CN117744387B - 基于数字孪生的医院临床保障和机电设备智能诊断方法 - Google Patents
基于数字孪生的医院临床保障和机电设备智能诊断方法 Download PDFInfo
- Publication number
- CN117744387B CN117744387B CN202311789879.8A CN202311789879A CN117744387B CN 117744387 B CN117744387 B CN 117744387B CN 202311789879 A CN202311789879 A CN 202311789879A CN 117744387 B CN117744387 B CN 117744387B
- Authority
- CN
- China
- Prior art keywords
- equipment
- detection
- data
- monitored
- model
- 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 52
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 193
- 238000004458 analytical method Methods 0.000 claims abstract description 94
- 238000004088 simulation Methods 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000010586 diagram Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 239000003623 enhancer Substances 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 10
- 238000002405 diagnostic procedure Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 21
- 230000008569 process Effects 0.000 description 10
- 238000010438 heat treatment Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000000007 visual effect Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000009423 ventilation Methods 0.000 description 7
- 238000001845 vibrational spectrum Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于数字孪生的医院临床保障和机电设备智能诊断方法。该方法包括：获取与待监测设备相对应的设备运行数据；基于至少一个检测维度下的故障分析模型对设备运行数据进行处理，得到至少一个检测维度中各检测指标下的检测结果；在检测结果与预设检测结果不一致时，将不一致时所对应的检测结果在待监测设备的仿真子模型中进行预警显示。解决了现有技术中通过人工定时定点检测设备，导致成本高、效率低的问题，实现提高故障检测的及时性和实时性，使得用户可以直观的通过仿真子模型监测到待监测设备的设备运行数据以及设备的故障情况，满足用户对设备的监测需求。
Description
技术领域
本发明涉及计算机处理技术领域，尤其涉及一种基于数字孪生的医院临床保障和机电设备智能诊断方法。
背景技术
目前，在对医院临床保障及后勤机电设备的日常使用过程中，通常会在使用期内对其进行维修、维护以及保养管理，需要及时的监测到设备的具体运行情况以及其是否存在异常，以保证设备安全、可靠、高效的进行工作。
现有的对医院临床保障及后勤机电设备进行监测的方式通常是依靠人工经验由技术人员定时定点的对设备进行诊断，这种方式不仅成本高，还存在监测不及时，效果差的问题。
发明内容
本发明提供了一种基于数字孪生的医院临床保障和机电设备智能诊断方法，以实现提高故障检测的及时性和实时性，使得用户可以直观的通过仿真子模型监测到待监测设备的设备运行数据以及设备的故障情况，满足用户对设备的监测需求。
根据本发明的一方面，提供了一种基于数字孪生的医院临床保障和机电设备智能诊断方法，该方法包括：
获取与待监测设备相对应的设备运行数据；其中，所述待监测设备包括临床保障设备和机电设备；
基于至少一个检测维度下的故障分析模型对所述设备运行数据进行处理，得到所述至少一个检测维度中各检测指标下的检测结果；其中，所述故障分析模型是基于已编辑流程图中各流程节点的节点属性以及各流程节点之间的流程线确定的；所述节点属性包括目标函数、规则判断、逻辑运算和访问数据源中的至少一个；
在所述检测结果与预设检测结果不一致时，将所述不一致时所对应的检测结果在所述待监测设备的仿真子模型中进行预警显示；其中，所述仿真子模型中包括与所述待监测设备相对应的物理模型以及所述设备运行数据。
根据本发明的另一方面，提供了一种基于数字孪生的医院临床保障和机电设备智能诊断装置，该装置包括：
设备运行数据获取模块，用于获取与待监测设备相对应的设备运行数据；其中，所述待监测设备包括临床保障设备和机电设备；
检测结果确定模块，用于基于至少一个检测维度下的故障分析模型对所述设备运行数据进行处理，得到所述至少一个检测维度中各检测指标下的检测结果；其中，所述故障分析模型是基于已编辑流程图中各流程节点的节点属性以及各流程节点之间的流程线确定的；所述节点属性包括目标函数、规则判断、逻辑运算和访问数据源中的至少一个；
预警显示模块，用于在所述检测结果与预设检测结果不一致时，将所述不一致时所对应的检测结果在所述待监测设备的仿真子模型中进行预警显示；其中，所述仿真子模型中包括与所述待监测设备相对应的物理模型以及所述设备运行数据。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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本发明任一实施例所述的基于数字孪生的医院临床保障和机电设备智能诊断方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于数字孪生的医院临床保障和机电设备智能诊断方法。
本发明实施例的技术方案，通过获取与待监测设备相对应的设备运行数据；基于至少一个检测维度下的故障分析模型对设备运行数据进行处理，得到至少一个检测维度中各检测指标下的检测结果；在检测结果与预设检测结果不一致时，将不一致时所对应的检测结果在待监测设备的仿真子模型中进行预警显示，解决了现有技术中通过人工定时定点检测设备，导致成本高、效率低的问题，实现了可视化的待监测设备的仿真子模型，实时监测待监测设备的设备运行数据，提高设备监测的实时性，并基于已编辑流程图中各流程节点的节点属性以及各流程节点之间的流程线确定相应检测维度下的故障分析模型，进而，使用至少一个检测维度下的故障分析模型对设备运行数据进行处理，得到至少一个检测维度中各检测指标下的检测结果，通过检测结果与预设检测结果，判断是否存在故障，在存在故障时，将检测结果在待监测设备的仿真子模型中进行预警显示，提高故障检测的及时性，使得用户可以直观的通过仿真子模型监测到待监测设备的设备运行数据以及设备的故障情况，满足用户对设备的监测需求。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种基于数字孪生的医院临床保障和机电设备智能诊断方法的流程图；
图2是根据本发明实施例一所提供的表征仿真模型层级的示意图；
图3是根据本发明实施例一提供的基于数字孪生的医院临床保障和机电设备智能诊断方法示意图；
图4是根据本发明实施例一所提供的表征仿真模型的示意图；
图5是根据本发明实施例二提供的一种基于数字孪生的医院临床保障和机电设备智能诊断方法的流程图；
图6是根据本发明实施例二所提供的表征已编辑流程图的示意图；
图7是根据本发明实施例三提供的一种基于数字孪生的医院临床保障和机电设备智能诊断方法的流程图；
图8是根据本发明实施例三所提供的表征正常状态下的暖通***送风机轴承振动的频谱图；
图9是根据本发明实施例三所提供的表征轻微故障状态下的暖通***送风机轴承外圈振动的频谱图；
图10是根据本发明实施例三所提供的表征严重故障状态下的暖通***送风机轴承外圈振动的频谱图；
图11是根据本发明实施例四提供的一种基于数字孪生的医院临床保障和机电设备智能诊断装置的结构示意图；
图12是实现本发明实施例的基于数字孪生的医院临床保障和机电设备智能诊断方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种基于数字孪生的医院临床保障和机电设备智能诊断方法的流程图，本实施例可适用于监测医院临床保障和机电设备故障的情况，该方法可以由基于数字孪生的医院临床保障和机电设备智能诊断装置来执行，该基于数字孪生的医院临床保障和机电设备智能诊断装置可以采用硬件和/或软件的形式实现，该基于数字孪生的医院临床保障和机电设备智能诊断装置可配置于计算设备中。如图1所示，该方法包括：
S110、获取与待监测设备相对应的设备运行数据。
其中，待监测设备可以是指需要监测其状态的设备，待监测设备可以为多个，如待监测设备包括临床保障设备和机电设备。例如，临床保障设备中包括但不限于医用气体制氧泵、医用空气压缩机等，机电设备中包括但不限于抽水泵、污水泵、送风泵、冷冻泵、暖通***主机、空调主机、蒸汽锅炉、燃煤锅炉、直升电梯、手扶电梯等，可以参见下述表1。
在实际应用中，可以通实时监测与待监测设备相对应的设备运行数据，以通过设备运行数据诊断待监测设备是否存在故障。不同的待监测设备的设备运行数据是不同的，例如，制氧泵的设备运行数据包括氧气纯度、压力值、功率、流量、噪音等；冷冻泵的设备运行数据包括扬程、压力值、功率、流量等；蒸汽锅炉的设备运行数据包括锅炉容量、压力、热功率、温度等。
表1
S120、基于至少一个检测维度的故障分析模型对设备运行数据进行处理，得到至少一个检测维度中各检测指标下的检测结果。
其中，故障分析模型可以是用于对设备故障进行诊断和处理的模型。故障分析模型是基于已编辑流程图中各流程节点的节点属性以及各流程节点之间的流程线确定的。节点属性包括目标函数、规则判断、逻辑运算和访问数据源中的至少一个，访问数据源与设备运行数据相对应。流程线的方向表示流程节点操作的先后顺序，箭头指向下一个流程节点。检测维度是指在进行设备检测时需要考虑的不同方面或角度。检测维度中包括但不限于包括：功能性维度、性能维度、安全性维度、可靠性维度、兼容性维度、维护性维度、环境适应性维度。不同检测维度下包含不同的检测指标。例如，功能性维度包括检查设备是否能够正常工作，是否满足设计要求的检测指标。性能维度包括评估设备的性能指标，如速度、精度、稳定性等检测指标。安全性维度包括检查设备是否存在安全隐患，如过热、过载、短路等检测指标。可靠性维度包括评估设备的可靠性，包括故障率、平均无故障时间等检测指标。兼容性维度包括检查设备是否与其他***或设备兼容，是否存在兼容性问题的检测指标。维护性维度包括评估设备的维护难易程度，包括维护周期、维护成本等检测指标。环境适应性维度包括检查设备在不同环境条件下的工作表现，如温度、湿度、振动等检测指标。
