CN116383606B - 一种分布式医疗设备的恒流温度采集方法及*** - Google Patents
一种分布式医疗设备的恒流温度采集方法及*** Download PDFInfo
- Publication number
- CN116383606B CN116383606B CN202310259727.0A CN202310259727A CN116383606B CN 116383606 B CN116383606 B CN 116383606B CN 202310259727 A CN202310259727 A CN 202310259727A CN 116383606 B CN116383606 B CN 116383606B
- Authority
- CN
- China
- Prior art keywords
- data
- driving
- electronic device
- fault
- generate
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004088 simulation Methods 0.000 claims abstract description 128
- 238000012545 processing Methods 0.000 claims abstract description 100
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims description 70
- 230000008439 repair process Effects 0.000 claims description 36
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000004140 cleaning Methods 0.000 claims description 25
- 230000000007 visual effect Effects 0.000 claims description 23
- 230000009467 reduction Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000013524 data verification Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 description 22
- 230000008859 change Effects 0.000 description 22
- 238000013480 data collection Methods 0.000 description 14
- 230000002159 abnormal effect Effects 0.000 description 13
- 238000010926 purge Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G16H40/60—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 operation of medical equipment or devices
- G16H40/67—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 operation of medical equipment or devices for remote operation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及恒流温度采集技术领域,尤其涉及一种分布式医疗设备的恒流温度采集方法及***。所述方法包括以下步骤:获取待检测的分布式医疗设备的电子器件,基于电子器件的器件物理特性进行数据建模,生成电子器件模型,对电子器件模型进行电子器件仿真运行处理,以获得模拟电路数据,根据模拟电路数据采集电子器件模型件在运行过程时的仿真驱动数据;对仿真驱动数据进行数据预处理,生成目标驱动数据,对目标驱动数据进行历史数据特征提取,生成历史驱动特征数据;利用深度学习算法对历史驱动特征数据进行运行驱动预测处理,生成预测驱动数据。本发明通过对电子器件模拟仿真运行,能够提供较为稳定的温度数据。
Description
技术领域
本发明涉及恒流温度采集技术领域,尤其涉及一种分布式医疗设备的恒流温度采集方法及***。
背景技术
分布式医疗设备指的是由多个医疗设备组成的网络,这些设备可以相互协作、共享资源,从而提高医疗诊疗的效率和质量。这些设备可以分布在不同的医疗机构或区域,通过网络连接起来,共同完成医疗任务,如医学影像诊断、手术等。分布式医疗设备的出现可以让医疗资源更加充分地利用,为患者提供更加便捷和高效的医疗服务。随着医疗设备的智能化和数据化发展,对医疗设备运行状态的监测和控制变得越来越重要。其中,恒流温度是医疗设备中常用的监测指标之一,因此需要通过恒定的电流来改变电路频率使得医疗设备中的温度进行适应性的变化。然而,传统的温度采集方法需要使用独立的传感器进行采集,数据传输过程中容易出现信号干扰和数据丢失等问题,并且电子器件经过长时间的使用造成设备老化,长时间输送相同的电路数据会引起温度数据不稳定。
发明内容
基于此,本发明提供一种分布式医疗设备的恒流温度采集方法及***,以解决至少一个上述技术问题。
为实现上述目的,一种分布式医疗设备的恒流温度采集方法,所述方法包括以下步骤:
步骤S1:获取待检测的分布式医疗设备的电子器件,基于电子器件的器件物理特性进行数据建模,生成电子器件模型,对电子器件模型进行电子器件仿真运行处理,以获得模拟电路数据,根据模拟电路数据采集电子器件模型件在运行过程时的仿真驱动数据;
步骤S2:对仿真驱动数据进行数据预处理,生成目标驱动数据,对目标驱动数据进行历史数据特征提取,从而生成历史驱动特征数据;
步骤S3:利用深度学习算法对历史驱动特征数据进行运行驱动预测处理,从而生成预测驱动数据;
步骤S4:构建区块链网络并将预测驱动数据以分布式方式存储在区块链网络中,从而生成驱动存储文件;
步骤S5:将驱动存储文件进行可视化分析展示处理,生成可视化温度数据,从而实现恒流温度采集作业。
本实施例通过获取待检测的分布式医疗设备的电子器件,对电子器件进行物理特性的数据建模生成的电子器件模型,通过输入不同频率的模拟电路使得电子器件模型进行仿真运行,观察设备仿真运行结果从而获得设备温度数据、设备形变数据以及设备使用时间等仿真驱动数据,提高电子器件的仿真运行获得结果的精度与稳定性,并且降低了电子器件的故障。对仿真数据进行数据预处理,降低冗余或无用数据对运行结果造成误差影响,生成目标驱动数据,再提取目标驱动数据中的特征数据,减少数据处理的数量,使得数据处理效率提高,并利用深度学习算法对历史驱动特征数据进行驱动预测处理,预测历史驱动特征数据经过长时间的运行数据变化的结果,可以有效地预测设备的未来状态和性能表现以及温度变化,从而可以提前发现潜在的设备故障和问题,避免设备故障对医疗工作的影响,同时也可以提高医疗设备的可靠性和稳定性,为医疗保障工作提供有益的支持。通过构建区块链网络对预测驱动数据进行数据存储,生成驱动存储文件,可以实现数据的安全存储和传输,保障数据的可靠性和完整性,防止数据被篡改或丢失。同时,由于区块链的去中心化特性,可以消除数据存储和传输中的中间人和中心化机构,降低了数据存储和传输的成本和风险,保证分布式医疗设备的恒流温度采集数据的可靠性和安全性,提高了电子器件的数据质量和效率。将驱动存储文件中的温度数据进行提取并进行可视化分析展示处理,能够实现对设备在运行过程中的温度分布情况进行直观展示,从而更好地理解设备的温度变化规律,便于调整设备运行参数以实现恒流温度采集作业,通过可视化温度数据,还能够更好地分析设备在运行过程中可能存在的问题,提高设备的稳定性和性能。本发明的分布式设备的恒流温度采集方法通过模拟电路控制电子器件的仿真运行进行温度采集,保证了数据传输过程中不会出现信号干扰和数据丢失等问题,并且电子器件经过长时间使用出现的故障也可进行修复,长时间输送相同的电路数据也不会引起温度数据不稳定。
在本说明书的一个实施例中,步骤S1包括以下步骤:
步骤S11:获取待检测的分布式医疗设备的电子器件;
步骤S12:基于电子器件进行器件物理特性数据建模,生成电子器件模型;
步骤S13:对电子器件模型进行电子器件仿真运行处理,以获得模拟电路数据;
步骤S14:获取仿真驱动数据采集指令集;
步骤S15:根据模拟电路数据,利用仿真驱动数据采集指令对电子器件模型进行仿真驱动数据采集,从而生成仿真驱动数据。
本实施例获取待检测的分布式医疗设备的电子器件,为电子器件仿真运行处理提供了数据源,对电子器件进行器件物理特性数据建模,生成电子器件模型,为仿真驱动数据采集提供了基础,对电子器件模型进行电子器件仿真运行处理,获得模拟电路数据,为仿真驱动数据采集提供了必要的数据支持,获取仿真驱动数据采集指令集,为仿真驱动数据采集提供了安全操作指令,用于采集仿真电子器件模型的仿真驱动数据,并且统计进行数据采集时的数据量,防止出现数据丢失的意外状况,利用仿真驱动数据采集指令对电子器件模型进行仿真驱动数据采集,生成仿真驱动数据,为后续数据处理、分析提供了基础数据。
在本说明书的一个实施例中,其中数据预处理包括驱动数据清洗处理以及驱动数据降噪处理,步骤S2包括以下步骤:
步骤S21:对仿真驱动数据进行驱动数据清洗处理,生成清洗驱动数据;
步骤S22:利用仿真驱动数据信噪比增强算法对清洗驱动数据进行数据降噪处理,生成目标驱动数据;
步骤S23:对目标驱动数据进行历史数据特征提取,从而生成历史驱动特征数据。
本实施例对仿真驱动数据进行清洗处理可以去除数据中的无效信息和异常点,从而提高数据的质量,有利于后续的数据处理和分析,通过信噪比增强算法对清洗驱动数据进行数据降噪处理,可以去除噪声干扰,使数据更加准确可靠,从而提高后续处理的精度和效果,对目标驱动数据进行历史数据特征提取,可以挖掘数据中隐藏的特征和规律,从而更好地处理数据集与分析数据,有助于做出更加准确的预测和决策。
在本说明书的一个实施例中,步骤S22中的仿真驱动数据信噪比增强算法如下所示:
其中,K表示为仿真驱动数据信噪比增强指数,maxmax表示为两级最大差值,minmin表示为两级最小差值,表示为清洗驱动数据中形变量变化的权重信息,v表示为清洗驱动数据中的设备压力数据,a表示为清洗驱动数据的温度数据,/>表示为清洗驱动数据的温度数据平均值,ε表示为仿真驱动数据信噪比增强指数的异常调整值。
本实施例提供一种仿真驱动数据信噪比增强算法,该公式充分考虑了清洗驱动数据中形变量变化的权重信息清洗驱动数据中的设备压力数据v、清洗驱动数据的温度数据a、清洗驱动数据的温度数据平均值/>以及两级最大差值maxmax与两级最小差值minmin之间的相互作用关系,已形成实现了利用了清洗驱动数据中的形变量变化的权重信息和设备压力数据以及温度数据的变化情况,通过对最大差值和最小差值的比较提取驱动数据的有用数据降低噪声数据的影响,同时,通过仿真驱动数据信噪比增强指数的异常调整值ε的引入,可以针对特殊情况进行调整,进一步提高算法的适用性和稳定性。因此,该算法能够有效地提高仿真驱动数据的信噪比,为后续的特征提取和模型建立提供了更加可靠的数据支持。
在本说明书的一个实施例中,步骤S3包括以下步骤:
步骤S31:预设预测驱动数据阈值;
步骤S32:利用深度学习算法对历史驱动特征数据进行数据预测处理,生成初始预测数据;
步骤S33:通过预测驱动数据阈值与初始预测数据进行阈值比对处理,从而生成预测驱动数据与故障预测驱动数据;
步骤S34:将故障预测驱动数据匹配的电子器件模型进行标记,生成故障电子器件模型;
步骤S35:基于故障预测驱动数据进行历史信息收集,生成历史故障预测驱动数据;
步骤S36:根据历史故障预测驱动数据进行历史故障因素特征提取,生成故障特征数据;
步骤S37:根据故障特征数据将故障电子器件模型进行修复模型划分处理,生成可修复电子器件模型与不可修复电子器件模型,将不可修复电子器件模型进行剔除;
步骤S38:基于决策树模型,利用故障特征数据进行修复故障因素模型构建,生成修复模型;
步骤S39:将故障特征数据匹配的可修复电子器件模型,传送至修复模型进行仿真电子器件修复处理,以获得修复的电子器件模型,并返回步骤S13。
本实施例预设预测驱动数据阈值可用于判断预测驱动数据是否有故障预测驱动数据,利用深度学习算法对历史驱动特征数据进行不断的学习处理,并对学习结果进行数据预测处理,生成初始预测数据,可用于预测设备的未来运行时的驱动数据或长时间运行设备造成的驱动数据,利用预测驱动数据阈值与初始预测数据进行阈值比对处理,生成预测驱动数据与故障预测驱动数据,对预测驱动数据进行保存,对故障预测驱动数据进行后续的处理,将故障预测驱动数据匹配的电子器件模型进行标记为故障电子器件模型,以确定哪些设备是可能出现故障的设备进行后续的步骤来修复设备或剔除设备,基于故障预测驱动数据进行历史信息收集,生成历史故障预测驱动数据,用于建立设备的历史故障预测模型,根据历史故障预测驱动数据进行历史故障因素特征提取,生成故障特征数据,确定设备故障原因的特征数据,根据故障特征数据将故障电子器件模型进行修复模型划分处理,生成可修复电子器件模型与不可修复电子器件模型,用于判断设备是否可以修复,基于决策树模型,利用故障特征数据进行修复故障因素模型构建,生成修复模型,通过故障特征数据来确定电子器件的修复方案,将故障特征数据匹配的可修复电子器件模型,传送至修复模型进行仿真电子器件修复处理,以获得修复的电子器件模型,从而实现故障电子器件模型的修复,并对于修复的电子器件模型返回步骤S13重新进行上述步骤从而获得预测驱动数据。
在本说明书的一个实施例中,步骤S37包括以下步骤:
步骤S371:利用故障驱动数据判定等级公式对故障特征数据进行故障驱动数据等级划分,生成故障驱动等级;
步骤S372:根据故障驱动等级的大小将故障特征数据进行故障驱动数据信号标记处理,生成故障驱动信号;
步骤S373:将故障驱动信号进行警报音频数据转换处理,生成警报音频数据;
步骤S374:预设警报音频阈值;
步骤S375:当警报音频数据大于警报音频阈值,将故障特征数据匹配的电子器件模型标记为不可修复电子器件模型,当警报音频数据小于警报音频阈值,将故障特征数据匹配的电子器件模型标记为可修复电子器件模型,将不可修复电子器件模型进行剔除。
本实施例利用故障驱动等级公式判断故障特征数据中的故障驱动等级,故障越大的故障特征数据则故障驱动等级越高,通过对工作驱动等级的大小进行信号标记,不同的等级生成不同的故障驱动信号,并利用故障驱动信号进行警报音频数据转换,故障驱动等级越高的故障特征数据,则转化的警报音频也更加大声,提醒用户此设备的损坏程度,从而判断设备是否可修复,不可修复则对此模型进行剔除,相应的电子器件也进行废除处理,从而提高设备修复效率、通过维修降低成本、减少设备故障停机时间。
在本说明书的一个实施例中,步骤S371中的故障驱动数据判定等级公式如下所示:
其中,Q表示为故障驱动等级,c表示为根据故障特征数据中的故障信息生成的故障驱动预期等级,t表示为故障特征数据中的驱动时间,b表示为故障特征数据中的工作信息的权重信息,表示为故障特征数据中的设备使用时间,z表示为根据故障特征数据中的故障信息生成可修复预期等级,γ表示为故障驱动等级的异常调整值。
本实施例提供一种故障驱动数据判定等级公式,该公式充分考虑了根据故障特征数据中的故障信息生成的故障驱动预期等级c,故障特征数据中的驱动时间t,故障特征数据中的工作信息的权重信息b,故障特征数据中的设备使用时间根据故障特征数据中的故障信息生成可修复预期等级z以及相互间的作用关系,以形成函数关系实现了通过设备的使用时间与故障特征数据中的工作信息的权重信息基础上,进行cot[(b-π)t]更小的数值运行与空间映射,从而保证数据准确的基础上减少数据处理的运算量,降低硬件的负荷,并利用设备使用时间对设备造成的负担、工作信息的权重信息中潜在的故障特征信息进行比对计算处理以及设备可修复的预期等级,从而得到故障驱动等级,再利用故障驱动等级的异常调整值γ进行修正,更加准确地生成故障驱动等级,提高检测数据的准确性与可靠性。同时,该公式中的权重信息、调整项、预期等级等参数可以根据实际情况进行调整,从而适应不同的电子器件,提高了算法的灵活性与适用性。
在本说明书的一个实施例中,步骤S4包括以下步骤:
步骤S41:构建区块链网络;
步骤S42:利用区块链网络将预测驱动数据进行分布式存储处理,生成原始驱动存储文件;
步骤S43:根据原始驱动存储文件,建立预测驱动数据的驱动数据智能合约;
步骤S44:利用驱动数据智能合约对原始驱动存储文件进行驱动数据验证处理,当原始驱动存储文件中没有故障预测驱动数据时,生成驱动存储文件,当原始驱动存储文件中有故障预测驱动数据时,返回步骤S34。
本实施例可以构建一个分布式的区块链网络,这可以确保预测驱动数据的分布式存储和共享,并提高了数据的安全性和可靠性,建立一个智能合约来验证和存储预测驱动数据,这可以确保数据的真实性和可靠性,使用智能合约对原始驱动存储文件进行验证处理,可以确保驱动存储文件的完整性和一致性,当原始驱动存储文件中存在故障预测驱动数据则不满足驱动数据智能合约,则将不满足驱动数据智能合约的原始驱动存储文件返回步骤S34重新进行上述步骤,建立区块链网络将预测驱动数据进行数据存储可以提高数据管理的效率和可靠性。
在本说明书的一个实施例中,步骤S5包括以下步骤:
步骤S51:对驱动存储文件进行温度数据特征提取,生成温度特征数据;
步骤S52:根据模拟电路数据对温度特征数据进行异频电路数据温度分析处理,从而生成温度分析数据;
步骤S53:将温度分析数据进行数据可视化展示处理,生成可视化温度数据,从而实现恒流温度采集作业。
本实施例通过对驱动存储文件进行温度数据特征提取,可以获得有关设备温度的重要信息,这可以用于后续的分析和预测,通过观察输送不同频率的模拟电路数据造成的温度数据变化,并对这些温度数据进行分析,可以提高对设备温度变化的准确度和敏感度,从而更好地预测设备的故障和维护需求,将温度分析数据进行数据可视化展示处理,可以使得温度数据更加直观和易于理解,也可以发现潜在的温度异常问题,实现恒流温度采集作业。
在本说明书的一个实施例中提供一种分布式医疗设备的恒流温度采集***,包括:
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计算机程序,所述计算机程序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任一项所述的分布式医疗设备的恒流温度采集方法。
本实施例通过一种分布式医疗设备的恒流温度采集***,该***能够实现本发明所述任意一种分布式医疗设备的恒流温度采集方法,用于联合各个设备之间的操作与数据传输的媒介,通过对获取的电子器件进行物理特性的数据建模得到电子器件模型,再输入模拟电路数据从而获得电子器件仿真运行的仿真驱动数据,并将仿真驱动数据进行数据预处理以及特征提取,得到历史驱动特征数据,以历史驱动特征数据为数据基础预测电子器件随驱动时间变化驱动数据的变化,并构建区块链网络用于数据存储,最后再把驱动数据中的温度数据进行可视化分析,以完成分布式医疗设备的恒流温度采集方法,***内部结构互相协作。
本发明通过对医疗设备的恒流温度采集方法,以确保安全性和有效性,传统的温度采集方法需要使用独立的传感器进行采集,数据传输过程中容易出现信号干扰和数据丢失等问题,并且电子器件经过长时间的使用造成设备老化,长时间输送相同的电路数据会引起温度数据不稳定。而本发明分布式医疗设备的恒流温度采集方法对获取的电子器件进行物理特性的数据建模,再通过输送模拟电路以达到仿真运行的效果,并对数据进行数据处理与历史特征提取,保证数据准确的情况下减少数据运行的数据量,提高处理数据的效率,再利用深度学习算法预测仿真驱动数据经过驱动时间的长短而变化的情况,对于异常的仿真驱动数据对应的电子器件模型也可进行修复,并构建一个分布式区块链网络用于数据存储,并对仿真驱动数据中的温度数据进行可视化与分析,保证了数据传输过程中不会出现信号干扰和数据丢失等问题,并且电子器件经过长时间使用出现的故障也可进行修复,长时间输送相同的电路数据也不会引起温度数据不稳定。
附图说明
图1为本发明一种分布式医疗设备的恒流温度采集方法的步骤流程示意图;
图2为图1中步骤S1的详细实施步骤流程示意图;
图3为图1中步骤S2的详细实施步骤流程示意图;
图4为图1中步骤S3的详细实施步骤流程示意图;
图5为图1中步骤S4的详细实施步骤流程示意图;
图6为图1中步骤S5的详细实施步骤流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图6,一种分布式医疗设备的恒流温度采集方法,所述方法包括以下步骤:
步骤S1:获取待检测的分布式医疗设备的电子器件,基于电子器件的器件物理特性进行数据建模,生成电子器件模型,对电子器件模型进行电子器件仿真运行处理,以获得模拟电路数据,根据模拟电路数据采集电子器件模型件在运行过程时的仿真驱动数据;
步骤S2:对仿真驱动数据进行数据预处理,生成目标驱动数据,对目标驱动数据进行历史数据特征提取,从而生成历史驱动特征数据;
步骤S3:利用深度学习算法对历史驱动特征数据进行运行驱动预测处理,从而生成预测驱动数据;
步骤S4:构建区块链网络并将预测驱动数据以分布式方式存储在区块链网络中,从而生成驱动存储文件;
步骤S5:将驱动存储文件进行可视化分析展示处理,生成可视化温度数据,从而实现恒流温度采集作业。
本实施例通过获取待检测的分布式医疗设备的电子器件,对电子器件进行物理特性的数据建模生成的电子器件模型,通过输入不同频率的模拟电路使得电子器件模型进行仿真运行,观察设备仿真运行结果从而获得设备温度数据、设备形变数据以及设备使用时间等仿真驱动数据,提高电子器件的仿真运行获得结果的精度与稳定性,并且降低了电子器件的故障。对仿真数据进行数据预处理,降低冗余或无用数据对运行结果造成误差影响,生成目标驱动数据,再提取目标驱动数据中的特征数据,减少数据处理的数量,使得数据处理效率提高,并利用深度学习算法对历史驱动特征数据进行驱动预测处理,预测历史驱动特征数据经过长时间的运行数据变化的结果,可以有效地预测设备的未来状态和性能表现以及温度变化,从而可以提前发现潜在的设备故障和问题,避免设备故障对医疗工作的影响,同时也可以提高医疗设备的可靠性和稳定性,为医疗保障工作提供有益的支持。通过构建区块链网络对预测驱动数据进行数据存储,生成驱动存储文件,可以实现数据的安全存储和传输,保障数据的可靠性和完整性,防止数据被篡改或丢失。同时,由于区块链的去中心化特性,可以消除数据存储和传输中的中间人和中心化机构,降低了数据存储和传输的成本和风险,保证分布式医疗设备的恒流温度采集数据的可靠性和安全性,提高了电子器件的数据质量和效率。将驱动存储文件中的温度数据进行提取并进行可视化分析展示处理,能够实现对设备在运行过程中的温度分布情况进行直观展示,从而更好地理解设备的温度变化规律,便于调整设备运行参数以实现恒流温度采集作业,通过可视化温度数据,还能够更好地分析设备在运行过程中可能存在的问题,提高设备的稳定性和性能。本发明的分布式设备的恒流温度采集方法通过模拟电路控制电子器件的仿真运行进行温度采集,保证了数据传输过程中不会出现信号干扰和数据丢失等问题,并且电子器件经过长时间使用出现的故障也可进行修复,长时间输送相同的电路数据也不会引起温度数据不稳定。
本发明实施例中,参考图1所述,为本发明一种分布式医疗设备的恒流温度采集方法的步骤流程示意图,在本实例中,所述分布式医疗设备的恒流温度采集方法的步骤包括:
步骤S1:获取待检测的分布式医疗设备的电子器件,基于电子器件的器件物理特性进行数据建模,生成电子器件模型,对电子器件模型进行电子器件仿真运行处理,以获得模拟电路数据,根据模拟电路数据采集电子器件模型件在运行过程时的仿真驱动数据;
本发明实施例中,获取医疗数据库中的待检测的医疗设备,基于医疗设备的物理特性进行数据建模,得到医疗电子器件模型,并输送模拟电路数据给医疗电子器件模型,通过控制模拟电路数据的变化模仿医疗设备的真实运行,并采集仿真运行的驱动数据,从而得到仿真驱动数据。
步骤S2:对仿真驱动数据进行数据预处理,生成目标驱动数据,对目标驱动数据进行历史数据特征提取,从而生成历史驱动特征数据;
本发明实施例中,对仿真驱动数据进行数据预处理,将仿真数据中的冗余数据、无用数据以及噪声数据等剔除,得到有用的目标驱动数据,并把目标驱动数据中的历史特征数据进行提取,如当模拟电路为低频电路、中频电路、高频电路中的历史驱动特征数据进行提取,从而获得历史驱动特征数据。
步骤S3:利用深度学习算法对历史驱动特征数据进行运行驱动预测处理,从而生成预测驱动数据;
本发明实施例中,利用深度学习算法取已有的历史驱动特征数据为训练集,预测出驱动数据经过更长时间的仿真驱动后的变化,从而生成预测驱动数据。
步骤S4:构建区块链网络并将预测驱动数据以分布式方式存储在区块链网络中,从而生成驱动存储文件;
本发明实施例中,利用合适的共识算法、部署节点、配置节点、以及连接节点的方式构建一个分布式区块链网络,将预测驱动数据以分布式方式存储再分布式区块链网络中,生成驱动存储文件。
步骤S5:将驱动存储文件进行可视化分析展示处理,生成可视化温度数据,从而实现恒流温度采集作业。
本发明实施例中,对驱动存储文件中的预测驱动数据进行数据提取,得到预测驱动数据中的温度数据,将温度数据进可视化处理并进行分析展示,得到可视化温度数据,从而实现恒流温度采集作业。
在本说明书的一个实施例中,步骤S1包括以下步骤:
步骤S11:获取待检测的分布式医疗设备的电子器件;
步骤S12:基于电子器件进行器件物理特性数据建模,生成电子器件模型;
步骤S13:对电子器件模型进行电子器件仿真运行处理,以获得模拟电路数据;
步骤S14:获取仿真驱动数据采集指令集;
步骤S15:根据模拟电路数据,利用仿真驱动数据采集指令对电子器件模型进行仿真驱动数据采集,从而生成仿真驱动数据。
本实施例获取待检测的分布式医疗设备的电子器件,为电子器件仿真运行处理提供了数据源,对电子器件进行器件物理特性数据建模,生成电子器件模型,为仿真驱动数据采集提供了基础,对电子器件模型进行电子器件仿真运行处理,获得模拟电路数据,为仿真驱动数据采集提供了必要的数据支持,获取仿真驱动数据采集指令集,为仿真驱动数据采集提供了安全操作指令,用于采集仿真电子器件模型的仿真驱动数据,并且统计进行数据采集时的数据量,防止出现数据丢失的意外状况,利用仿真驱动数据采集指令对电子器件模型进行仿真驱动数据采集,生成仿真驱动数据,为后续数据处理、分析提供了基础数据。
作为本发明的一个实例,参考图2所示,为图1中步骤S1的详细实施步骤流程示意图,在本实例中所述步骤S1包括:
步骤S11:获取待检测的分布式医疗设备的电子器件;
本发明实施例中,获取医疗数据库中的待检测的医疗设备。
步骤S12:基于电子器件进行器件物理特性数据建模,生成电子器件模型;
本发明实施例中,基于医疗设备进行器件物理特性建模,由实体特性构建成的一个虚拟模型,从而生成电子器件模型。
步骤S13:对电子器件模型进行电子器件仿真运行处理,以获得模拟电路数据;
本发明实施例中,通过输入模拟电路数据来控制电子器件模型的仿真运行,并收集模拟电路数据。
步骤S14:获取仿真驱动数据采集指令集;
本发明实施例中,获取利用密码学加密的仿真驱动数据采集指令集,该指令集用于数据采集,并保证数据的安全性。
步骤S15:根据模拟电路数据,利用仿真驱动数据采集指令对电子器件模型进行仿真驱动数据采集,从而生成仿真驱动数据。
本发明实施例中,根据模拟电路数据中电路频率的变化,利用仿真驱动数据采集指令对电子器件模型产生的仿真驱动数据进行数据采集,从而生成仿真驱动数据。
在本说明书的一个实施例中,其中数据预处理包括驱动数据清洗处理以及驱动数据降噪处理,步骤S2包括以下步骤:
步骤S21:对仿真驱动数据进行驱动数据清洗处理,生成清洗驱动数据;
步骤S22:利用仿真驱动数据信噪比增强算法对清洗驱动数据进行数据降噪处理,生成目标驱动数据;
步骤S23:对目标驱动数据进行历史数据特征提取,从而生成历史驱动特征数据。
本实施例对仿真驱动数据进行清洗处理可以去除数据中的无效信息和异常点,从而提高数据的质量,有利于后续的数据处理和分析,通过信噪比增强算法对清洗驱动数据进行数据降噪处理,可以去除噪声干扰,使数据更加准确可靠,从而提高后续处理的精度和效果,对目标驱动数据进行历史数据特征提取,可以挖掘数据中隐藏的特征和规律,从而更好地处理数据集与分析数据,有助于做出更加准确的预测和决策。
作为本发明的一个实例,参考图3所示,为图1中步骤S2的详细实施步骤流程示意图,在本实例中所述步骤S2包括:
步骤S21:对仿真驱动数据进行驱动数据清洗处理,生成清洗驱动数据;
本发明实施例中,将仿真驱动数据重复的数据进行删除或合并,通过设置数据阈值、统计分析等方式,去除明显异常的数据点,如数据噪声、设备错误、数据采集设备故障等,将不同格式的数据进行转换,统一数据格式,通过插值算法等方式,填充缺失数据点,避免数据不完整造成的影响,将不同量纲的数据进行归一化,如将不同仿真驱动数据归一化到相同的尺度上。
步骤S22:利用仿真驱动数据信噪比增强算法对清洗驱动数据进行数据降噪处理,生成目标驱动数据;
本发明实施例中,利用仿真驱动数据信噪比增强算法对清洗驱动数据进行数据降噪处理,通过该算法先将清洗驱动数据中的有用数据转换成特征信号,将特征信号进行增强后去除噪声数据,然后再将特征信号转换为驱动数据,从而达到去除噪声数据的目的得到目标驱动数据。
步骤S23:对目标驱动数据进行历史数据特征提取,从而生成历史驱动特征数据。
本发明实施例中,对目标驱动数据进行历史数据特征提取,通过控制模拟电路数据中的频率,得到不同频率下有标识性的特征数据,对这些特征数据进行收集从而获得历史驱动特征数据。
在本说明书的一个实施例中,步骤S22中的仿真驱动数据信噪比增强算法如下所示:
其中,K表示为仿真驱动数据信噪比增强指数,maxmax表示为两级最大差值,minmin表示为两级最小差值,表示为清洗驱动数据中形变量变化的权重信息,v表示为清洗驱动数据中的设备压力数据,a表示为清洗驱动数据的温度数据,/>表示为清洗驱动数据的温度数据平均值,ε表示为仿真驱动数据信噪比增强指数的异常调整值。
本实施例提供一种仿真驱动数据信噪比增强算法,该公式充分考虑了清洗驱动数据中形变量变化的权重信息清洗驱动数据中的设备压力数据v、清洗驱动数据的温度数据a、清洗驱动数据的温度数据平均值/>以及两级最大差值maxmax与两级最小差值minmin之间的相互作用关系,已形成实现了利用了清洗驱动数据中的形变量变化的权重信息和设备压力数据以及温度数据的变化情况,通过对最大差值和最小差值的比较提取驱动数据的有用数据降低噪声数据的影响,同时,通过仿真驱动数据信噪比增强指数的异常调整值ε的引入,可以针对特殊情况进行调整,进一步提高算法的适用性和稳定性。因此,该算法能够有效地提高仿真驱动数据的信噪比,为后续的特征提取和模型建立提供了更加可靠的数据支持。
在本说明书的一个实施例中,步骤S3包括以下步骤:
步骤S31:预设预测驱动数据阈值;
步骤S32:利用深度学习算法对历史驱动特征数据进行数据预测处理,生成初始预测数据;
步骤S33:通过预测驱动数据阈值与初始预测数据进行阈值比对处理,从而生成预测驱动数据与故障预测驱动数据;
步骤S34:将故障预测驱动数据匹配的电子器件模型进行标记,生成故障电子器件模型;
步骤S35:基于故障预测驱动数据进行历史信息收集,生成历史故障预测驱动数据;
步骤S36:根据历史故障预测驱动数据进行历史故障因素特征提取,生成故障特征数据;
步骤S37:根据故障特征数据将故障电子器件模型进行修复模型划分处理,生成可修复电子器件模型与不可修复电子器件模型,将不可修复电子器件模型进行剔除;
步骤S38:基于决策树模型,利用故障特征数据进行修复故障因素模型构建,生成修复模型;
步骤S39:将故障特征数据匹配的可修复电子器件模型,传送至修复模型进行仿真电子器件修复处理,以获得修复的电子器件模型,并返回步骤S13。
本实施例预设预测驱动数据阈值可用于判断预测驱动数据是否有故障预测驱动数据,利用深度学习算法对历史驱动特征数据进行不断的学习处理,并对学习结果进行数据预测处理,生成初始预测数据,可用于预测设备的未来运行时的驱动数据或长时间运行设备造成的驱动数据,利用预测驱动数据阈值与初始预测数据进行阈值比对处理,生成预测驱动数据与故障预测驱动数据,对预测驱动数据进行保存,对故障预测驱动数据进行后续的处理,将故障预测驱动数据匹配的电子器件模型进行标记为故障电子器件模型,以确定哪些设备是可能出现故障的设备进行后续的步骤来修复设备或剔除设备,基于故障预测驱动数据进行历史信息收集,生成历史故障预测驱动数据,用于建立设备的历史故障预测模型,根据历史故障预测驱动数据进行历史故障因素特征提取,生成故障特征数据,确定设备故障原因的特征数据,根据故障特征数据将故障电子器件模型进行修复模型划分处理,生成可修复电子器件模型与不可修复电子器件模型,用于判断设备是否可以修复,基于决策树模型,利用故障特征数据进行修复故障因素模型构建,生成修复模型,通过故障特征数据来确定电子器件的修复方案,将故障特征数据匹配的可修复电子器件模型,传送至修复模型进行仿真电子器件修复处理,以获得修复的电子器件模型,从而实现故障电子器件模型的修复,并对于修复的电子器件模型返回步骤S13重新进行上述步骤从而获得预测驱动数据。
作为本发明的一个实例,参考图4所示,为图1中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:预设预测驱动数据阈值;
本发明实施例中,预设用于判断后续步骤中初始预测数据是否有故障数据的预测驱动数据阈值。
步骤S32:利用深度学习算法对历史驱动特征数据进行数据预测处理,生成初始预测数据;
本发明实施例中,取历史驱动特征数据为训练集,利用深度学习算法进行训练,预测出经后续长时间的仿真驱动的驱动数据,从而生成初始预测数据。
步骤S33:通过预测驱动数据阈值与初始预测数据进行阈值比对处理,从而生成预测驱动数据与故障预测驱动数据;
本发明实施例中,通过预测驱动数据阈值与初始预测数据进行阈值比对,如初始预测数据在高频的模拟电路数据中仿真数据波动特别大,则标记为故障预测驱动数据,仿真数据波动没什么变化的标记为预测驱动数据。
步骤S34:将故障预测驱动数据匹配的电子器件模型进行标记,生成故障电子器件模型;
本发明实施例中,将故障预测驱动数据匹配的电子器件模型标记为故障电子器件模型。
步骤S35:基于故障预测驱动数据进行历史信息收集,生成历史故障预测驱动数据;
本发明实施例中,对所有的故障预测驱动数据进行历史信息收集,生成历史故障预测驱动数据。
步骤S36:根据历史故障预测驱动数据进行历史故障因素特征提取,生成故障特征数据;
本发明实施例中,提取历史故障预测驱动数据中的故障因素特征数据,如设备的形变信息、故障预测驱动数据中的温度数据等,从而生成故障特征数据。
步骤S37:根据故障特征数据将故障电子器件模型进行修复模型划分处理,生成可修复电子器件模型与不可修复电子器件模型,将不可修复电子器件模型进行剔除;
本发明实施例中,将故障特征数据中故障程度较大对应的故障电子器件模型划分为不可修复模型,故障程度较小对应的故障电子器件模型划分为可修复电子器件模型,将不可修复电子器件模型进行剔除,不可修复电子器件模型对应的电子器件进行废除。
步骤S38:基于决策树模型,利用故障特征数据进行修复故障因素模型构建,生成修复模型;
本发明实施例中,基于决策数模型,利用故障特征数据进行修复故障因素模型构建,该模型中有故障特征数据中对应的修复方法,从而生成修复模型。
步骤S39:将故障特征数据匹配的可修复电子器件模型,传送至修复模型进行仿真电子器件修复处理,以获得修复的电子器件模型,并返回步骤S13。
本发明实施例中,将故障特征数据匹配的可修复电子器件模型传送至修复模型中,利用修复模型中的修复方法对可修复电子器件模型进行修复,从而获得修复的电子器件模型,并将电子器件模型返回步骤S13重新进行处理,保证电子器件模型修复后能正常运行。
在本说明书的一个实施例中,步骤S37包括以下步骤:
步骤S371:利用故障驱动数据判定等级公式对故障特征数据进行故障驱动数据等级划分,生成故障驱动等级;
步骤S372:根据故障驱动等级的大小将故障特征数据进行故障驱动数据信号标记处理,生成故障驱动信号;
步骤S373:将故障驱动信号进行警报音频数据转换处理,生成警报音频数据;
步骤S374:预设警报音频阈值;
步骤S375:当警报音频数据大于警报音频阈值,将故障特征数据匹配的电子器件模型标记为不可修复电子器件模型,当警报音频数据小于警报音频阈值,将故障特征数据匹配的电子器件模型标记为可修复电子器件模型,将不可修复电子器件模型进行剔除。
本实施例利用故障驱动等级公式判断故障特征数据中的故障驱动等级,故障越大的故障特征数据则故障驱动等级越高,通过对工作驱动等级的大小进行信号标记,不同的等级生成不同的故障驱动信号,并利用故障驱动信号进行警报音频数据转换,故障驱动等级越高的故障特征数据,则转化的警报音频也更加大声,提醒用户此设备的损坏程度,从而判断设备是否可修复,不可修复则对此模型进行剔除,相应的电子器件也进行废除处理,从而提高设备修复效率、通过维修降低成本、减少设备故障停机时间。
本发明实施例中,利用故障驱动判断等级公式对故障特征数据进行故障驱动数据等级划分,生成故障电子器件模型对应的故障驱动等级,并根据不同的故障驱动等级将故障特征数据进行故障驱动数据信号标记处理,生成故障驱动信号,将故障驱动信号进行警报音频数据转换处理,该警报音频发出警报声音的大小与故障驱动等级相对应,故障驱动等级越高,发出的警报声也就越大,用于提醒用户该故障程度的高低,预设判断故障电子器件模型是否可修复的警报音频,当警报声音超过警报音频阈值,则将该故障电子器件模型标记为不可修复电子器件模型,当警报声音未超过警报音频阈值,则将该故障电子器件模型标记为可修复电子器件模型,将不可修复电子器件模型进行剔除,不可修复电子器件模型对应的电子器件进行废除。
在本说明书的一个实施例中,步骤S371中的故障驱动数据判定等级公式如下所示:
其中,Q表示为故障驱动等级,c表示为根据故障特征数据中的故障信息生成的故障驱动预期等级,t表示为故障特征数据中的驱动时间,b表示为故障特征数据中的工作信息的权重信息,表示为故障特征数据中的设备使用时间,z表示为根据故障特征数据中的故障信息生成可修复预期等级,γ表示为故障驱动等级的异常调整值。
本实施例提供一种故障驱动数据判定等级公式,该公式充分考虑了根据故障特征数据中的故障信息生成的故障驱动预期等级c,故障特征数据中的驱动时间t,故障特征数据中的工作信息的权重信息b,故障特征数据中的设备使用时间根据故障特征数据中的故障信息生成可修复预期等级z以及相互间的作用关系,以形成函数关系实现了通过设备的使用时间与故障特征数据中的工作信息的权重信息基础上,进行cot[(b-π)t]更小的数值运行与空间映射,从而保证数据准确的基础上减少数据处理的运算量,降低硬件的负荷,并利用设备使用时间对设备造成的负担、工作信息的权重信息中潜在的故障特征信息进行比对计算处理以及设备可修复的预期等级,从而得到故障驱动等级,再利用故障驱动等级的异常调整值γ进行修正,更加准确地生成故障驱动等级,提高检测数据的准确性与可靠性。同时,该公式中的权重信息、调整项、预期等级等参数可以根据实际情况进行调整,从而适应不同的电子器件,提高了算法的灵活性与适用性。
在本说明书的一个实施例中,步骤S4包括以下步骤:
步骤S41:构建区块链网络;
步骤S42:利用区块链网络将预测驱动数据进行分布式存储处理,生成原始驱动存储文件;
步骤S43:根据原始驱动存储文件,建立预测驱动数据的驱动数据智能合约;
步骤S44:利用驱动数据智能合约对原始驱动存储文件进行驱动数据验证处理,当原始驱动存储文件中没有故障预测驱动数据时,生成驱动存储文件,当原始驱动存储文件中有故障预测驱动数据时,返回步骤S34。
本实施例可以构建一个分布式的区块链网络,这可以确保预测驱动数据的分布式存储和共享,并提高了数据的安全性和可靠性,建立一个智能合约来验证和存储预测驱动数据,这可以确保数据的真实性和可靠性,使用智能合约对原始驱动存储文件进行验证处理,可以确保驱动存储文件的完整性和一致性,当原始驱动存储文件中存在故障预测驱动数据则不满足驱动数据智能合约,则将不满足驱动数据智能合约的原始驱动存储文件返回步骤S34重新进行上述步骤,建立区块链网络将预测驱动数据进行数据存储可以提高数据管理的效率和可靠性。
作为本发明的一个实例,参考图5所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:构建区块链网络;
本发明实施例中,利用合适的共识算法、部署节点、配置节点、以及连接节点的方式构建一个分布式区块链网络。
步骤S42:利用区块链网络将预测驱动数据进行分布式存储处理,生成原始驱动存储文件;
本发明实施例中,将预测驱动数据以分布式存储方式存储在分布式区块链网络中,在分布式区块链网络中的数据不允许进行篡改,从而生成原始驱动存储文件。
步骤S43:根据原始驱动存储文件,建立预测驱动数据的驱动数据智能合约;
本发明实施例中,根据原始驱动存储文件,建立预测驱动数据的驱动数据智能合约,该智能合约需满足预测驱动数据中不存在故障预测驱动数据、不能对分布式区块链网络中的存储文件进行篡改等特点。
步骤S44:利用驱动数据智能合约对原始驱动存储文件进行驱动数据验证处理,当原始驱动存储文件中没有故障预测驱动数据时,生成驱动存储文件,当原始驱动存储文件中有故障预测驱动数据时,返回步骤S34。
本发明实施例中,驱动数据智能合约会对存储进来的原始驱动存储文件进行驱动数据验证处理,当检测到原始驱动存储文件中没有故障预测驱动数据时,不触发驱动数据智能合约,并生成驱动存储文件,当检测到原始驱动存储文件中有故障预测驱动数据时,则触发驱动数据智能合约,并将原始驱动存储文件中的故障预测驱动数据传送回步骤S34中。
在本说明书的一个实施例中,步骤S5包括以下步骤:
步骤S51:对驱动存储文件进行温度数据特征提取,生成温度特征数据;
步骤S52:根据模拟电路数据对温度特征数据进行异频电路数据温度分析处理,从而生成温度分析数据;
步骤S53:将温度分析数据进行数据可视化展示处理,生成可视化温度数据,从而实现恒流温度采集作业。
本实施例通过对驱动存储文件进行温度数据特征提取,可以获得有关设备温度的重要信息,这可以用于后续的分析和预测,通过观察输送不同频率的模拟电路数据造成的温度数据变化,并对这些温度数据进行分析,可以提高对设备温度变化的准确度和敏感度,从而更好地预测设备的故障和维护需求,将温度分析数据进行数据可视化展示处理,可以使得温度数据更加直观和易于理解,也可以发现潜在的温度异常问题,实现恒流温度采集作业。
作为本发明的一个实例,参考图6所示,为图1中步骤S5的详细实施步骤流程示意图,在本实例中所述步骤S5包括:
步骤S51:对驱动存储文件进行温度数据特征提取,生成温度特征数据;
本发明实施例中,如在驱动存储文件中不同频率的模拟电路时驱动存储文件中的温度数据,对这些温度数据进行特征提取,生成温度特征数据。
步骤S52:根据模拟电路数据对温度特征数据进行异频电路数据温度分析处理,从而生成温度分析数据;
本发明实施例中,根据模拟电路数据的频率变化,获取不同模拟电路数据下的温度数据,并对温度数据进行分析,生成温度分析数据。
步骤S53:将温度分析数据进行数据可视化展示处理,生成可视化温度数据,从而实现恒流温度采集作业。
本发明实施例中,将温度分析数据进行数据可视化展示处理,可以使得温度数据更加直观和易于理解,生成可视化温度数据,从而实现恒流温度采集作业。
在本说明书的一个实施例中提供一种分布式医疗设备的恒流温度采集***,包括:
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计算机程序,所述计算机程序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任一项所述的分布式医疗设备的恒流温度采集方法。
本实施例通过一种分布式医疗设备的恒流温度采集***,该***能够实现本发明所述任意一种分布式医疗设备的恒流温度采集方法,用于联合各个设备之间的操作与数据传输的媒介,通过对获取的电子器件进行物理特性的数据建模得到电子器件模型,再输入模拟电路数据从而获得电子器件仿真运行的仿真驱动数据,并将仿真驱动数据进行数据预处理以及特征提取,得到历史驱动特征数据,以历史驱动特征数据为数据基础预测电子器件随驱动时间变化驱动数据的变化,并构建区块链网络用于数据存储,最后再把驱动数据中的温度数据进行可视化分析,以完成分布式医疗设备的恒流温度采集方法。
本发明通过对医疗设备的恒流温度采集方法,以确保安全性和有效性,传统的温度采集方法需要使用独立的传感器进行采集,数据传输过程中容易出现信号干扰和数据丢失等问题,并且电子器件经过长时间的使用造成设备老化,长时间输送相同的电路数据会引起温度数据不稳定。而本发明分布式医疗设备的恒流温度采集方法对获取的电子器件进行物理特性的数据建模,再通过输送模拟电路以达到仿真运行的效果,并对数据进行数据处理与历史特征提取,保证数据准确的情况下减少数据运行的数据量,提高处理数据的效率,再利用深度学习算法预测仿真驱动数据经过驱动时间的长短而变化的情况,对于异常的仿真驱动数据对应的电子器件模型也可进行修复,并构建一个分布式区块链网络用于数据存储,并对仿真驱动数据中的温度数据进行可视化与分析,保证了数据传输过程中不会出现信号干扰和数据丢失等问题,并且电子器件经过长时间使用出现的故障也可进行修复,长时间输送相同的电路数据也不会引起温度数据不稳定。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种分布式医疗设备的恒流温度采集方法,其特征在于,所述方法包括以下步骤:
步骤S1,包括:
步骤S11:获取待检测的分布式医疗设备的电子器件;
步骤S12:基于电子器件进行器件物理特性数据建模,生成电子器件模型;
步骤S13:对电子器件模型进行电子器件仿真运行处理,以获得模拟电路数据;
步骤S14:获取仿真驱动数据采集指令集;
步骤S15:根据模拟电路数据,利用仿真驱动数据采集指令对电子器件模型进行仿真驱动数据采集,从而生成仿真驱动数据;
步骤S2:对仿真驱动数据进行数据预处理,生成目标驱动数据,对目标驱动数据进行历史数据特征提取,从而生成历史驱动特征数据;
步骤S3,包括:
步骤S31:预设预测驱动数据阈值;
步骤S32:利用深度学习算法对历史驱动特征数据进行数据预测处理,生成初始预测数据;
步骤S33:通过预测驱动数据阈值与初始预测数据进行阈值比对处理,从而生成预测驱动数据与故障预测驱动数据;
步骤S34:将故障预测驱动数据匹配的电子器件模型进行标记,生成故障电子器件模型;
步骤S35:基于故障预测驱动数据进行历史信息收集,生成历史故障预测驱动数据;
步骤S36:根据历史故障预测驱动数据进行历史故障因素特征提取,生成故障特征数据;
步骤S37:根据故障特征数据将故障电子器件模型进行修复模型划分处理,生成可修复电子器件模型与不可修复电子器件模型,将不可修复电子器件模型进行剔除;
步骤S38:基于决策树模型,利用故障特征数据进行修复故障因素模型构建,生成修复模型;
步骤S39:将故障特征数据匹配的可修复电子器件模型,传送至修复模型进行仿真电子器件修复处理,以获得修复的电子器件模型,并返回步骤S13;
步骤S4:构建区块链网络并将预测驱动数据以分布式方式存储在区块链网络中,从而生成驱动存储文件;
步骤S5,包括:
步骤S51:对驱动存储文件进行温度数据特征提取,生成温度特征数据;
步骤S52:根据模拟电路数据对温度特征数据进行异频电路数据温度分析处理,从而生成温度分析数据;
步骤S53:将温度分析数据进行数据可视化展示处理,生成可视化温度数据,从而实现恒流温度采集作业。
2.根据权利要求1所述的分布式医疗设备的恒流温度采集方法,其特征在于,其中数据预处理包括驱动数据清洗处理以及驱动数据降噪处理,步骤S2包括以下步骤:
步骤S21:对仿真驱动数据进行驱动数据清洗处理,生成清洗驱动数据;
步骤S22:利用仿真驱动数据信噪比增强算法对清洗驱动数据进行数据降噪处理,生成目标驱动数据;
步骤S23:对目标驱动数据进行历史数据特征提取,从而生成历史驱动特征数据。
3.根据权利要求1所述的分布式电子器件的恒流温度采集方法,其特征在于,步骤S37包括以下步骤:
步骤S371:利用故障驱动数据判定等级公式对故障特征数据进行故障驱动数据等级划分,生成故障驱动等级;
步骤S372:根据故障驱动等级的大小将故障特征数据进行故障驱动数据信号标记处理,生成故障驱动信号;
步骤S373:将故障驱动信号进行警报音频数据转换处理,生成警报音频数据;
步骤S374:预设警报音频阈值;
步骤S375:当警报音频数据大于警报音频阈值,将故障特征数据匹配的电子器件模型标记为不可修复电子器件模型,当警报音频数据小于警报音频阈值,将故障特征数据匹配的电子器件模型标记为可修复电子器件模型,将不可修复电子器件模型进行剔除。
4.根据权利要求1所述的分布式医疗设备的恒流温度采集方法,其特征在于,步骤S4包括以下步骤:
步骤S41:构建区块链网络;
步骤S42:利用区块链网络将预测驱动数据进行分布式存储处理,生成原始驱动存储文件;
步骤S43:根据原始驱动存储文件,建立预测驱动数据的驱动数据智能合约;
步骤S44:利用驱动数据智能合约对原始驱动存储文件进行驱动数据验证处理,当原始驱动存储文件中没有故障预测驱动数据时,生成驱动存储文件,当原始驱动存储文件中有故障预测驱动数据时,返回步骤S34。
5.一种分布式医疗设备的恒流温度采集***,其特征在于,包括:
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计算机程序,所述计算机程序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权利要求1至4中任一项所述的分布式医疗设备的恒流温度采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310259727.0A CN116383606B (zh) | 2023-03-17 | 2023-03-17 | 一种分布式医疗设备的恒流温度采集方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310259727.0A CN116383606B (zh) | 2023-03-17 | 2023-03-17 | 一种分布式医疗设备的恒流温度采集方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116383606A CN116383606A (zh) | 2023-07-04 |
CN116383606B true CN116383606B (zh) | 2023-10-20 |
Family
ID=86960736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310259727.0A Active CN116383606B (zh) | 2023-03-17 | 2023-03-17 | 一种分布式医疗设备的恒流温度采集方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116383606B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250942B (zh) * | 2023-11-15 | 2024-02-27 | 成都态坦测试科技有限公司 | 故障预测方法、模型的确定方法、装置、设备及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108375732A (zh) * | 2018-03-01 | 2018-08-07 | 北京迪利科技有限公司 | 电机监测预警方法及*** |
CN207832338U (zh) * | 2017-11-13 | 2018-09-07 | 广州龙之杰科技有限公司 | 一种用于医疗设备的恒流温度采集装置 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制***及方法 |
KR20210106781A (ko) * | 2020-02-21 | 2021-08-31 | 충남대학교산학협력단 | 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법 |
CN113609955A (zh) * | 2021-07-30 | 2021-11-05 | 福州大学 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和*** |
CN114970774A (zh) * | 2022-07-29 | 2022-08-30 | 国网经济技术研究院有限公司 | 一种智能变压器故障预测方法和装置 |
CN115449465A (zh) * | 2022-08-15 | 2022-12-09 | 无锡市第五人民医院 | 一种用于新冠肺炎防止气溶胶感染的医用设备 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
CN115563873A (zh) * | 2022-10-12 | 2023-01-03 | 国网山西省电力公司 | 一种电力网络的数字孪生仿真***及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418451A (zh) * | 2020-11-05 | 2021-02-26 | 武汉大学 | 基于数字孪生的变压器故障诊断定位*** |
-
2023
- 2023-03-17 CN CN202310259727.0A patent/CN116383606B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207832338U (zh) * | 2017-11-13 | 2018-09-07 | 广州龙之杰科技有限公司 | 一种用于医疗设备的恒流温度采集装置 |
CN108375732A (zh) * | 2018-03-01 | 2018-08-07 | 北京迪利科技有限公司 | 电机监测预警方法及*** |
KR20210106781A (ko) * | 2020-02-21 | 2021-08-31 | 충남대학교산학협력단 | 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법 |
CN111596604A (zh) * | 2020-06-12 | 2020-08-28 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生的工程装备故障智能诊断与自愈控制***及方法 |
WO2022267879A1 (zh) * | 2021-06-25 | 2022-12-29 | 上海三一重机股份有限公司 | 一种工程机械故障预警方法、装置及工程机械 |
CN113609955A (zh) * | 2021-07-30 | 2021-11-05 | 福州大学 | 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和*** |
CN114970774A (zh) * | 2022-07-29 | 2022-08-30 | 国网经济技术研究院有限公司 | 一种智能变压器故障预测方法和装置 |
CN115449465A (zh) * | 2022-08-15 | 2022-12-09 | 无锡市第五人民医院 | 一种用于新冠肺炎防止气溶胶感染的医用设备 |
CN115563873A (zh) * | 2022-10-12 | 2023-01-03 | 国网山西省电力公司 | 一种电力网络的数字孪生仿真***及方法 |
Non-Patent Citations (3)
Title |
---|
典型软件的故障仿真和预测方法;葛志;常青;江山;柯文俊;杜泽峰;;计算机应用研究(S1);240-244 * |
基于外部观测温度预测锂电池电极温度的研究;刘庆荣;徐康康;彭敏;;电源技术(08);52-54 * |
高精度铂电阻温度采集***设计与实现;吕阳;刘莉娜;郑良广;侯晓伟;;传感技术学报(05);150-154 * |
Also Published As
Publication number | Publication date |
---|---|
CN116383606A (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
CN112114579B (zh) | 一种基于攻击图的工业控制***安全度量方法 | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及*** | |
CN112449696B (zh) | 时序数据诊断装置、追加学习方法及程序 | |
CN100474878C (zh) | 图像质量预测方法和设备以及故障诊断*** | |
CN116383606B (zh) | 一种分布式医疗设备的恒流温度采集方法及*** | |
CN113222149B (zh) | 模型训练方法、装置、设备和存储介质 | |
CN116361059B (zh) | 一种银行业务异常根因诊断方法及诊断*** | |
CN115908080B (zh) | 一种基于多维数据分析的碳排放优化方法及*** | |
CN113239022A (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、***及介质 | |
JP2003044123A (ja) | プラント診断装置 | |
CN114462820A (zh) | 一种轴承状态监测与健康管理***性能测试及优化方法和*** | |
US20220046039A1 (en) | Method, device, and computer program product for abnormality detection | |
CN116523722A (zh) | 一种具备机器学习能力的环境监测分析*** | |
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 | |
CN113792114A (zh) | 一种城市领域知识图谱可信评估方法及*** | |
CN117034125B (zh) | 一种用于大数据融合的分类管理***及方法 | |
CN117874643B (zh) | 基于小数据集的转子故障贝叶斯网络诊断方法及*** | |
CN117076454B (zh) | 一种工程质量验收表单数据结构化存储方法及*** | |
CN114722061B (zh) | 数据处理方法及装置、设备、计算机可读存储介质 | |
CN114243931A (zh) | 一种基于计算机技术的设备检测***及方法 | |
CN117354168A (zh) | 用于物联网预测建模的混合系综方法 | |
CN117573490A (zh) | 一种***异常处理方法、装置、设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |