[go: up one dir, main page]

CN119179973A - 一种故障预测与健康管理系统 - Google Patents

一种故障预测与健康管理系统 Download PDF

Info

Publication number
CN119179973A
CN119179973A CN202411048949.9A CN202411048949A CN119179973A CN 119179973 A CN119179973 A CN 119179973A CN 202411048949 A CN202411048949 A CN 202411048949A CN 119179973 A CN119179973 A CN 119179973A
Authority
CN
China
Prior art keywords
equipment
fault
data
module
probability
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.)
Withdrawn
Application number
CN202411048949.9A
Other languages
English (en)
Inventor
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Greenbird Technology Co ltd
Original Assignee
Guangzhou Greenbird Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Greenbird Technology Co ltd filed Critical Guangzhou Greenbird Technology Co ltd
Priority to CN202411048949.9A priority Critical patent/CN119179973A/zh
Publication of CN119179973A publication Critical patent/CN119179973A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种故障预测与健康管理系统，包括数据收集模块、设备监测模块和设备管控模块，其特征在于：所述数据收集模块用于收集医疗设备运行过程中的状态数据、设备的历史故障数据和患者的诊断数据，所述设备监测模块用于检测设备运行状态是否异常和根据设备的运行状态预测设备的故障率，所述设备管控模块用于记录设备的历史维护数据、在设备故障时发出告警和管理设备的全生命周期及零件维护周期，所述数据收集模块、设备监测模块和设备管控模块相互电连接，所述数据收集模块包括历史数据录入模块、数据采集模块和诊断数据录入模块，所述数据采集模块用于收集设备运行数据，本发明，具有提高准确性和设备利用率的特点。

Description

一种故障预测与健康管理系统
技术领域
本发明涉及医疗设备管理技术领域，具体为一种故障预测与健康管理系统。
背景技术
随着医疗技术的快速发展，医疗设备是医生诊断治疗过程中必不可少的设备，因此医疗设备的稳定运行在对患者进行救治的过程中至关重要。
目前，大多数部门都配置有医疗设备，然而，在医疗设备的管理过程中，由于设备检测的患者存在不同程度的健康问题，容易导致对设备是否出现故障的结果错判或误判，进而导致出现对患者的病情误诊，影响患者的治疗，而且，由于现有技术采用传统的定期维护方法对医疗设备进行管理，容易出现设备维护和保养不及时，设备出现故障宕机，导致设备利用率低下，影响患者的治疗进度，因此，设计提高准确性和设备利用率的一种故障预测与健康管理系统是很有必要的。
发明内容
本发明的目的在于提供一种故障预测与健康管理系统，以解决上述背景技术中提出的问题。
为了解决上述技术问题，本发明提供如下技术方案：一种故障预测与健康管理系统，包括数据收集模块、设备监测模块和设备管控模块，其特征在于：所述数据收集模块用于收集医疗设备运行过程中的状态数据、设备的历史故障数据和患者的诊断数据，所述设备监测模块用于检测设备运行状态是否异常和根据设备的运行状态预测设备的故障率，所述设备管控模块用于记录设备的历史维护数据、在设备故障时发出告警和管理设备的全生命周期及零件维护周期，所述数据收集模块、设备监测模块和设备管控模块相互电连接；
所述故障检测模块包括数据分析子模块、病情分析子模块和故障判断子模块，所述数据分析子模块用于分析设备运行状态数据是否正常，所述病情分析子模块用于分析设备检测结果与医生分析结果是否一致，所述故障判断子模块用于根据分析结果判断设备是否出现故障；
所述故障预测模块包括模型训练子模块、故障率子模块和结果评估子模块，所述模型训练子模块用于根据录入系统的设备历史故障数据训练设备的故障预测模型，所述结果评估子模块用于分析影响设备故障率影响因子，根据分析结果对预测结果进行修正，所述故障率预测子模块用于根据故障预测模型预测设备的运行状态。
根据上述技术方案，所述数据收集模块包括历史综合数据录入模块、数据采集模块和诊断数据录入模块，所述数据采集模块用于收集设备运行状态数据，所述历史综合数据录入模块用于将设备的历史故障数据录入系统，所述诊断数据录入模块用于将医生的诊断数据录入系统。
根据上述技术方案，所述设备监测模块包括故障检测模块和故障预测模块，所述故障检测模块用于分析设备的运行状态，分析患者的检测结果与医生的诊断结果，进而判断设备是否出现故障，所述故障预测模块用于分析设备的历史故障数据，利用历史故障数据训练故障预测模型，并根据设备的检测结果对模型进行修正，利用故障预测模型预测设备的运行状态。
根据上述技术方案，所述设备管控模块包括周期管理模块和维护记录模块，所述周期管理模块用于管理设备的全生命周期和设备零件的维护周期，所述维护记录模块用于记录设备的历史维护数据。
根据上述技术方案，所述设备管控模块还包括预警模块，所述预警模块用于根据设备的故障检测结果和故障预测结果发出告警，提醒管理员对设备进行维修。
根据上述技术方案，所述故障预测与健康管理系统的运行方法主要包括以下步骤：
步骤S1：通过数据采集模块，实时收集设备在运行过程中的综合数据，通过历史综合数据录入模块，将设备的历史故障数据录入系统，通过诊断数据录入模块，将医生的诊断结果录入系统；
步骤S2：在数据录入系统后，系统启动故障检测模块，开始分析设备此时的运行状态数据和患者病情检测结果，根据分析结果判断设备是否出现故障；
步骤S3：在检测到设备无故障后，系统发出电信号启动故障预测模块，开始分析设备的历史故障数据，根据分析结果构建故障预测模型，分析设备运行数据对故障预测模型进行修正，利用修正后的故障预测模型分析设备的运行情况；
步骤S4：当设备出现故障时，系统通过预警模块提醒管理员对设备进行维护，并记录设备的维护数据和维护周期。
根据上述技术方案，所述步骤S2进一步包括以下步骤：
步骤S21：当上位机向设备发出指令时，获取设备执行模块中的指令，当设备执行模块中不存在指令时，则将设备电路板分割为m×n个相同的电路模块，并根据指令的传输顺序将电路模块进行标记，分别识别相邻电路模块之间的电势D1，与数据库中的额定电势D2进行对比，若电势D1与D2的差值大于最小阈值且小于最大阈值时，则调取设备维护周期，识别设备维护周期小于阈值，标记当前设备为软件故障，反之则标记当前设备数据传输出现故障，当设备执行模块中存在指令时，则调取设备的实际工作时间和总的运行时间，通过公式计算设备的负载率式中，F表示设备的负载率，t表示设备的实际工作时间，T表示设备的总的运行时间，若设备的负载率大于阈值时，则标记设备过载保护，反之则标记设备执行模块故障；
步骤S22：调取当前设备的患者检测结果和医生录入系统的诊断结果，分别提取各设备检测结果和医生诊断结果的病情特征，将病情特征导入病情知识图谱，若在知识图谱中各病情特征间均存在直属关系，则标记当前设备无故障，若在知识图谱中存在一个病情特征与其他病情特征间无直属关系时，则标记该病情特征及对应的检测设备，反之则系统继续检测，调取其他患者的病情特征在知识图谱中的关系，识别该被标记设备中的标记数量，若标记数量大于系统阈值，则清除当前设备中的所有标记，并将设备标记为故障设备，反之则系统继续检测。
根据上述技术方案，所述步骤S3进一步包括以下步骤：
步骤S31：调取设备历史故障数据和设备故障前的运行状态数据，识别历史故障数据和设备运行状态数据，对历史故障数据和设备运行状态数据进行数据清洗、归一化处理，使数据符合模型训练标准；
步骤S32：调取处理后的数据，将处理后的数据作为样本数据，训练故障预测模型，分别识别故障数据特征和设备运行状态特征，将故障特征数据与设备运行状态特征数据进行匹配，并进行加权融合，根据融合后的特征数据对故障预测模型进行修正，利用故障预测模型对设备的故障率进行预测；
步骤S33：调取设备的实时运行数据，将数据导入故障预测模型，调取设备对应的故障预测模型，将该设备实时的运行状态数据与故障预测模型中的数据进行对比，若故障预测模型中存在相似度大于阈值的数据，则识别该故障预测模型数据对应的故障类型，调取数据库中对应故障概率的影响系数α，通过公式计算该设备故障的第一概率为Q1＝α·U×100％，式中，Q1表示该设备故障的第一概率，U表示该设备实时的运行状态数据与故障预测模型中数据的相似度，反之则系统继续检测。
根据上述技术方案，所述步骤S33进一步包括以下步骤：
步骤S331：调取待预测目标日期的设备历史故障记录，识别设备历史故障频次，调取该日期所在月份的总故障频次及年总故障频次，计算该月份故障频次在年总共故障频次中的占比，根据比列计算数据库获取对应比列的故障系数G，计算该日期在该月份中的故障频次占比，调取数据库中对应比例的影响系数β，调取该日期距离最近一次维护日期的时间，根据时间调取数据库中对应的影响系数μ；
获取系统中该设备的使用频次，根据该设备的使用频次构架线形图，计算线形图的斜率K，若K大于系统设定阈值，则根据K值调取数据库中对应的增长系数η，通过公式计算目标日期的人数M＝m·η，式中，M表示目标日期的人数，m表示当前日期的人数，根据预测的目标日期人数调取数据库中对一个人数对设备故障概率的影响系数ω，通过公式计算该设备故障的第二概率为Q2＝G·β·μ·ω×100％，式中，Q2表示该设备故障的第二概率；
步骤S332：调取设备故障的第一概率和第二概率，当设备故障的第一概率和第二概率均小于最小阈值时，则将第一概率和第二概率的平均数作为该设备的故障率，当设备故障的第一概率与第二概率的差值小于第一阈值时，则将第一概率和第二概率的平均数作为该设备的故障率，当设备故障的第一概率与第二概率的差值大于第一阈值且小于第二阈值时，则根据差值调取第一方案中对应的加权融合系数进行加权融合，得到故障率Q3，将Q3作为该设备的故障率，当设备故障的第一概率与第二概率的差值大于第二阈值时，则对比第一概率和第二概率，选取较大的作为该设备的故障率Q4。
根据上述技术方案，所述步骤S4中调取各个设备的故障率，若设备的预测故障率大于系统阈值，则通过预警模块发出告警，通知管理员派遣技术人员进行维护，反之则继续检测，在技术人员进行维护时，获取技术人员更换或维护零部件信息，根据零部件信息检索维护数据库，在维护数据库中将对应的信息进行更新，当零部件到维护周期时，系统提前通过预警模块发出告警提醒技术人员进行维护。
与现有技术相比，本发明所达到的有益效果是：本发明，通过检测设备对指令的执行情况，分析设备电路模块间的电势和设备的负载率，能够准确判断设备未响应的原因，进而准确判断设备的故障，使设备故障检测更准确，使管理员能够及时发现设备故障并进行维修，极大地提高了设备的利用率，通过分析各设备检测的患者病情特征在知识图谱中的关系，能够准确判断设备是否出现故障，及时通知管理人员进行维修，避免设备出现检测故障而不能及时发现，造成患者病情误诊，导致患者治疗延误，极大地提高了设备故障检测的准确性和及时性，通过故障预测模型分析设备的故障趋势，并计算设备的故障概率，能够快速预测设备是否会出现故障，进而能够提前对设备进行维护，避免设备出现故障宕机，极大地提高了设备的利用率，通过分析设备的故障评率及维护周期及对故障概率的影响，结合设备使用频次对设备故障概率的影响，使设备的故障概率预测的更加准确，避免设备在使用时出现故障，导致患者无法及时得到治疗，进一步提高故障预测的准确性和设备的利用率，通过分析两种方法预测的故障概率，并进行加权融合，能够避免不同影响因素的突变导致设备故障率发生巨变，降低设备故障预测的误差，使系统预测的故障概率更加准确，极大地提高了系统的准确性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明的系统模块组成示意图。
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。
请参阅图1，本发明提供技术方案：一种故障预测与健康管理系统，包括数据收集模块、设备监测模块和设备管控模块，其特征在于：数据收集模块用于收集医疗设备运行过程中的状态数据、设备的历史故障数据和患者的诊断数据，设备监测模块用于检测设备运行状态是否异常和根据设备的运行状态预测设备的故障率，设备管控模块用于记录设备的历史维护数据、在设备故障时发出告警和管理设备的全生命周期及零件维护周期，数据收集模块、设备监测模块和设备管控模块相互电连接；
故障检测模块包括数据分析子模块、病情分析子模块和故障判断子模块，数据分析子模块用于分析设备运行状态数据是否正常，病情分析子模块用于分析设备检测结果与医生分析结果是否一致，故障判断子模块用于根据分析结果判断设备是否出现故障；
故障预测模块包括模型训练子模块、故障率子模块和结果评估子模块，模型训练子模块用于根据录入系统的设备历史故障数据训练设备的故障预测模型，结果评估子模块用于分析影响设备故障率影响因子，根据分析结果对预测结果进行修正，故障率预测子模块用于根据故障预测模型预测设备的运行状态。
数据收集模块包括历史综合数据录入模块、数据采集模块和诊断数据录入模块，数据采集模块用于收集设备运行状态数据，历史综合数据录入模块用于将设备的历史故障数据录入系统，诊断数据录入模块用于将医生的诊断数据录入系统。
设备监测模块包括故障检测模块和故障预测模块，故障检测模块用于分析设备的运行状态，分析患者的检测结果与医生的诊断结果，进而判断设备是否出现故障，故障预测模块用于分析设备的历史故障数据，利用历史故障数据训练故障预测模型，并根据设备的检测结果对模型进行修正，利用故障预测模型预测设备的运行状态。
设备管控模块包括周期管理模块和维护记录模块，周期管理模块用于管理设备的全生命周期和设备零件的维护周期，维护记录模块用于记录设备的历史维护数据。
设备管控模块还包括预警模块，预警模块用于根据设备的故障检测结果和故障预测结果发出告警，提醒管理员对设备进行维修。
故障预测与健康管理系统的运行方法主要包括以下步骤：
步骤S1：通过数据采集模块，实时收集设备在运行过程中的综合数据，通过历史综合数据录入模块，将设备的历史故障数据录入系统，通过诊断数据录入模块，将医生的诊断结果录入系统；
步骤S2：在数据录入系统后，系统启动故障检测模块，开始分析设备此时的运行状态数据和患者病情检测结果，根据分析结果判断设备是否出现故障；
步骤S3：在检测到设备无故障后，系统发出电信号启动故障预测模块，开始分析设备的历史故障数据，根据分析结果构建故障预测模型，分析设备运行数据对故障预测模型进行修正，利用修正后的故障预测模型分析设备的运行情况；
步骤S4：当设备出现故障时，系统通过预警模块提醒管理员对设备进行维护，并记录设备的维护数据和维护周期。
步骤S2进一步包括以下步骤：
步骤S21：当上位机向设备发出指令时，获取设备执行模块中的指令，当设备执行模块中不存在指令时，则将设备电路板分割为m×n个相同的电路模块，并根据指令的传输顺序将电路模块进行标记，分别识别相邻电路模块之间的电势D1，与数据库中的额定电势D2进行对比，若电势D1与D2的差值大于最小阈值且小于最大阈值时，则调取设备维护周期，识别设备维护周期小于阈值，标记当前设备为软件故障，反之则标记当前设备数据传输出现故障，当设备执行模块中存在指令时，则调取设备的实际工作时间和总的运行时间，通过公式计算设备的负载率式中，F表示设备的负载率，t表示设备的实际工作时间，T表示设备的总的运行时间，若设备的负载率大于阈值时，则标记设备过载保护，反之则标记设备执行模块故障，通过检测设备对指令的执行情况，分析设备电路模块间的电势和设备的负载率，能够准确判断设备未响应的原因，进而准确判断设备的故障，使设备故障检测更准确，使管理员能够及时发现设备故障并进行维修，极大地提高了设备的利用率；
