118057546 A CN 118057546A
- Authority
- CN
- China
- Prior art keywords
- degradation
- computer
- medical device
- maintenance
- medical imaging
- 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 142
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002059 diagnostic imaging Methods 0.000 title abstract description 144
- 230000015556 catabolic process Effects 0.000 claims abstract description 115
- 238000006731 degradation reaction Methods 0.000 claims abstract description 115
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 230000015654 memory Effects 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 26
- 238000000926 separation method Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 13
- 238000004590 computer program Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 22
- 230000008439 repair process Effects 0.000 description 17
- 238000007781 pre-processing Methods 0.000 description 13
- 238000000513 principal component analysis Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000006855 networking Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005055 memory storage Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 235000014510 cooky Nutrition 0.000 description 1
- 239000012809 cooling fluid Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005297 material degradation process Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920001690 polydopamine Polymers 0.000 description 1
- 238000002600 positron emission tomography Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/40—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
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/581—Remote testing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Quality & Reliability (AREA)
- Human Resources & Organizations (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Optics & Photonics (AREA)
- Radiology & Medical Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本文提供的一个或多个系统、设备、计算机程序产品和/或计算机实现的方法的使用涉及促进医疗成像设备的远程计划维护的过程。系统可以包括存储器,该存储器存储计算机可执行部件;和处理器,该处理器执行存储在存储器中的计算机可执行部件,其中计算机可执行部件可包括输入部件,该输入部件从至少一个医疗设备接收传感器数据;和劣化部件,该劣化部件利用特征变换算法基于传感器数据确定至少一个医疗设备的计划维护任务的劣化分数。另外,该计算机可执行部件可以包括计划维护部件,该计划维护部件基于劣化分数建议对至少一个医疗设备的维护。
Description
技术领域
所公开的主题涉及医疗成像设备的计划维护的算法的应用,并且更具体地,涉及实现医疗成像设备的远程计划维护的算法的应用。
背景技术
对使用算法和机器学习以改进医疗图像设备的维护成本的兴趣逐渐增长。常规实践是在一年期间多次执行系统或设备的周期性计划维护,通常由服务工程师执行。系统或设备的每个计划维护实例可能花费多达八小时,并且即使特定系统或设备不需要修理也可以执行。此外,期望减少与医疗成像设备的维护相关联的机器停机时间和劳动动成本。
涉及医疗成像设备的远程计划维护的上述背景仅旨在提供一些当前问题的背景概述,并不旨在穷举。在查看以下详细描述时,其它上下文信息可以变得进一步显而易见。
发明内容
以下给出了发明内容以提供对本文所述的一个或多个实施方案的基本理解。本发明内容不旨在标识关键或重要元素,也不旨在描绘具体实施方案的任何范围或权利要求的任何范围。本发明内容的唯一目的是以简化形式给出概念,作为稍后给出的更详细描述的序言。在本文所述的一个或多个实施方案中,描述了促进实现医疗成像设备的远程计划维护的系统、设备、计算机实现的方法和/或计算机程序产品。
根据一个实施方案,一种系统可包括存储计算机可执行部件的存储器以及执行存储在存储器中的计算机可执行部件的处理器。计算机可执行部件可包括输入部件、劣化部件和计划维护部件。输入部件可以从至少一个医疗设备接收传感器数据。另外,劣化部件可利用特征变换算法基于传感器数据确定至少一个医疗设备的计划维护任务的劣化分数。计划维护部件可以基于劣化分数建议对至少一个医疗设备的维护。
根据另一实施方案,一种实现医疗成像设备的远程计划维护的计算机实现的方法,可以包括使用可操作地耦接到存储器的处理器,从至少一个医疗设备接收传感器数据。另外,计算机实现的方法可以包括使用处理器利用特征变换算法基于传感器数据确定至少一个医疗设备的计划维护任务的劣化分数。此外,计算机实现的方法可以包括使用处理器基于劣化分数建议对至少一个医疗设备的维护。
根据又一实施方案,一种用于实现医疗成像设备的远程计划维护的计算机程序产品,该计算机程序产品可包括具有与其体现的程序指令的计算机可读存储介质,可由处理器执行的程序指令可以致使处理器从至少一个医疗设备接收传感器数据。另外,计算机程序产品可以使用处理器利用特征变换算法基于传感器数据确定至少一个医疗设备的计划维护任务的劣化分数。此外,计算机程序产品可以使用处理器基于劣化分数建议对至少一个医疗设备的维护。
附图说明
图1示出了根据本文所述的一个或多个实施方案的示例性、非限制性系统的框图,该系统可促进评估基于树的模型的敏感度。
图2示出了根据本文所述的一个或多个实施方案的示例性、非限制性系统的框图,该系统可促进实现医疗成像设备的远程计划维护。
图3示出了根据本文描述的一个或多个实施方案的示例性、非限制性系统的框图,该系统可通过经由劣化部件执行主成分分析促进实现医疗成像设备的远程计划维护。
图4A示出了根据本文描述的一个或多个实施方案的医疗成像设备的示例性、非限制性的正常操作区域和相关联的故障区域的3D聚类图。
图4B和图4C示出了根据本文描述的一个或多个实施方案的医疗成像设备的示例性、非限制性的正常操作区域和相关联的故障区域的2D聚类图。
图5A示出了根据本文描述的一个或多个实施方案的经由核心PCA的医疗成像设备的示例性、非限制性的正常操作区域和相关联的故障区域的3D聚类图。
图5B示出了根据本文描述的一个或多个实施方案的经由核心PCA的医疗成像设备的示例性、非限制性的正常操作区域和相关联的故障区域的2D聚类图。
图5C和图5D示出了根据本文描述的一个或多个实施方案的示例性、非限制性系统的2D聚类图和相关联的统计图,该系统可促进实现医疗成像设备的远程计划维护。
图6A示出了根据本文所述的一个或多个实施方案的医疗成像设备的示例性、非限制性的正常操作区域和相关联的故障区域的图。
图6B示出了根据本文描述的一个或多个实施方案的指示医疗成像设备相对于正常操作的性能的劣化曲线和相关联的部件曲线。
图7示出了根据本文描述的一个或多个实施方案的指示医疗成像设备相对于正常操作的性能的劣化曲线。
图8示出了根据本文所述的一个或多个实施方案的示例性、非限制性系统的流程图,该系统可促进实现医疗成像设备的远程计划维护。
图9示出了在其中可实现本文所述的一个或多个实施方案的示例性、非限制性计算环境。
图10示出了在其中可实现本文所述的一个或多个实施方案的示例性、非限制性网络环境。
具体实施方式
现在参考附图描述主题公开,其中相同的附图标记始终用于指代相同的元件。在以下描述中,出于解释的目的,阐述了许多具体细节以便提供对本公开的透彻理解。然而,显而易见的是,可以在没有这些具体细节的情况下实践本公开。在其他情况下,以框图形式示出了公知的结构和设备以便于描述本公开。此外,并不意图受前述“背景技术”或“发明内容”部分或者“具体实施方式”部分中提出的任何明示或暗示信息的约束。
如上所述,可以以一种或多种不同的方式改进计划维护,并且为了这个目的和/或其他目的,本文中描述了各种实施方案。
在一些情况下,安排和执行医疗成像设备的计划维护的任务可以包括在一年内多次(例如,一年一次或每两年一次)检查系统和/或进行修理,并且在一些情况下,可能不需要维护。通常,为了在故障导致停机时间之前将医疗设备维持在令人满意的操作条件下的目的,维护活动可以以指定的间隔(例如,每3个月)安排以护理和服务未故障的系统/子系统/部件(SSC)。由于医疗设备的复杂性,计划维护可以包括很多任务(例如,在一些情况下高达100个任务),并且因此,医疗设备的停机时间可以是长的。有时,可以执行维护任务而不管是否实际需要修理或养护,此类系统未能考虑医疗设备(或与其包括的部件)的当前状态。在示例中,可以安排医疗设备进行维护,但是医疗设备可能实际上不需要修理/维护。以一种或多种不同的方式,该设备可执行比设备的预期性能持续时间更长的时间。按标准执行对设备的此类修理是浪费且昂贵的。相反,在医疗设备的性能劣化到不可接受的性能水平之后,可能需要对医疗设备的修理。
然而,即使可以为医疗设备安排和执行维护,与计划维护相关联的问题是,当医疗设备如所预期执行时,或在医疗设备已经劣化到低于可接受的性能水平之后,可以进行计划维护。可以实现本文中描述的一个或多个实施方案以向服务工程师提供基于SSC的当前状态决定是否真正期望安排的计划维护任务的能力。因此实现现场计划维护到远程计划维护的当前实践。
由于这些问题,可以以可促进以下过程的系统、计算机实现的方法和/或计算机程序产品的形式实现本文中描述的一个或多个实施方案以产生对一个或多个这些问题的解决方案:i)使用可操作地耦接到存储器的处理器,从至少一个医疗设备接收传感器数据;ii)使用处理器,利用特征变换算法基于传感器数据确定至少一个医疗设备的计划维护任务的劣化分数;以及iii)使用处理器,基于劣化分数建议对至少一个医疗设备的维护。即,本文中描述的实施方案包括可促进一个或多个前述过程中的一个或多个系统、计算机实现的方法、装置和/或计算机程序产品。
图1示出了可以促进实现医疗成像设备的远程计划维护的示例性、非限制性系统102的框图。非限制性系统102可以包括一个或多个不同的部件,诸如存储器104、处理器106、总线108、输入部件110、劣化部件112、计划维护部件114和一个或多个医疗成像设备120(例如,其可以包括一个或多个不同的医疗设备)。另外,输入部件110可以从至少一个医疗成像设备120接收传感器数据。在各种实施方案中,存储器104、处理器106、总线108、输入部件110、劣化部件112、计划维护部件114和一个或多个医疗成像设备120中的一者或多者可以可通信地或可操作地彼此耦接(例如,通过总线或无线网络)以执行系统102的一个或多个功能。
通过实施方案,远程计划维护系统102的各种部件可以连接,使得劣化部件112可以利用特征变换算法210基于(例如,经由输入部件110)接收到的传感器数据确定至少一个医疗成像设备120的计划维护任务的劣化分数。为简洁起见,省略了对本文描述的其他实施方案中采用的类似元件的重复描述。本发明的各种实施方案中的系统(例如,远程计划维护系统102等)、装置或过程的各方面可构成体现在一个或多个机器内的一个或多个机器可执行部件(例如,体现在与一个或多个机器相关联的一个或多个计算机可读介质(媒介)内)。当由一个或多个机器(例如,计算机、计算设备、虚拟机、它们的组合等)执行时,此类部件可致使机器执行所描述的操作。
下面将参考图1和图2的示例性实施方案进一步描述功能的附加描述,其中为简洁起见,省略了在相应实施方案中采用的类似元件和/或过程的重复描述。远程计划维护系统102可以促进:i)使用可操作地耦接到存储器的处理器,从至少一个医疗成像设备120接收传感器数据;ii)使用处理器,利用特征变换算法210基于传感器数据确定至少一个医疗成像设备120的计划维护任务的劣化分数;iii)使用处理器,基于劣化分数建议对至少一个医疗成像设备120的维护。劣化分数还可以指示至少一个医疗成像设备120的特定故障模式的倾向。此外,计划维护部件114可以包括与医疗成像设备120相关联的计划维护任务的故障阈值。可以利用一个或多个不同的信息源确定相应医疗成像设备120的劣化指数和/或故障阈值。此类信息可以包括从医疗成像设备120直接获得的传感器数据(例如,原始传感器数据)和/或可以包括从链接的医疗成像设备120信息数据库获得的性能/零件信息(例如,来自医疗成像设备120的制造商的基于示意图的信息),该信息数据库可以与操作环境900(图9)相关联。
在诸如图1中一般性示出的实施方案中,输入部件110可以被配置为从一个或多个医疗设备120接收信息。此外,输入部件110可以从一个或多个医疗成像设备120接收传感器数据202。传感器数据202可以包括但不限于系统102和连接的医疗成像设备120的操作数据和地面真值数据。在示例中,医疗成像设备可以包括但不限于医疗成像设备诸如计算机断层摄影(CT)设备、磁共振成像(MRI)设备、正电子传输断层摄影(PET)设备或医疗成像过程中涉及的任何其他设备。此外,输入部件110可以从一个或多个不同连接的医疗成像设备120接收传感器数据。例如但没有限制,传感器数据202可包括任何种类的传感器参数122,包括:原始传感器数据、风扇速度数据、部件温度数据、材料劣化数据、使用数据、环境数据、性能数据、或可指示设备的性能和/或是否应当进行修理的任何其它测量(例如,多达M个参数)。
在实施方案中,诸如在医疗成像设备120可以是机架加热器的情况下,传感器数据202可以包括加热器出口温度、第一前风扇速度、第二前风扇速度、高气室温度和/或低气室温度。例如,机架加热器的正常操作区域可以包括26摄氏度与24摄氏度之间的温度。在正常操作区域之外检测到的温度可以指示医疗成像设备120应当经历维护或修理(诸如以维持正常操作)。在实施方案中,低于可接受阈值的气室的温度值连同低的加热器出口温度可对应于医疗成像设备120的加热器故障问题。低或高风扇速度可以与一个或多个修理条件相关联。例如但没有限制,高的第一前风扇速度和高的第二前风扇速度可对应于医疗成像设备120的过滤器堵塞问题。在其他示例中,低的第一前风扇速度和低的第二前风扇速度可以对应于医疗成像设备120的一个或多个风扇故障。针对一个或多个故障模式可以以类似的方式监视与医疗成像设备120的一个或多个部件的故障模式相关的一个或多个不同的其他参数。
通过诸如在图1和图2中一般性示出的实施方案,非限制性远程计划维护系统102可以经由预处理部件204将传感器数据202与其他数据结合利用。预处理部件204可以与处理器106、输入部件110、劣化部件112和/或计划维护部件114可操作地连接。在示例中,预处理部件204可以包括跨数据湖中的表格记录一个或多个不同的传感器参数(对应于医疗成像设备120)。此外,非限制性远程计划维护系统102可以通过随时间查询医疗成像设备120获取数据。例如,传感器数据202可包括数据聚集和合并一个或多个模型的粒度206。传感器数据202可以包括时间序列传感器数据。此外,传感器数据202可在变化的时间频率上收集/监视,并且可在变化的固定时间量(例如,4小时、8小时或12小时)上监视并且由系统102分析。传感器数据202可由预处理部件204聚集以使得表格湖的各种表格包括用于各种传感器参数122的统一时间频率。
诸如图2中一般性示出的,远程计划维护系统102可以经由预处理部件204整合各种医疗成像设备120传感器信息。另外,预处理部件204可包括可考虑另外的传感器信息的特征创建模块208。在示例中,特征创建模块208可以从高频原始参数(例如,斜率、移动平均、移动标准差、使用机器学习的时间序列分解、经由基于小波的技术的频率分解等)提取附加的特征集。预处理部件204可以整合传感器数据202与经由特征创建模块208提取的附加特征集,以促进预测和确定医疗成像设备120的计划维护。
此外,特征创建模块208可从传感器数据202导出统计的和基于域的特征。例如,特征创建模块可以确定均值、标准差、中值、最大值、最小值、最大值与中值比、最小值与中值比、对数变换、多项式变换以及各种其他统计运算。特征创建模块208还可以考虑医疗成像设备120的基于物理的特征。在示例中,特征创建模块208可以考虑传感器参数随时间的变化率以及参数的瞬时差异(例如,温度、风扇速度变化、性能测量等)。另外,特征创建模块208可利用机器学习算法(例如,决策树、随机森林等)以选择要监视的特征。
在实施方案中,远程计划维护系统102(例如,或劣化部件112)可以利用特征变换算法210(例如,目标驱动特征变换算法)进一步评估医疗成像设备120的维护/性能。特征变换算法210可以将选择的医疗成像设备120的特征从高维特征空间变换到低维特征空间(例如,其中特征空间可以是进一步用于表征数据的医疗成像设备120的特征的合集)。变换可以在一种或多种不同的算法/分析中实现,诸如经由主成分分析(例如,以及像核心主成分分析、线性判别分析、实际分析等的变型)。所得变换的特征可以使得医疗成像设备120的正常操作区域与医疗成像设备120的故障或劣化区域能够分离。可以监视医疗成像设备120的正常操作区域和故障区域,使得远程计划维护系统102可以基于获取的传感器数据202确定是否应当对医疗成像设备120执行维护(例如,或推迟安排的维护)。在确定医疗成像设备120的正常操作区域和故障/劣化区域时,特征创建模块208可以利用上述统计信息。此外,特征变换算法210可以使用均值、标准差和中值(例如,在其他统计操作中)监视和/或预测医疗成像设备120的性能(诸如在图5C中一般性示出的)。
通过诸如在图3中一般性示出的实施方案,劣化部件112可生成在变换的空间中不相关的新的变量集(例如,经由特征变换算法210)。此外,可以识别医疗成像设备120的正常操作区域和故障区域的边界,如图形310所示。对于没有异常地操作的医疗成像设备120,期望使特征空间驻留在限定的操作区域(例如,正常操作区域)内。偏离正常操作区域的数据点(例如,其可以经由特征创建模块208的统计的和基于物理的特征确定)可以指示医疗成像设备120中出现的劣化。医疗成像设备120的正常操作区域可以随设备而变化。此外,基于医疗成像设备120的操作,正常操作区域可以是单个连续区域或者可以是一个或多个不同的断开区域。在故障模式的区域重叠的实施方案中,可以给出执行与每个故障模式相关联的计划维护任务的建议。
通过实施方案,非限制性系统102可以经由主成分分析304和应用聚类算法306将故障数据从正常操作数据分离。劣化部件112还可以利用来自现有特征302的机器数据,并且可以对医疗成像设备120采用主成分分析304以确定医疗成像设备120的要监视或用于计算医疗成像设备120的劣化的部件。劣化部件112可将传感器数据(例如,和其它计算的数据)划分成一个或多个聚类。
例如但没有限制,诸如图4A一般性示出的,劣化部件112可将传感器数据202划分成正常操作区域402、第一故障模式404、第二故障模式406和第三故障模式408。通过实施方案,第一故障模式404可以对应于加热器故障(例如,其中气室温度可以在可接受范围之外并且加热器出口温度可以是低的),第二故障模式406可以对应于过滤器堵塞问题(例如,其中第一前风扇速度和第二前风扇速度可以是高的),并且第三故障模式408可以对应于医疗成像设备120的风扇故障(例如,其中第一前风扇速度和第二前风扇速度可以是低的)。正常操作区域402可以对应于如预期起作用的医疗成像设备120(例如,从而不经历降低的性能)。故障模式404-408可以对应于医疗成像设备120的特定计划维护任务(例如,清洁或更换风扇/电池)。
诸如图4A和图4B中所示,将主成分分析304应用于医疗成像设备120可以导致针对每个部件故障生成聚类。在示例中,对于故障模式,可识别限定故障区域的边界条件。故障模式可以在变换的空间中隔离,并且医疗成像设备120的当前状态可以基于数据点在相关联的图形310中的位置预测。可以通过诸如K均值聚类、模糊聚类、基于密度的聚类和谱聚类的算法限定聚类的边界。
通过诸如图4A和图4B所示的实施方案,图形400表示如由主成分分析算法304和聚类算法306执行的医疗成像设备120的主成分的3D聚类图形。劣化部件112还可以生成表示相关联的医疗成像设备120的一个或多个故障模式的一个或多个2D聚类图形以供进一步处理/分析。3D聚类图形400可以分成第一2D聚类图形400'、第二2D聚类图形400”以及第三2D聚类图形400”'。可以利用第一2D聚类图形400'确定医疗成像设备120是否在经历加热器故障。可以生成此类第一2D聚类图形400'以分析与气室温度和加热器出口温度相关联的性能数据(例如,以检测在可接受范围之外的气室温度和低于指示次优性能的期望阈值的加热器出口温度)。可以利用第二2D聚类图形400”确定医疗成像设备120是否在经历过滤器堵塞问题。可以生成此类第二2D聚类图形400”以分析与第一前风扇速度和第二前风扇速度相关联的性能数据(例如,以检测高于指示次优性能的期望阈值的高风扇速度)。可以利用第三2D聚类图形400”'确定医疗成像设备120是否在经历风扇故障。可以生成此类第三2D聚类图形400”'以分析与第一前风扇速度和第二前风扇速度相关联的性能数据(例如,以检测低于指示次优性能的期望阈值的低风扇速度)。
在实施方案中,劣化部件112可被配置为检测出现的故障状态。劣化部件112可基于数据点在变换的空间中的位置预测故障类型。例如,接近正常操作区域的边界的数据点可以向系统102指示有可能出现故障状态并且安排医疗成像设备120的维护(例如,指示故障、修理或维护的高倾向)。
通过实施方案,对于位于正常操作区域402之外的数据点,可以通过劣化指数量化偏差。此外,可以经由各种方法(例如,欧几里得距离、每个数据点从正常操作区域的中心的投影等)计算偏差。量化的偏差可以在0-100的范围之间缩放,以指示相关联的故障的劣化严重性。劣化部件可导出故障模式劣化指数的阈值,其中医疗成像设备120的部件有可能出现故障(例如,具有故障的倾向)。对于故障模式404-408,可以计算劣化指数404'、406'、408'(例如,诸如图3中所见)以分析医疗成像设备120的劣化状态。更高的劣化指数可以指示更高的故障严重性(其中医疗成像设备120对故障更敏感和/或故障更可能出现)。
现在转到图4C,第一2D聚类图形400'可以用于确定是否存在医疗成像设备120的加热器故障;并且进一步,确定是否应当执行维护。故障模式404-408(例如,相关联的2D聚类图形)可以包括故障方向410。故障方向410指示医疗成像设备120的一个或多个部件包括指示故障的性能数据。例如但没有限制,故障方向410包括位于正常操作区域402之外的部件的值。当医疗成像设备120的此类部件的性能值远离标称数据412的方向移动时,可以对这些部件安排医疗成像设备120的计划维护。
诸如在图5A和图5B中一般性示出的,目标驱动特征变换算法210可以采用核心主成分分析(PCA)304生成医疗成像设备120的主成分的3D聚类图形500。目标驱动特征变换算法210(例如,和/或劣化部件112)可进一步生成表示一个或多个故障模式的一个或多个2D聚类图形以供进一步处理/分析。3D聚类图形500可以分成第一2D聚类图形500'、第二2D聚类图形500”和第三2D聚类图形500”'。第一故障模式502可对应于低气室温度;第二故障模式504可对应于低风扇速度和高出口温度;第三故障模式506可对应于高气室温度和高风扇速度。
接下来转到图5C和图5D,劣化部件112可以利用来自预处理部件204的特征创建模块208的统计的和基于物理的特征确定医疗成像设备120的部件的值是否在接近故障区域(例如,其中部件数据沿相关联的2D图形上的故障方向移动)。3D聚类图形500可以用于生成第一2D聚类图形500';并且此外,预处理部件204(例如,包括数据聚集与合并一个或多个模型的粒度206和特征创建模块208)可统计地处理传感器数据202以确定低气室温度的平均值(由图形510所示)和高气室温度的平均值(由图形512所示)。以类似的方式,预处理部件204还可以统计地处理传感器数据202以确定第一前风扇速度的平均值(由图形514示出)和第二前风扇速度的平均值(由图形516示出)。如图5D所示,预处理部件204可以统计地处理传感器数据202以确定高气室温度的平均值(图形518)、低气室温度的平均值(图形520)、第一前风扇速度的平均值(图形522)和第二前风扇速度的平均值(图形524)。
在实施方案中,劣化部件112可基于统计的或机器学习方法(例如,如由预处理部件204执行的)导出每个故障模式的阈值。当劣化指数404'-408'越过故障模式404-408的故障阈值时,计划维护部件114可以向服务工程师生成(例如,经由用户接口720远程地)执行与故障模式404-408(见例如图4)相关联的计划维护任务的建议。此外,对于故障模式404-408的重叠区域,其中劣化指数在阈值内,可以请求服务工程师跳过与故障模式404-408相关联的相关联的计划维护任务。
诸如图6A中一般性示出的,劣化部件112可以通过将分离转换成劣化指数(例如,诸如图2中的对应劣化指数404'、406'、408'或劣化指数620)测量正常操作区域602与劣化/故障模式区域604之间的分离程度。劣化指数620可以指示特定故障模式的倾向(例如,加热器有可能出现故障,导致医疗成像设备120的次优)。此外,劣化指数620包括与特定计划维护任务(诸如更换机架加热器)有关的劣化分数。劣化部件112可利用根本原因算法基于获取的传感器数据202结合劣化指数620确定必要的修理。根本原因算法可以与一个或多个修理手册、参考手册、根本原因表格和/或一个或多个维护算法整合以确定必要的修理,使得医疗成像设备120可以返回最佳性能。根本原因算法可以包括广泛范围的医疗成像设备120及其部件的信息,以准确地诊断和评价医疗成像设备120故障的根本原因。
此外,通过实施方案,劣化指数620可以评估在指数的生成期间来自高气室温度(曲线622)和低气室温度(曲线624)的信息。诸如从图6B可以看出,劣化指数620的曲线指示机架加热器在劣化指数620上点A处的高劣化分数,并且曲线622、624可以对应于低气室温度和高气室温度在可接受容差之外的温度。此外,机架加热器的更换发生在劣化指数620上的点B处,并且曲线622、624导致低气室温度和高气室温度返回正常操作的范围,并且机架加热器故障模式的劣化分数返回正常值(例如,对应于正常操作并且具有指示相同的相关性能数据的医疗成像设备120)。可以经由用户界面720向服务工程师建议包括高劣化分数(例如,超过由用户确定的可接受性能阈值和医疗成像设备120的操作条件的分数)的维护任务。例如,如果劣化分数高于期望阈值,则此类分数可以指示相关联的医疗成像设备120包括高故障灵敏度。此外,高故障灵敏度可以指示医疗成像设备120有可能由于一个或多个原因而发生故障(例如,医疗成像设备120有可能在医疗成像设备120的后续计划维护之前发生故障)。在其他实施方案中,高故障灵敏度可以指示医疗成像设备120的部件的性能趋向于特定故障区域的故障方向,因此取决于部件趋向于故障区域有多快,可能需要以紧急和非紧急的方式进行维护。
在示例中,计划维护部件114可以经由机器学习处理劣化指数620以确定对医疗成像设备120的各种部件(例如,各种故障模式/区域)的计划维护的方式。接下来转到图7,非限制性远程计划维护系统102可以评估与医疗成像设备120的故障模式相关联的一个或多个劣化分数。可以针对医疗成像设备120的故障模式(例如,诸如机架加热器故障)生成第一劣化曲线700和第二劣化曲线702。此外,第一劣化曲线700可以包括第一参考点704,其中医疗成像设备120的劣化分数增加,指示不合适的性能。作为响应,可以安排计划维护以校正医疗成像设备120的性能(例如,在第二参考点706处)。加热器故障的劣化分数可以减小并且在经由计划维护更换加热器之后返回常态。在其他实施方案中,如果劣化分数指示相关联的医疗成像设备的部件在如预期执行,则可以放弃预先安排的维护。另外,劣化分数可以在不进行预先计划维护的情况下返回常态(诸如在参考点708处),并且可以在安排下一次计划维护时考虑此类性能。
例如,以与关于第一劣化曲线700类似的方式,第二劣化曲线702可以包括指示响应于检测到高劣化分数而安排和进行的计划维护的第一参考点710。如从第二劣化曲线702可见,加热器故障的劣化分数可降低并且在进行维护(例如,经由清洁和/或部件更换)之后返回常态。此外,第二参考点712可以指示高劣化分数在没有计划维护的情况下返回常态。另外,第三参考点714可以指示由于加热器故障导致的高劣化分数,由此尚未预先安排维护并且应当执行维护以使加热器返回医疗成像设备120的最佳性能。
在示例中,第一劣化曲线700和第二劣化曲线702可以在用户界面720内可见(如图2所示)。此外,非限制性远程计划维护系统102可以经由用户界面720显示一个或多个维护建议,该用户界面可以在外观上类似于曲线700和702。
例如但没有限制,计划维护可以包括以下动作的任何组合:(1)使医疗成像设备120掉电,(2)使医疗成像设备120的部件掉电,(3)生成/传输医疗成像设备120没有正常工作的警报,(4)降低医疗成像设备120的部件的性能;(5)断开医疗成像设备120;(5)更换部件(例如,散热器、风扇、冷却流体、轴承和/或医疗成像设备120的部件的其他属性);以及(6)更换医疗成像设备120。如果已为医疗成像设备120安排了维护,则远程计划维护系统102可以选择性地断开医疗成像设备120的部件和/或医疗成像设备120整体,以促进安全且有效的修理过程。例如,远程计划维护系统102可以断开到医疗成像设备120的电力并且等待维护/修理。另外,远程计划维护系统102可以生成医疗成像设备120将断开和/或将不可操作直到可以进行维护(这可以远程安排)的一个或多个警报。
用户界面720可以是包括供服务和/或现场工程师在进行维护时考虑的视觉(例如,支持图表、图、数据等)的清单或报告。用户界面720还可以包括与识别的医疗成像设备120的故障模式对应的部件的当前状态的描述(例如,其可以包括突出显示以将服务工程师引导至用户界面720上的重要信息)。对于劣化指数为高的故障模式,用户界面720可显示高劣化指数的根本原因。用户计划维护部件114可采用根本原因算法标识故障模式的根本原因,从而整合劣化指数。用户接口720可以在现场与各种医疗成像设备120连接,使得服务工程师可以容易地访问用户接口720并且与其交互。
在实施方案中,非限制性远程计划维护系统102可以由一个或多个不同的度量评估。例如但没有限制,此类度量可以包括召回百分比和所避免的计划维护任务的百分比。召回百分比可表达为:召回百分比可以反映检测到的医疗成像设备120的故障/错误/问题的百分比。此外,假阴性可以表示远程计划维护系统102错过对相关联的医疗成像设备120的有缺陷部件的预测的情形。真阳性可以表示部件有缺陷并且远程计划维护系统102已准确地预测和/或诊断了此类故障的情形。此外,所避免的计划维护任务的百分比可表达为:/>可以评价非限制性远程计划维护系统102的精度并且表达为/>(例如,其中假阳性可以是检测到故障/错误/问题而实际上不发生的情况)。提高的远程计划维护系统102的精度可以与减少的医疗成像设备120的错误调用(故障调用)相关联。提高的远程计划维护系统102的召回百分比可以与提高的医疗成像设备120的故障捕获率相关联。
通过实施方案,远程计划维护800的计算机实现的方法可以包括使用可操作地耦接到存储器的处理器从至少一个医疗成像设备120接收传感器数据202的第一步骤(步骤802)。计算机实现的方法还可以包括使用处理器生成指示医疗成像设备120的故障模式和正常操作模式的聚类区域(步骤804)。在生成指示故障和正常操作模式的聚类区域时,该方法可以包括预处理部件204(例如,特征创建模块808)从传感器数据202导出统计的和基于域的特征(步骤806)。此外,特征创建模块可以确定用于处理医疗成像设备120的操作区域的传感器数据202的统计操作。在此类步骤中,特征创建模块208可以识别对医疗设备120的成功性能有贡献的部件,并且将识别的部件传输到目标驱动特征变换算法210。
另外,计算机实现的方法800可以包括使用处理器利用特征变换算法210基于传感器数据202确定至少一个医疗成像设备120的计划维护任务的劣化分数(步骤808)。此外,可以利用特征变换算法210将选择的医疗成像设备120的特征从高维特征空间变换到低维特征空间(例如,以用于更有效的处理和/或数据分析)。特征变换算法210可以变换数据,使得劣化部件112可以通过将部件的历史和当前操作与正常操作区域和故障操作区域进行比较来确定医疗成像设备120的性能。特征变换算法210所利用的统计操作可以用于监视和/或预测医疗成像设备120相对于正常操作区域和故障区域(其将由方法800确定)的性能。
在实施方案中,远程计划维护800的计算机实现的方法可以包括确定医疗成像设备120的故障模式/区域的部件的阈值。故障模式/区域的阈值可以通过应用聚类算法306确定。例如但没有限制,方法800可以包括通过经由主成分分析算法304和聚类算法306生成3D聚类图形确定医疗成像设备120的故障模式的阈值。此外,劣化部件112可以从反映医疗成像设备120的一个或多个故障模式/区域的3D聚类图形生成一个或多个所得2D聚类图形。劣化部件可以经由一个或多个所得2D聚类图形准确地评价医疗成像设备120的性能和/或维护。
通过实施方案,劣化部件可确定数据点(例如,传感器数据202)位于正常操作区域之外的严重性。该严重性可以经由与正常操作区域的偏差确定。此外,远离正常操作区域的数据点可以指示更高程度的次优性能(例如,医疗成像设备120故障的可能性)。
远程计划维护方法800可以包括确定故障模式的劣化分数是否高于阈值(例如,以进行修理)(步骤810)。如果劣化分数不高于阈值,则计划维护部件114可以不提供对计划维护的建议(步骤812)。例如但没有限制,如果未超过阈值,则计划维护部件114可以建议不执行(例如,跳过)对医疗成像设备120的计划维护。通过实施方案,计划维护任务可以由计划维护部件114从用于相关联的医疗成像设备120的清单(例如,具有任何数量的计划维护任务)检查出来。此外,任务可以从列表检查而不是进行。相反,如果劣化分数高于阈值,则计划维护部件114可以向用户界面720传输警报,并且可以建议对对应于高劣化分数(例如,超过由用户或由特定医疗成像设备120的功能设置的限制的劣化分数)的故障模式的相关联部件的维护(步骤814)。在示例中,用户界面720可以包括有效地传达警报的任何种类的信息介质(例如,图、表格、可视化、数据、根本原因等)。此外,在传输警报时,计划维护部件114可执行一个或多个不同的动作。计划维护部件114可以将医疗成像设备120从电源断开,选择性地将医疗成像设备120的一个或多个部件从电源断开,并且远程地降低医疗成像设备120的性能(例如,使得医疗设备能够处于较低功率模式以降低部件操作需求)。当设备与进一步损坏隔离(例如,与电源和/或操作断开)并且等待修理时,计划维护部件114可以生成警报。
为了向本文所述的各种实施方案提供附加的上下文,图9和以下讨论旨在提供可在其中实现本文所述的实施方案的各种实施方案的合适计算环境900的简要、一般的描述。虽然上文已在可在一个或多个计算机上运行的计算机可执行指令的一般上下文中描述了实施方案,但本领域的技术人员将认识到,这些实施方案也可与其它程序模块结合和/或作为硬件和软件的组合来实现。
通常,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、部件、数据结构等。此外,本领域的技术人员将会理解,各种方法可以用其它计算机系统配置来实践,包括单处理器或多处理器计算机系统、小型计算机、大型计算机、物联网(IoT)设备、分布式计算系统,以及个人计算机、手持计算设备、基于微处理器的或可编程的消费电子产品等,它们中的每一者可操作地耦接到一个或多个相关联的设备。
本文的所例示的实施方案还可以在分布式计算环境中实践,在该环境中,由通过通信网络链接的远程处理设备执行某些任务。在分布式计算环境中,程序模块可以位于本地和远程存储器存储设备中。
计算设备通常包括各种介质,该各种介质可以包括计算机可读存储介质、机器可读存储介质和/或通信介质,其中在本文中这两个术语的使用彼此不同,如下所述。计算机可读存储介质或机器可读存储介质可以是可由计算机访问的任何可用存储介质,并且包括易失性和非易失性介质、可移动和不可移动介质。以举例的方式而非限制,计算机可读存储介质或机器可读存储介质可以结合用于存储诸如计算机可读或机器可读指令、程序模块、结构化数据或非结构化数据的信息的任何方法或技术实现。
计算机可读存储介质可包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪存存储器或其它存储器技术、光盘只读存储器(CD-ROM)、数字通用盘(DVD)、蓝光盘(BD)或其它光盘存储装置、磁带盒、磁带、磁盘存储装置或其它磁存储设备、固态驱动器或其它固态存储设备或者可用于存储所需信息的其它有形和/或非暂态介质。就这一点而言,本文如应用于存储装置、存储器或计算机可读介质的术语“有形”或“非暂态”应理解为仅排除传播暂态信号本身作为修饰语,并且不放弃对于不仅是传播暂态信号本身的所有标准存储装置、存储器或计算机可读介质的权利。
计算机可读存储介质可以由一个或多个本地或远程计算设备访问,例如,经由访问请求、查询或其它数据检索协议,以实现关于由介质存储的信息的各种操作。
通信介质通常在数据信号中包含计算机可读指令、数据结构、程序模块或其它结构化或非结构化数据,该数据信号可以是诸如调制数据信号,例如载波或其它传输机制,并包括任何信息传递或传输介质。术语“调制数据信号”或“信号”是指设置或改变其一个或多个特性以在一个或多个信号中编码信息的信号。以举例的方式而非限制,通信介质包括有线介质,诸如有线网络或直接有线连接,以及无线介质,诸如声学、RF、红外和其它无线介质。
再次参考图9,用于实现本文所述方面的各种实施方案的示例性环境900包括计算机902,计算机902包括处理单元904、系统存储器906和系统总线908。系统总线908将包括但不限于系统存储器906的系统部件耦接到处理单元904。处理单元904可以是各种可商购获得的处理器中的任一种处理器。双微处理器和其他多处理器架构也可用作处理单元904。
系统总线908可以是可使用各种可商购获得的总线架构中的任一种总线架构进一步互连到存储器总线(有或没有存储器控制器)、外围总线和局部总线的若干类型的总线结构中的任一种。系统存储器906包括ROM 910和RAM 912。基本输入/输出系统(BIOS)可存储在非易失性存储器诸如ROM、可擦除可编程只读存储器(EPROM)、EEPROM中,其中BIOS包含基本例程,该基本例程有助于诸如在启动期间在计算机902内的元件之间传递信息。RAM 912还可包括高速RAM,诸如用于高速缓存数据的静态RAM。
计算机902还包括内部硬盘驱动器(HDD)914(例如,EIDE、SATA)、一个或多个外部存储设备916(例如,磁软盘驱动器(FDD)916、记忆棒或闪存驱动读取器、存储卡读取器等)和光盘驱动器920(例如,其可从CD-ROM盘、DVD、BD等读取或写入)。虽然内部HDD 914被示出为位于计算机902内,但是内部HDD 914也可以被配置为外部用于合适的基础结构(未示出)中。另外,虽然在环境900中未示出,但是固态驱动器(SSD)可以作为HDD 914的补充或替代使用。HDD 914、外部存储设备916和光盘驱动器920可分别通过HDD接口924、外部存储接口926和光盘驱动器接口928连接到系统总线908。用于外部驱动器实现的接口924可包括通用串行总线(USB)和电气与电子工程师协会(IEEE)1394接口技术中的至少一者或两者。其它外部驱动连接技术在本文所述的实施方案的设想内。
驱动器及其相关联的计算机可读存储介质提供数据、数据结构、计算机可执行指令等的非易失性存储。对于计算机902,驱动器和存储介质以合适的数字格式容纳任何数据的存储。尽管上文对计算机可读存储介质的描述涉及相应类型的存储设备,但本领域的技术人员应当理解,计算机可读的其它类型的存储介质(无论是目前存在的还是将来开发的)都也可用于示例性操作环境中,并且此外,任何此类存储介质可包含用于履行本文所述的方法的计算机可执行指令。
多个程序模块可以存储在驱动器和RAM 912中,包括操作系统930、一个或多个应用程序932、其他程序模块934和程序数据936。操作系统、应用程序、模块和/或数据的全部或部分也可高速缓存在RAM 912中。本文所述的系统和方法可利用各种可商购获得的操作系统或操作系统的组合来实现。
计算机902可任选地包括仿真技术。例如,管理程序(未示出)或其他中介可以仿真用于操作系统930的硬件环境,并且仿真的硬件可任选地不同于图9中所示的硬件。在此类实施方案中,操作系统930可包括在计算机902处托管的多个虚拟机(VM)中的一个VM。此外,操作系统930可以向应用程序932提供运行时环境,诸如Java运行时环境或.NET框架。运行时环境是允许应用程序932在包括运行时环境的任何操作系统上运行的一致执行环境。类似地,操作系统930可以支持容器,并且应用程序932可以是作为轻质、独立、可执行的软件包的容器的形式,该软件包包括例如应用程序的代码、运行时、系统工具、系统库和设置。
此外,计算机902可用安全模块诸如可信处理模块(TPM)启用。例如,在TPM的情况下,引导部件在下一次引导部件中散列化,并且在加载下一个引导部件之前等待结果与安全值的匹配。这个过程可以发生在计算机902的代码执行栈中的任一层,例如应用于应用程序执行层级或操作系统(OS)核心层级,由此实现任何代码执行层级的安全性。
用户可以通过一个或多个有线/无线输入设备(例如,键盘938、触摸屏940和指向设备诸如鼠标942)将命令和信息输入到计算机902中。其它输入设备(未示出)可包括麦克风、红外(IR)遥控器、射频(RF)遥控器或其它遥控器、操纵杆、虚拟现实控制器和/或虚拟现实头戴式耳机、游戏板、触笔、图像输入设备(例如相机)、手势传感器输入设备、视觉移动传感器输入设备、情绪或面部检测设备、生物识别输入设备(例如指纹或虹膜扫描仪)等。这些和其他输入设备经常通过输入设备接口944连接到处理单元904,该输入设备接口可以耦接到系统总线908,这些和其他输入设备还可以通过其他接口连接,诸如并行端口、IEEE 1394串行端口、游戏端口、USB端口、IR接口、接口等。
监视器946或其他类型的显示设备也可以经由诸如视频适配器948的接口连接到系统总线908。除了监视器946之外,计算机通常包括其他外围输出设备(未示出),诸如扬声器、打印机等。
计算机902可以使用经由有线和/或无线通信到一个或多个远程计算机诸如远程计算机950的逻辑连接在联网环境中操作。远程计算机950可以是工作站、服务器计算机、路由器、个人计算机、便携式计算机、基于微处理器的娱乐器具、对等设备或其他共同网络节点,并且通常包括相对于计算机902所述的许多或所有元件,尽管为简洁起见,仅示出了存储器/存储设备952。描绘的逻辑连接包括到局域网(LAN)954和/或更大网络(例如,广域网(WAN)956)的有线/无线连接。此类LAN和WAN联网环境常见于办公室和公司中,并且有利于企业范围内的计算机网络,诸如内联网,所有这些网络均可连接到全球通信网络,例如互联网。
当在LAN联网环境中使用时,计算机902可以通过有线和/或无线通信网络接口或适配器958连接到本地网络954。适配器958可促进到LAN 954的有线或无线通信,该LAN还可包括布置在其上的无线接入点(AP)以用于在无线模式下与适配器958通信。
当在WAN联网环境中使用时,计算机902可包括调制解调器960,或者可以经由用于通过WAN 956建立通信的其他装置(诸如通过互联网)连接到WAN 956上的通信服务器。可以作为内部或外部的以及有线或无线的设备的调制解调器960可以经由输入设备接口944连接到系统总线908。在联网环境中,相对于计算机902或其部分描绘的程序模块可以存储在远程存储器/存储设备952中。应当理解,所示的网络连接是示例,并且可使用在计算机之间建立通信链路的其它装置。
当在LAN或WAN联网环境中使用时,作为如上所述的外部存储设备916的补充或替代,计算机902可访问云存储系统或其他基于网络的存储系统。一般地,计算机902与云存储系统之间的连接可以例如分别由适配器958或调制解调器960通过LAN 954或WAN 956建立。在将计算机902连接到相关联的云存储系统时,外部存储接口926可以借助于适配器958和/或调制解调器960管理由云存储系统提供的存储装置,如同其他类型的外部存储装置。例如,外部存储接口926可以被配置为提供对云存储源的访问,如同那些源物理地连接到计算机902。
计算机902可以可操作以与可操作地布置在无线通信中的任何无线设备或实体通信,例如打印机、扫描仪、台式计算机和/或便携式计算机、便携式数据助理、通信卫星、与无线可检测标签(例如,信息亭、报刊亭、商店货架等)相关联的任何装备件或位置、以及电话。这可包括无线保真(Wi-Fi)和无线技术。因此,通信可以是与常规网络一样的预定义结构,或者仅仅是至少两个设备之间的自组织通信。
现在参考图10,示出了根据本说明书的计算环境1000的示意性框图。系统1000包括一个或多个客户端1002(例如,计算机、智能电话、平板电脑、相机、PDA)。客户端1002可以是硬件和/或软件(例如,线程、进程、计算设备)。例如,客户端1002可以通过采用本说明书容纳小型文本文件和/或相关联的上下文信息。
系统1000还包括一个或多个服务器1004。服务器1004还可以是硬件或与软件(例如,线程、进程、计算设备)组合的硬件。例如,服务器1004可以容纳用于通过采用本公开的各方面执行媒介项目的变换的线程。客户端1002与服务器1004之间一种可能的通信可以是适于在两个或更多个计算机进程之间传输的数据分组的形式,其中数据分组可包括编码的分析的顶部空间和/或输入。例如,数据分组可包括小型文本文件和/或相关联的上下文信息。系统1000包括可用于促进客户端1002与服务器1004之间通信的通信框架1006(例如,全球通信网络,诸如互联网)。
可以通过有线(包括光纤)和/或无线技术来促进通信。客户端1002可操作地连接到一个或多个客户端数据存储装置1008,该客户端数据存储装置可用于存储客户端1002本地的信息(例如,小型文本文件和/或相关联的上下文信息)。类似地,服务器1004可操作地连接到一个或多个服务器数据存储装置1010,该服务器数据存储装置可用于存储服务器1004本地的信息。
在一个示例性具体实施中,客户端1002可以向服务器1004传递编码的文件(例如,编码的媒介项目)。服务器1004可以存储文件、对文件解码或将文件传输到另一客户端1002。注意,客户端1002还可以将未压缩文件传递至服务器1004,并且服务器1004可以根据本公开压缩文件和/或变换文件。同样,服务器1004可以对信息编码,并且经由通信框架1006将信息传输到一个或多个客户端1002。
本公开的所示出方面还可在分布式计算环境中实践,其中由通过通信网络链接的远程处理设备执行某些任务。在分布式计算环境中,程序模块可以位于本地和远程存储器存储设备中。
以上描述包括各种实施方案的非限制性示例。当然,无法出于描述所公开的主题的目的而描述部件或方法的每一种可想到的组合,并且本领域的技术人员可以认识到,各种实施方案的另外的组合和排列是可能的。所公开的主题旨在涵盖落入所附权利要求的精神和范围内的所有此类更改、修改和变化。
关于由上述部件、设备、电路、系统等执行的各种功能,除非另外指明,否则用以描述此类部件的术语(包括对“装置”的提及)旨在还包括执行所描述部件的指定功能的任何结构(例如,功能等同物),即使在结构上不等同于所公开的结构。此外,尽管可能仅针对若干具体实施中的一个公开了所公开的主题的具体特征,但是这样的特征可以与其他具体实施的一个或多个其他特征组合,如对于任何给定或特定应用可能需要和有利的那样。
如本文所用,术语“示例性”和/或“演示性”旨在表示用作示例、实例或说明。为了避免疑问,本文中所公开的主题不受这类示例的限制。另外,本文描述为“示例性”和/或“演示性”的任何方面或设计不必被理解为比其它方面或设计更优选或有利,也不意指排除本领域的技术人员已知的等同结构和技术。此外,在详细描述或权利要求中使用术语“包括”、“具有”、“包含”和其它类似词语的情况下,此类术语旨在(以类似于作为开放转换词的术语“包括”的方式)为包括性的,而不排除任何附加或其它元素。
如本文所用,术语“或”旨在意指包括性的“或”而不是排他性的“或”。例如,表述“A或B”旨在包括A、B以及A和B两者的实例。另外,如本申请和所附权利要求中所使用,冠词“一(a)”和“一(an)”通常应当被解释为意指“一个或多个”,除非另外指定或从上下文清楚得知是针对单数形式。
如本文所采用,术语“集”排除空集,即,其中没有元素的集。因此,本公开中的“集”包括一个或多个元素或实体。同样,如本文所用,术语“组”是指一个或多个实体的集合。
如本文所提供的对本公开的所示实施方案的描述(包括摘要中所述的内容)并非旨在穷举或将所公开的实施方案限制于所公开的精确形式。虽然出于例示的目的在本文描述了特定实施方案和示例,但是本领域的技术人员可以认识到的,在此类实施方案的范围内所考虑的各种修改是可能的。就这一点而言,虽然本文已在适用的情况下结合各种实施方案和对应附图描述了主题,但应理解,可以使用其它类似实施方案,或者可以对所述实施方案作出修改和添加,以执行所公开主题的相同、类似、替代或取代功能而不偏离所公开主题。因此,所公开主题不应限于本文所述的任何单个实施方案,而是应根据所附权利要求的广度和范围来解释。
Claims (15)
1.一种系统,所述系统包括:
存储器,所述存储器存储计算机可执行部件;和
处理器,所述处理器可操作地耦接到所述存储器,并且所述处理器执行存储在所述存储器中的所述计算机可执行部件,其中所述计算机可执行部件包括:
输入部件,所述输入部件从至少一个医疗设备接收传感器数据;
劣化部件,所述劣化部件利用特征变换算法基于所述传感器数据确定所述至少一个医疗设备的计划维护任务的劣化分数;和
计划维护部件,所述计划维护部件基于所述劣化分数建议对所述至少一个医疗设备的维护。
2.根据权利要求1所述的系统,其中所述劣化分数指示所述至少一个医疗设备的故障模式的倾向。
3.根据权利要求2所述的系统,其中所述计划维护部件确定所述计划维护任务的故障阈值,并且所述劣化分数高于所述故障阈值指示所述至少一个医疗设备的所需维护。
4.根据权利要求2所述的系统,其中所述劣化部件从所述传感器数据提取统计的和基于域的特征;并且将所述统计的和基于域的特征变换到特征空间,使得能够在所述至少一个医疗设备的正常操作区域与故障区域之间进行分离。
5.根据权利要求4所述的系统,其中所述劣化分数基于所述至少一个医疗设备的所述正常操作区域与所述故障区域之间的分离程度。
6.根据权利要求3所述的系统,其中根据所述至少一个医疗设备的当前劣化和劣化值的历史计算所述劣化分数。
7.根据权利要求6所述的系统,其中如果所述劣化分数高于所述故障阈值,则由所述劣化部件利用根本原因算法确定根本原因。
8.根据权利要求3所述的系统,其中所述计划维护部件响应于确定所述至少一个医疗设备需要维护而执行动作;并且所述动作包括将所述至少一个医疗设备从电源断开、传输所述至少一个医疗设备处于故障风险中的警报以及降低所述至少一个医疗设备的性能中的至少一者。
9.一种用于使用算法实现医疗设备的远程计划维护的计算机实现的方法,所述计算机实现的方法包括:
使用可操作地耦接到存储器的处理器,从至少一个医疗设备接收传感器数据;
使用所述处理器,利用特征变换算法基于所述传感器数据确定所述至少一个医疗设备的计划维护任务的劣化分数;以及
使用所述处理器,基于所述劣化分数建议对所述至少一个医疗设备的维护。
10.根据权利要求9所述的计算机实现的方法,其中所述劣化分数指示所述至少一个医疗设备的故障模式的倾向。
11.根据权利要求10所述的计算机实现的方法,所述计算机实现的方法还包括:
使用所述处理器,确定所述计划维护任务的故障阈值,其中劣化值高于所述故障阈值指示所述至少一个医疗设备的所需维护。
12.根据权利要求11所述的计算机实现的方法,所述计算机实现的方法还包括:
使用所述处理器,从所述传感器数据提取统计的和基于域的特征;以及
使用所述处理器,将所述统计的和基于域的特征变换到特征空间,使得能够在所述至少一个医疗设备的正常操作区域与故障区域之间进行分离。
13.根据权利要求12所述的计算机实现的方法,其中所述劣化分数基于所述至少一个医疗设备的所述正常操作区域与所述故障区域之间的分离程度。
14.根据权利要求11所述的计算机实现的方法,其中根据所述至少一个医疗设备的当前劣化和劣化值的历史计算所述劣化分数。
15.根据权利要求14所述的计算机实现的方法,所述计算机实现的方法还包括:
如果所述劣化分数高于所述故障阈值,则使用所述处理器确定所述至少一个医疗设备的根本原因;以及
使用所述处理器,向用户显示所述至少一个医疗设备的所述根本原因。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US18/057,347 | 2022-11-21 | ||
US18/057,347 US20240170138A1 (en) | 2022-11-21 | 2022-11-21 | System and methods for enabling remote planned maintenance of medical imaging devices |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118057546A true CN118057546A (zh) | 2024-05-21 |
