一种基于深度学习网络的无标签数据增强方法技术

本发明专利技术公开了一种基于深度学习网络的无标签数据增强方法，应用于医疗设备充电管理系统，无标签数据增强方法包括获取电池充电和放电过程的带标签样本集，并根据相应的带标签样本集训练生成充电深度卷积判断模型和放电深度卷积判断模型；然后获取某一时间段内的无标签样本集，无标签样本集包括医疗充电柜的充电数据和医疗设备的电量使用数据，依据充电深度卷积和放电深度卷积判断模型对无标签样本集中的数据进行分析处理，生成预分类组和相应的预判结果。本发明专利技术提供了应用于医疗设备充电管理的无标签数据增强方法，无需人为对医疗设备进行定期拆卸检测，只需对充电数据和放电数据进行监测和分析，即可实现较为准确的医疗设备老化初步预估。老化初步预估。老化初步预估。

【技术实现步骤摘要】
一种基于深度学习网络的无标签数据增强方法


[0001]本专利技术涉及无标签数据处理
，具体为一种基于深度学习网络的无标签数据增强方法。

技术介绍

[0002]自训练算法是通过训练一个模型来拟合另一个先前学习的模型所预测的伪标签。对于每个机器学习项目而言，数据是基础，是不可或缺的一部分，为了训练机器学习模型，在监督学习中，数据必须是有标签的。近年来，机械设备健康评估与预测技术成为长寿命、高可靠机械设备运营管理的关键技术，相比较于传统的设备运营管理技术，健康评估与预测技术具有可发现早期的系统性能衰退，能给出设备的当前和未来运行健康状态，可将现行的设备定期维护发展到视情维护，可大幅度降低运营管理费用等优点。鲜有研究人员关注医疗设备的老化检测问题，但是实际上现有的医疗管理平台确实不能够完全实现数据的自动化检测，医院的中小型医疗设备的数量巨大，如果还需要经常委派工作人员去进行定期检测的话，人工成本投入比较高。