步骤S22：调取当前设备的患者检测结果和医生录入系统的诊断结果，分别提取各设备检测结果和医生诊断结果的病情特征，将病情特征导入病情知识图谱，若在知识图谱中各病情特征间均存在直属关系，则标记当前设备无故障，若在知识图谱中存在一个病情特征与其他病情特征间无直属关系时，则标记该病情特征及对应的检测设备，反之则系统继续检测，调取其他患者的病情特征在知识图谱中的关系，识别该被标记设备中的标记数量，若标记数量大于系统阈值，则清除当前设备中的所有标记，并将设备标记为故障设备，反之则系统继续检测，通过分析各设备检测的患者病情特征在知识图谱中的关系，能够准确判断设备是否出现故障，及时通知管理人员进行维修，避免设备出现检测故障而不能及时发现，造成患者病情误诊，导致患者治疗延误，极大地提高了设备故障检测的准确性和及时性。
步骤S3进一步包括以下步骤：
步骤S31：调取设备历史故障数据和设备故障前的运行状态数据，识别历史故障数据和设备运行状态数据，对历史故障数据和设备运行状态数据进行数据清洗、归一化处理，使数据符合模型训练标准；
步骤S32：调取处理后的数据，将处理后的数据作为样本数据，训练故障预测模型，分别识别故障数据特征和设备运行状态特征，将故障特征数据与设备运行状态特征数据进行匹配，并进行加权融合，根据融合后的特征数据对故障预测模型进行修正，利用故障预测模型对设备的故障率进行预测；
步骤S33：调取设备的实时运行数据，将数据导入故障预测模型，调取设备对应的故障预测模型，将该设备实时的运行状态数据与故障预测模型中的数据进行对比，若故障预测模型中存在相似度大于阈值的数据，则识别该故障预测模型数据对应的故障类型，调取数据库中对应故障概率的影响系数α，通过公式计算该设备故障的第一概率为Q1＝α·U×100％，式中，Q1表示该设备故障的第一概率，U表示该设备实时的运行状态数据与故障预测模型中数据的相似度，反之则系统继续检测，通过故障预测模型分析设备的故障趋势，并计算设备的故障概率，能够快速预测设备是否会出现故障，进而能够提前对设备进行维护，避免设备出现故障宕机，极大地提高了设备的利用率。
步骤S33进一步包括以下步骤：
步骤S331：调取待预测目标日期的设备历史故障记录，识别设备历史故障频次，调取该日期所在月份的总故障频次及年总故障频次，计算该月份故障频次在年总共故障频次中的占比，根据比列计算数据库获取对应比列的故障系数G，计算该日期在该月份中的故障频次占比，调取数据库中对应比例的影响系数β，调取该日期距离最近一次维护日期的时间，根据时间调取数据库中对应的影响系数μ；
获取系统中该设备的使用频次，根据该设备的使用频次构架线形图，计算线形图的斜率K，若K大于系统设定阈值，则根据K值调取数据库中对应的增长系数η，通过公式计算目标日期的人数M＝m·η，式中，M表示目标日期的人数，m表示当前日期的人数，根据预测的目标日期人数调取数据库中对一个人数对设备故障概率的影响系数ω，通过公式计算该设备故障的第二概率为Q2＝G·β·μ·ω×100％，式中，Q2表示该设备故障的第二概率，通过分析设备的故障评率及维护周期及对故障概率的影响，结合设备使用频次对设备故障概率的影响，使设备的故障概率预测的更加准确，避免设备在使用时出现故障，导致患者无法及时得到治疗，进一步提高故障预测的准确性和设备的利用率；
步骤S332：调取设备故障的第一概率和第二概率，当设备故障的第一概率和第二概率均小于最小阈值时，则将第一概率和第二概率的平均数作为该设备的故障率，当设备故障的第一概率与第二概率的差值小于第一阈值时，则将第一概率和第二概率的平均数作为该设备的故障率，当设备故障的第一概率与第二概率的差值大于第一阈值且小于第二阈值时，则根据差值调取第一方案中对应的加权融合系数进行加权融合，得到故障率Q3，将Q3作为该设备的故障率，当设备故障的第一概率与第二概率的差值大于第二阈值时，则对比第一概率和第二概率，选取较大的作为该设备的故障率Q4，通过分析两种方法预测的故障概率，并进行加权融合，能够避免不同影响因素的突变导致设备故障率发生巨变，降低设备故障预测的误差，使系统预测的故障概率更加准确，极大地提高了系统的准确性。
步骤S4中调取各个设备的故障率，若设备的预测故障率大于系统阈值，则通过预警模块发出告警，通知管理员派遣技术人员进行维护，反之则继续检测，在技术人员进行维护时，获取技术人员更换或维护零部件信息，根据零部件信息检索维护数据库，在维护数据库中将对应的信息进行更新，当零部件到维护周期时，系统提前通过预警模块发出告警提醒技术人员进行维护。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种故障预测与健康管理系统，包括数据收集模块、设备监测模块和设备管控模块，其特征在于：所述数据收集模块用于收集医疗设备运行过程中的状态数据、设备的历史故障数据和患者的诊断数据，所述设备监测模块用于检测设备运行状态是否异常和根据设备的运行状态预测设备的故障率，所述设备管控模块用于记录设备的历史维护数据、在设备故障时发出告警和管理设备的全生命周期及零件维护周期，所述数据收集模块、设备监测模块和设备管控模块相互电连接；
所述故障检测模块包括数据分析子模块、病情分析子模块和故障判断子模块，所述数据分析子模块用于分析设备运行状态数据是否正常，所述病情分析子模块用于分析设备检测结果与医生分析结果是否一致，所述故障判断子模块用于根据分析结果判断设备是否出现故障；
所述故障预测模块包括模型训练子模块、故障率子模块和结果评估子模块，所述模型训练子模块用于根据录入系统的设备历史故障数据训练设备的故障预测模型，所述结果评估子模块用于分析影响设备故障率影响因子，根据分析结果对预测结果进行修正，所述故障率预测子模块用于根据故障预测模型预测设备的运行状态。
2.根据权利要求1所述的一种故障预测与健康管理系统，其特征在于：所述数据收集模块包括历史数据录入模块、数据采集模块和诊断数据录入模块，所述数据采集模块用于收集设备运行状态数据，所述历史数据录入模块用于将设备的历史故障数据录入系统，所述诊断数据录入模块用于将医生的诊断数据录入系统。
3.根据权利要求2所述的一种故障预测与健康管理系统，其特征在于：所述设备监测模块包括故障检测模块和故障预测模块，所述故障检测模块用于分析设备的运行状态，分析患者的检测结果与医生的诊断结果，进而判断设备是否出现故障，所述故障预测模块用于分析设备的历史故障数据，利用历史故障数据训练故障预测模型，并根据设备的检测结果对模型进行修正，利用故障预测模型预测设备的运行状态。
4.根据权利要求3所述的一种故障预测与健康管理系统，其特征在于：所述设备管控模块包括周期管理模块和维护记录模块，所述周期管理模块用于管理设备的全生命周期和设备零件的维护周期，所述维护记录模块用于记录设备的历史维护数据。
5.根据权利要求4所述的一种故障预测与健康管理系统，其特征在于：所述设备管控模块还包括预警模块，所述预警模块用于根据设备的故障检测结果和故障预测结果发出告警，提醒管理员对设备进行维修。
6.根据权利要求5所述的一种故障预测与健康管理系统，其特征在于：所述故障预测与健康管理系统的运行方法主要包括以下步骤：
步骤S1：通过数据采集模块，实时收集设备在运行过程中的综合数据，通过历史数据录入模块，将设备的历史故障数据录入系统，通过诊断数据录入模块，将医生的诊断结果录入系统；
步骤S2：在数据录入系统后，系统启动故障检测模块，开始分析设备此时的运行状态数据和患者病情检测结果，根据分析结果判断设备是否出现故障；
步骤S3：在检测到设备无故障后，系统发出电信号启动故障预测模块，开始分析设备的历史故障数据，根据分析结果构建故障预测模型，分析设备运行数据对故障预测模型进行修正，利用修正后的故障预测模型分析设备的运行情况；
步骤S4：当设备出现故障时，系统通过预警模块提醒管理员对设备进行维护，并记录设备的维护数据和维护周期。
7.根据权利要求6所述的一种故障预测与健康管理系统，其特征在于：所述步骤S2进一步包括以下步骤：
步骤S21：当上位机向设备发出指令时，获取设备执行模块中的指令，当设备执行模块中不存在指令时，则将设备电路板分割为m×n个相同的电路模块，并根据指令的传输顺序将电路模块进行标记，分别识别相邻电路模块之间的电势D1，与数据库中的额定电势D2进行对比，若电势D1与D2的差值大于最小阈值且小于最大阈值时，则调取设备维护周期，识别设备维护周期小于阈值，标记当前设备为软件故障，反之则标记当前设备数据传输出现故障，当设备执行模块中存在指令时，则调取设备的实际工作时间和总的运行时间，通过公式计算设备的负载率式中，F表示设备的负载率，t表示设备的实际工作时间，T表示设备的总的运行时间，若设备的负载率大于阈值时，则标记设备过载保护，反之则标记设备执行模块故障；
步骤S22：调取当前设备的患者检测结果和医生录入系统的诊断结果，分别提取各设备检测结果和医生诊断结果的病情特征，将病情特征导入病情知识图谱，若在知识图谱中各病情特征间均存在直属关系，则标记当前设备无故障，若在知识图谱中存在一个病情特征与其他病情特征间无直属关系时，则标记该病情特征及对应的检测设备，反之则系统继续检测，调取其他患者的病情特征在知识图谱中的关系，识别该被标记设备中的标记数量，若标记数量大于系统阈值，则清除当前设备中的所有标记，并将设备标记为故障设备，反之则系统继续检测。
8.根据权利要求7所述的一种故障预测与健康管理系统，其特征在于：所述步骤S3进一步包括以下步骤：
步骤S31：调取设备历史故障数据和设备故障前的运行状态数据，识别历史故障数据和设备运行状态数据，对历史故障数据和设备运行状态数据进行数据清洗、归一化处理，使数据符合模型训练标准；
步骤S32：调取处理后的数据，将处理后的数据作为样本数据，训练故障预测模型，分别识别故障数据特征和设备运行状态特征，将故障特征数据与设备运行状态特征数据进行匹配，并进行加权融合，根据融合后的特征数据对故障预测模型进行修正，利用故障预测模型对设备的故障率进行预测；
步骤S33：调取设备的实时运行数据，将数据导入故障预测模型，调取设备对应的故障预测模型，将该设备实时的运行状态数据与故障预测模型中的数据进行对比，若故障预测模型中存在相似度大于阈值的数据，则识别该故障预测模型数据对应的故障类型，调取数据库中对应故障概率的影响系数α，通过公式计算该设备故障的第一概率为Q1＝α·U×100％，式中，Q1表示该设备故障的第一概率，U表示该设备实时的运行状态数据与故障预测模型中数据的相似度，反之则系统继续检测。
9.根据权利要求8所述的一种故障预测与健康管理系统，其特征在于：所述步骤S33进一步包括以下步骤：
步骤S331：调取待预测目标日期的设备历史故障记录，识别设备历史故障频次，调取该日期所在月份的总故障频次及年总故障频次，计算该月份故障频次在年总共故障频次中的占比，根据比列计算数据库获取对应比列的故障系数G，计算该日期在该月份中的故障频次占比，调取数据库中对应比例的影响系数β，调取该日期距离最近一次维护日期的时间，根据时间调取数据库中对应的影响系数μ；
获取系统中该设备的使用频次，根据该设备的使用频次构架线形图，计算线形图的斜率K，若K大于系统设定阈值，则根据K值调取数据库中对应的增长系数η，通过公式计算目标日期的人数M＝m·η，式中，M表示目标日期的人数，m表示当前日期的人数，根据预测的目标日期人数调取数据库中对一个人数对设备故障概率的影响系数ω，通过公式计算该设备故障的第二概率为Q2＝G·β·μ·ω×100％，式中，Q2表示该设备故障的第二概率；
步骤S332：调取设备故障的第一概率和第二概率，当设备故障的第一概率和第二概率均小于最小阈值时，则将第一概率和第二概率的平均数作为该设备的故障率，当设备故障的第一概率与第二概率的差值小于第一阈值时，则将第一概率和第二概率的平均数作为该设备的故障率，当设备故障的第一概率与第二概率的差值大于第一阈值且小于第二阈值时，则根据差值调取第一方案中对应的加权融合系数进行加权融合，得到故障率Q3，将Q3作为该设备的故障率，当设备故障的第一概率与第二概率的差值大于第二阈值时，则对比第一概率和第二概率，选取较大的作为该设备的故障率Q4。
10.根据权利要求9所述的一种故障预测与健康管理系统，其特征在于：所述步骤S4中调取各个设备的故障率，若设备的预测故障率大于系统阈值，则通过预警模块发出告警，通知管理员派遣技术人员进行维护，反之则继续检测，在技术人员进行维护时，获取技术人员更换或维护零部件信息，根据零部件信息检索维护数据库，在维护数据库中将对应的信息进行更新，当零部件到维护周期时，系统提前通过预警模块发出告警提醒技术人员进行维护。
CN202411048949.9A 2024-08-01 2024-08-01 一种故障预测与健康管理系统 Withdrawn CN119179973A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411048949.9A CN119179973A (zh) 2024-08-01 2024-08-01 一种故障预测与健康管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411048949.9A CN119179973A (zh) 2024-08-01 2024-08-01 一种故障预测与健康管理系统

Publications (1)

Publication Number Publication Date
CN119179973A true CN119179973A (zh) 2024-12-24

Family

ID=93903022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411048949.9A Withdrawn CN119179973A (zh) 2024-08-01 2024-08-01 一种故障预测与健康管理系统

Country Status (1)

Country Link
CN (1) CN119179973A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120750028A (zh) * 2025-09-02 2025-10-03 江苏中盟电气设备有限公司 一种电力设备监控分析预警系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120750028A (zh) * 2025-09-02 2025-10-03 江苏中盟电气设备有限公司 一种电力设备监控分析预警系统
CN120750028B (zh) * 2025-09-02 2025-11-28 江苏中盟电气设备有限公司 一种电力设备监控分析预警系统

Similar Documents

Publication Publication Date Title
CN118536048B (zh) 开关柜绝缘状态监测管理系统
US10852357B2 (en) System and method for UPS battery monitoring and data analysis
CN118261584B (zh) 基于多参量数据的变压器状态评估方法及系统
CN109948808A (zh) 变电站设备故障案例库的建库方法、故障诊断方法及系统
CN119310918B (zh) 一种基于大数据分析的自动化控制系统及方法
CN116028887B (zh) 一种连续性工业生产数据的分析方法
CN118118319B (zh) 一种基于大数据的网络设备智能诊断方法及系统
CN117150418B (zh) 基于状态特征故障树的变压器运检周期制定方法和系统
CN115393353B (zh) 医学影像数据质量监测管理方法及系统
CN119479879A (zh) 一种乙醇生产浓度在线监测方法、装置及系统
CN119943398B (zh) 基于大数据的糖尿病管理系统
CN111262750A (zh) 一种用于评估基线模型的方法及系统
CN114781476A (zh) 一种量测设备故障分析系统和方法
CN120067941A (zh) 一种保供电系统异常的预警方法及系统
CN116720091A (zh) 一种电机故障分析方法
CN119179973A (zh) 一种故障预测与健康管理系统
CN120469846B (zh) 硬盘故障检测方法及电子设备
CN120761875A (zh) 电池短路故障智能诊断方法、系统、设备及介质
CN115345190A (zh) 信号异常的检测方法、装置及服务器
CN119226099A (zh) 一种应用于水利工程的计算机监控系统
CN119510929A (zh) 一种考虑互感器宽频传输特性的电能质量监测方法及系统
CN119105443A (zh) 基于深度学习的智能故障预测系统
CN118522421A (zh) 一种基于大数据分析的数据处理系统
CN115392663A (zh) 一种基于大数据的数据采集处理方法
CN119759636B (zh) 一种基于区块链的系统故障灵活消除方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20241224

WW01 Invention patent application withdrawn after publication