在本实施例中，可以通过可视化、可配置的方式，绘制与各个检测维度相对应的已编辑流程图，通过已编辑流程图中各流程节点的节点属性以及各流程节点之间的连接线，节点属性和步骤转换为编程语言中的代码或函数，生成各个检测维度下的故障分析模型。进一步的，可以从设备运行数据中调取与各个检测维度下的故障分析模型相对应的输入数据，每个故障分析模型可以对自身的输入数据进行分析处理，得到各检测指标下的检测结果。
需要说明的是,在实际应用中，利用传感器采集待监测设备的运行数据时，有些运行数据具有振动性，如果将采集的原始振动信号直接输入故障分析模型，则会影响故障诊断的准确性。为了解决这个问题，可以对采集到的振动数据进行增强操作，提高振动数据质量，进而提高故障诊断的精确性。
在本实施例中，基于至少一个下检测维度的故障分析模型对设备运行数据进行处理，得到至少一个检测维度中各检测指标下的检测结果，包括：确定设备运行数据中的与预设类型相对应的运行子数据；对运行子数据进行滤波处理，得到增强子数据；对增强子数据进行分析，得到至少一种振动分析数据；基于至少一个检测维度下的故障分析模型对至少一种振动分析数据进行处理，得到至少一个检测维度中各检测指标下的检测结果。
其中，预设类型为振动类型。振动分析数据包括振动特征量、振动波形和振动频谱。
在本实施例中，从设备运行数据中提取与预设类型相对应的运行子数据，进而，可以利用信号滤波技术，对运行子数据进行滤波处理，提取与故障相关的特征信息，并削弱或消除不需要的频率成分，得到处理后的增强子数据。此种设置的好处在于，通过滤波处理提取有用信息并消除噪声干扰，提高故障诊断的准确性和可靠性。进一步的，可以对增强子数据进行特征提取，得到振动特征量作为振动分析数据。还可以基于增强子数据中振动信号，识别其振动波形作为振动分析数据，以从振动波形中提取特征信息，如频率、幅度、相位等。不同的设备故障或运行状态可能对应不同的振动波形。例如，轴承故障可能表现为特定的周期性波形，而随机噪声则可能表现为随机波形。也可以使用图谱分析技术对增强子数据进行处理，得到振动频谱作为振动分析数据，例如，将增强子数据进行傅里叶变换，将时域信号转换为频域信号，绘制出信号的频谱图。频谱图可以显示信号中不同频率成分的幅度和相位信息，有助于识别特定的故障频率。或者，通过结合增强子数据中的振幅、频率和相位等信息，以图形化的方式展示信号的全面特征，生成全息谱图作为振动分析数据，提供更丰富的故障信息，便于准确判断故障类型和程度。进一步的，可以将至少一种振动分析数据输入至故障分析模型中，进行故障分析，得到不同的检测指标下的检测结果。
示例性的，通过在每台待监测设备上安装不同数量的振动传感器(含键相传感器)，传感器采集振动信号(即设备运行数据)，将振动信号传输到数据采集卡进行信号滤波处理，对采集的振动信号进行增强操作，得到增强子数据。通过图谱分析技术将增强子数据进行图谱转化，并结合故障分析模型进行异常监测，判断设备的工况状态，以通过频谱图发现死点、坏点和异常点，从而精确定位设备的问题和故障时间。
S130、在检测结果与预设检测结果不一致时，将不一致时所对应的检测结果在待监测设备的仿真子模型中进行预警显示。
其中，仿真子模型中包括与待监测设备相对应的物理模型以及设备运行数据。预设检测结果为检验通过。
在本实施例中，可以将检测结果与预设检测结果进行比对，如果两个结果不一致，可以基于不一致时所对应的检测结果更新待监测设备的仿真子模型，将该检测结果在仿真子模型预设位置上进行预警显示，以使用户可以通过仿真子模型上的显示信息及时有效的获知到故障情况，便于后续故障处理，提高设备监测的有效性和及时性。
需要说明的是，为了提高对设备状态监测的效果，可以基于与待监测设备相对应的物理模型以及设备运行数据确定待监测设备的仿真子模型，并将仿真子模型在显示界面上进行显示，使得用户可以通过仿真子模型实时的、清楚的查看待监测设备的运行情况。仿真子模型中显示物理模型以及设备运行数据，设备运行数据中包含静态参数和动态参数两类参数，可以分别指设备在稳定状态和变化过程中的参数。设备在稳定状态下，各种状态参数都有确定的数值。例如，蒸汽锅炉在不同的燃料量下会有相应的蒸汽流量、受热面吸热量、汽温与汽压等，这些都是蒸汽锅炉的静态特性，可作为静态参数。设备从一个工况变到另一个工况的过程中，各种状态参数随着时间而变化，最终到达一个新的稳定状态，这个过程中，状态参数随着时间变化的方向、历程和速度等被称为设备的动态特性，可作为动态参数。通过分析包含待监测设备的静态参数和动态参数的设备运行数据，确定待监测设备是否存在故障，提高故障检测的准确性，以保证设备的正常运行。
在实际应用中，在检测到待监测设备的设备运行数据发生变化时，基于变化的设备运行数据更新待监测设备的仿真子模型。
具体的，如果待监测设备的设备运行数据发生变化，可以实时更新待监测设备的仿真子模型中显示的设备运行数据，保证数据的实时性。
为了在满足对目标业务中各个待监测设备的监测需求的同时，提高设备监测效果，可以采用数字孪生建模技术，将目标业务中各待监测设备从物理世界进行线上数字转化，并采集设备静态和动态参数数据，搭建与目标业务相对应的多层级可视化数字模型。
在本实施例中，基于数字孪生的医院临床保障和机电设备智能诊断方法还包括：确定目标业务下的至少两个待监测设备，并构建与各待监测设备相对应的物理模型；对于各待监测设备，将待监测设备的物理模型和设备运行数据的测点进行绑定，得到与待监测设备相对应的仿真子模型；基于各待监测设备所属的层级属性，对各仿真子模型进行整合，得到与目标业务相对应的多层级仿真模型。
在本实施例中，在确定好目标业务下的至少两个待监测设备之后，可以使用建模技术构建与各待监测设备相对应的物理模型，该物理模型可以为三维模型。可以将同一待监测设备的物理模型和设备运行数据的测点进行绑定，得到与待监测设备相对应的仿真子模型，使得设备运行数据在线同步，确保数据的实时性展示。可以将同一层级属性下的待监测设备的仿真子模型基于设备位置进行整合，该层级下的仿真模型，相应的，可以得到与目标业务相对应的多层级仿真模型。
示例性的，参见图2，以目标业务为医院为例，通过数字孪生建模技术搭建可视化数字模型，将医院临床保障和机电设备从物理世界进行线上数字转化，创建医院的多层级仿真模型，包括医院-院区-***-站点-设备共5个层级。此种设置的好处在于，通过层级建模，用户可以便捷地以树状结构查看和管理各个设备，并能够定义每层级的不同属性。在层级建模的基础上，还可以将仿真子模型与对应的待监测设备的静态参数、动态参数测点进行绑定，实现物理设备的在线化状态同步，在采集到设备静态和动态参数数据时将数据对应显示在仿真子模型上。
在上述方案的基础上，为了进一步的提高设备监测效果，在确定多层级仿真模型之后，还基于选取的2D或3D组态发更新多层级仿真模型。
其中，2D组态包括二维图形元素，如线、矩形、圆形等，用来构建监控画面。3D组态则是使用三维图形元素来构建监控画面，可以更精确、更真实地模拟设备的运行环境和状态。
参见图3，可以将绘制好的2D或3D组态嵌入多层级仿真模型中，并基于设备的动态会＝或动态参数更新多层级仿真模型，得到更精确、更真实的模拟设备的运行环境和状态的多层级仿真模型。本实施例的技术方案通过层级建模、动静态参数绑定、组态嵌入与状态同步，为设备的智能监测提供可视化环境，提高设备监测效果。
在本实施例中，在所述得到与所述目标业务相对应的多层级仿真模型之后，包括：基于层级信息，部署所述多层级仿真模型；响应于层级的触发操作，展示与触发层级相对应的仿真模型。
具体的，可以通过采用分布式部署方式，分层级的部署多层级仿真模型，以图形化界面直观地展示设备的运行状态和数据，便于分层级的进行设备监测，提高设备监测效果。示例性的，多层级仿真模型展示效果图可以参见图4。
在本实施例中，基于数字孪生的医院临床保障和机电设备智能诊断方法还包括：当检测到触发目标层级中的设备选择控件时，在显示面板中展示相应的目标展示设备的仿真子模型，并在显示面板的预设区域中展示目标展示设备的设备运行信息。
具体的，可以预先配置不同层级下的用于选择待展示设备的可视化控件。可以在用户触发该控件时，认为检测到触发目标层级中的设备选择控件，此时可以在显示面板中展示触发的目标展示设备的仿真子模型，并在显示面板的预设区域中展示目标展示设备的设备运行信息。
需要说明的是，在构建多层级仿真模型以及确定故障分析模型之后，可以基于故障分析模型检测待检测设备是否存在异常，如果存在，可以在多层级仿真模型将异常进行对应显示，如果不存在，则可以基于故障分析模型继续进行故障检测吗，参见图3。数字孪生建模***、故障分析引擎、图谱分析***之间的联系。
本实施例的技术方案，通过获取与待监测设备相对应的设备运行数据；基于至少一个检测维度下的故障分析模型对设备运行数据进行处理，得到至少一个检测维度中各检测指标下的检测结果；在检测结果与预设检测结果不一致时，将不一致时所对应的检测结果在待监测设备的仿真子模型中进行预警显示，解决了现有技术中通过人工定时定点检测设备，导致成本高、效率低的问题，实现了可视化的待监测设备的仿真子模型，实时监测待监测设备的设备运行数据，提高设备监测的实时性，并基于已编辑流程图中各流程节点的节点属性以及各流程节点之间的流程线确定相应检测维度下的故障分析模型，进而，使用至少一个检测维度下的故障分析模型对设备运行数据进行处理，得到至少一个检测维度中各检测指标下的检测结果，通过检测结果与预设检测结果，判断是否存在故障，在存在故障时，将检测结果在待监测设备的仿真子模型中进行预警显示，提高故障检测的及时性，使得用户可以直观的通过仿真子模型监测到待监测设备的设备运行数据以及设备的故障情况，满足用户对设备的监测需求。
实施例二
图5是根据本发明实施例二提供的一种基于数字孪生的医院临床保障和机电设备智能诊断方法的流程图，在前述实施例的基础上，还可以预先确定至少一个检测维度的故障分析模型，以基于故障分析模型对设备运行数据进行处理，得到相应的检测结果。其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。
如图5所示，该方法具体包括如下步骤：
S210、响应于创建画布的操作，显示流程图编辑界面。
其中，流程图编辑界面中包括至少一个待选取节点。待选取节点可以为多种类型的节点，如流程节点包含开始节点、结束节点、筛选节点和函数节点等多种类型的节点，通过不同类型的流程节点的组合实现流程逻辑。筛选节点可以对应于一定的判断条件，例如，可以通过筛选节点的节点内容对数据进行筛选和过滤，以确保只有符合条件的数据能够进入后续的处理环节。函数节点可以对应于数据函数，例如，可以为三角函数、对数函数、指数函数、幂函数等。
在本实施例中，可以预先开发用于创建画布的控件，当检测到用户触发该控件时，即可对创建画布的触发操作进行响应，创建画布。完成画布创建后，显示流程图编辑界面。用户能够更直观有效的表达自己相描述的故障分析分析，编辑界面开发不同的流程节点以及流程边等流程图编辑控件，以通过用户对流程图编辑控件的触发操作，编辑得到流程图。
S220、基于对至少一个待选取节点的触发操作，于显示界面中编辑完成待编辑流程图。
在本实施例中，用户可以根据对设备的检测需求，利用输入设备拖动界面上显示的各类流程节点至画布上，并为流程节点之间设置连接线，组合成流程图，在显示界面中编辑完成待编辑流程图。此种设置的好处在于，可以通过更加灵活、友好的规则编辑界面，让用户可以更直观、有效地表达自己想描述的规则，满足不同检测维度下故障检测，降低检测成本，同时将人工专家的宝贵经验通过故障模型画布的形式固化到线上，使得***能够汇聚各个领域的设备专家的想法，实现更科学更精确的故障诊断能力，并持续调优与矫正，提高模型的精确度。
S230、为待编辑流程图中至少一个流程节点配置节点内容，更新相应流程节点的节点属性，以更新待编辑流程图，得到已编辑流程图。
其中，已编辑流程图与检测维度相对应。
在本实施例中，通过为流程节点添加自定义的节点内容，更新该流程节点的节点属性，以更新待编辑流程图，得到已编辑流程图。示例性的，参见图6，可以通过可视化、可配置的方式各类数学函数进行拖拉拽，绘制流程图，为流程节点添加访问数据源，支持设备运行数据输入，使得在获取到设备运行数据之后，可以使用已编辑流程图确定的故障分析模型对设备运行数据进行设备状态监测、故障分析、健康度评估等。
S240、基于已编辑流程图，得到相应检测维度下的故障分析模型。
在本实施例中，根据已编辑流程图中的节点属性和节点关系，用目标语言的形式描述已编辑流程图，编写得到的SQL语句可作为故障分析模型。相应的，可以得到各个检测维度下的故障分析模型。
示例性的，可以基于本实施例所提供的技术方案确定电气类故障分析模型、电机过热故障分析模型、轴承故障分析模型，每个检测维度下包含多个检测指标，参见表2。
表2
| 检测维度 | 检测指标 |
| 电气类故障 | 过流、过压、过载、过热、转子偏心、三相不平衡 |
| 电机过热故障 | 电机过载温度异常、电压异常、电流异常 |
| 轴承故障 | 轴承内圈、外圈、防滚架振动异常 |
本实施例的技术方案，通过可视化、可配置的方式，通过编辑流程节点并为其配置节点内容，确定用于各个检测维度下的已编辑流程图，进而通过将已编辑流程图转化成故障分析模型，提高灵活配置故障分析模型，降低成本的同时，提高检测的全面性，同时便于对故障分析模型进行调优和完善，提高故障检测效率。
实施例三
作为上述实施例的一可选实施例，图7是根据本发明实施例三提供的一种基于数字孪生的医院临床保障和机电设备智能诊断方法的流程图。具体的，可以参见下述具体内容。
在本实施例中，可以使用HHT(Hilbert-Huang Transform，希尔伯特黄变换)算法对运行子数据进行滤波处理，得到增强子数据。HHT算法一种自适应地处理非平稳信号的时频分析方法，由经验模态分解(Empirical Mode Decomposi-tion,EMD)与希尔伯特变换(Hilbert Transform,HT)组成,能够通过对信号特征时间尺度分析来获取信号的时间-频率关系。示例性的，参见图7，假设以一定的采样频率F对送风机机组轴承的振动信号进行采样,得到离散信号数据x(t)(t＝1,2,3,...,N,N为采样点总数量),进而，确定x(t)的所有局部极大值与极小值，利用三次采样曲线分别将极大值、极小值拟合成极大值包络线emax(t)和极小值包络线emin(t),利用式(1)构造极值包络线均值信号m1(t)：
接着,依据公式(2)获取零均值信号h1(t),信号h1(t)为x(t)的IMF分量,根据IMF分量的判断准则可判定该信号是否为IMF分量,若不是，则将h1(t)作为新的初始信号,返回确定x(t)的所有局部极大值与极小值步骤，重复以上操作,直至h1(t)满足IMF条件,则将h1(t)作为第一个IMF的分量c(t)。
h1(t)＝x(t)-m1(t)(2)
之后，基于公式(3)计算残余信号r1(t)。由x(t)减去第一个IMF分量c1(t)得出残余信号r1(t)。
r1(t)＝x(t)-c1(t)(3)
若将r1(t)信号作为原始信号,返回确定x(t)的所有局部极大值与极小值步骤，重复操作,循环执行n次,直至残余信号rn(t)为单调信号，原始信号x(t)可以分解为n个IME分量和一个残余信号,表示为：
进一步的，依据公式(4)和(5)对IMF分量进行Hilbert变换再构造解析信号zi(t)：
依据公式(6)计算瞬时幅值信号ai(t)、依据公式(7)计算相位函数中φi(t)和依据公式(8)计算瞬时频率信号Fi(t)，其中T为轴承振动信号长度：
最后，依据公式(9)计算Hilbert谱H(w,t)和边际谱h(w)：
其中，Re(·)表示取实数部分,展开获得Hilbert谱H(w,t)：
通过对Hilbert谱进行时间积分可得到边际谱：
H(w,t)可以描述振动信号在整个频段上幅值随时间与频率变化规律,h(w)则描述了振动信号在整个频段内幅值随频率的变化趋势。
经过放大的振动信号采用连续采集模式，每测点每秒钟采集25600点，经信号处理后剩余每测点每秒5000点。通过嵌入式工控机从采集卡读取增强后的振动数据，再经过信号分析，最终提取振动特征量和振动波形、振动频谱等数据，基于这些数据进行故障分析。示例性的，正常状态下的暖通***送风机轴承振动频谱图可参见图8，轻微故障状态下的暖通***送风机轴承外圈振动频谱图可参见图9，严重故障状态下的暖通***送风机轴承外圈振动频谱图可参见图10。
本实施例的技术方案，通过对设备数据进行图谱分析，支持将采集到的振动信号转化为各类波形图，如位移图、速度图、加速度图，并支持基于图谱进行二次锚点分析，提高医院对设备故障的智能分析能力，减少故障发生频率，使得在发生故障时能够精准定位问题，减少维修时间，降低成本损失。
实施例四
图11是根据本发明实施例四提供的一种基于数字孪生的医院临床保障和机电设备智能诊断装置的结构示意图。如图11所示，该装置包括：设备运行数据获取模块310、检测结果确定模块320和预警显示模块330。
其中，设备运行数据获取模块310，用于获取与待监测设备相对应的设备运行数据；其中，所述待监测设备包括临床保障设备和机电设备；检测结果确定模块320，用于基于至少一个检测维度下的故障分析模型对所述设备运行数据进行处理，得到所述至少一个检测维度中各检测指标下的检测结果；其中，所述故障分析模型是基于已编辑流程图中各流程节点的节点属性以及各流程节点之间的流程线确定的；所述节点属性包括目标函数、规则判断、逻辑运算和访问数据源中的至少一个；预警显示模块330，用于在所述检测结果与预设检测结果不一致时，将所述不一致时所对应的检测结果在所述待监测设备的仿真子模型中进行预警显示；其中，所述仿真子模型中包括与所述待监测设备相对应的物理模型以及所述设备运行数据。
本实施例的技术方案，通过获取与待监测设备相对应的设备运行数据；基于至少一个检测维度下的故障分析模型对设备运行数据进行处理，得到至少一个检测维度中各检测指标下的检测结果；在检测结果与预设检测结果不一致时，将不一致时所对应的检测结果在待监测设备的仿真子模型中进行预警显示，解决了现有技术中通过人工定时定点检测设备，导致成本高、效率低的问题，实现了可视化的待监测设备的仿真子模型，实时监测待监测设备的设备运行数据，提高设备监测的实时性，并基于已编辑流程图中各流程节点的节点属性以及各流程节点之间的流程线确定相应检测维度下的故障分析模型，进而，使用至少一个检测维度下的故障分析模型对设备运行数据进行处理，得到至少一个检测维度中各检测指标下的检测结果，通过检测结果与预设检测结果，判断是否存在故障，在存在故障时，将检测结果在待监测设备的仿真子模型中进行预警显示，提高故障检测的及时性，使得用户可以直观的通过仿真子模型监测到待监测设备的设备运行数据以及设备的故障情况，满足用户对设备的监测需求。
在上述装置的基础上，可选的，所述装置还包括故障分析模型确定模块，故障分析模型确定模块包括编辑界面显示单元、待编辑流程图确定单元、流程图更新单元和故障分析模型确定单元。
编辑界面显示单元，用于响应于创建画布的操作，显示流程图编辑界面；其中，所述流程图编辑界面中包括至少一个待选取节点；
待编辑流程图确定单元，用于基于对所述至少一个待选取节点的触发操作，于显示界面中编辑完成待编辑流程图；
流程图更新单元，用于为所述待编辑流程图中至少一个流程节点配置节点内容，更新相应流程节点的节点属性，以更新所述待编辑流程图，得到已编辑流程图；其中，所述已编辑流程图与检测维度相对应；
故障分析模型确定单元，用于基于所述已编辑流程图，得到相应检测维度下的故障分析模型。
在上述装置的基础上，可选的，检测结果确定模块320包括运行子数据确定单元、增强子数据确定单元、振动分析数据确定单元和检测结果确定单元。
运行子数据确定单元，用于确定所述设备运行数据中的与预设类型相对应的运行子数据；其中，所述预设类型为振动类型；
增强子数据确定单元，用于对所述运行子数据进行滤波处理，得到增强子数据；
振动分析数据确定单元，用于对所述增强子数据进行分析，得到至少一种振动分析数据；所述振动分析数据包括振动特征量、振动波形和振动频谱；
检测结果确定单元，用于基于至少一个检测维度下的故障分析模型对所述至少一种振动分析数据进行处理，得到所述至少一个检测维度中各检测指标下的检测结果。
在上述装置的基础上，可选的，所述装置还包括：物理模型确定单元、仿真子模型确定单元和多层级仿真模型确定单元。
物理模型确定单元，用于确定目标业务下的至少两个待监测设备，并构建与各所述待监测设备相对应的物理模型；
仿真子模型确定单元，用于对于各所述待监测设备，将所述待监测设备的物理模型和设备运行数据的测点进行绑定，得到与所述待监测设备相对应的仿真子模型；其中，所述设备运行数据包括静态参数和动态参数；
多层级仿真模型确定单元，用于基于各所述待监测设备所属的层级属性，对各所述仿真子模型进行整合，得到与所述目标业务相对应的多层级仿真模型。
在上述装置的基础上，可选的，所述装置还包括：多层级仿真模型部署单元、仿真模型展示单元。
多层级仿真模型部署单元，用于基于层级信息，部署所述多层级仿真模型；
仿真模型展示单元，用于响应于层级的触发操作，展示与触发层级相对应的仿真模型。
在上述装置的基础上，可选的，所述装置还包括：仿真子模型展示单元。
仿真子模型展示单元，用于当检测到触发目标层级中的设备选择控件时，在显示面板中展示相应的目标展示设备的仿真子模型，并在显示面板的预设区域中展示所述目标展示设备的设备运行信息。
在上述装置的基础上，可选的，所述装置还包括：仿真子模型更新单元。
仿真子模型更新单元，用于在检测到所述待监测设备的设备运行数据发生变化时，基于所述变化的设备运行数据更新所述待监测设备的仿真子模型。
本发明实施例所提供的基于数字孪生的医院临床保障和机电设备智能诊断装置可执行本发明任意实施例所提供的基于数字孪生的医院临床保障和机电设备智能诊断方法，具备执行方法相应的功能模块和有益效果。
实施例四
图12是实现本发明实施例的基于数字孪生的医院临床保障和机电设备智能诊断方法的电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图12所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于数字孪生的医院临床保障和机电设备智能诊断方法。
在一些实施例中，基于数字孪生的医院临床保障和机电设备智能诊断方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基于数字孪生的医院临床保障和机电设备智能诊断方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于数字孪生的医院临床保障和机电设备智能诊断方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (8)
1.一种基于数字孪生的医院临床保障和机电设备智能诊断方法，其特征在于，包括：
获取与待监测设备相对应的设备运行数据；其中，所述待监测设备包括临床保障设备和机电设备；
基于至少一个检测维度下的故障分析模型对所述设备运行数据进行处理，得到所述至少一个检测维度中各检测指标下的检测结果；其中，所述故障分析模型是基于已编辑流程图中各流程节点的节点属性以及各流程节点之间的流程线确定的；所述节点属性包括目标函数、规则判断、逻辑运算和访问数据源中的至少一个；
在所述检测结果与预设检测结果不一致时，将所述不一致时所对应的检测结果在所述待监测设备的仿真子模型中进行预警显示；其中，所述仿真子模型中包括与所述待监测设备相对应的物理模型以及所述设备运行数据；
确定所述至少一个检测维度的故障分析模型，包括：
响应于创建画布的操作，显示流程图编辑界面；其中，所述流程图编辑界面中包括至少一个待选取节点；
基于对所述至少一个待选取节点的触发操作，于显示界面中编辑完成待编辑流程图；
为所述待编辑流程图中至少一个流程节点配置节点内容，更新相应流程节点的节点属性，以更新所述待编辑流程图，得到已编辑流程图；其中，所述已编辑流程图与检测维度相对应；
基于所述已编辑流程图，得到相应检测维度下的故障分析模型；
所述基于至少一个检测维度下的故障分析模型对所述设备运行数据进行处理，得到所述至少一个检测维度中各检测指标下的检测结果，包括：
确定所述设备运行数据中的与预设类型相对应的运行子数据；其中，所述预设类型为振动类型；
对所述运行子数据进行滤波处理，得到增强子数据；
对所述增强子数据进行分析，得到至少一种振动分析数据；所述振动分析数据包括振动特征量、振动波形和振动频谱；
基于至少一个检测维度下的故障分析模型对所述至少一种振动分析数据进行处理，得到所述至少一个检测维度中各检测指标下的检测结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
确定目标业务下的至少两个待监测设备，并构建与各所述待监测设备相对应的物理模型；
对于各所述待监测设备，将所述待监测设备的物理模型和设备运行数据的测点进行绑定，得到与所述待监测设备相对应的仿真子模型；其中，所述设备运行数据包括静态参数和动态参数；
基于各所述待监测设备所属的层级属性，对各所述仿真子模型进行整合，得到与所述目标业务相对应的多层级仿真模型。
3.根据权利要求2所述的方法，其特征在于，在所述得到与所述目标业务相对应的多层级仿真模型之后，包括：
基于层级信息，部署所述多层级仿真模型；
响应于层级的触发操作，展示与触发层级相对应的仿真模型。
4.根据权利要求3所述的方法，其特征在于，还包括：
当检测到触发目标层级中的设备选择控件时，在显示面板中展示相应的目标展示设备的仿真子模型，并在显示面板的预设区域中展示所述目标展示设备的设备运行信息。
5.根据权利要求1所述的方法，其特征在于，还包括：
在检测到所述待监测设备的设备运行数据发生变化时，基于所述变化的设备运行数据更新所述待监测设备的仿真子模型。
6.一种基于数字孪生的医院临床保障和机电设备智能诊断装置，其特征在于，包括：
设备运行数据获取模块，用于获取与待监测设备相对应的设备运行数据；其中，所述待监测设备包括临床保障设备和机电设备；
检测结果确定模块，用于基于至少一个检测维度下的故障分析模型对所述设备运行数据进行处理，得到所述至少一个检测维度中各检测指标下的检测结果；其中，所述故障分析模型是基于已编辑流程图中各流程节点的节点属性以及各流程节点之间的流程线确定的；所述节点属性包括目标函数、规则判断、逻辑运算和访问数据源中的至少一个；
预警显示模块，用于在所述检测结果与预设检测结果不一致时，将所述不一致时所对应的检测结果在所述待监测设备的仿真子模型中进行预警显示；其中，所述仿真子模型中包括与所述待监测设备相对应的物理模型以及所述设备运行数据；
所述装置还包括故障分析模型确定模块，故障分析模型确定模块包括编辑界面显示单元、待编辑流程图确定单元、流程图更新单元和故障分析模型确定单元；其中，
所述编辑界面显示单元，用于响应于创建画布的操作，显示流程图编辑界面；其中，所述流程图编辑界面中包括至少一个待选取节点；
所述待编辑流程图确定单元，用于基于对所述至少一个待选取节点的触发操作，于显示界面中编辑完成待编辑流程图；
所述流程图更新单元，用于为所述待编辑流程图中至少一个流程节点配置节点内容，更新相应流程节点的节点属性，以更新所述待编辑流程图，得到已编辑流程图；其中，所述已编辑流程图与检测维度相对应；
所述故障分析模型确定单元，用于基于所述已编辑流程图，得到相应检测维度下的故障分析模型；
所述检测结果确定模块包括运行子数据确定单元、增强子数据确定单元、振动分析数据确定单元和检测结果确定单元；其中，
所述运行子数据确定单元，用于确定所述设备运行数据中的与预设类型相对应的运行子数据；其中，所述预设类型为振动类型；
所述增强子数据确定单元，用于对所述运行子数据进行滤波处理，得到增强子数据；
所述振动分析数据确定单元，用于对所述增强子数据进行分析，得到至少一种振动分析数据；所述振动分析数据包括振动特征量、振动波形和振动频谱；
所述检测结果确定单元，用于基于至少一个检测维度下的故障分析模型对所述至少一种振动分析数据进行处理，得到所述至少一个检测维度中各检测指标下的检测结果。
7.一种电子设备，其特征在于，所述电子设备包括：
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权利要求1-5中任一项所述的基于数字孪生的医院临床保障和机电设备智能诊断方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的基于数字孪生的医院临床保障和机电设备智能诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311789879.8A CN117744387B (zh) | 2023-12-22 | 2023-12-22 | 基于数字孪生的医院临床保障和机电设备智能诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311789879.8A CN117744387B (zh) | 2023-12-22 | 2023-12-22 | 基于数字孪生的医院临床保障和机电设备智能诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117744387A CN117744387A (zh) | 2024-03-22 |
| CN117744387B true CN117744387B (zh) | 2024-06-11 |
Family
ID=90254434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311789879.8A Active CN117744387B (zh) | 2023-12-22 | 2023-12-22 | 基于数字孪生的医院临床保障和机电设备智能诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744387B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118035900B (zh) * | 2024-04-15 | 2024-06-18 | 四川港通医疗设备集团股份有限公司 | 一种用于医用空气***的监测预警方法及*** |
Citations (3)
| 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*** |
| CN116380166A (zh) * | 2023-04-04 | 2023-07-04 | 山推工程机械股份有限公司 | 一种设备异常监测方法、电子设备及存储介质 |
| CN116733688A (zh) * | 2023-05-08 | 2023-09-12 | 中山大学 | 一种风力发电机组的运行监测方法、装置、设备及介质 |
-
2023
- 2023-12-22 CN CN202311789879.8A patent/CN117744387B/zh active Active
Patent Citations (3)
| 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*** |
| CN116380166A (zh) * | 2023-04-04 | 2023-07-04 | 山推工程机械股份有限公司 | 一种设备异常监测方法、电子设备及存储介质 |
| CN116733688A (zh) * | 2023-05-08 | 2023-09-12 | 中山大学 | 一种风力发电机组的运行监测方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117744387A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117744387B (zh) | 基于数字孪生的医院临床保障和机电设备智能诊断方法 | |
| US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
| CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN112149329B (zh) | 核电厂关键设备的状态预演方法、***、设备及存储介质 | |
| CN116380166A (zh) | 一种设备异常监测方法、电子设备及存储介质 | |
| CN115859791A (zh) | 一种航空发动机剩余寿命预估方法和装置 | |
| CN117235476B (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
| CN117970856A (zh) | 无人值守水洗模块的自动化控制***及方法 | |
| CN112052296B (zh) | 一种风电故障诊断知识库构建方法 | |
| CN116558840B (zh) | 一种航空发动机叶片监测方法、装置、设备、存储介质 | |
| CN117724980A (zh) | 软件框架性能的测试方法、装置、电子设备和存储介质 | |
| CN107121616B (zh) | 一种用于对智能仪表进行故障定位的方法和装置 | |
| US20090300034A1 (en) | Methods and systems for automatic conversion of a utility monitoring system layout into a storage format | |
| CN114165430A (zh) | 基于边缘计算的机泵健康监测方法、***、设备及介质 | |
| CN111291239B (zh) | 机组测试方法、装置、设备和存储介质 | |
| CN111611117B (zh) | 硬盘故障的预测方法、装置、设备及计算机可读存储介质 | |
| CN114475710B (zh) | 一种基于图形组态的设备状态显示方法、设备及存储介质 | |
| CN111506987B (zh) | 一种发电机组参数精益管理与稳定智能计算的方法及*** | |
| CN113553256B (zh) | 一种ab测试方法、装置及电子设备 | |
| CN115549781A (zh) | 光功率的异常预测方法、装置、电子设备及存储介质 | |
| CN114139873A (zh) | 发电设备投产判断方法及装置 | |
| CN117424238A (zh) | 一种电网能量优化调度方法、***及存储介质 | |
| CN117634437A (zh) | 一种设备当前运行状态的描述方法、装置及电子设备 | |
| CN117948269A (zh) | 一种水泵机组运行状态在线监测方法、介质及*** | |
| CN118154166A (zh) | 一种设备维护方法、装置、设备以及存储介质 |
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 |