CN116547618A - 用于自动或半自动识别维护案例的(一个或多个)故障区域的***和方法 - Google Patents
用于自动或半自动识别维护案例的(一个或多个)故障区域的***和方法 Download PDFInfo
- Publication number
- CN116547618A CN116547618A CN202180076443.7A CN202180076443A CN116547618A CN 116547618 A CN116547618 A CN 116547618A CN 202180076443 A CN202180076443 A CN 202180076443A CN 116547618 A CN116547618 A CN 116547618A
- Authority
- CN
- China
- Prior art keywords
- service
- probability vector
- service case
- fault
- regions
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012423 maintenance Methods 0.000 title description 18
- 239000013598 vector Substances 0.000 claims abstract description 87
- 230000008439 repair process Effects 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 14
- 238000003384 imaging method Methods 0.000 description 11
- 238000002059 diagnostic imaging Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000002600 positron emission tomography Methods 0.000 description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 description 3
- 238000002604 ultrasonography Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010079 rubber tapping Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2268—Logging of test results
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种针对在其中服务医学设备(12)的服务案例自动识别故障区域集合(S)中的一个或多个故障区域的方法(100)包括:通过包括将至少一个分类器(42、46)应用于(1)为所述服务案例订购的部件的文本描述和/或(2)所述服务案例的文本描述中的至少一项的操作来生成针对所述医学设备的所述故障区域集合的概率的输出概率向量(40);并且显示针对所述服务案例的一个或多个最可能故障区域的列表(56),其中,所述一个或多个最可能故障区域是所述故障区域集合中具有所述输出概率向量中的最高概率的一个或多个最可能故障区域。
Description
技术领域
以下总体上涉及维护领域、医学设备领域、医学设备维护领域、概率向量生成领域以及相关领域。
背景技术
医学成像***可能偶尔发生故障。在这样的情况下,创建服务案例,其捕获为诊断和解决问题而执行的所有维护活动。服务案例的故障区域被定义为医学成像***的未能工作的子组件或功能子***。其既用于诊断目的,也用于可靠性分析。
通常,可能故障区域的列表由领域专家创建和维护。在一些方法中,可以基于在服务案例期间执行的特定维护活动来确定故障区域。每个维护活动被手动分配给故障区域,并且通过将固定规则应用于(维护活动、故障区域)对的集合来确定服务案例的故障区域。这种方法的示例是基于服务案例中的被更换部件来确定服务案例的故障区域。对于该方法,部件与故障区域之间的映射被维护。用于确定服务案例的故障区域的规则的示例是使用最昂贵的被更换部件的功能子***。
在其他示例中,可以基于被映射到故障区域的服务动作的预定义文本模式/正则表达式来确定故障区域。这种方法的示例将是将故障区域分配给在机器日志中找到的错误代码。然后,如果错误代码出现在服务案例中的任何地方(例如,在日志数据中,或在工程注释中),则适当的故障区域被用于服务案例。
两种方法都需要专家付出巨大的努力来维护在维护活动(例如,基于被更换的部件)或模式(例如,基于遇到的错误代码)与故障区域之间的映射。例如,对于一个磁共振成像(MRI)扫描器设计,使用了超过10,000个不同的部件,并且在历史服务案例的工程注释中发现了超过45,000个独特的三词语组合(在案例中出现至少5%并且最多70%的词语组合)。手动处理和维护这样的列表是劳动密集型操作。此外,常常不清楚应当将哪个故障区域分配给部件,因为同一部件可能用于解决不同的问题(例如更换套件)。
此外,两种方法都回顾性地识别故障区域。这是因为被更换的部件或服务动作条目无法以完整的形式可用,直到服务案例关闭之后。
以下公开了克服这些问题和其他问题的某些改进。
发明内容
在一个方面中,一种非瞬态计算机可读介质存储指令,所述指令能够由至少一个电子处理器执行以执行针对在其中服务医学设备的服务案例自动识别故障区域集合中的一个或多个故障区域的方法。所述方法包括:提供用于为所述服务案例订购部件的部件订购用户接口,所述部件订购用户接口提供为所述服务案例订购的所述部件的文本描述;提供用于接收所述服务案例的文本描述的服务报告输入用户接口,所述文本描述至少包括针对所述医学设备的故障报告和针对所述服务案例的维修注释;通过包括以下的操作来生成针对所述医学设备的所述故障区域集合的概率的输出概率向量:将至少一个分类器应用于(1)为所述服务案例订购的所述部件的所述文本描述和/或(2)所述服务案例的所述文本描述中的至少一项;并且显示针对所述服务案例的一个或多个最可能故障区域的列表,其中,所述一个或多个最可能故障区域是所述故障区域集合中具有所述输出概率向量中的最高概率的一个或多个最可能故障区域。
在另一方面中,一种用于针对在其中服务医学设备的服务案例自动识别故障区域集合中的一个或多个故障区域的装置,在所述服务案例中,,所述装置包括:服务器计算机。非瞬态计算机可读介质存储指令,所述指令能够由所述服务器计算机执行以执行方法,所述方法包括:提供用于为所述服务案例订购部件的部件订购用户接口,所述部件订购用户接口提供为所述服务案例订购的所述部件的文本描述;提供用于接收所述服务案例的文本描述的服务报告输入用户接口,所述文本描述至少包括针对所述医学设备的故障报告和针对所述服务案例的维修注释;通过将第一分类器应用于为所述服务案例订购的所述部件的所述文本描述来生成针对所述医学设备的所述故障区域集合的概率的第一概率向量;通过将第二分类器应用于所述服务案例的所述文本描述来生成针对所述医学设备的所述故障区域集合的概率的第二概率向量;将所述第一概率向量与所述第二概率向量进行组合以生成所述医学设备的所述一个或多个故障区域的概率的输出概率向量;并且显示针对所述服务案例的一个或多个最可能故障区域的列表,其中,所述一个或多个最可能故障区域是所述故障区域集合中具有所述输出概率向量中的最高概率的一个或多个最可能故障区域。
在另一方面中,一种针对在其中服务医学设备的服务案例自动识别故障区域集合中的一个或多个故障区域的方法包括:提供用于为所述服务案例订购部件的部件订购用户接口,所述部件订购用户接口提供为所述服务案例订购的所述部件的文本描述;提供用于接收所述服务案例的文本描述的服务报告输入用户接口,所述文本描述至少包括针对所述医学设备的故障报告和针对所述服务案例的维修注释;通过包括以下的操作来生成针对所述医学设备的所述故障区域集合的概率的输出概率向量:将至少一个分类器应用于(1)为所述服务案例订购的所述部件的所述文本描述和/或(2)所述服务案例的所述文本描述中的至少一项;显示针对所述服务案例的一个或多个最可能故障区域的列表,其中,所述一个或多个最可能故障区域是所述故障区域集合中具有所述输出概率向量中的最高概率的一个或多个最可能故障区域;经由与所显示的列表交互的用户输入设备接收针对所述服务案例的用户识别的故障区域;并且将所述用户识别的故障区域自动添加到所述服务案例的所述文本描述。
一个优点在于减少了医学成像设备的停机时间。
另一个优点在于基于服务技术人员与现有***(诸如部件订购用户接口和/或服务报告输入用户接口)的交互自动识别医学设备的一个或多个建议的故障区域。
另一个优点在于根据历史案例生成模式以确定医学设备的潜在故障区域。
另一个优点在于在服务呼叫的执行期间提供了一个或多个建议的故障区域,从而实时地提供该信息以供服务技术人员在决定如何执行服务时考虑。
另一个优点在于为医学设备的一个或多个潜在故障区域推荐维修动作。
给定的实施例可以提供前述优点中的零个、一个、两个或全部,和/或可以提供如在阅读并理解本公开后对于本领域普通技术人员来说将会变得显而易见的其他优点。
附图说明
本公开可以采取各种组件和组件的布置的形式,并且可以采取各种步骤和各步骤安排的形式。附图仅出于图示优选实施例的目的,并且不得被解释为对本公开的限制。
图1图解地图示了根据本公开的用于根据医学电子设备的日志文件生成警报的排序列表的说明性***。
图2示出了图1的***的示例性流程图操作。
图3示出了具有由图1的***生成的数据的图形。
具体实施方式
服务医学设备的当前方法包括识别与每个服务呼叫相关联的故障区域。通过非限制性说明性示例的方式,一个医学成像设备制造商当前为磁共振成像(MRI)扫描器定义了13个故障区域,包括例如:RF线圈、患者支撑件、RF(放大器等)、梯度线圈、图像质量、数据采集等。给定的故障可能适合多个故障区域,例如关于RF线圈的问题可能影响RF线圈、图像质量和数据采集故障区域。在这种“交叠”情况下,通常的实践是为该情况分配单个最相关的故障区域(在该示例中,“RF线圈”故障区域将最可能被分配,因为该问题与RF线圈直接相关)。
目前,故障区域被回顾性地分配给服务案例,即,在关闭案例时或之后。故障区域可以基于主要被更换部件自动分配,或由服务技术人员手动分配。对于前一种方法,故障区域在MRI***设计期间或在第一次更换部件时分配给更换部件,并且然后服务工程师将故障区域分配给该部件,此后相同的故障区域分配给该部件。
然而,这种方法存在一些困难。在服务呼叫中被更换的“主要部件”可能不是显而易见的。例如,服务工程师可以更换低成本部件以解决实际故障,但是在服务呼叫期间也可以执行涉及更换更高成本部件的预防性维护,从而基于不涉及实际故障的更高成本部件来创建故障区域的错误分配。
此外,回顾性地分配故障区域具有不向服务工程师提供实时信息的缺点。在服务期间知道(最可能的)故障区域对于服务工程师来说可能是有用的信息。
鉴于上述内容,以下公开了一种用于动态可能故障区域分配的方法。在说明性示例中,挖掘两个数据源:被更换部件的部件描述和包括由服务工程师在服务期间生成的故障报告和注释的书面注释。然而,预期仅使用这些数据源之一。相反,也预期了挖掘其他源,诸如机器日志。说明性示例创建并利用三个分类器以用于确定(一个或多个)可能故障区域,如下。
第一分类器接收被定购以用于更换的一个或多个部件的部件描述的词袋表示作为输入,并且基于那些部件描述输出故障区域的(第一)概率向量。例如,如果MRI具有13个故障区域,则输出向量具有对应于相应故障区域的13个元素。如果第一向量元素对应于“RF线圈”故障区域,则第一向量元素的值存储服务案例的故障区域为“RF线圈”的概率;如果第二向量元素对应于患者支撑件故障区域,则所述第二向量元素的值存储服务案例的故障区域为患者支撑件的概率;等等。
第二分类器接收故障报告和服务工程师注释的词袋表示作为输入,并且与第一分类器类似地操作以输出故障区域的第二概率向量,其中,该向量基于服务案例的文本描述。
第一和第二分类器可以是任何文本分类器,通过非限制性说明性示例的方式,诸如支持向量机(SVM)分类器。
第三分类器组合第一和第二分类器的输出。因此,第三分类器接收由第一分类器和第二分类器输出的概率的第一和第二向量,并且输出故障区域的概率的向量。第三分类器可以采用平均、多数表决、线性回归、决策树或用于组合结果的其他方法。
在历史服务案例的训练集上训练三个分类器,所述训练集已经由专家注释有故障区域。
经训练的分类器可以如下使用。服务工程师访问通常的服务案例应用程序,服务工程师经由该应用程序接收故障报告,与部件订购***接口连接以订购部件,输入服务工程师注释,并且可以参与其他活动,诸如提出和遵循根本原因隔离流程图或决策树或利用其他诊断工具。如本文公开的故障区域模块也包括在服务案例应用程序中。该模块在后台运行,并且实时接收故障报告、订购部件的部件描述(当用户选择用于订购的部件时,由部件订购用户接口自动提供这种部件描述)以及输入的服务工程师注释。当接收到这些活动时,提取文本信息(例如,文本部件描述和文本服务工程师注释)并通过适当的分类器运行以生成最可能故障区域的排序列表。由于这些是快速操作,因此(接近)实时地更新任何分类器的输出,并且因此排序列表。服务案例应用程序的窗口显示最可能故障区域,或在优选方法中,“前N个”最可能故障区域。特定分类器的使用取决于问题解决方案的状态。如果服务工程师尚未解决问题,则订购部件的列表为空,并且不能运行第一分类器和第三分类器。因此,在这种情况下,仅使用第二分类器来产生最可能故障区域的排序列表。服务工程师可以使用该列表来在根本原因分析期间指导他。如果服务工程师已经解决了问题,则考虑所有三个分类器的输出,并且来自第三分类器的输出(即,故障区域的组合概率向量)用于产生最可能故障区域的排序列表。
虽然在说明性示例中在MRI的背景下进行描述,但是该方法也合适地用于任何成像模态的服务,诸如X射线、计算机断层摄影(CT)、正电子发射断层摄影(PET)、单光子发射计算机断层摄影(SPECT)、超声等。此外,该方法可以用于其他医学设备,诸如患者监测器。
参考图1,示出了用于针对在其中服务医学设备12的服务案例自动识别故障区域集合S中的一个或多个故障区域的装置或***10。如图1所示,正在服务医学成像设备(也称为图像采集设备、成像设备等)2的服务工程师SE位于医学成像设备舱3中,并且服务器计算机16设置在远程服务位置或中心4中。远程位置4通常是由成像设备供应商或其他成像设备服务提供商拥有或租用或以其他方式控制的位点。
通过图示的方式示出了单个图像采集设备12,其可以是磁共振(MR)图像采集设备、计算机断层摄影(CT)图像采集设备;正电子发射断层摄影(PET)图像采集设备;单光子发射计算机断层摄影(SPECT)图像采集设备;X射线图像采集设备;超声(US)图像采集设备;或另一模态的医学成像设备。成像设备12还可以是混合成像设备,诸如PET/CT或SPECT/CT成像***。虽然在图1中通过图示的方式示出了单个图像采集设备12,但是更典型地,服务位置或中心4将为一群成像设备提供监测和维护服务,例如,为由供应商根据客户(例如,成像舱3的所有者或操作者)之间的服务合同销售的医学成像设备的全部或子集提供监测和维护服务。
在典型情形下,成像设备12自动生成记录与成像设备12有关的操作信息(诸如所执行的扫描、扫描中使用的硬件和参数、设备配置改变等)的机器日志。这些日志可以通过通信链路14(诸如可能由客户端3处和/或服务中心端4处的局域网增强的因特网)的方式自动传送到服务中心4。这些日志可以例如每天或更频繁或更不频繁地传送。
图1还示出了操作服务设备18的服务工程师SE,服务设备18包括电子处理设备,诸如智能电话、平板电脑、膝上型计算机或更一般地计算机。服务设备18包括典型的组件,诸如电子处理器20(例如,微处理器)、至少一个用户输入设备(例如,鼠标、键盘、轨迹球、触摸屏等)22和至少一个显示设备24(例如,LCD显示器、等离子体显示器、阴极射线管显示器等)。电子处理器20与一个或多个非瞬态存储介质26操作地连接。通过非限制性说明性示例的方式,非瞬态存储介质26可以包括以下各项中的一项或多项:磁盘、RAID或其他磁存储介质;固态驱动器、闪存驱动器、电可擦除只读存储器(EEROM)或其他电子存储器;光盘或其他光学存储设备;其各种组合;等等;并且可以是例如网络存储设备、服务设备18的内部硬盘驱动器、其各种组合等。应理解,本文中对一个或多个非瞬态介质26的任何引用应被广义地解释为涵盖单个介质或相同或不同类型的多个介质。同样地,电子处理器20可以体现为单个电子处理器或两个或更多个电子处理器。非瞬态存储介质26存储可由至少一个电子处理器20执行的指令。指令包括生成用于在服务设备显示设备24上显示的图形用户接口(GUI)28的指令。
所公开的通信链路14包括服务器计算机16(或服务器集群、包括服务器的云计算资源等),其被编程为在服务器计算机和服务工程师SE之间建立连接。
服务器计算机16与一个或多个非瞬态存储介质30操作地连接。通过非限制性说明性示例的方式,非瞬态存储介质30可以包括以下各项中的一项或多项:磁盘、RAID或其他磁存储介质;固态驱动器、闪存驱动器、电可擦除只读存储器(EEROM)或其他电子存储器;光盘或其他光学存储设备;其各种组合;等等;并且可以是例如网络存储设备、服务器计算机16的内部硬盘驱动器、其各种组合等。应理解,本文中对一个或多个非瞬态介质30的任何引用应被广义地解释为涵盖单个介质或相同或不同类型的多个介质。同样地,服务器计算机16可以体现为单个电子处理器或两个或更多个电子处理器。非瞬态存储介质30存储可由服务器计算机16执行的指令。
此外,如本文公开的,服务器计算机16执行用于针对在其中服务医学设备12的服务案例自动识别潜在故障区域集合S中的一个或多个故障区域的方法或过程100。潜在故障区域集合S可以被存储在服务器计算机的非瞬态存储介质30中。非瞬态存储介质30还存储供服务器计算机16执行方法100的指令。
参考图2,并且继续参考图1,方法100被示出为示例性流程图。在一些示例中,方法100可以至少部分地通过云处理来执行。为了开始方法100,服务工程师SE开始服务案例以服务医学设备12,并登录到服务设备18以经由通信链路14将服务设备18连接到服务器计算机16。
在操作102处,在服务设备18的GUI 28上提供用于为服务案例订购部件的部件订购用户接口32。部件订购用户接口32提供为服务案例订购的部件的文本描述。服务工程师SE可以经由用户输入设备22订购部件(例如,通过轻敲服务设备18的屏幕,或利用经由包括至少一个用户输入设备的鼠标或键盘的鼠标点击或键盘敲击)。当这种情况发生时,部件订购用户接口32从服务器计算机16的非瞬态计算机可读介质30的第一数据库34检索订购部件的文本描述。部件订购用户接口32提供来自部件库存的服务案例的订购部件,该部件库存可以包括例如至少8000个部件。在一些示例中,部件库存的至少8000个部件的文本描述没有一个包括指示与部件相关联的故障区域的注释。
服务器计算机16还包括故障区域模块41,其也包括在服务案例应用程序中。故障区域模块41在后台运行,并且实时接收故障报告、订购部件的部件描述(当用户选择用于订购的部件时,由部件订购用户接口32自动提供这种部件描述)以及输入的服务工程师注释。
在由故障区域模块41执行的操作103处,检测订购部件,并提取对应的部件描述。这可以使用合适的应用编程接口(API)或使得故障区域模块能够接收该信息的其他挂钩来完成。所提取的部件描述优选地被转换为适合于输入到文本分类器的标准化格式。例如,可以任选地利用其他处理(诸如移除频繁且无信息的“停止”词(例如,“和”、“该”等))将部件描述转换为词袋表示。
在操作104(其通常可以在操作102之前、之后或与操作102同时执行)处,在服务设备18的GUI 28上提供用于接收服务案例的文本描述的服务报告输入用户接口36。服务报告输入用户接口36可以至少包括针对医学设备12的故障报告和针对服务案例的维修注释。该故障报告通常将由成像技术人员或MRI 12的其他用户输入,并且通常将已经被上传到服务器计算机16并且随后在SE打开服务案例时被下载到服务设备18。服务工程师SE可以经由用户输入设备22输入维修注释(例如,通过轻敲服务设备18的屏幕,或利用经由包括至少一个用户输入设备的鼠标或键盘的鼠标点击或键盘敲击),并且该信息也将包括在正在开发的服务报告中。书面注释可以存储在服务器计算机16的非瞬态计算机可读介质30的第二数据库38中。
在由故障区域模块41执行的操作105处,例如在文本被输入到服务报告输入用户接口36中时,优选地(接近)实时地提取正在开发的服务报告的文本内容。这可以再次使用合适的API或使得故障区域模块能够接收该信息的其他挂钩来完成。所提取的文本优选地被转换为适合于输入到文本分类器的标准化格式。例如,可以任选地利用其他处理(诸如移除频繁且无信息的“停止”词(例如,“和”、“该”等))将文本转换为词袋表示。
在操作106处,通过包括以下的操作来生成医学设备12的故障区域集合S的概率的输出概率向量40:将至少一个分类器应用于(1)为服务案例订购的部件的文本描述和/或(2)服务案例的文本描述中的至少一项。向量生成操作106可以以各种方式执行。
在一些实施例中,向量生成操作106包括将第一分类器42应用于为服务案例订购的部件的文本描述。为此,第一分类器42可以挖掘第一数据库34以找到针对服务案例的文本描述。根据检索到的数据,第一分类器42被编程为输出针对医学设备12的故障区域集合S的第一概率向量44。
在其他实施例中,向量生成操作106包括将第二分类器46应用于服务案例的文本描述。为此,第二分类器46可以挖掘第二数据库38以找到服务案例的文本描述。根据检索到的数据,第二分类器46被编程为输出医学设备12的故障区域集合S的第二概率向量48。
在另外的实施例中,第一概率向量44和第二概率向量48都被生成,并且然后被组合以生成医学设备12的故障区域集合S的概率的输出概率向量40。在一些示例中,第一分类器42和/或第二分类器46可以是支持向量机(SVM)分类器。
在更另外的实施例中,医学设备12可以将日志文件6存储在医学设备的非瞬态计算机可读介质8中。日志文件6可以被自动维护,并且可以被传输到服务器计算机6并存储在第三数据库50中。第三分类器52可以挖掘第三数据库50以找到日志文件6并根据其生成第三概率向量54。可以根据第一概率向量44、第二概率向量48及第三概率向量54的组合生成输出概率向量40。虽然未在说明性示例中利用,但是预期这样的机器日志数据被挖掘为第三数据源。在这样的实施例中,第三分类器52包括额外的基于文本的分类器,其将摄取机器日志文本并输出医学设备12的故障区域集合S的概率的向量。然后,这可以由第三分类器与由说明性第一文本分类器42和第二文本分类器46输出的说明性第一概率向量44和第二概率向量48一起组合。将预期机器日志数据的额外使用提供(甚至)更准确的可能故障区域。
在操作108处,在服务设备18的显示设备24上显示服务案例的一个或多个最可能故障区域的列表56。一个或多个最可能故障区域是故障区域集合S中具有输出概率向量40中的最高概率的一个或多个最可能故障区域。在一些示例中,列表56可以包括可以被包括在列表中的前“N”个故障区域。还预期列表仅具有单个最可能故障区域(等效于前N个列表,其中,N=1)。在另一方法中,不预设列出的故障区域的数量,而是将其概率超过特定预定义阈值(例如,0.75或更高的概率)的每个故障区域包括在列表中。
如上所述,输出概率向量40表示医学设备12的故障区域集合S的概率。医学设备12的一个或多个故障区域的概率中的每个概率可以对应于医学设备的对应潜在故障。故障区域集合S是医学设备12的单个故障区域;然而,输出概率向量40表示整个故障区域集合S,使得服务工程师SE可以从故障区域集合中选择故障区域中的一个。
在一些实施例中,显示操作108可以包括经由与显示的列表56交互的用户输入设备22接收对服务案例的用户识别的故障区域的选择。例如,服务工程师SE可以利用手指敲击或利用经由包括至少一个用户输入设备的鼠标或键盘的鼠标点击或键盘敲击来选择显示设备24上的故障区域。可以将所选择的用户识别的故障区域自动添加到服务案例的文本描述。
在一些实施例中,迭代地重复输出概率向量40的生成操作106和列表56的显示操作108(例如,每当提取操作103、105中的一个检测到新订购部件形式的新信息时,每个操作103具有对应的部件描述或每个操作105文本添加到开发服务呼叫报告),以在部件订购用户接口32接收到针对服务案例的部件的订单,和/或服务报告输入用户接口36接收到针对服务案例的经更新的维修注释时实时更新列表。
在操作110处,服务工程师SE可以选择故障区域的最终确定,其然后被包括在报告中。报告可以存储在服务器计算机16的非瞬态计算机可读介质30中。在一些示例中,可以在显示设备24上显示针对服务案例的推荐维修动作。
示例
下面更详细地描述方法100的算法。方法100旨在通过使用用于自动识别新服务案例的故障区域的装置10来使识别故障区域的过程更有效。数据库34、38、50是通过从历史服务案例学习模式来构建的,所述历史服务案例已经被注释有适当的故障区域。每个服务案例中的维护活动被视为文本字段,并且每个活动中的词语和词语序列(例如,三词语组合)被用作初始特征。然后,构建若干文本分类器44、48、54,集中于特定的维护活动(例如,仅使用被更换部件的描述作为特征),或集中于服务案例中的所有活动。所有这些分类器44、48、54的输出概率向量40可以被组合(即,用作后续分类器的特征),以给出每个服务案例的故障区域的更精确预测。
这些学习的模式不必由专家审查。通常,需要专家来进行自动化***的偶尔质量控制。这显著地减少了其工作负荷,因为一小部分新的服务案例将需要被检查。
此外,方法100可以用于对仍由服务工程师SE处理的封闭服务案例和开放服务案例两者进行分类。在前一种情况下,装置10可以使用服务案例中的所有记录的活动来确定故障区域。在后一种情况下,由于服务案例正在进行,所以只有维护活动的子集已经完成并注册。装置10将仅使用该信息,并且可以产生可能故障区域的列表56。服务工程师SE可以使用该列表56来缩小问题区域并更有效地识别根本原因(图4)。服务工程师SE可以在服务案例的处理期间(例如,在已经执行每个诊断步骤之后)多次使用装置10,以产生可能故障区域的更新列表56。
第一数据库34中的部件描述数据可以用于训练第一分类器42,并且第二数据库38中的数据可以用于训练第二分类器46。可以在来自第一分类器42和第二分类器46的预测上训练第三分类器52。
第一分类器42和第二分类器46可以具有典型的文本分类结构,包括预处理阶段(例如,输入标记化、标点符号的移除等)、向量化阶段(其中,标记(例如,词语)被映射到m维向量空间(例如,TF-IDF、word2vec等))和基于机器学习的分类阶段(例如,支持向量机)。每个分类器42和44的输出是0和1之间的值的阵列,其中,为每个可能故障区域分配恰好一个值。得分越低(越高),维护案例属于其中值0和1是最低和最高可能值的对应故障区域的可能性越小(越大)。
第三分类器52被编程为组合在不同活动类型上训练的第一和第二分类器42和46。第三分类器52(也称为堆叠分类器)使用第一分类器42和第二分类器46的预测作为输入特征(即,每个故障区域的每个分类器的评分),并且具有与第一分类器42和第二分类器46相同的输出类型。第三分类器52的实施方式可以从简单的机器学***均、多数表决等)变化到更复杂的机器学习方法(例如,线性回归、决策树等)。
在示例中,方法100用于MR医学设备12。在MR中,基于最昂贵部件的故障区域来确定服务案例的故障区域。该示例集中于来自两个国家的一组43,044个纠正性维护案例,其中,1,835个独特部件被更换。
如上所述,为医学设备12的更换部件生成第一分类器42,并且为服务案例生成第二分类器46,以对(一个或多个)故障区域进行分类。两个分类器42、46具有相同的架构,但是被单独训练,不共享任何内部状态,并且可以学习不同的模式。
两个分类器42、46可以在具有已知故障区域的服务案例/部件的集合上进行训练和测试。为此,可以利用训练集中的80%的部分和测试集中的20%来执行独特的最昂贵部件的不相交训练/测试拆分。该集合用于训练和测试第二分类器46。为了创建针对第一分类器42的训练和测试集,服务案例基于第一集合中的其最昂贵部件的分配而被分配给训练/测试集。
对于最终列表56,可以组合来自第一和第二分类器42、46的输出向量44、48。在一些示例中,第三输出向量54可以与输出向量44、48组合。第三分类器52可以使用例如逻辑回归过程,如图3的图形中所示。图3示出了第一分类器42和第三分类器46之间的性能差异。
已经参考优选实施例描述了本公开。他人在阅读和理解前面的详细描述时可以进行修改和变型。示例性实施例旨在被解释为包括所有这些修改和变型,只要它们落在所附权利要求或其等价方案的范围内。
Claims (20)
1.一种存储指令的非瞬态计算机可读介质(30),所述指令能够由至少一个电子处理器(16)执行以执行针对在其中服务医学设备(12)的服务案例自动识别故障区域集合(S)中的一个或多个故障区域的方法(100),所述方法包括:
提供用于为所述服务案例订购部件的部件订购用户接口(30),所述部件订购用户接口提供为所述服务案例订购的所述部件的文本描述;
提供用于接收所述服务案例的文本描述的服务报告输入用户接口(36),所述文本描述至少包括针对所述医学设备的故障报告和针对所述服务案例的维修注释;
通过包括以下的操作来生成针对所述医学设备的所述故障区域集合的概率的输出概率向量(40):将至少一个分类器(42、46)应用于以下中的至少一项:(1)为所述服务案例订购的所述部件的所述文本描述和/或(2)所述服务案例的所述文本描述;并且
显示针对所述服务案例的一个或多个最可能故障区域的列表(56),其中,所述一个或多个最可能故障区域是所述故障区域集合中具有所述输出概率向量中的最高概率的一个或多个最可能故障区域。
2.根据权利要求1所述的非瞬态计算机可读介质(30),其中,对所述输出概率向量(40)的所述生成是通过包括以下的操作:将分类器(42)应用于为所述服务案例订购的所述部件的所述文本描述。
3.根据权利要求1所述的非瞬态计算机可读介质(30),其中,对所述输出概率向量(40)的所述生成是通过包括以下的操作:将分类器(46)应用于所述服务案例的所述文本描述。
4.根据权利要求1所述的非瞬态计算机可读介质(30),其中,对所述输出概率向量(40)的所述生成包括:
通过将第一分类器(42)应用于为所述服务案例订购的所述部件的所述文本描述来生成针对所述医学设备(12)的所述故障区域集合(S)的概率的第一概率向量(44);
通过将第二分类器(33)应用于所述服务案例的所述文本描述来生成针对所述医学设备的所述故障区域集合的概率的第二概率向量(46);并且
将所述第一概率向量与所述第二概率向量进行组合以生成所述医学设备的所述一个或多个故障区域的概率的所述输出概率向量。
5.根据权利要求4所述的非瞬态计算机可读介质(30),其中,所述方法(100)还包括:
通过将第三分类器(52)应用于从所述医学设备的自动维护的机器日志提取的数据来生成针对所述医学设备(12)的所述故障区域集合(S)的概率的第三概率向量(54);
其中,通过将所述第一概率向量(44)、所述第二概率向量(46)和所述第三概率向量进行组合来生成所述输出概率向量(40)。
6.根据权利要求1-5中的任一项所述的非瞬态计算机可读介质(30),其中,所述至少一个分类器(42、46)包括支持向量机(SVM)分类器。
7.根据权利要求1-6中的任一项所述的非瞬态计算机可读介质(30),其中,在对所述输出概率向量(40)的所述生成中,为所述服务案例订购的所述部件的所述文本描述和/或所述服务案例的所述文本描述被表示为词袋表示。
8.根据权利要求1-7中的任一项所述的非瞬态计算机可读介质(30),其中,在所述部件订购用户接口(30)接收到针对所述服务案例的部件的订单和/或所述服务报告输入用户接口(36)接收到针对所述服务案例的经更新的维修注释时,迭代地重复对所述输出概率向量(40)的所述生成和对所述列表(56)的所述显示以实时更新所述列表。
9.根据权利要求1-8中的任一项所述的非瞬态计算机可读介质(30),其中,所述方法(100)还包括:
经由与所显示的列表(56)交互的用户输入设备(22)接收针对所述服务案例的用户识别的故障区域;并且
将所述用户识别的故障区域自动添加到所述服务案例的所述文本描述。
10.根据权利要求1-9中的任一项所述的非瞬态计算机可读介质(30),其中,所述部件订购用户接口(22)提供来自部件库存的针对所述服务案例的订购部件。
11.根据权利要求1-10中的任一项所述的非瞬态计算机可读介质(30),还存储用于为所述服务案例推荐维修动作的指令。
12.一种用于针对在其中服务医学设备(12)的服务案例自动识别故障区域集合(S)中的一个或多个故障区域的装置(10),所述装置包括:
服务器计算机(16);以及
非瞬态计算机可读介质(30),其存储指令,所述指令能够由所述服务器计算机执行以执行方法(100),所述方法包括:
提供用于为所述服务案例订购部件的部件订购用户接口(30),所述部件订购用户接口提供为所述服务案例订购的所述部件的文本描述;
提供用于接收所述服务案例的文本描述的服务报告输入用户接口(36),所述文本描述至少包括针对所述医学设备的故障报告和针对所述服务案例的维修注释;
通过将第一分类器(42)应用于为所述服务案例订购的所述部件的所述文本描述来生成针对所述医学设备(12)的所述故障区域集合(S)的概率的第一概率向量(44);
通过将第二分类器(33)应用于所述服务案例的所述文本描述来生成针对所述医学设备的所述故障区域集合的概率的第二概率向量(46);
将所述第一概率向量与所述第二概率向量进行组合以生成所述医学设备的所述一个或多个故障区域的概率的输出概率向量(40);并且
显示针对所述服务案例的一个或多个最可能故障区域的列表(56),其中,所述一个或多个最可能故障区域是所述故障区域集合中具有所述输出概率向量中的最高概率的一个或多个最可能故障区域。
13.根据权利要求12所述的装置(10),其中,所述服务器计算机(16)还被编程为:
通过将第三分类器(52)应用于从所述医学设备的自动维护的机器日志提取的数据来生成针对所述医学设备(12)的所述故障区域集合(S)的概率的第三概率向量(54);
其中,通过将所述第一概率向量(44)、所述第二概率向量(46)和所述第三概率向量进行组合来生成所述输出概率向量(40)。
14.根据权利要求12和13中的任一项所述的装置(10),其中,所述至少一个分类器(42、46)包括支持向量机(SVM)分类器。
15.根据权利要求12-14中的任一项所述的装置(10),其中,在对所述输出概率向量(40)的所述生成中,为所述服务案例订购的所述部件的所述文本描述和/或所述服务案例的所述文本描述被表示为词袋表示。
16.根据权利要求12-15中的任一项所述的装置(10),其中,在所述部件订购用户接口(30)接收到针对所述服务案例的部件的订单和/或所述服务报告输入用户接口(36)接收到针对所述服务案例的经更新的维修注释时,迭代地重复对所述输出概率向量(40)的所述生成和对所述列表(56)的所述显示以实时更新所述列表。
17.根据权利要求12-16中的任一项所述的装置(10),其中,所述服务器计算机(16)还被编程为:
经由与所显示的列表(56)交互的用户输入设备(22)接收针对所述服务案例的用户识别的故障区域;并且
将所述用户识别的故障区域自动添加到所述服务案例的所述文本描述。
18.根据权利要求12-17中的任一项所述的装置(10),其中,所述部件订购用户接口(22)提供来自部件库存的针对所述服务案例的订购部件。
19.一种针对在其中服务医学设备(12)的服务案例自动识别故障区域集合(S)中的一个或多个故障区域的方法(100),所述方法包括:
提供用于为所述服务案例订购部件的部件订购用户接口(30),所述部件订购用户接口提供为所述服务案例订购的所述部件的文本描述;
提供用于接收所述服务案例的文本描述的服务报告输入用户接口(36),所述文本描述至少包括针对所述医学设备的故障报告和针对所述服务案例的维修注释;
通过包括以下的操作来生成针对所述医学设备的所述故障区域集合的概率的输出概率向量(40):将至少一个分类器(42、46)应用于以下中的至少一项:(1)为所述服务案例订购的所述部件的所述文本描述和/或(2)所述服务案例的所述文本描述;
显示针对所述服务案例的一个或多个最可能故障区域的列表(56),其中,所述一个或多个最可能故障区域是所述故障区域集合中具有所述输出概率向量中的最高概率的一个或多个最可能故障区域;
经由与所显示的列表(56)交互的用户输入设备(22)接收针对所述服务案例的用户识别的故障区域;并且
将所述用户识别的故障区域自动添加到所述服务案例的所述文本描述。
20.根据权利要求19所述的方法(100),其中,对所述输出概率向量(40)的所述生成包括:
通过将第一分类器(42)应用于为所述服务案例订购的所述部件的所述文本描述来生成针对所述医学设备(12)的所述故障区域集合(S)的概率的第一概率向量(44);
通过将第二分类器(33)应用于所述服务案例的所述文本描述来生成针对所述医学设备的所述故障区域集合的概率的第二概率向量(46);并且
将所述第一概率向量与所述第二概率向量进行组合以生成所述医学设备的所述一个或多个故障区域的概率的所述输出概率向量。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063113208P | 2020-11-13 | 2020-11-13 | |
US63/113,208 | 2020-11-13 | ||
PCT/EP2021/081178 WO2022101234A1 (en) | 2020-11-13 | 2021-11-10 | System and method for automated or semi-automated identification of malfunction area(s) for maintenance cases |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116547618A true CN116547618A (zh) | 2023-08-04 |
Family
ID=78709410
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180076443.7A Pending CN116547618A (zh) | 2020-11-13 | 2021-11-10 | 用于自动或半自动识别维护案例的(一个或多个)故障区域的***和方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230418721A1 (zh) |
EP (1) | EP4244865A1 (zh) |
CN (1) | CN116547618A (zh) |
WO (1) | WO2022101234A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116153483B (zh) * | 2023-01-03 | 2023-11-07 | 武汉博科国泰信息技术有限公司 | 一种基于机器学习的医疗数据分析处理方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7491852B2 (ja) * | 2018-06-18 | 2024-05-28 | コーニンクレッカ フィリップス エヌ ヴェ | 医用イメージングシステムのフィールドサービスのための部品同時交換推奨システム |
EP4186069A1 (en) * | 2020-07-23 | 2023-05-31 | Koninklijke Philips N.V. | System and method for improved spare part search for maintenance services using topic modelling |
-
2021
- 2021-11-10 WO PCT/EP2021/081178 patent/WO2022101234A1/en active Application Filing
- 2021-11-10 US US18/036,179 patent/US20230418721A1/en active Pending
- 2021-11-10 EP EP21810957.7A patent/EP4244865A1/en active Pending
- 2021-11-10 CN CN202180076443.7A patent/CN116547618A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4244865A1 (en) | 2023-09-20 |
US20230418721A1 (en) | 2023-12-28 |
WO2022101234A1 (en) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11531901B2 (en) | Imaging modality smart find maintenance systems and methods | |
US20200211699A1 (en) | Imaging modality maintenance smart dispatch systems and methods | |
US10838797B2 (en) | Imaging modality smart symptom maintenance systems and methods | |
US20180315023A1 (en) | Subject matter knowledge mapping | |
US20200365262A1 (en) | Self-correcting method for annotation of data pool using feedback mechanism | |
US11567460B2 (en) | Failure mode analytics | |
CN113196315A (zh) | 成像模态保养维护包***和方法 | |
US20150039386A1 (en) | Method and system for risk assessment analysis | |
US11586986B2 (en) | Orchestrator for machine learning pipeline | |
Caglayan et al. | Predicting defective modules in different test phases | |
US11307924B2 (en) | Sequence mining in medical IoT data | |
WO2022128704A1 (en) | System and method to recommend service action for predictive maintenance | |
US20230418721A1 (en) | System and method for automated or semi-automated identification of malfunction area(s) for maintenance cases | |
CN111316367A (zh) | 自动准备注意列表以改善放射学工作流程的***和方法 | |
US11031125B2 (en) | Identification of structural parts in error handling of medical devices | |
CN116235254A (zh) | 用于优化和个性化维修清单的***和方法 | |
EP4177905A1 (en) | Systems and methods for extracting diagnostic and resolution procedures from heterogenous information sources | |
EP4187455A1 (en) | Data quality improvement system for imaging system service work orders (swo) | |
US11545253B2 (en) | Systems and methods to process electronic images to categorize intra-slide specimen tissue type | |
WO2023083647A1 (en) | Systems and methods for extracting diagnostic and resolution procedures from heterogenous information sources | |
US20230307118A1 (en) | Systems and methods to triage and assess solution steps to empower a user in resolving a reported issue | |
WO2023099248A1 (en) | Data quality improvement system for imaging system service work orders (swo) | |
US20230105231A1 (en) | Systems and methods to process electronic images to categorize intra-slide specimen tissue type |
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 |