CN118246905B - 一种基于数据分析的小分子检测设备维护管理系统 - Google Patents

Abstract

本发明公开了一种基于数据分析的小分子检测设备维护管理系统，涉及数据处理技术领域。包括指令输入模块，用于获取指令数据；监控检测模块，用于获取检测设备的参数数据，参数数据用于记录设备运行状态下的信息；联想模块，用于读取实时参数数据，并构建基于人工智能的联想模型，联想模型根据比对历史参数数据和实时参数数据的差值，输出预测参数数据；整合警示模块。本发明通过整合指令数据、参数数据和预测参数数据，构建影响模型，判别指令数据对参数数据的影响值，并输出相应的维护管理命令，得到了输入的指令和设备参数之间的影响联系，便于之后更好的发生具有针对性的维护管理命令。

Description

一种基于数据分析的小分子检测设备维护管理系统

技术领域

本发明涉及数据处理技术领域，具体为一种基于数据分析的小分子检测设备维护管理系统。

背景技术

小分子检测设备一般是用于检测生物样品中小分子物质（如蛋白质、核酸、代谢物等）的仪器，广泛应用于药物研发、食品安全等领域，为了确保这些设备的正常运行和检测结果的准确性，对设备的维护和管理至关重要，因此需要一种对小分子检测设备进行维护和关联的系统。

经检索，公开号“CN115760065A”的中国发明专利，公开了“一种设备维护管理系统及维护管理方法”，该申请通过自动获取设备的运行参数信息，并根据运行参数信息进行分析后，生成适合维护本设备的维护人员的配置管理结果，再根据配置管理结果联系对应的维护人员，相比传统技术，不再需要人为的查看后再联系更专业的维护人员，从而便于提高维护人员的维护效率。

此外，公开号“CN115713319A”的中国发明专利，公开了“一种办公设备维护管理系统及方法”，该申请通过将所有的办公设备均录入系统，并对办公设备的信息进行全面的记录，从而便于上层决策者了解办公设备的运行情况、使用年限等信息，不会出现错漏和重复维护的情况，保证了工作效率的同时也不会增加维护人员的工作量，且根据用户身份的不同分配不同的权限。

然而上述公开的两种有关于设备的维护管理方法及系统，以及与之相类似的维护管理系统，在实际运行时，通常只侧重于设备的运行参数监控、维护人员分配等基础功能，而未能深入利用数据分析技术，实现精准预测、智能决策以及维护效果的持续优化，又因为随着小分子检测设备技术的不断进步和应用场景的日益复杂，所以上述设备的维护管理系统以及方法难以满足日益增长的维护管理需求。

发明内容

本发明的目的在于提供一种基于数据分析的小分子检测设备维护管理系统，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于数据分析的小分子检测设备维护管理系统，包括：

指令输入模块，用于获取指令数据；

监控检测模块，用于获取检测设备的参数数据，参数数据用于记录设备运行状态下的信息；

联想模块，用于读取实时参数数据，并构建基于人工智能的联想模型，联想模型根据比对历史参数数据和实时参数数据的差值，输出预测参数数据；

整合警示模块，用于将指令数据、参数数据和预测参数数据整合，并构建影响模型，影响模型用于判别指令数据对参数数据的影响值，基于影响值输出相对应的维护管理命令；

反馈模块，用于根据维护管理命令对检测设备输送反馈数据；

执行确认模块，用于确认反馈数据是否有效执行，若反馈数据执行有效，则更新联想模型，若反馈数据执行无效，则重新生成维护管理方案；

所述影响模型包括：

基于指令数据获取检测设备的运行环境，提取运行环境特征生成若干个条件数据，关联相同特征的条件数据和参数数据，并输出关联数据，获取所述检测设备的预设阈值数据，构建判定方法，判定关联数据和预设阈值数据的关联程度，基于关联程度输出相对应的维护管理命令。

作为本技术方案进一步优选的，每个条件数据之间存在权重，将权重设置为W，将所述预设阈值数据设置为R，将所述关联数据设置为Y，所述判定方法的运行公式为：

其中，X₁, X₂, ..., X_n分别代表不同的条件数据，W₁, W₂, ..., W_n分别代表对应的权重，R代表预设阈值数据；

当Y的值大于或等于R时，判定为关联程度高，并输出基于指令数据的维护管理命令，当Y的值小于R时，继续监控检测模块获取新的参数数据，并重新进行判定。

作为本技术方案进一步优选的，所述指令数据的内容包括：实时操作指令、故障处理指令、配置参数设置以及系统管理和安全指令，所述参数数据包括：设备温度、设备湿度、设备电压、设备电流、设备功率、设备使用时长、设备运行次数以及设备分析对象的状态信息。

作为本技术方案进一步优选的，所述条件数据包括：设备温度、设备湿度、设备电压、设备电流、设备功率、设备使用时长、设备运行次数以及设备分析的对象；

所述预设阈值数据包括：设备温度的正常范围、设备湿度的正常范围、设备电压的正常范围、设备电流的正常范围、设备功率的正常范围、设备使用时长的限制、设备运行次数的限制以及设备分析对象的质量标准。

作为本技术方案进一步优选的，所述联想模型包括：基于历史参数数据构建特征向量网络，构建计算方法，将实时参数数据输入到特征向量网络中，并输出得到预测参数数据；

所述计算方法的运行公式为：其中，P（t）代表t时刻的历史参数数据，ΔP代表历史参数数据与实时参数数据的数据差值，P（t+1）代表预测参数数据，w为预设参数，用于调整历史参数数据在预测中的影响程度。

作为本技术方案进一步优选的，所述反馈模块包括：解析提取维护管理命令特征，并构建反馈数据生成模型，反馈数据生成模型用于向所述指令输入模块输出反馈数据，所述反馈数据生成模型包括：提取维护管理命令特征中的关键词，构建映射关系，匹配关键词与预设的反馈数据模板，并生成相对应的临时数据，构建质量评估标准，对临时数据评估，基于评估结果，生成相对应的反馈数据。

作为本技术方案进一步优选的，所述映射关系包括：获取关键词，构建若干个用于接收关键词的储存单元，每个储存单元内预设有基于关键词类型、目的以及特征的反馈数据模板，所述反馈数据模板包括：设备状态、错误代码以及建议操作。

作为本技术方案进一步优选的，所述执行确认模块包括：接收反馈数据，并解析维护管理方案，基于监控检测模块实时监控检测设备的运行状态，判断设备是否按照维护管理方案进行了相应的维护管理操作，基于设备的执行结果，判断反馈数据是否有效执行；

若设备按照维护管理方案进行了相应的维护管理操作，并且设备的运行状态得到了改善或保持稳定，则判定反馈数据执行有效，并更新联想模型，优化预测参数数据的准确性；

若设备未按照维护管理方案进行维护管理操作，或者设备的运行状态没有得到改善，则判定反馈数据执行无效，重新生成维护管理方案，并再次执行确认模块。

与现有技术相比，本发明的有益效果是：

该基于数据分析的小分子检测设备维护管理系统，通过整合指令数据、参数数据和预测参数数据，构建影响模型，判别指令数据对参数数据的影响值，并输出相应的维护管理命令，得到了输入的指令和设备参数之间的影响联系，便于之后更好的发生具有针对性的维护管理命令；

此外本申请通过联想模块构建的人工智能联想模型，使得本申请能够基于历史参数数据预测未来的设备参数状态，使得维护管理人员能够提前了解设备可能出现的状况，从而进行预防性维护，减少设备故障发生的可能性和对生产的影响；

同时，反馈模块和执行确认模块的加入，使得本系统能够根据反馈数据来判断执行的维护管理命令是否有效，提高了系统的自适应性和智能化水平，减少故障处理时间，提高设备的可用性，使得设备维护管理更加灵活和有效；

还需说明的是，本申请通过反馈数据执行有效，系统便会更新联想模型的设置，优化了预测参数数据的准确性，使得系统能够不断改进，提高预测和维护管理的准确性。

最后，本申请的映射关系以及执行确认模块的设计，使得系统能够准确解析维护管理命令，并根据设备的实际执行结果来判断反馈数据的有效性，进一步提高了系统的稳定性和可靠性。

附图说明

图1为本发明系统运行的流程图；

图2为本发明影响模型的运行流程图；

图3为本发明联想模型的运行流程图；

图4为本发明反馈模块的运行流程图；

图5为本发明执行确认模块的功能概况图。

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，所描述的实施例仅仅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，本领域普通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。

本申请提出的系统在实际运行时，通过收集小分子检测设备在运行过程中产生的各种数据（如温度、压力、流量、振动等），并设联想模型以识别潜在的设备故障模式、预测维护需求，并优化设备性能。

需补充的是，该系统在实际使用时，需考虑的是在对数据的收集上，必须确保数据的准确性和完整性，由于本申请提出的系统依赖于各种传感器收集的数据进行分析，因此传感器的选择和校准至关重要。

其次本申请提出的系统在实际使用时，还需设置便于使用的用户界面和交互方式，这使得该系统在运行时，用户应该能够方便地查看设备的运行状态、故障预警、维护建议等信息，并能够根据需要进行参数调整和配置。

如图1-图5所示，本发明提供一种技术方案：一种基于数据分析的小分子检测设备维护管理系统，包括：指令输入模块，用于获取指令数据，监控检测模块，用于获取检测设备的参数数据，参数数据用于记录设备运行状态下的信息，联想模块，用于读取实时参数数据，并构建基于人工智能的联想模型，联想模型根据比对历史参数数据和实时参数数据的差值，输出预测参数数据，整合警示模块，用于将指令数据、参数数据和预测参数数据整合，并构建影响模型，影响模型用于判别指令数据对参数数据的影响值，基于影响值输出相对应的维护管理命令，反馈模块，用于根据维护管理命令对检测设备输送反馈数据，执行确认模块，用于确认反馈数据是否有效执行，若反馈数据执行有效，则更新联想模型，若反馈数据执行无效，则重新生成维护管理方案。

需说明的是，参考图2可知，在本申请中，影响模型包括：基于指令数据获取检测设备的运行环境，提取运行环境特征生成若干个条件数据，关联相同特征的条件数据和参数数据，并输出关联数据，获取检测设备的预设阈值数据，构建判定方法，判定关联数据和预设阈值数据的关联程度，基于关联程度输出相对应的维护管理命令。

需补充的是，本申请提出的系统在投入到具体的检测设备，例如：蛋白质分析仪时，当输入的指令数据为分析蛋白质在低温下的溶解度时，监控检测模块会实时获取蛋白质分析仪在低温下的参数数据，这些数据包括温度读数、溶解度测量值、仪器内部的压力变化等，这些数据为系统提供了关于分析仪在特定条件下的实时运行状态信息，接着，联想模块会根据历史参数数据和实时参数数据的比对结果，利用构建的人工智能联想模型，预测蛋白质分析仪内蛋白质未来一段时间内的参数数据变化趋势，随后，整合警示模块会将输入的指令数据、实时参数数据和预测参数数据进行整合并构建的影响模型，而影响模型在运行时，通过读取分析蛋白质在低温下的溶解度来获取蛋白质分析仪的运行环境，运行环境包括实验室的温度、湿度以及分析仪器的设置，接着，影响模型会提取这些运行环境特征并生成若干个条件数据；

例如，影响模型可能会将实验室的温度和湿度分为不同的范围，并将这些范围作为条件数据，然后，系统会关联这些条件数据和实时参数数据，以找出在特定环境条件下，蛋白质分析仪的参数数据是如何变化的。

在获取到关联数据后，系统还会获取蛋白质分析仪的预设阈值数据，这些阈值数据通常是由设备制造商提供的，用于指示设备在正常运行状态下的参数范围，通过对比关联数据和预设阈值数据，系统可以判定当前设备是否处于正常运行状态，如果关联数据显示设备参数超出了预设阈值，系统就会根据这个差异程度输出相应的维护管理命令，例如，如果系统发现蛋白质分析仪在低温下的溶解度测量值持续偏低，它可能会建议调整实验室的温度或湿度，或者对分析仪进行校准。

之后，反馈模块会根据这些维护管理命令对设备进行实际操作，并将执行结果反馈回系统，执行确认模块会检查这些反馈数据，以确认设备是否按照维护管理命令进行了相应的调整，如果反馈数据显示设备已经成功执行了维护管理命令，并且参数数据已经回到了预设阈值范围内，那么系统就会更新联想模型并反映这种更优化的运行状态，如果反馈数据显示设备未能执行维护管理命令，或者参数数据仍然超出预设阈值，那么系统就会重新生成新的维护管理方案，并再次尝试对蛋白质分析仪进行优化。

作为一种优选的实施方式，在本实施方式中，影响模型内的每个条件数据之间存在权重，将权重设置为W，将预设阈值数据设置为R，将关联数据设置为Y，判定方法的运行公式为：

其中，X₁, X₂, ..., X_n分别代表不同的条件数据，W₁, W₂, ...,.., W_n分别代表对应的权重，R代表预设阈值数据，当Y的值大于或等于R时，判定为关联程度高，并输出基于指令数据的维护管理命令，当Y的值小于R时，继续监控检测模块获取新的参数数据，并重新进行判定。

需补充的是，影响模型在对权重设定需要基于实际来确定，不同的条件数据可能对结果的影响不同，因此需要合理分配权重，例如：在检测蛋白质分析仪时，如果实验室的温度变化对蛋白质的溶解度有显著影响，那么温度相关的条件数据可能会被赋予较高的权重，而湿度等其他因素可能权重相对较低，这样的权重设定有助于系统更准确地识别关键影响因素，并生成更有效的维护管理命令，此外影响模型的阈值设定也需要基于历史数据、业务需求和系统性能来综合考虑，例如：在检测蛋白质分析仪时，预设阈值数据R可能会根据蛋白质溶解度在正常范围内的波动情况来设定，如果历史数据显示蛋白质溶解度在某一特定温度下的正常波动范围较小，那么阈值R可能会设定得较为严格，以确保设备能够精确地进行测量。

作为一种优选的实施方式，在本实施方式中，指令数据的内容包括：实时操作指令、故障处理指令、配置参数设置以及系统管理和安全指令，参数数据包括：设备温度、设备湿度、设备电压、设备电流、设备功率、设备使用时长、设备运行次数以及设备分析对象的状态信息，条件数据包括：设备温度、设备湿度、设备电压、设备电流、设备功率、设备使用时长、设备运行次数以及设备分析的对象，预设阈值数据包括：设备温度的正常范围、设备湿度的正常范围、设备电压的正常范围、设备电流的正常范围、设备功率的正常范围、设备使用时长的限制、设备运行次数的限制以及设备分析对象的质量标准，需说明的是，上述实施方式中提及的指令数据、参数数据、条件数据和预设阈值数据均为灵活配置的数据，具体的内容会根据设备类型、应用场景以及用户需求的不同而有所变化，此外指令数据可以根据实际需求进行定制化设计，以适应各种复杂的操作场景，参数数据则能够实时反映设备的运行状况，为故障预警和性能优化提供数据支持。

作为一种优选的实施方式，参考图3可知，在本实施例方式中，联想模型包括：基于历史参数数据构建特征向量网络，构建计算方法，将实时参数数据输入到特征向量网络中，并输出得到预测参数数据，需说明的是，在本实施方式中，计算方法的运行公式为：其中，P（t）代表t时刻的历史参数数据，ΔP代表历史参数数据与实时参数数据的数据差值，P（t+1）代表预测参数数据，w为预设参数，用于调整历史参数数据在预测中的影响程度，此外需说明的是，当前时间段的溶解度为P_t。

需补充的是，本实施方式中公开的计算方法在用于蛋白质分析仪方面时，通过将P（t）视为在某一低温t下测得的蛋白质溶解度，ΔP表示溶解度随时间或温度变化的差值，w为权重，用于调整历史数据在预测未来溶解度中的重要性，在此实施方式中，假设了每降低1度，蛋白质的溶解度平均下降0.02克/升，然后，想要预测在温度降低2度后蛋白质的溶解度，通过计算得到了由于温度降低而导致的溶解度差值，并将其与当前溶解度P_t和权重w一起代入公式中，得到了预测结果。

此外还需补充的是，在本实施方式中，特征向量网络的构建利用机器学习算法对特征向量进行训练，得到特征向量网络模型，特征向量网络模型能够根据实时参数数据，输出预测参数数据，以实现对设备性能的预测和优化，具体地，在构建特征向量网络时，首先需要对历史参数数据进行预处理，例如数据清洗、归一化等操作，以消除噪声和量纲差异，然后，利用特征提取技术，从预处理后的数据中提取出与设备性能相关的关键特征，这些特征可能包括设备的温度、湿度、电压、电流等参数，以及设备的运行时长、次数等统计信息，接下来，将提取出的特征转换为特征向量，作为特征向量网络的输入，此外还需补充的是，特征向量的构建可以采用多种方法，例如基于统计学的特征选择、基于主成分分析（PCA）的降维处理等，最后，利用机器学习算法对特征向量进行训练，得到特征向量网络模型，需注意的是，该模型能够根据实时参数数据，自动提取关键特征，并输出预测参数数据，从而实现对设备性能的预测和优化。

作为一种优选的实施方式，参考图4可知，在本实施方式中，反馈模块包括：解析提取维护管理命令特征，并构建反馈数据生成模型，反馈数据生成模型用于向指令输入模块输出反馈数据，反馈数据生成模型包括：提取维护管理命令特征中的关键词，构建映射关系，匹配关键词与预设的反馈数据模板，并生成相对应的临时数据，构建质量评估标准，对临时数据评估，基于评估结果，生成相对应的反馈数据，需补充的是，在本实施方式中，映射关系包括：获取关键词，构建若干个用于接收关键词的储存单元，每个储存单元内预设有基于关键词类型、目的以及特征的反馈数据模板，反馈数据模板包括：设备状态、错误代码以及建议操作。

作为一种优选的实施方式，参考图5可知，在本实施方式中，执行确认模块包括：接收反馈数据，并解析维护管理方案，基于监控检测模块实时监控检测设备的运行状态，判断设备是否按照维护管理方案进行了相应的维护管理操作，基于设备的执行结果，输出不同的指令行为，并判断反馈数据是否有效执行，需说明的是，指令行为包括：若设备按照维护管理方案进行了相应的维护管理操作，并且设备的运行状态得到了改善或保持稳定，则判定反馈数据执行有效，并更新联想模型，优化预测参数数据的准确性，以及若设备未按照维护管理方案进行维护管理操作，或者设备的运行状态没有得到改善，则判定反馈数据执行无效，重新生成维护管理方案，并再次执行确认模块。

需补充的是，在本申请提出的系统中，还应该包括数据存储模块，数据存储模块用于存储历史参数数据、预测参数数据、维护管理命令、反馈数据等信息，以便后续的数据分析和维护管理。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种基于数据分析的小分子检测设备维护管理系统，其特征在于，包括：

指令输入模块，用于获取指令数据；

监控检测模块，用于获取检测设备的参数数据，参数数据用于记录设备运行状态下的信息；

联想模块，用于读取实时参数数据，并构建基于人工智能的联想模型，联想模型根据比对历史参数数据和实时参数数据的差值，输出预测参数数据；

整合警示模块，用于将指令数据、参数数据和预测参数数据整合，并构建影响模型，影响模型用于判别指令数据对参数数据的影响值，基于影响值输出相对应的维护管理命令；

反馈模块，用于根据维护管理命令对检测设备输送反馈数据；

执行确认模块，用于确认反馈数据是否有效执行，若反馈数据执行有效，则更新联想模型，若反馈数据执行无效，则重新生成维护管理方案；

所述影响模型包括：

基于指令数据获取检测设备的运行环境，提取运行环境特征生成若干个条件数据，关联相同特征的条件数据和参数数据，并输出关联数据，获取所述检测设备的预设阈值数据，构建判定方法，判定关联数据和预设阈值数据的关联程度，基于关联程度输出相对应的维护管理命令；

所述指令数据的内容包括：实时操作指令、故障处理指令、配置参数设置以及系统管理和安全指令，所述参数数据包括：设备温度、设备湿度、设备电压、设备电流、设备功率、设备使用时长、设备运行次数以及设备分析对象的状态信息；

所述条件数据包括：设备温度、设备湿度、设备电压、设备电流、设备功率、设备使用时长、设备运行次数以及设备分析的对象；

所述预设阈值数据包括：设备温度的正常范围、设备湿度的正常范围、设备电压的正常范围、设备电流的正常范围、设备功率的正常范围、设备使用时长的限制、设备运行次数的限制以及设备分析对象的质量标准；

所述联想模型包括：基于历史参数数据构建特征向量网络，构建计算方法，将实时参数数据输入到特征向量网络中，并输出得到预测参数数据；

所述计算方法的运行公式为：其中，P（t）代表t时刻的历史参数数据，ΔP代表历史参数数据与实时参数数据的数据差值，P（t+1）代表预测参数数据，w为预设参数，用于调整历史参数数据在预测中的影响程度。

2.根据权利要求1所述的一种基于数据分析的小分子检测设备维护管理系统，其特征在于：每个条件数据之间存在权重，将权重设置为W，将所述预设阈值数据设置为R，将所述关联数据设置为Y，所述判定方法的运行公式为：其中，X₁, X₂, ..., X_n分别代表不同的条件数据，W₁, W₂, ..., W_n分别代表对应的权重，R代表预设阈值数据；

当Y的值大于或等于R时，判定为关联程度高，并输出基于指令数据的维护管理命令，当Y的值小于R时，继续监控检测模块获取新的参数数据，并重新进行判定。

3.根据权利要求1所述的一种基于数据分析的小分子检测设备维护管理系统，其特征在于：所述反馈模块包括：解析提取维护管理命令特征，并构建反馈数据生成模型，反馈数据生成模型用于向所述指令输入模块输出反馈数据，所述反馈数据生成模型包括：提取维护管理命令特征中的关键词，构建映射关系，匹配关键词与预设的反馈数据模板，并生成相对应的临时数据，构建质量评估标准，对临时数据评估，基于评估结果，生成相对应的反馈数据。

4.根据权利要求3所述的一种基于数据分析的小分子检测设备维护管理系统，其特征在于：所述映射关系包括：获取关键词，构建若干个用于接收关键词的储存单元，每个储存单元内预设有基于关键词类型、目的以及特征的反馈数据模板，所述反馈数据模板包括：设备状态、错误代码以及建议操作。

5.根据权利要求1所述的一种基于数据分析的小分子检测设备维护管理系统，其特征在于：所述执行确认模块包括：接收反馈数据，并解析维护管理方案，基于监控检测模块实时监控检测设备的运行状态，判断设备是否按照维护管理方案进行了相应的维护管理操作，基于设备的执行结果，判断反馈数据是否有效执行；

若设备按照维护管理方案进行了相应的维护管理操作，并且设备的运行状态得到了改善或保持稳定，则判定反馈数据执行有效，并更新联想模型，优化预测参数数据的准确性；

若设备未按照维护管理方案进行维护管理操作，或者设备的运行状态没有得到改善，则判定反馈数据执行无效，重新生成维护管理方案，并再次执行确认模块。