建立报修动作预测模型、报修动作预测方法及相关装置制造方法及图纸

本申请公开了一种建立报修动作预测模型的方法和报修动作预测方法，根据报修记录以及操作者的操作记录、系统故障记录和/或系统关键动作记录等多元化的工作源数据，运行机器学习的方式建立非线性的报修动作预测模型，使所建立的报修动作预测模型在预测报修动作时可以有效减少主观判断能力差距带来的预测准确性上的影响。同时，获取医疗设备在工作时间区间内的动作采样数据，将动作采样数据输入所建立的报修动作预测模型，可以有效预测报修动作，从而可以优化操作者的使用操作习惯，延长设备使用寿命，减少售后成本开销。本申请还公开了一种建立报修动作预测模型的装置和一种报修动作预测的装置。

Set up forecast model of repair operation, forecast method of repair operation and related device.

The present application discloses a method for establishing a prediction model of a repair action and a prediction method of a repair action. According to the multiple source data, such as the record of the repair, the operator's operation record, the system fault record and / or the record of the system key action, a nonlinear prediction model of the repair action is set up in the way of machine learning. The model can effectively reduce the influence of subjective judgment gap on prediction accuracy when predicting repair action. At the same time, the action sampling data of the medical equipment in the working time interval is obtained, and the prediction model of the repair action set up by the input of the action sampling data can be used to predict the repair action effectively, which can optimize the operation habit of the operator, prolong the service life of the equipment, and reduce the cost of the after-sale cost. The application also discloses a device for establishing the forecast model of repair operation and a device for predicting repair actions.

【技术实现步骤摘要】
建立报修动作预测模型、报修动作预测方法及相关装置
本申请涉及医疗设备
，具体涉及一种建立报修动作预测模型的方法、报修动作预测方法及相关装置。
技术介绍
大型医疗影像设备，例如CT(ComputedTomography，计算机断层扫描)设备通常包括操作软件平台、影像扫描模块、机械运转模块等主要的工作模块。大型医疗影像设备的工作可以由操作者通过软件平台操作完成，每项工作环节的衔接，一部分由设备自动完成，另一部分由操作者的操作实现。从大型医疗影像设备的工作类型角度来说，可以分为两种状态，一种为影像获取的扫描状态，另一种为非扫描的操作处理状态。前者设备属于一个自主的高压高热高速的强压力工作过程，后者则属于带有一定随机性的人为操作过程。而不同的使用场景、不同的操作者对设备的操作方式、操作频率也不尽相同，加之大型医疗影像设备的复杂度较高。因此，除设备器件的正常寿命损耗外，操作者对设备的“不恰当操作”也可能引起系统产生短时间无法恢复的异常，这种情况，操作者就会发起设备的报修动作。由于操作者的操作具有不确定性，则操作者发起报修动作也具有不确定性，在现有技术中无法准确预测报修动作的产生，会导致大型医疗影像设备的售后开销成本无法得到控制。
技术实现思路
有鉴于此，本申请实施例提供一种建立报修动作预测模型的方法、报修动作预测方法及相关装置。为解决上述问题，本申请实施例提供的技术方案如下：一种建立报修动作预测模型的方法，所述方法包括：获取医疗设备的工作源数据，所述工作源数据包括报修记录，所述工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录；将所述工作源数据量化为无报修样本数据以及有报修样本数据；将所述无报修样本数据以及所述有报修样本数据作为神经网络模型的输入，选取二分类函数作为所述神经网络模型的输出函数，训练所述神经网络模型生成报修动作预测模型。在第一种可能的实现方式中，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：当第一采样区间中没有产生所述报修记录时，获取所述第一采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为无报修样本数据；所述第一采样区间为以所述系统关键动作记录中的第一关键记录的发生时刻为开始时刻，以所述系统关键动作记录中的第二关键记录的发生时刻为结束时刻的时间区间；当第一采样区间中产生所述报修记录时，获取第二采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为有报修样本数据；所述第二采样区间为以所述第一关键记录的发生时刻为开始时刻，以所述报修记录的发生时刻为结束时刻的时间区间。在第二种可能的实现方式中，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：当所述第一采样区间中没有产生所述报修记录时，获取所述第一采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为无报修样本数据；当所述第一采样区间中产生所述报修记录时，获取所述第二采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为有报修样本数据。在第三种可能的实现方式中，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：获取第三采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为无报修样本数据；所述第三采样区间为具有第一预设时长的时间区间；获取第四采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为有报修样本数据；所述第四采样区间为以所述报修记录的发生时刻为结束时刻，在所述报修记录的发生时刻之前第二预设时长的时刻为开始时刻的时间区间。一种报修动作预测方法，所述方法包括：获取医疗设备在工作时间区间内的动作采样数据，所述工作时间区间为以第一关键动作发生时刻为开始时刻的时间区间或者预设时长的时间区间；所述动作采样数据是根据操作者操作记录、系统故障记录和/或系统关键动作记录确定的；将所述动作采样数据输入报修动作预测模型，输出报修动作的预测结果，所述报修动作预测模型是根据上述的建立报修动作预测模型的方法建立的。可选的，当所述报修动作预测模型是根据上述第一种可能的实现方式建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为动作采样数据。可选的，当所述报修动作预测模型是根据上述第二种可能的实现方式建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为动作采样数据。可选的，当所述报修动作预测模型是根据上述第二种可能的实现方式建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：获取医疗设备在预设时长的工作时间区间内，各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为动作采样数据。一种建立报修动作预测模型的装置，所述装置包括：获取单元，用于获取医疗设备的工作源数据，工作源数据包括报修记录，工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录；量化单元，用于将工作源数据量化为无报修样本数据以及有报修样本数据；生成单元，用于将无报修样本数据以及有报修样本数据作为神经网络模型的输入，选取二分类函数作为神经网络模型的输出函数，训练神经网络模型生成报修动作预测模型。在第一种可能的实现方式中，量化单元包括：第一量化子单元，用于当第一采样区间中没有产生报修记录时，获取第一采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为无报修样本数据；第一采样区间为以系统关键动作记录中的第一关键记录的发生时刻为开始时刻，以系统关键动作记录中的第二关键记录的发生时刻为结束时刻的时间区间；第二量化子单元，用于当第一采样区间中产生报修记录时，获取第二采样区间内，报修记录的发生次数以及各个操作者操作记录的发生次数、各个系统故障记录的发生次数和/或各个系统关键动作记录的发生次数作为有报修样本数据；第二采样区间为以第一关键记录的发生时刻为开始时刻，以报修记录的发生时刻本文档来自技高网...

【技术保护点】
1.一种建立报修动作预测模型的方法，其特征在于，所述方法包括：获取医疗设备的工作源数据，所述工作源数据包括报修记录，所述工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录；将所述工作源数据量化为无报修样本数据以及有报修样本数据；将所述无报修样本数据以及所述有报修样本数据作为神经网络模型的输入，选取二分类函数作为所述神经网络模型的输出函数，训练所述神经网络模型生成报修动作预测模型。

【技术特征摘要】
1.一种建立报修动作预测模型的方法，其特征在于，所述方法包括：获取医疗设备的工作源数据，所述工作源数据包括报修记录，所述工作源数据还包括操作者操作记录、系统故障记录和/或系统关键动作记录；将所述工作源数据量化为无报修样本数据以及有报修样本数据；将所述无报修样本数据以及所述有报修样本数据作为神经网络模型的输入，选取二分类函数作为所述神经网络模型的输出函数，训练所述神经网络模型生成报修动作预测模型。2.根据权利要求1所述的方法，其特征在于，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：当第一采样区间中没有产生所述报修记录时，获取所述第一采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为无报修样本数据；所述第一采样区间为以所述系统关键动作记录中的第一关键记录的发生时刻为开始时刻，以所述系统关键动作记录中的第二关键记录的发生时刻为结束时刻的时间区间；当第一采样区间中产生所述报修记录时，获取第二采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为有报修样本数据；所述第二采样区间为以所述第一关键记录的发生时刻为开始时刻，以所述报修记录的发生时刻为结束时刻的时间区间。3.根据权利要求2所述的方法，其特征在于，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：当所述第一采样区间中没有产生所述报修记录时，获取所述第一采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为无报修样本数据；当所述第一采样区间中产生所述报修记录时，获取所述第二采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为有报修样本数据。4.根据权利要求1所述的方法，其特征在于，所述将所述工作源数据量化为无报修样本数据以及有报修样本数据，包括：获取第三采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为无报修样本数据；所述第三采样区间为具有第一预设时长的时间区间；获取第四采样区间内，所述报修记录的发生次数以及各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为有报修样本数据；所述第四采样区间为以所述报修记录的发生时刻为结束时刻，在所述报修记录的发生时刻之前第二预设时长的时刻为开始时刻的时间区间。5.一种报修动作预测方法，其特征在于，所述方法包括：获取医疗设备在工作时间区间内的动作采样数据，所述工作时间区间为以第一关键动作发生时刻为开始时刻的时间区间或者预设时长的时间区间；所述动作采样数据是根据操作者操作记录、系统故障记录和/或系统关键动作记录确定的；将所述动作采样数据输入报修动作预测模型，输出报修动作的预测结果，所述报修动作预测模型是根据所述权利要求1-4任一项所述的建立报修动作预测模型的方法建立的。6.根据权利要求5所述的方法，其特征在于，当所述报修动作预测模型是根据所述权利要求2所述的建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为动作采样数据。7.根据权利要求5所述的方法，其特征在于，当所述报修动作预测模型是根据所述权利要求3所述的建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：获取医疗设备在以第一关键动作发生时刻为开始时刻，以当前时刻为结束时刻的工作时间区间内，各个所述操作者操作记录在单位时间的发生次数、各个所述系统故障记录在单位时间的发生次数和/或各个所述系统关键动作记录在单位时间的发生次数作为动作采样数据。8.根据权利要求5所述的方法，其特征在于，当所述报修动作预测模型是根据所述权利要求4所述的建立报修动作预测模型的方法建立时，所述获取医疗设备在工作时间区间内的动作采样数据，包括：获取医疗设备在预设时长的工作时间区间内，各个所述操作者操作记录的发生次数、各个所述系统故障记录的发生次数和/或各个所述系统关键动作记录的发生次数作为动作采样数据。9.一种建立报修动作预测模型的装置，其特征在于，所述装置包括：获取单元...

【专利技术属性】
技术研发人员：舒庆湘，蒿李阳，杨俊涛，
申请(专利权)人：沈阳东软医疗系统有限公司，
类型：发明
国别省市：辽宁,21