一种医疗设备故障预警方法技术

本发明专利技术公开了一种医疗设备故障预警方法，包括以下步骤：S1、根据医疗设备类型采集对应的设备运行数据；S2、对比实时运行数据和历史运行数据，确定可疑运行数据；S3、基于可疑运行数据，确定对应医疗设备的预警结果。本发明专利技术提供的医疗设备故障预警方法，不仅能够实现实时的故障诊断，还能根据医疗设备的潜在故障提前发出故障等级预警，使得用户了解设备的运行情况，从而在发生前或未发生严重故障时，可以及时采取补救措施，防止更大的损失，提高医疗设备的使用寿命。备的使用寿命。备的使用寿命。

【技术实现步骤摘要】
一种医疗设备故障预警方法


[0001]本专利技术属于设备故障预警
，具体涉及一种医疗设备故障预警方法。

技术介绍

[0002]近年来，随着我国科学技术的发展，医疗事业也得到了迅猛的发展，各类新型、大型的医疗设备进入医院，由于其种类杂，数量多，对传统医疗设备管理方法提出了新的挑战。
[0003]人工智能在医学上的应用日趋广泛，整合人工智能技术的仪器设备也逐渐增多，主要涉及影像、麻醉、病理、机器人及设备管理等领域。人工智能指系统具有模拟人类智能的特征，即学习能力、推理能力与自我校正的能力，采用人工智能可通过大数据深度学习，高效地解决一些目前人类脑力、精力所不能及或短时间难以完成的任务，医学领域被认为是人工智能应用前景最好的领域之一。
[0004]对于医疗设备的故障预警，目前，市面上主流的故障提醒方式为判断数值范围，如果某个特定参数超出了数值范围，系统报故障提醒，该故障提醒方式为传统的方式，具有以下问题：
[0005](1)提醒及时，故障真正发生时已经设备比较糟糕的情况，造成的损失比较大，难以进行发生故障前的预警报警；
[0006](2)现有的故障提醒方式进行获得最终的是否发生故障的结果，难以确定具体是设备具体是因为什么原因出现故障；
[0007](3)现有的设备故障诊断方法难以对设备进行分级预警，为用户提供故障处理优先级参考。

技术实现思路

[0008]针对现有技术中的上述不足，本专利技术提供的医疗设备故障预警方法解决了现有的设备故障预警难以实现分级预警及确定故障原因的问题。
[0009]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种医疗设备故障预警方法，包括以下步骤：
[0010]S1、根据医疗设备类型采集对应的设备运行数据；
[0011]所述设备运行数据包括实时运行数据和历史运行数据，所述历史运行数据均为医疗设备正常状态下的运行数据；
[0012]S2、对比实时运行数据和历史运行数据，确定可疑运行数据；
[0013]S3、基于可疑运行数据，确定对应医疗设备的预警结果；
[0014]所述预警结果为故障诊断结果或分级预警结果，所述故障诊断结果为当前可疑运行数据对应待测医疗设备的故障类型，所述分级预警结果为当前可疑运行数据对应待测医疗设备的故障预警等级。
[0015]本专利技术的有益效果为：
[0016](1)本专利技术通过正常状态下的历史运行数据，对实时运行数据进行初步筛选，基于初步筛选出可疑运行数据，可以提高后续数据处理过程的效率及故障预警准确度；
[0017](2)本专利技术在数据处理过程中，对医疗设备的运行数据进行分类，以便后续获得预警结果后，反向快速寻找出引起设备故障的原因，便于后续有针对性的进行医疗设备维护及维修；
[0018](3)本专利技术提供的设备故障预警方法，不仅能够实现实时的故障诊断，还能根据医疗设备的潜在故障提前发出故障等级预警，使得用户了解设备的运行情况，从而在发生前或未发生严重故障时，可以及时采取补救措施，防止更大的损失，提高医疗设备的使用寿命。
[0019]进一步地，所述步骤S1中的每种医疗设备对应的设备运行数据的类型包括环境因素数据、电气因素数据以及气路因素数据；每种所述医疗设备下的各类设备运行数据均有对应的设备运行数据。
[0020]上述进一步方案的有益效果为：通过对设备运行数据进行分类，使得后续能够数据处理结果快速确定引起设备故障的原因，以提供设备维护效率及设备使用寿命。
[0021]进一步地，所述步骤S2具体为：
[0022]S21、根据历史运行数据，生成各类医疗设备下各类设备运行数据的基准曲线，构建基准曲线集合，并为各类基准曲线配置关键词；
[0023]其中，所述关键词包括医疗设备类型、设备型号、配置信息、设备运行数据类型以及设备运行时间段；
[0024]S22、根据待测医疗设备的实时运行数据生成对应的实时曲线；
[0025]S23、根据实时曲线的关键词，在基准曲线集合中匹配与待测医疗设备相似度最高的基准曲线；
[0026]S24、判断匹配到的基准曲线与实时曲线之间的差值是否在预设阈值范围内；
[0027]若是，则进入步骤S25；
[0028]若否，则进入步骤S26；
[0029]S25、当前医疗设备的实时运行数据正常，将其加入到历史运行数据中；
[0030]S26、当前医疗设备的实时运行数据为可疑运行数据，进入步骤S3。
[0031]上述进一步方案的有益效果为：通过对设备运行数据进行初步的筛选，简化后续故障预警模型及运行预测模型的数据处理量，同时提高故障诊断及故障预警等级结果确定的准确度。
[0032]进一步地，所述步骤S3具体为：
[0033]S31、构建各类医疗设备的故障预警模型；
[0034]S32、根据各类医疗设备的历史运行数据训练对应的故障预警模型，并根据其输出结果确定预警阈值；
[0035]S33、将可疑运行数据输入至对应的故障预警模型中，获得预警系数；
[0036]S34、判断预警系数是否大于的预警阈值；
[0037]若是，则进入步骤S35；
[0038]若否，则进入步骤S36；
[0039]S35、判定待测医疗设备出现故障，根据可疑运行数据的类型确定医疗设备的故障
类型；
[0040]S36、判定待测医疗设备暂未出现故障，对可疑运行数据进行分析，确定故障预警等级。
[0041]进一步地，所述步骤S31中的故障预警模型为多输入多输出的支持向量机，所述支持向量机的回归估计函数的表达式为：
[0042][0043]式中，λ为正则化参数，和均为lagrange函数的解向量，k(x
i,j
,x)为支持向量机的径向核函数，m为输出函数的个数。
[0044]进一步地，所述步骤S32中，所述预警阈值k的表达式为：
[0045][0046]所述步骤S33中，所述预警系数ρ的表达式为：
[0047][0048]式中，和均为可疑运行数据类型对应的故障预警模型单节点输出，m为可疑运行数据类型对应的历史运行数据的总数，n为故障预警模型的输出节点数，δ为各输出节点的影响系数。
[0049]上述进一步方案的有益效果为：通过构建故障预警模型对各类可疑运行数据进行处理，以获得准确的故障诊断结果，通过可根据故障预警模型的输入及输出的对应关系快速确定出引起医疗设备故障的原因，即医疗设备的故障类型。
[0050]进一步地，所述步骤S36具体为：
[0051]S36
‑
1、构建医疗设备的运行预测模型；
[0052]S36
‑
2、通过LPP算法对可疑运行数据进行降维处理，提取特征向量；
[0053]S36
‑
3、将特征向量作为运行预测模型的输入，得到可疑运行数据的预测值；
[0054本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医疗设备故障预警方法，其特征在于，包括以下步骤：S1、根据医疗设备类型采集对应的设备运行数据；所述设备运行数据包括实时运行数据和历史运行数据，所述历史运行数据均为医疗设备正常状态下的运行数据；S2、对比实时运行数据和历史运行数据，确定可疑运行数据；S3、基于可疑运行数据，确定对应医疗设备的预警结果；所述预警结果为故障诊断结果或分级预警结果，所述故障诊断结果为当前可疑运行数据对应待测医疗设备的故障类型，所述分级预警结果为当前可疑运行数据对应待测医疗设备的故障预警等级。2.根据权利要求1所述的医疗设备预警方法，其特征在于，所述步骤S1中的每种医疗设备对应的设备运行数据的类型包括环境因素数据、电气因素数据以及气路因素数据；每种所述医疗设备下的各类设备运行数据均有对应的设备运行数据。3.根据权利要求2所述的医疗设备故障预警方法，其特征在于，所述步骤S2具体为：S21、根据历史运行数据，生成各类医疗设备下各类设备运行数据的基准曲线，构建基准曲线集合，并为各类基准曲线配置关键词；其中，所述关键词包括医疗设备类型、设备型号、配置信息、设备运行数据类型以及设备运行时间段；S22、根据待测医疗设备的实时运行数据生成对应的实时曲线；S23、根据实时曲线的关键词，在基准曲线集合中匹配与待测医疗设备相似度最高的基准曲线；S24、判断匹配到的基准曲线与实时曲线之间的差值是否在预设阈值范围内；若是，则进入步骤S25；若否，则进入步骤S26；S25、当前医疗设备的实时运行数据正常，将其加入到历史运行数据中；S26、当前医疗设备的实时运行数据为可疑运行数据，进入步骤S3。4.根据权利要求2所述的医疗设备故障预警方法，其特征在于，所述步骤S3具体为：S31、构建各类医疗设备的故障预警模型；S32、根据各类医疗设备的历史运行数据训练对应的故障预警模型，并根据其输出结果确定预警阈值；S33、将可疑运行数据输入至对应的故障预警模型中，获得预警系数；S34、判断预警系数是否大于的预警阈值；若是，则进入步骤S35；若否，则进入步骤S36；S35、判定待测医疗设备出现故障，根据可疑运行数据的类型确定医疗设备的故障类型；S36、判定待测医疗设备暂未出现故障，对可疑运行数据进行分析，确定故障预警等级。5.根据权利要求4所述的医疗设备故障预警方法，其特征在于，所述步骤S31中的故障预警模型为多输入多输出的支持向量机，所述支持向量机的回归估计函数的表达式为：
式中，λ为正则化参数，和b
i*
均为lagrange函数的解向量，k(x
i,j
,x)为支持向量机的径向核函数，m为输出函数的个数。6.根据权利要求5所述的医疗设备故障预警方法，其特征在于，所述步骤S32中，所述预警阈值k的表达式为：所述步骤S33中，所述预警系数ρ的表达式为：式中，和均为可疑运行数据类型对应的故障预警模型单节点输出，m为可疑运行数据类型对应的历史运行数据的总数，n为故障预警模型的输出节点数，δ为各输出...

【专利技术属性】
技术研发人员：高峻嘉，罗旭，文雯，陈晓清，
申请(专利权)人：成都中科信息技术有限公司，
类型：发明
国别省市：