Family
ID=88647305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311521367.3A Pending CN118057546A (zh) | 2022-11-21 | 2023-11-15 | 用于实现医疗成像设备的远程计划维护的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240170138A1 (zh) |
EP (1) | EP4372508A1 (zh) |
CN (1) | CN118057546A (zh) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019011765A1 (en) * | 2017-07-10 | 2019-01-17 | Koninklijke Philips N.V. | PREDICTIVE MAINTENANCE FOR LARGE MEDICAL IMAGING SYSTEMS |
EP3669373A1 (en) * | 2017-08-18 | 2020-06-24 | Bayer Healthcare LLC | System, method, and computer program product for predictive maintenance |
-
2022
- 2022-11-21 US US18/057,347 patent/US20240170138A1/en active Pending
-
2023
- 2023-10-31 EP EP23207109.2A patent/EP4372508A1/en active Pending
- 2023-11-15 CN CN202311521367.3A patent/CN118057546A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240170138A1 (en) | 2024-05-23 |
EP4372508A1 (en) | 2024-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11308250B2 (en) | Learning expected operational behavior of machines from generic definitions and past behavior | |
US10055275B2 (en) | Apparatus and method of leveraging semi-supervised machine learning principals to perform root cause analysis and derivation for remediation of issues in a computer environment | |
US20200160207A1 (en) | Automated model update based on model deterioration | |
US10585773B2 (en) | System to manage economics and operational dynamics of IT systems and infrastructure in a multi-vendor service environment | |
JP5214656B2 (ja) | 評価装置および評価プログラム | |
KR101768438B1 (ko) | 데이터 분류 장치 및 방법과 이를 이용한 데이터 수집 시스템 | |
CN111242323B (zh) | 用于修理机器次优操作的主动自动系统和方法 | |
US10147048B2 (en) | Storage device lifetime monitoring system and storage device lifetime monitoring method thereof | |
US20160313216A1 (en) | Fuel gauge visualization of iot based predictive maintenance system using multi-classification based machine learning | |
US9282008B2 (en) | Systems and methods for monitoring system performance and availability | |
US20150193325A1 (en) | Method and system for determining hardware life expectancy and failure prevention | |
JP2017194967A (ja) | 保守有効性推定に基づく保守推奨システム | |
US9355010B2 (en) | Deriving an operational state of a data center using a predictive computer analysis model | |
EP3699914B1 (en) | Artificial intelligence based monitoring of solid state drives and dual in-line memory modules | |
US20170261403A1 (en) | Abnormality detection procedure development apparatus and abnormality detection procedure development method | |
WO2014145977A1 (en) | System and methods for automated plant asset failure detection | |
US20100058092A1 (en) | Method for characterizing the health of a computer system power supply | |
EP3859472B1 (en) | Monitoring system and monitoring method | |
US20200160227A1 (en) | Model update based on change in edge data | |
WO2014199177A1 (en) | Early warning and prevention system | |
US20170257304A1 (en) | Systems and methods for monitoring system performance and availability | |
EP4372508A1 (en) | System and methods for enabling remote planned maintenance of medical imaging devices | |
US20240160198A1 (en) | Industrial data source writeback | |
US20240160811A1 (en) | Industrial data extraction | |
US20240160164A1 (en) | Industrial automation data quality and analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |