一种分析物传感器的故障识别方法、设备及介质与流程
本技术涉及医疗设备,尤其涉及一种分析物传感器的故障识别方法、设备及介质。
背景技术:
1、分析物传感器通过实时监测用户皮下组织液分析物浓度,能够为用户的健康管理提供动态数据支持。然后分析物传感器在长期植入过程中易受生物膜形成、电极氧化、外部机械应力干扰等因素影响,容易出现多种故障模式,如信号漂移、噪声突变等,严重影响监测数据的准确性。
2、目前,传统失效检测方法多依赖于统计分析或固定阈值判定,例如通过计算信号方差判断噪声水平,或基于预设幅度阈值识别信号骤降。这些方法在处理非平稳信号时表现不佳,难以区分分析物数据波动与传感器失效的耦合效应,容易导致误判。同时,传统方法也无法精准定位具体故障模式类型。
3、基于此,亟需一种分析物传感器的故障识别的技术方案,以克服当前难以高效且精准地识别分析物传感器的故障模式的技术问题。
技术实现思路
1、为解决上述问题,本技术实施例提供了一种分析物传感器的故障识别方法、设备及介质,从而实现高效且精准地识别分析物传感器的故障模式。
2、第一方面,本技术实施例提供了一种分析物传感器的故障识别方法,该方法包括:
3、获取分析物传感器距离当前时刻之前预设时长内的监测信号;
4、提取所述监测信号的信号轮廓数据,基于所述信号轮廓数据确定所述监测信号对应的形态特征数据;
5、基于所述形态特征数据和故障识别模型确定所述分析物传感器的故障模式;其中,所述故障识别模型是基于多个历史监测信号的形态特征数据训练得到。
6、在本技术的一种实现方式中,所述分析物传感器包括多个预设故障模式,确定所述故障模式包括:
7、将所述形态特征数据输入至所述故障识别模型得到多个预设故障模式对应的概率值;
8、将多个所述概率值中的最大概率值对应的预设故障模式作为所述故障模式。
9、在本技术的一种实现方式中,所述故障识别模型包括分类模块和选择模块,确定所述故障模式包括:
10、将所述形态特征数据输入至所述分类模块得到多个预设故障模式对应的概率值;
11、将多个所述概率值输入至所述选择模块得到最大概率值,将所述最大概率值对应的预设故障模式作为所述故障模式。
12、在本技术的一种实现方式中,所述概率值的确定函数如下:
13、
14、其中,表示第i个监测信号对应的多个概率值,t表示迭代次数,t表示迭代总次数,i表示第i个监测信号。
15、在本技术的一种实现方式中,所述最大概率值的确定函数如下:
16、
17、其中,为最大概率值;为第i个监测信号对应的多个概率值。
18、在本技术的一种实现方式中,在确定所述故障模式之前,所述方法还包括:
19、将多个历史监测信号的形态特征数据分别转换为对应的多个特征向量数据;
20、每个特征向量数据分别标记对应的预设故障模式,形成多个训练样本;
21、采用所述多个训练样本训练初始分类模型得到所述故障识别模型。
22、在本技术的一种实现方式中,将所述形态特征数据转换为所述特征向量数据,表示如下:
23、xi=[xi1,xi2,xi3,xi4,xi5]
24、其中,i表示第i个监测信号;xi表示第i个监测信号对应的特征向量数据;xi1,xi2,xi3,xi4,xi5对应表示第i个监测信号的形态特征数据包括信号陡峭上升或下降区间、有色噪声信号区间、信号脉冲突跳点、异常高值持续区间、异常低值持续区间。
25、在本技术的一种实现方式中,所述提取所述监测信号的信号轮廓数据,包括:
26、对所述监测信号执行闭运算操作得到上边界轮廓数据;
27、对所述监测信号执行开运算操作得到下边界轮廓数据;
28、对所述上边界轮廓数据和所述下边界轮廓数据分别执行闭运算操作,得到所述信号轮廓数据。
29、在本技术的一种实现方式中,所述基于所述信号轮廓数据确定所述监测信号对应的形态特征数据包括:
30、对所述信号轮廓数据中上边界轮廓数据和下边界轮廓数据分别进行差分计算确定差分数列组;
31、根据所述差分数列组计算曲线边界扩张面积值,根据所述曲线边界扩张面积值确定有色噪声信号区间;
32、将所述有色噪声信号区间确定为所述形态特征数据。
33、在本技术的一种实现方式中,所述基于所述信号轮廓数据确定所述监测信号对应的形态特征数据包括:
34、对所述信号轮廓数据中上边界轮廓数据和下边界轮廓数据分别进行差分计算确定差分数列组;
35、在预设滑动窗口内对所述差分数列组中的各差分数列分别进行差分值累加;
36、根据差分值累加结果确定信号陡峭上升或下降区间,将所述信号陡峭上升或下降区间确定为所述形态特征数据。
37、在本技术的一种实现方式中,所述基于所述信号轮廓数据确定所述监测信号对应的形态特征数据包括:
38、将所述监测信号与所述信号轮廓数据的对应坐标点相减确定去趋势信号曲线;
39、比对去趋势信号曲线与预设阈值确定信号脉冲突跳点;
40、将所述信号脉冲突跳点确定为所述形态特征数据。
41、在本技术的一种实现方式中,所述基于所述信号轮廓数据确定所述监测信号对应的形态特征数据包括:
42、选取所述信号脉冲突跳点的前一信号值和后一信号值,以所述前一信号值和所述后一信号值的均值替代所述信号脉冲突跳点,得到预处理监测信号;
43、根据所述预处理监测信号和第一预设判定阈值确定异常高值持续区间,将所述异常高值持续区间确定为所述形态特征数据。
44、在本技术的一种实现方式中,在所述得到预处理监测信号之后,所述方法还包括:
45、计算所述预处理监测信号对应的预设滑动窗口内的信号值均值;
46、根据所述信号值均值和第二预设判定阈值确定异常低值持续区间,将所述异常低值持续区间确定为所述形态特征数据。
47、第二方面,本技术实施例还提供了一种分析物传感器的故障识别设备,所述设备包括:
48、至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上述第一方面所述的一种分析物传感器的故障识别方法。
49、第三方面,本技术实施例还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为如上述第一方面所述的一种分析物传感器的故障识别方法。
50、本技术与现有技术相比,其显著效果如下:
51、采用本技术的技术方案,通过获取距离当前时刻之前预设时长内的分析物传感器监测信号,提取并深度分析监测信号的信号轮廓数据,从而确定得到监测信号的形态特征数据,突破现有技术中以固定信号阈值判定传感器失效的局限性,及时准确地实现故障模式关键特征的提取,同时利用故障识别模型对传感器监测信号的形态特征数据进行高效且精准地多故障模式分类,明确存在监测信号故障特征的传感器所对应的具体的故障模式,由此解决目前难以高效且精准地识别分析物传感器的故障模式的技术问题。
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