一种全自动生化分析仪远程设备诊断策略制造技术

技术编号:17778773 阅读:40 留言:0更新日期:2018-04-22 06:49
本发明专利技术提供了一种全自动生化分析仪远程设备诊断策略,包括以下步骤:步骤1,采集全自动生化分析仪的各种物理信号,包括压力,液位,流量,温度,位置,得到输入参数;步骤2,输入参数上传至统一的服务器,利用单方面特征量对全自动生化分析仪进行初步状态评估;步骤3,构建基于决策树的全自动生化分析仪故障诊断模型;步骤4,加载维修策略。本发明专利技术提供的一种全自动生化分析仪远程设备诊断策略能够提高系统的诊断速度,节约企业的服务医院设备的成本并提高诊断的质量。

【技术实现步骤摘要】
一种全自动生化分析仪远程设备诊断策略
本专利技术涉及一种全自动生化分析仪远程设备诊断策略。
技术介绍
全自动生化分析仪作为医疗机构常用的检测设备,其结构比较复杂,是集光、机、电结合的精密测量仪器,涉及的学科门类多,对维护仪器、工作状态检测及故障诊断的人员要求有较高的专业水平。由于医院对于该类设备的要求是不间断使用,因此,及时的故障诊断和提前预防性的维护就变得非常重要,而远程监控是解决这个问题的有效手段。随着互联网技术深入到各个行业领域,人工智能技术蓬勃发展,目前市场开发出的远程医疗设备系统都是基于互联网的文字性信息,国内没有基于三维的医疗设备模拟系统,文字信息带来的问题是不直观,需要非常专业的人士才能解读。同时,目前的国内系统缺乏机器深度学习功能,不能帮助用户预见性的发现问题,以及问题的关联所在。所以行业内急需一套完整的基于人工智能学习型的互联网设备诊断系统解决方案。
技术实现思路
本专利技术的目的在于提供一种全自动生化分析仪远程设备诊断策略,通过经验性归纳学习、分析学习、类比学习以及遗传学算法,能够为系统的使用人员提供深度的数据挖掘。为了解决上述技术问题,本专利技术所采用的技术方案如下:一种全自动生化分析仪远程设备诊断策略,包括如下步骤:步骤1,采集全自动生化分析仪的各种物理信号:压力,液位,流量,温度,位置,得到输入参数,基于UNITY3D技术三维引擎实现对全自动生化分析仪的实际工作模拟;步骤2,生化分析仪下位机置入网络通讯的芯片,基于socket协议实现数据通讯,将步骤1的数据上传至统一的服务器,利用单方面特征量对全自动生化分析仪进行初步状态评估,判断全自动生化分析仪是否故障或者正常运行,利用异常检测算法建立特征密度估计模型,测试设备特征概率密度分布是否异常;数据进行分类处理,基于自组织特征映射神经网络(Self-organizingMap,SOM)建立异常值筛选模型,从特征维度中筛选出异常特征,SOM是全连接的神经元阵列组成的非监督,自组织,自学习神经网络,可以通过对特征的反复观察、分析比较,自行归纳特设的内部规律,并对具有共同特征的事务进行正确分类,通过训练建立模型后,就可以对训练数据或测试数据进行聚类,从而准确识别异常特征为维修策略提供决策依据。步骤3,分别通过训练与测试样本数据的选取与处理、建立决策树模型,采用支持向量机回归技术,将对生化分析仪的各个评价指标为输入,将实际评估结果作为输出,通过对训练集进行学习,在测试集上对得到的模型进行测试,最后得到测试能力强的全自动生化分析仪状态评估回归模型;其中,步骤3中,样本数据如果是连续的,采用二分法对连续属性进行处理。其中,步骤3中,参数如果是非连续的,采用多路变量决策进行处理。步骤3中多路变量决策进行处理的具体步骤:1),输入变量和决策树的根节点属性相同的属性;2),按照已经生成的决策树中的规则,判断输入变量中同根节点相同的属性值,寻找到下一子节点,进而继续进行属性匹配;3),通过决策树自顶向下,逐层查找,得出最终的诊断状态结果;其中,多路变量决策树模型采用ID5R算法,其优势是其选择一个具有较高熵增的方法,ID5R算法将决策树结点分为两类:叶结点(结果节点)和非叶子结点(决策结点),这样的数据结构中包含了用于计算各测试属性的E-Score的信息,能快速计算E-Score并进行比较,其中:叶结点包含:(a)类别名;(b)满足该叶结点路径上测试条件的事例描述集,这种描述由不出现在该叶结点路径上的属性以其取值的序列组成。非叶结点包含:(a)一个测试属性,对于其每一个取值,都对应一个连向其它子树的分支,并记录该分支上各类示例的数量;(b)在该节点路径上所有非测试属性的集合。对其中每一属性的任一取值,记录满足该描述的各类示例的数量。ID5R算法将将属性最低的E-Score作为最佳属性,当检测某个节点的测试属性不是具有最低的E-Score时,就把子树里的最佳属性提升到目前的节点里来,然后依序检查每个子节点的测试属性是不是最佳的,如果不是的话,就在那个子节点上进行提升的动作,见式1,令所有示例构成的示例集S,对于属性集A中的任一属性ai,设其值域为vi={vij}对于每个属性ai有:其中,I代表集合上的信息熵;XK代表无缺失值的样例子集;|c|代表无缺失值的样例子集的元素个数;E代表信息增益;P(S|vij)代表无缺失值样本中的属性Vij所占的比例;ai代表属性值取i对应的样本数;Q代表有缺失值的特征值符号。因此ID5R实现以较小的代价选择决策树较高的熵增作为父结点对于同样的示例集能够产生与ID3算法一致的决策树。基于输出的异常值权重,采用决策树的经典算法C4.5进行比较,用来评估ID5R算法的性能,依据异常特征输入输出最佳维修策略。步骤4,加载维修策略。本专利技术有益效果在于:提供的一种全自动生化分析仪远程设备诊断策略,采用决策树归纳学习法,诊断策略引入ID5R算法,实现机器深度学习,为制定相关的诊断维修策略提供科学依据,方便维修人员对设备进行异地诊断,能有效降低事故发生风险和人力维护成本,应用本系统诊断策略能够加快系统的诊断速度具有良好的应用前景。附图说明图1为本专利技术实施例中试剂臂单元状态诊断的决策树图;图2为本专利技术实施例试剂臂单元状态诊断的离散值图。具体实施方式下面结合具体实施方式对本专利技术作进一步详细的说明。下面对本专利技术原理、工作过程进行详细说明:本实施例中一种全自动生化分析仪远程设备诊断策略通过采集全自动生化分析仪的各种物理信号:压力,液位,流量,温度,位置,得到输入参数;数据上传至统一的服务器,利用单方面特征量对全自动生化分析仪进行初步状态评估,判断全自动生化分析仪是否故障或者正常运行,利用异常检测算法建立特征密度估计模型,测试设备特征概率密度分布是否异常;基于自组织特征映射神经网络(Self-organizingMap,SOM)建立异常值筛选模型,从特征维度中筛选出异常特征,SOM是全连接的神经元阵列组成的非监督、自组织、自学习神经网络,可以通过对特征的反复观察、分析比较,自行归纳特设的内部规律,并对具有共同特征的事务进行正确分类,通过训练建立模型后,就可以对训练数据或测试数据进行聚类,从而准确识别异常特征为维修策略提供决策依据。并分别通过训练与测试样本数据的选取与处理、建立决策树模型,采用支持向量机回归技术,将对生化分析仪的各个评价指标为输入,将实际评估结果作为输出,通过对训练集进行学习,在测试集上对得到的模型进行测试,最后得到测试能力强的全自动生化分析仪状态评估回归模型;基于输出的异常值权重,建立维修决策树模型(C4.5),依据异常特征输入输出最佳维修策略。本实施例中全自动生化分析仪远程设备诊断策略具体包括如下步骤:步骤1,采集全自动生化分析仪的各种物理信号:压力,液位,流量,温度,位置,得到输入参数;步骤2,将步骤1的数据上传至统一的服务器,利用单方面特征量对全自动生化分析仪进行初步状态评估,判断全自动生化分析仪是否故障或者正常运行,利用异常检测算法建立特征密度估计模型,测试设备特征概率密度分布是否异常;步骤3,构建基于决策树的全自动生化分析仪故障诊断模型,分别通过训练与测试样本数据的选取与处理、建立决策树模型,采用支持向量机回归技术,将对生本文档来自技高网...
一种全自动生化分析仪远程设备诊断策略

【技术保护点】
一种全自动生化分析仪远程设备诊断策略,其特征在于,包括以下步骤:步骤1,采集全自动生化分析仪的各种物理信号,包括压力,液位,流量,温度,位置,得到输入参数;步骤2,输入参数上传至统一的服务器,利用单方面特征量对全自动生化分析仪进行初步状态评估,判断全自动生化分析仪是否故障或者正常运行,利用异常检测算法建立特征密度估计模型,测试设备特征概率密度分布是否异常;步骤3,构建基于决策树的全自动生化分析仪故障诊断模型,分别通过训练与测试样本数据的选取与处理、建立决策树模型,采用支持向量机回归技术,对生化分析仪的各个评价指标为输入,实际评估结果作为输出,通过对训练集进行学习,在测试集上对得到的模型进行测试,最后得到测试能力强的全自动生化分析仪状态评估回归模型;步骤4,加载维修策略。

【技术特征摘要】
1.一种全自动生化分析仪远程设备诊断策略,其特征在于,包括以下步骤:步骤1,采集全自动生化分析仪的各种物理信号,包括压力,液位,流量,温度,位置,得到输入参数;步骤2,输入参数上传至统一的服务器,利用单方面特征量对全自动生化分析仪进行初步状态评估,判断全自动生化分析仪是否故障或者正常运行,利用异常检测算法建立特征密度估计模型,测试设备特征概率密度分布是否异常;步骤3,构建基于决策树的全自动生化分析仪故障诊断模型,分别通过训练与测试样本数据的选取与处理、建立决策树模型,采用支持向量机回归技术,对生化分析仪的各个评价指标为输入,实际评估结果作为输出,通过对训练集进行学习,在测试集上对得到的模型进行测试,最后得到测试能力强的全自动生化分析仪状态评估回归模型;步骤4,加载维修策略。2.根据权利要求1所述的全自动生化分析仪远程设备诊断策略,其特征在于,所述步骤2中,对于单方面特征量进行分类处理采用了神经网络中的自组织神经网络SOM,基于自组织特征SOM建立异常值筛选模型,从特征维度中筛选出异常特征,SOM是全连接的神经元阵列组成的非监督、自组织、自学习神经网络,通过对特征的反复观察、分析比较,自行...

【专利技术属性】
技术研发人员:邹豪潘雷左富祥
申请(专利权)人:湖南华瑞达生物科技有限公司
类型:发明
国别省市:湖南,43

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1