技术实现思路

[0003]本专利技术的目的在于提供了一种基于深度学习网络的无标签数据增强方法，只需对医疗设备的充电数据和放电数据进行监测和分析，即可实现较为准确的产品老化指标初步预估。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习网络的无标签数据增强方法，包括：
[0005]步骤S1、分别获取电池充电过程和放电过程的带标签样本集，并根据相应的带标签样本集训练生成充电深度卷积判断模型和放电深度卷积判断模型；
[0006]步骤S2、获取某一时间段内的无标签样本集，所述无标签样本集包括医疗充电柜的充电数据和医疗设备的电量使用数据，依据步骤S1生成的充电深度卷积判断模型和放电深度卷积判断模型对所述无标签样本集中的相应数据进行分析处理，并生成预分类组和相应的预判结果；
[0007]步骤S3、对每个预分类组随机抽取若干电池，对每块电池均进行充电检测和放电检测并生成相应的测试结果；将测试结果与预判结果进行对比；若测试结果与预判结果的差值在第一阈值之内，则执行步骤S4，若测试结果与预判结果的差值大于第一阈值，则执行步骤S5；
[0008]步骤S4、充电深度卷积判断模型和放电深度卷积判断模型验证成功；
[0009]步骤S5、将新的测试结果数据及相应的电池充放电数据补充进入带标签样本集并重新训练充电深度卷积判断模型和放电深度卷积判断模型。
[0010]优选的，所述医疗充电柜的充电数据包括初始电量信息，所述医疗充电柜上设有剩余电量检测单元，用于对待充电的电池在进行充电操作之前进行剩余电量检测并生成初
始电量信息存储在医疗充电柜的充电数据子库中；每块电池上均设有相应的第一RFID标签，第一RFID标签上存储有该电池的基本参数，所述基本参数包括电池容量和电池型号，每个医疗充电柜上均设有RFID识别器，用于在对待充电的电池在进行充电操作之前进行对电池进行标签识别，并根据识别结果在充电子数据中建立该电池的数据存储块，并将该电池在该医疗充电柜上产生的充电数据存储在该数据存储块中。
[0011]优选的，所述医疗设备上设有剩余电量提示单元，用于当剩余电量小于第二阈值时进行电量提示，医疗设备配置有换电策略，所述换电策略包括当接收到电量提示信息时启动换电任务，换电任务启动后，医疗设备向管理平台发送休息命令，暂时停止接收新的执行任务，换电任务的执行等待医疗设备完成当前工作指令后进行。
[0012]优选的，所述医疗充电柜的充电数据还包括充电时间和充电电流变化曲线，所述充电时间和充电电流变化曲线均用于指示医疗充电柜中充电设备的性能参数，所述充电电流变化曲线分为至少三个阶段，包括高速充电阶段、平稳充电阶段和缓慢充电阶段，充电数据包括每个阶段的时间占比以及每个阶段的始末电流值。
[0013]优选的，所述医疗充电柜的充电数据还包括充电总供电量，所述医疗充电柜上设有电量监测单元，用于实时监测充电过程中消耗的电量，所述电量检测单元包括串联在连供电电路中检测电阻以及与所述检测电阻并联连接的电压测量表，根据检测电阻的阻值和实时电压值计算出实时电流值，并对所述实时电流值与时间做积分计算生成充电过程的总供电量；通过对充电总供电量、初始电量以及电池容量进行计算生成充电损耗数据；所述充电损耗数据包括电池充电损耗和充电设备供电损耗。
[0014]优选的，管理平台配置有数据总库，所述医疗设备上设有第二RFID标签，换电任务包括医疗设备自动巡航行驶至最近的医疗充电柜，医疗充电柜上的RFID识别器对医疗设备进行编码识别，编码核实无误后，进行自动换电操作，将医疗设备上的电池转运至医疗充电柜进行充电，将新的满电电池转运至医疗设备上，医疗设备安装完成满电电池后向管理平台发送取消休眠信号，重新接受管理平台发布的任务；且换电完成后，医疗充电柜将相应编码的医疗设备已经更换好相应编码的电池的信息传送至管理平台，管理平台同时接收到医疗充电柜发送的换电完成信号和医疗设备发送的取消休眠信号是重新向相应的医疗设备发布执行任务，数据总库内存储有与医疗设备相匹配的若干数据单元，数据单元内存储有该医疗设备的历史换电信息；医疗设备的所述电量使用数据包括新电池自安装至医疗设备上至接收到电量提示信息时的时间段内的有效使用时长。
[0015]优选的，步骤S1中所述带标签样本集包括医疗充电柜的充电数据和医疗设备的电量使用数据，以及相应的医疗充电柜中充电设备的老化指数、电池充电效率指数、电池放电效率指数和医疗设备耗电量指数。
[0016]优选的，所述充电深度卷积判断模型包括医疗充电柜充电子模型和电池充电子模型，所述步骤S1配置有模型生成策略，所述模型生成策略包括对带标签样本集中的同类数据进行归类处理，归类处理包括构建医疗充电柜充电子模型时获取同一医疗充电柜对不同电池进行充电的充电数据，以及构建电池充电子模型时获取同一电池在不同医疗充电柜进行充电的充电数据。
[0017]优选的，模型生成策略包括依据带标签样本集中医疗充电柜的充电数据数量与相应电池的充电数量分配置信度，且充电数据数量越多，置信度越高；依据所述置信度及相应
医疗充电柜或电池与其他电池或医疗充电柜在充电过程中产生的充电损耗进行计算，分配充电损耗中电池充电损耗和充电设备供电损耗的占比，并计算出相应的充电设备的老化指数和电池充电效率指数。
[0018]优选的，所述医疗设备上设有放电电量检测单元，所述放电电量检测单元串联在所述电池的供电电路上，用于检测电池总供电量；通过医疗设备总供电量和有效使用时长计算生成放电损耗数据，其中，不同医疗设备在每单位有效使用时长消耗的供电量是相同的；所述放电损耗数据包括电池放电损耗和医疗设备耗电损耗；
[0019]归类处理包括获取同一医疗设备使用不同电池进行充电的电量使用数据，以及同一电池在不同医疗设备进行放电的放电数据；
[0020]模型生成策略包括依据带标签样本集中医疗设备使用不同电池进行充电的电量使用数据的数量与相应电池在不同医疗设备上进行放电的放电数据数量分配置信度，且数据数量越多，置信度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习网络的无标签数据增强方法，应用于医疗设备充电管理系统，所述医疗设备充电管理系统包括若干医疗设备、若干医疗充电柜和管理平台，所述医疗设备内安装有对其进行供电的电池，其特征在于，所述方法包括：步骤S1、分别获取电池充电过程和放电过程的带标签样本集，并根据相应的带标签样本集训练生成充电深度卷积判断模型和放电深度卷积判断模型；步骤S2、获取某一时间段内的无标签样本集，所述无标签样本集包括医疗充电柜的充电数据和医疗设备的电量使用数据，依据步骤S1生成的充电深度卷积判断模型和放电深度卷积判断模型对所述无标签样本集中的相应数据进行分析处理，并生成预分类组和相应的预判结果；步骤S3、对每个预分类组随机抽取若干电池，对每块电池均进行充电检测和放电检测并生成相应的测试结果；将测试结果与预判结果进行对比；若测试结果与预判结果的差值在第一阈值之内，则执行步骤S4，若测试结果与预判结果的差值大于第一阈值，则执行步骤S5；步骤S4、充电深度卷积判断模型和放电深度卷积判断模型验证成功；步骤S5、将新的测试结果数据及相应的电池充放电数据补充进入带标签样本集并重新训练充电深度卷积判断模型和放电深度卷积判断模型。2.根据权利要求1所述的一种基于深度学习网络的无标签数据增强方法，其特征在于：所述医疗充电柜的充电数据包括初始电量信息，所述医疗充电柜上设有剩余电量检测单元，用于对待充电的电池在进行充电操作之前进行剩余电量检测并生成初始电量信息存储在医疗充电柜的充电数据子库中；每块电池上均设有相应的第一RFID标签，第一RFID标签上存储有该电池的基本参数，所述基本参数包括电池容量和电池型号，每个医疗充电柜上均设有RFID识别器，用于在对待充电的电池在进行充电操作之前进行对电池进行标签识别，并根据识别结果在充电子数据中建立该电池的数据存储块，并将该电池在该医疗充电柜上产生的充电数据存储在该数据存储块中。3.根据权利要求2所述的一种基于深度学习网络的无标签数据增强方法，其特征在于：所述医疗设备上设有剩余电量提示单元，用于当剩余电量小于第二阈值时进行电量提示，医疗设备配置有换电策略，所述换电策略包括当接收到电量提示信息时启动换电任务提示，换电任务的执行等待医疗设备完成当前工作指令后进行。4.根据权利要求3所述的一种基于深度学习网络的无标签数据增强方法，其特征在于：所述医疗充电柜的充电数据还包括充电时间和充电电流变化曲线，所述充电时间和充电电流变化曲线均用于指示医疗充电柜中充电设备的性能参数，所述充电电流变化曲线分为至少三个阶段，包括高速充电阶段、平稳充电阶段和缓慢充电阶段，充电数据包括每个阶段的时间占比以及每个阶段的始末电流值。5.根据权利要求4所述的一种基于深度学习网络的无标签数据增强方法，其特征在于：所述医疗充电柜的充电数据还包括充电总供电量，所述医疗充电柜上设有电量监测单元，用于实时监测充电过程中消耗的电量，所述电量检测单元包括串联在连供电电路中检测电阻以及与所述检测电阻并联连接的电压测量表，根据检测电阻的阻值和实时电压值计算出实时电流值，并对所述实时电流值与时间做积分计算生成充电过程的总供电量；通过对充电总供电量、初始电量以及电池容量进行计算生成充电损耗数据；所述充电损耗数据包括
电池充电损耗和充电设备供电损耗。6.根据权...

【专利技术属性】
技术研发人员：袁凤，方圆圆，俞晔，
申请(专利权)人：上海市第一人民医院，
类型：发明
国别省市：