数据驱动的医疗设备故障预测方法及智能维护平台与流程
本发明涉及医疗设备监测,更具体地说,本发明涉及数据驱动的医疗设备故障预测方法及智能维护平台。
背景技术:
1、随着工业控制与信息技术的飞速发展,呼吸机、输液泵、血液透析机等现代医疗设备普遍采用闭环控制系统,通过实时反馈调节控制器输出,以保障设备在复杂工况下维持高精度的稳定运行。
2、现有技术中,医疗设备的故障预测方法通常有两种:一种是基于输出变量超限判断故障,即当反馈信号超过预设边界时触发故障预警;另一种是直接基于原始运行数据训练模型,通过学习历史正常数据与故障数据的特征差异进行故障分类或剩余寿命预测;然而上述方法均未考虑闭环控制器为维持设定的目标值而付出的额外补偿行为,从而忽略了控制器输出信号中蕴含的隐性退化信息,导致轻度退化被严重掩盖,进而难以及时识别故障前兆;例如,呼吸机通过控制器调节鼓风机转速和比例阀开度,使实际气道压力和吸气流量接近设定的通气目标,当鼓风机轴承磨损、叶轮积尘或气路阻力增加时,呼吸机仍可维持设定压力和流量,但控制器需要鼓风机驱动占空比或增大比例阀开度补偿量,即出现输出指标表面完全正常,但控制补偿代价持续升高的隐性退化现象。
3、鉴于此,本发明提出数据驱动的医疗设备故障预测方法及智能维护平台以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷,为实现上述目的,本发明提供如下技术方案:数据驱动的医疗设备故障预测方法及智能维护平台,包括:
2、s1、获取医疗设备执行控制时的运行数据,按时间序列记录形成原始控制数据流;
3、s2、从原始控制数据流中截取健康状态数据片段进行控制输出基线建立,并根据健康状态下控制器输出信号相对于控制输出基线的波动范围,得到基线控制补偿能量;
4、s3、评估当前控制器输出信号与控制输出基线的响应偏差,基于当前控制补偿能量与基线补偿能量参数的偏离度,生成补偿退化指数,并进一步时序演化生成当前健康状态轨迹;
5、s4、沿时间锚点向前截取历史故障前轨迹以构建部件的退化轨迹模板,并与当前健康状态轨迹进行相似度匹配,得到部件的轨迹相似度;
6、s5、基于补偿退化指数和轨迹相似度对部件进行故障预测,并根据故障预测结果触发相应维护操作。
7、进一步地,形成原始控制数据流的方法包括:
8、采集医疗设备处于运行状态且执行控制时的运行数据,运行数据包括控制器输出信号、设定目标值、反馈信号、控制误差信号、设备运行模式、部件运行时间以及历史维护记录;
9、将历史维护记录中的维护记录时间、故障确认时间和部件更换记录关联至对应的部件运行时间;按时间戳顺序将每一组控制器输出信号、设定目标值、反馈信号、控制误差信号、设备运行模式、部件运行时间及历史维护记录进行排列,形成原始控制数据流。
10、进一步地,进行控制输出基线建立的方法包括:
11、从历史维护记录中筛选出无故障确认时间且无部件更换记录的时间区间,并基于该时间区间从原始控制数据流中截取对应的运行记录,全部标记为健康状态数据片段;以相同设备运行模式及相同设定目标值为划分依据,将健康状态数据片段划分为若干控制工况组;
12、将各控制工况组中的控制器输出信号进行分位点回归处理,在设定目标值与反馈信号作为输入变量的条件下获取控制器输出信号在下、中及上分位点处的回归系数与截距项;
13、调用中分位点处对应的回归系数和截距项对对应的设定目标值和反馈信号进行解析,得到各控制工况组的控制输出基线。
14、进一步地,得到基线控制补偿能量的方法包括:
15、调用上下分位点对应的回归系数和截距项进行解析,分别得到各控制工况组的控制输出上下边界值;将健康状态数据片段中的控制器输出信号与对应控制输出上下边界值进行比较,若位于控制输出上下边界值之间,则将对应的运行记录标记为正常波动记录;反之则标记为异常波动记录;
16、计算标记为正常波动记录的控制器输出信号相对于控制输出基线的偏差,并在各控制工况组内筛选出偏差绝对值的最大值,作为对应设备运行模式下的控制输出偏差上限;
17、耦合标记为正常波动记录的控制误差信号绝对值及对应控制器输出偏差绝对值,并在健康状态数据片段的完整时间区间内叠加,得到累积控制补偿能量值;
18、将各控制工况组内的累积控制补偿能量值汇总,并将超过设定门限值的右尾数据进行分布拟合,选取拟合结果中高置信度分位点对应的数值作为对应控制工况组的基线控制补偿能量。
19、进一步地,生成补偿退化指数的方法包括:
20、基于当前设备运行模式及设定目标值筛选出对应的控制输出基线,评估与当前控制器输出信号的偏差,同时结合当前控制误差信号绝对值,得到当前控制补偿功率瞬时值;
21、从当前运行阶段记录的起始时间戳起,对各时刻的当前控制补偿功率瞬时值进行累加,得到当前控制补偿能量;
22、通过控制输出偏差上限对当前控制补偿能量值与基线控制补偿能量的偏差进行归一化处理,形成当前的补偿退化指数。
23、进一步地,进一步时序演化生成当前健康状态轨迹的方法包括:
24、在固定时间窗口内将部件当前的补偿退化指数、控制误差信号和部件运行时间进行统一尺度处理,组合形成部件的当前健康状态值;
25、将连续多个当前健康状态值按照时间先后排列,时序演化形成当前健康状态轨迹。
26、进一步地,得到部件的轨迹相似度的方法包括:
27、从历史维护记录中筛选对应部件的故障确认时间,并标记为时间锚点;以时间锚点为终点,按时间戳从晚到早的顺序反向追溯,将补偿退化指数持续超过健康状态自然波动范围的记录对应时间戳,作为退化起始点;
28、截取退化起始点和终点间的健康状态值序列,形成历史故障前轨迹;对历史故障前轨迹进行统一时间窗口处理,形成部件的历史退化轨迹模板;
29、将当前健康状态轨迹与对应历史退化轨迹模板进行时序配准,解析两者间的轨迹距离并进行归一化处理,得到部件当前健康状态轨迹与历史退化轨迹模板之间的轨迹相似度。
30、进一步地,基于补偿退化指数和轨迹相似度对部件进行故障预测的方法包括:
31、按轨迹相似度从大到小的顺序选取排名前k条历史故障前轨迹,作为相似轨迹候选集;将相似轨迹候选集中各历史故障前轨迹的故障确认时间和退化起始点之间的时间跨度作为总退化持续时间;
32、以各历史故障前轨迹的轨迹相似度为权重,对相似轨迹候选集中的总退化持续时间进行加权处理,得到预测剩余运行寿命;以当前时间戳为起点,按预测剩余运行寿命所对应的时间长度向后推移,将推移到达的时间戳作为预测故障发生时间戳;
33、将轨迹相似度最大值的历史故障前轨迹所对应的部件与预测故障发生时间戳组合,形成故障预测结果。
34、进一步地,根据故障预测结果触发相应维护操作的方法包括:
35、将当前时间戳与预测故障发生时间戳之间的时间间隔,作为预测剩余维护窗口时长,与预设维护阈值进行比较;其中,维护阈值包括紧急维护阈值和常规维护阈值;
36、若预测剩余维护窗口时长未超过紧急维护阈值,则停止医疗设备运行并显示紧急维护警告信息;若位于紧急维护阈值和常规维护阈值之间,则维持医疗设备运行并显示计划维护提示信息;若超过常规维护阈值,则维持医疗设备运行并显示正常运行状态信息。
37、进一步地,数据驱动的医疗设备故障预测智能维护平台,包括:
38、运行时序采集模块,用于形成原始控制数据流;
39、基线参数构筑模块,用于在设备处于健康状态期间建立控制输出基线,并根据健康状态下控制器输出信号相对于控制输出基线的波动范围,得到基线控制补偿能量;
40、健康轨迹解析模块,用于基于当前控制补偿能量与基线补偿能量参数的偏离度,并进一步基于补偿退化指数的时序演化生成当前健康状态轨迹;
41、轨迹模板配准模块,用于沿时间锚点向前截取历史故障前轨迹以构建部件的退化轨迹模板,并与当前健康状态轨迹进行相似度匹配,得到部件的轨迹相似度;
42、故障预判管控模块,用于基于补偿退化指数和轨迹相似度对部件进行故障预测,并根据故障预测结果触发相应的维护操作。
43、本发明数据驱动的医疗设备故障预测方法及智能维护平台的技术效果和优点:
44、1.本发明通过提取健康状态数据片段划分控制工况组,应用分位数回归构建控制输出基线,结合上下边界偏差进行异常过滤,实现了对闭环控制内部物理代偿能量与控制代价的精准量化;在健康时间区间内对控制误差与控制器输出偏差进行时间积分以标定基线控制补偿能量,消除了工况突变对退化评价的干扰,实现了在设备或部件尚未发生显性故障的隐性退化早期完成高灵敏度的退化预警,大幅提升了诊断的前瞻性与可靠性;
45、2.本发明通过以历史维护记录中的故障确认时间为时间锚点,按时间戳反向逐条追溯补偿退化指数,确定退化起始点,通过截取退化时间段内的健康状态值生成历史退化轨迹模板,并将健康状态轨迹与模板进行时间轴配准与归一化距离计算,实现了对不同维修周期下历史退化演化全过程的非线性对齐与形态高匹配度量化,为后续剩余运行寿命预测与故障时间戳推算提供了极高的置信度基准,进而全流程联动形成了诊断闭环,实现了从被动维修向按状态精准预修的转变。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com