CN110069551A - 基于Spark的医疗设备运维信息挖掘分析***及其使用方法 - Google Patents

基于Spark的医疗设备运维信息挖掘分析***及其使用方法 Download PDF

Info

Publication number
CN110069551A
CN110069551A CN201910336853.5A CN201910336853A CN110069551A CN 110069551 A CN110069551 A CN 110069551A CN 201910336853 A CN201910336853 A CN 201910336853A CN 110069551 A CN110069551 A CN 110069551A
Authority
CN
China
Prior art keywords
data
spark
medical devices
module
cluster
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.)
Pending
Application number
CN201910336853.5A
Other languages
English (en)
Inventor
饶季勇
李聪
钱雪忠
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN201910336853.5A priority Critical patent/CN110069551A/zh
Publication of CN110069551A publication Critical patent/CN110069551A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于Spark的医疗设备运维信息挖掘分析***及其使用方法，包括如下步骤：获取医院医疗设备的运行状态信息存于MySQL数据库中；通过Sqoop工具将DB型数据从MySQL数据库中抽取到HDFS中；对于文本日志类型的数据采集通过Kettle工具导入HDFS或MySQL数据库中；利用Standalone作为资源管理器，使用Spark MLlib库中的K‑means算法构造预测模型；根据预测模型和训练集里的设备运行信息，计算出三种状态聚类；对接收到的测试集进行预测，并且将预测数据归到这三个聚类之一，对聚类数据进行分析，将分析结果进行直观呈现。本发明实现了对于医疗设备的定位监控，并且能够将设备的运行状态进行直观呈现，大幅降低了医疗设备维护所需人员投入，减少了大量的人员成本。

Description

基于Spark的医疗设备运维信息挖掘分析***及其使用方法
技术领域
本发明涉及医疗设备技术领域，具体涉及一种基于Spark的医疗设备运维信息挖掘分析***及其使用方法。
背景技术
现有的大多数的医疗设备维修管理中所使用的方法都是PDCA，即需要设备工程师参与到整个质量监管过程，这种方式受维修人员的知识和设备更新的限制，在设备保养维修阶段没有前瞻性的预测。例如《中国卫生产业》期刊中《医疗设备维修管理中PDCA方法的应用探讨》一文中所提到的PDCA方法；《中国医学设备》期刊上《基于运维***质量控制模块下医疗设备预防性维护计划的实施》一文中的医疗设备PM计划。这些都是需要投入大量质检员才能完成，人员的投入成本非常大。
发明内容
发明目的：为了克服现有技术中存在的不足，提供一种基于Spark的医疗设备运维信息挖掘分析***及其使用方法，能够对复杂的运行状态信息进行归类，达到预测性维护的目的，并且将设备运行的状态直观的进行显示，减少了大量的人员投入。
技术方案：为实现上述目的，本发明提供一种基于Spark的医疗设备运维信息挖掘分析***，包括数据源模块、数据采集模块、存储与处理模块、算法模型模块和***应用模块，所述数据源模块包括DB型数据和文本文件数据，所述数据采集模块包括用于采集DB型数据的DB数据采集工具和用于采集文本文件数据的文本文件采集工具，所述存储与处理模块包括数据仓库平台和数据处理平台，所述数据仓库平台包括MySQL数据库，所述数据处理平台包括HDFS分布式储存器和Standalone资源管理器，所述DB型数据存储于MySQL数据库中，所述DB数据采集工具用于将DB型数据从MySQL数据库抽取到HDFS中，所述文本文件采集工具用于将文本文件数据导入HDFS分布式储存器或者MySQL数据库中，所述算法模型模块用于构造预测模型，所述***应用模块包括可视化展示模块和预警***模块。
进一步的，所述算法模型模块包括数据分析模块、数据挖掘模块和算法模块。
一种基于Spark的医疗设备运维信息挖掘分析***的使用方法，包括如下步骤：
S1：获取医院医疗设备的运行状态信息存于MySQL数据库中，运行状态信息包括DB(DataBase)型数据；
S2：通过DB数据采集(Sqoop)工具将DB型数据从MySQL数据库中抽取到HDFS中；
S3：对于文本文件类型的数据采集通过文本文件采集(Kettle)工具导入HDFS或MySQL数据库中；
S4：利用Standalone作为资源管理器，使用Spark MLlib库中的K-means算法构造预测模型；
S5：根据预测模型和训练集里的设备运行信息，计算出三种状态聚类；
S6：对接收到的测试集进行预测，并且将预测数据归到这三个聚类之一，对聚类数据进行分析，将聚类分析结果存入MySQL数据库中，结合JavaScript技术，利用Json作为数据传输类型，将分析结果进行直观呈现。
进一步的，所述步骤S4中使用Spark MLlib库中的K-means算法构造预测模型具体包括如下步骤：
S4-1：从HDFS中读取医疗设备运维大数据，并且创建RDD；
S4-2：随机生成K个初始聚类中心；
S4-3：计算每个点到聚类中心的距离并且进行归约；
S4-4：将数据点分配到最近的簇质心；
S4-5：计算每个划分中样本点的平均值，将其作为新的聚类中心；
S4-6：重复步骤S4-4和S4-5，直至达到迭代次数或者聚类收敛，最后输出聚类结果。
进一步的，所述步骤S5中三种状态聚类分别为危险、亚健康和健康。
进一步的，所述步骤S4-4中将数据点分配到最近的簇质心具体为：对于一个给定的d维数据点，使用距离函数来确定最近的簇质心，采用欧式距离函数来计算这个簇质心生成该数据点的可能性，其中通过欧式距离公式得到两个d维数据点x＝(x1，x2，...，xd)和y＝(y1，y2，...，yd)之间的欧式距离，欧式距离公式表达式如下：
Dist(x，y)＝√(x1-y1)2+(x2-y2)2+...+(xd+yd)2
进一步的，所述步骤S6中将聚类数据置于Spark平台上进行分析。
进一步的，所述步骤S6中通过选择Echart中多种图表于百度地图API结合的方式将分析结果进行呈现。
进一步的，使用Spark MLlib库中的K-means算法构造的预测模型进行异常数据预测。
进一步的，所述步骤S4-6中聚类收敛具体为：划分中心的变化小于预定义的阈值。
本发明中涉及的K-means是一个数据挖掘算法，属于无监督学***方和最小，这样就可完成这个分组。
其算法表达式为：
其中xn表示n个d维数据，μi表示簇中心的平均值，rnk表示数据被归类到簇的时候为1，否则为0。
本发明中通过可视化界面对最后的分析结果，也就是设备的运行状态进行呈现，可视化界面主要分为设备基本信息和数据运维信息两个部分。数据可视化方面，采用Java编写MySQL数据库连接模块，结合JavaScript技术，利用Json作为数据传输类型。可视化的结果以静态图像和动态图像结合的方式呈现，使得用户能够从不同的角度去观察数据视图。
设备基本信息部分主要针对设备的基础信息，健康状况，分布情况及整个***的错误日志进行展示，并实时更新。数据运维信息部分主要针对算法中分析出来的数据利用Echart图表动静结合地呈现出来。
有益效果：本发明与现有技术相比，具备如下优点：
1、将传统医疗设备运维寄托于Spark平台之上，实现更快速、准确的运维功能；通过设备的预警机制，降低医疗设备在使用过程中的故障可能，提高设备的有效利用率；
2、实现了对于医疗设备的定位监控，并且能够将设备的运行状态进行直观呈现，大幅降低了医疗设备维护所需人员投入，减少了大量的人员成本。
附图说明
图1为本发明***结构的框架图；
图2为使用SparkMLlib库中的K-means算法构造预测模型的流程图；
图3为医疗设备中液氦压力的时间状态图；
图4为医疗设备中扫描腔温度和液压压力的动态数据对比图；
图5为设备健康状况示意图；
图6为设备状态分布示意图；
图7为错误日志示意图。
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明。
如图1所示，本发明提供一种基于Spark的医疗设备运维信息挖掘分析***，包括数据源模块、数据采集模块、存储与处理模块、算法模型模块和***应用模块，数据源模块包括DB型数据和文本文件数据，数据采集模块包括用于采集DB型数据的DB数据采集工具和用于采集文本文件数据的文本文件采集工具，存储与处理模块包括数据仓库平台和数据处理平台，数据仓库平台包括MySQL数据库，数据处理平台包括HDFS分布式储存器、Standalone资源管理器和统一计算控制接口，统一计算控制接口包括内存计算框架和离线计算框架，DB型数据存储于MySQL数据库中，DB数据采集工具用于将DB型数据从MySQL数据库抽取到HDFS中，文本文件采集工具用于将文本文件数据导入HDFS分布式储存器或者MySQL数据库中，算法模型模块用于构造预测模型，***应用模块包括可视化展示模块和预警***模块，算法模型模块包括数据分析模块、数据挖掘模块和算法模块。
本发明基于上述分析***，提供一种基于Spark的医疗设备运维信息挖掘分析***的使用方法，包括如下步骤：
S1：获取医院医疗设备的运行状态信息存于MySQL数据库中，运行状态信息包括DB(DataBase)型数据；
S2：通过DB数据采集(Sqoop)工具将DB型数据从MySQL数据库中抽取到HDFS中；
S3：对于文本文件类型的数据采集通过文本文件采集(Kettle)工具导入HDFS或MySQL数据库中；
S4：利用Standalone作为资源管理器，使用Spark MLlib库中的K-means算法构造预测模型；
S5：根据预测模型和训练集里的设备运行信息，计算出三种状态聚类；
S6：对接收到的测试集进行预测，并且将预测数据归到这三个聚类之一，对聚类数据进行分析，将聚类分析结果存入MySQL数据库中，结合JavaScript技术，利用Json作为数据传输类型，将分析结果进行直观呈现。
如图2所示，步骤S4中使用Spark MLlib库中的K-means算法构造预测模型具体包括如下步骤：
S4-1：从HDFS中读取医疗设备运维大数据，并且创建RDD；
S4-2：随机生成K个初始聚类中心；
S4-3：计算每个点到聚类中心的距离并且进行归约；
S4-4：将数据点分配到最近的簇质心；
S4-5：计算每个划分中样本点的平均值，将其作为新的聚类中心；
S4-6：重复步骤S4-4和S4-5，直至达到迭代次数或者聚类收敛，最后输出聚类结果。
步骤S5中三种状态聚类分别为危险、亚健康和健康；步骤S6中将聚类数据置于Spark平台上进行分析；步骤S6中通过选择Echart中多种图表于百度地图API结合的方式将分析结果进行呈现；使用Spark MLlib库中的K-means算法构造的预测模型进行异常数据预测；步骤S4-6中聚类收敛具体为：划分中心的变化小于预定义的阈值。
实施例1：
本实施例中将上述***应用在安阳市人民医院3.0T HDXT型号设备上，在2018-06-27至2018-11-16这段时期运行产生的数据归结出的运行参数阈值进行预测的标准。型号3.0T HDXT设备运行参数阈值如表所示：
表1型号3.0T HDXT设备运行参数阈值
取液氦压力、扫描腔温度、液氦水平、水温、水流等9项参数，运用基于Spark的K-means算法进行聚类计算，产生的3个聚类中心，得到K-means聚类中心，具体如下表2所示：
根据表1和表2对比可知，位于第一、二类的数据点的液氦水平较高，磁体屏蔽层温度较低；第三类的数据点的液氦压力很低，扫描腔温度较高，水温较高，冷头温度较高，由此可以将这3万条数据简单分为3类做初步的预测。
实施例2：
本实施例中将上述***应用在“无锡市第二医院”，最终的分析结果通过选择Echart中多种图表于百度地图API结合的方式进行呈现，具体如下：
如图3所示为监测的医疗设备中液氦压力的时间状态图，利用echart折线图来显示具体状态，1和5的虚线之间为正常范围值，其他为非正常范围值。
如图4所示为监测的医疗设备中扫描腔温度和液压压力的动态数据对比图。
如图5所示为设备健康状况示意图，在设备数据中，利用echart饼状图形式显示设备健康状况，以表格形式展示设备具体的信息。
如图6所示为无锡市第二医院的设备状态分布示意图，在设备分布图中利用百度地图api对设备进行定位，并用1、2和3来分别表示危险、亚健康和健康三种状态。
如图7所示，在错误日志汇总中利用表格展示错误日志，并统计不同时期发生事故的设备数量。

Claims (9)

1.基于Spark的医疗设备运维信息挖掘分析***，其特征在于：包括数据源模块、数据采集模块、存储与处理模块、算法模型模块和***应用模块，所述数据源模块包括DB型数据和文本文件数据，所述数据采集模块包括用于采集DB型数据的DB数据采集工具和用于采集文本文件数据的文本文件采集工具，所述存储与处理模块包括数据仓库平台和数据处理平台，所述数据仓库平台包括MySQL数据库，所述数据处理平台包括HDFS分布式储存器和Standalone资源管理器，所述DB型数据存储于MySQL数据库中，所述DB数据采集工具用于将DB型数据从MySQL数据库抽取到HDFS中，所述文本文件采集工具用于将文本文件数据导入HDFS分布式储存器或者MySQL数据库中，所述算法模型模块用于构造预测模型，所述***应用模块包括可视化展示模块和预警***模块。
2.根据权利要求1所述的基于Spark的医疗设备运维信息挖掘分析***，其特征在于：包括如下步骤：所述算法模型模块包括数据分析模块、数据挖掘模块和算法模块。
3.根据权利要求1所述的基于Spark的医疗设备运维信息挖掘分析***的使用方法，其特征在于：包括如下步骤：
S1：获取医院医疗设备的运行状态信息存于MySQL数据库中，运行状态信息包括DB型数据；
S2：通过DB数据采集工具将DB型数据从MySQL数据库中抽取到HDFS中；
S3：对于文本文件类型的数据采集通过文本文件采集工具导入HDFS或MySQL数据库中；
S4：利用Standalone作为资源管理器，使用Spark MLlib库中的K-means算法构造预测模型；
S5：根据预测模型和训练集里的设备运行信息，计算出三种状态聚类；
S6：对接收到的测试集进行预测，并且将预测数据归到这三个聚类之一，对聚类数据进行分析，将聚类分析结果存入MySQL数据库中，结合JavaScript技术，利用Json作为数据传输类型，将分析结果进行直观呈现。
4.根据权利要求3所述的基于Spark的医疗设备运维信息挖掘分析***的使用方法，其特征在于：所述步骤S4中使用Spark MLlib库中的K-means算法构造预测模型具体包括如下步骤：
S4-1：从HDFS中读取医疗设备运维大数据，并且创建RDD；
S4-2：随机生成K个初始聚类中心；
S4-3：计算每个点到聚类中心的距离并且进行归约；
S4-4：将数据点分配到最近的簇质心；
S4-5：计算每个划分中样本点的平均值，将其作为新的聚类中心；
S4-6：重复步骤S4-4和S4-5，直至达到迭代次数或者聚类收敛，最后输出聚类结果。
5.根据权利要求3所述的基于Spark的医疗设备运维信息挖掘分析***的使用方法，其特征在于：所述步骤S5中三种状态聚类分别为危险、亚健康和健康。
6.根据权利要求4所述的基于Spark的医疗设备运维信息挖掘分析***的使用方法，其特征在于：所述步骤S4-4中将数据点分配到最近的簇质心具体为：对于一个给定的d维数据点，使用距离函数来确定最近的簇质心，采用欧式距离函数来计算这个簇质心生成该数据点的可能性，其中通过欧式距离公式得到两个d维数据点x＝(x1，x2，...，xd)和y＝(y1，y2，...，yd)之间的欧式距离，欧式距离公式表达式如下：
Dist(x,y)＝√(x1-y1)2+(x2-y2)2+...+(xd+yd)2。
7.根据权利要求3所述的基于Spark的医疗设备运维信息挖掘分析***的使用方法，其特征在于：所述步骤S6中将聚类数据置于Spark平台上进行分析。
8.根据权利要求3所述的基于Spark的医疗设备运维信息挖掘分析***的使用方法，其特征在于：所述步骤S6中通过选择Echart中多种图表于百度地图API结合的方式将分析结果进行呈现。
9.根据权利要求4所述的基于Spark的医疗设备运维信息挖掘分析***的使用方法，其特征在于：所述步骤S4-6中聚类收敛具体为：划分中心的变化小于预定义的阈值。
CN201910336853.5A 2019-04-25 2019-04-25 基于Spark的医疗设备运维信息挖掘分析***及其使用方法 Pending CN110069551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910336853.5A CN110069551A (zh) 2019-04-25 2019-04-25 基于Spark的医疗设备运维信息挖掘分析***及其使用方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910336853.5A CN110069551A (zh) 2019-04-25 2019-04-25 基于Spark的医疗设备运维信息挖掘分析***及其使用方法

Publications (1)

Publication Number Publication Date
CN110069551A true CN110069551A (zh) 2019-07-30

Family

ID=67368745

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910336853.5A Pending CN110069551A (zh) 2019-04-25 2019-04-25 基于Spark的医疗设备运维信息挖掘分析***及其使用方法

Country Status (1)

Country Link
CN (1) CN110069551A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633271A (zh) * 2019-11-20 2019-12-31 紫光云(南京)数字技术有限公司 一种基于json的Hbase到mysql的数据抽取方法
CN110633082A (zh) * 2019-09-26 2019-12-31 山东浪潮商用***有限公司 一种结合echart和html的动态数据展示方法及***
CN110674143A (zh) * 2019-10-18 2020-01-10 长春理工大学 一种免耕机作业信息监测***及方法
CN113254541A (zh) * 2021-04-15 2021-08-13 浙江工业大学 一种基于聚类分析的剧场运维管理方法
CN113313272A (zh) * 2021-06-15 2021-08-27 江苏杰瑞信息科技有限公司 一种基于人工智能的船舶辅机设备故障智能预警设计方法
CN113533875A (zh) * 2020-04-22 2021-10-22 杭州释普科技有限公司 智能化判断实验室设备运行状态及计算设备利用率的方法
CN114358212A (zh) * 2022-01-25 2022-04-15 电子科技大学 一种基于K-means的癌症预嘱指标数据分析***
CN115587140A (zh) * 2022-12-09 2023-01-10 四川新迎顺信息技术股份有限公司 基于大数据的电子工程项目数据可视化管理方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095653A (zh) * 2015-07-13 2015-11-25 湖南互动传媒有限公司 医疗大数据应用基础服务***
CN105138661A (zh) * 2015-09-02 2015-12-09 西北大学 一种基于Hadoop的网络安全日志k-means聚类分析***及方法
US20170330132A1 (en) * 2016-05-13 2017-11-16 International Business Machines Corporation Method and system to manage supervision activity in utility system to reduce damage
CN107463620A (zh) * 2017-07-05 2017-12-12 洛川闰土农牧科技有限责任公司 一种基于数据挖掘的电梯事故预警预报***
CN107563153A (zh) * 2017-08-03 2018-01-09 华子昂 一种基于Hadoop构建的PacBio测序平台IT架构
CN108062555A (zh) * 2016-11-08 2018-05-22 南京理工大学 基于Spark流式聚类的监测数据预警***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105095653A (zh) * 2015-07-13 2015-11-25 湖南互动传媒有限公司 医疗大数据应用基础服务***
CN105138661A (zh) * 2015-09-02 2015-12-09 西北大学 一种基于Hadoop的网络安全日志k-means聚类分析***及方法
US20170330132A1 (en) * 2016-05-13 2017-11-16 International Business Machines Corporation Method and system to manage supervision activity in utility system to reduce damage
CN108062555A (zh) * 2016-11-08 2018-05-22 南京理工大学 基于Spark流式聚类的监测数据预警***
CN107463620A (zh) * 2017-07-05 2017-12-12 洛川闰土农牧科技有限责任公司 一种基于数据挖掘的电梯事故预警预报***
CN107563153A (zh) * 2017-08-03 2018-01-09 华子昂 一种基于Hadoop构建的PacBio测序平台IT架构

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
徐元熙等: "数据挖掘在医院信息***中的应用研究", 《微计算机信息》 *
徐元熙等: "数据挖掘在医院信息***中的应用研究", 《微计算机信息》, no. 33, 25 November 2008 (2008-11-25) *
陈润: "面向铁路运维的大数据流式处理技术的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
陈润: "面向铁路运维的大数据流式处理技术的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 1, 15 January 2018 (2018-01-15), pages 2 - 4 *
高峰 等: "医疗设备全生命周期维修管理***的设计与实现", 《中国医疗设备》 *
高峰 等: "医疗设备全生命周期维修管理***的设计与实现", 《中国医疗设备》, vol. 31, no. 2, 25 February 2016 (2016-02-25), pages 155 - 156 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633082A (zh) * 2019-09-26 2019-12-31 山东浪潮商用***有限公司 一种结合echart和html的动态数据展示方法及***
CN110674143A (zh) * 2019-10-18 2020-01-10 长春理工大学 一种免耕机作业信息监测***及方法
CN110633271A (zh) * 2019-11-20 2019-12-31 紫光云(南京)数字技术有限公司 一种基于json的Hbase到mysql的数据抽取方法
CN113533875A (zh) * 2020-04-22 2021-10-22 杭州释普科技有限公司 智能化判断实验室设备运行状态及计算设备利用率的方法
CN113533875B (zh) * 2020-04-22 2024-02-23 释普信息科技（上海）有限公司 智能化判断实验室设备运行状态及计算设备利用率的方法
CN113254541A (zh) * 2021-04-15 2021-08-13 浙江工业大学 一种基于聚类分析的剧场运维管理方法
CN113313272A (zh) * 2021-06-15 2021-08-27 江苏杰瑞信息科技有限公司 一种基于人工智能的船舶辅机设备故障智能预警设计方法
CN114358212A (zh) * 2022-01-25 2022-04-15 电子科技大学 一种基于K-means的癌症预嘱指标数据分析***
CN114358212B (zh) * 2022-01-25 2024-01-30 电子科技大学 一种基于K-means的癌症预嘱指标数据分析***
CN115587140A (zh) * 2022-12-09 2023-01-10 四川新迎顺信息技术股份有限公司 基于大数据的电子工程项目数据可视化管理方法及装置
CN115587140B (zh) * 2022-12-09 2023-03-28 四川新迎顺信息技术股份有限公司 基于大数据的电子工程项目数据可视化管理方法及装置

Similar Documents

Publication Publication Date Title
CN110069551A (zh) 基于Spark的医疗设备运维信息挖掘分析***及其使用方法
Cao et al. Electrical load prediction of healthcare buildings through single and ensemble learning
CN108388503A (zh) 数据库性能监控方法、***、设备及计算机可读存储介质
CN104638764A (zh) 配网设备状态智能诊断和检修***
CN109800995A (zh) 一种电网设备故障识别方法及***
CN112529327A (zh) 一种用于构建商业地区建筑火灾风险预测等级模型的方法
CN109740872A (zh) 一种台区运行状态的诊断方法及***
CN110377623A (zh) 一种基于事件驱动的监查***
CN107391335A (zh) 一种用于检查集群健康状态的方法和设备
An et al. Condition parameter degradation assessment and prediction for hydropower units using Shepard surface and ITD
CN117196159A (zh) 基于互联网大数据分析的智慧水务分区计量***
CN114662712A (zh) 基于Wasserstein深度数字孪生模型的旋转机械状态监测方法
CN117194919A (zh) 一种生产数据分析***
CN117787711A (zh) 一种基于大数据的拱桥施工单端管理***
CN105930255A (zh) 一种***健康度预测方法及装置
CN105938573A (zh) 医疗保险基金精算预警***及方法
CN108761263A (zh) 一种基于证据理论的故障诊断***
CN106649034A (zh) 一种可视化智能运维方法及平台
CN110837970A (zh) 一种区域卫生平台质控方法和***
CN108258802A (zh) 一种配电网中配电设备的运行状况的监测方法和装置
CN107087284A (zh) 一种网络小区的质量监控方法及监控***、服务器
CN113642669B (zh) 基于特征分析的防欺诈检测方法、装置、设备及存储介质
CN111221704B (zh) 一种确定办公管理应用***运行状态的方法及***
CN207232961U (zh) 一种可实时对水雨情数据进行检验的***
CN112764985A (zh) 一种数据中心***智能监控方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination