一种基于人工智能的医疗设备故障预测方法及系统

1.本发明涉及医疗设备监管技术领域，具体是一种基于人工智能的医疗设备故障预测方法及系统。


背景技术：

2.医疗设备指单独或者组合使用于人体的仪器设备，医疗设备是医疗、科研、教学、机构、临床学科工作最基本要素，即包括专业医疗设备和家用医疗设备；在医疗设备的运行过程中，往往由于各种因素而导致医疗设备出现故障，甚至导致医疗设备彻底报废；目前在进行医疗设备的运行管控时，无法实现对医疗设备运行故障的有效预测和风险检测分析，难以及时进行精准预警反馈，对应医疗管理人员无法及时作出针对性的应对措施，不利于保证医疗设备的安全稳定运行，也不利于提升医疗设备的使用寿命，智能化程度低，有待进行改善；针对上述的技术缺陷，现提出一种解决方案。。


技术实现要素：

3.本发明的目的在于提供一种基于人工智能的医疗设备故障预测方法及系统，解决了现有技术无法实现对医疗设备运行故障的有效预测和风险检测分析，难以及时进行精准预警反馈，对应医疗管理人员无法及时作出针对性的应对措施，不利于保证医疗设备的安全稳定运行，也不利于提升医疗设备的使用寿命，智能化程度低的问题。
4.为实现上述目的，本发明提供如下技术方案：一种基于人工智能的医疗设备故障预测方法，包括以下步骤：步骤一、运行故障历史分析模块通过分析以生成运时维护正相关信号或运时维护非相关信号，在生成运时维护正相关信号后进行步骤二，在生成运时维护非相关信号后进行步骤三和步骤四；步骤二、将对应医疗设备进行分析以生成运行停止信号或运行无碍信号，在生成运行停止信号后及时停止对应医疗设备的运行并根据需要进行医疗设备的维护，在生成运行无碍信号后进行步骤三和步骤四；步骤三、将对应医疗设备的实时运行参数数据进行检测分析，通过分析以生成运行故障预警信号、运行故障考量信号或初步预测正常信号，将运行故障预警信号、运行故障考量信号或初步预测正常信号发送至故障预测平台；步骤四、将对应医疗设备的外界环境影响参数数据进行检测分析，通过分析以生成外影响故障预警信号、外影响故障考量信号或深入预测正常信号，将外影响故障预警信号、外影响故障考量信号或深入预测正常信号发送至故障预测平台；步骤五、故障预测平台接收到初步预测正常信号和深入预测正常信号后不发出预警，其余情况则发出相应预警以提醒医疗人员及时且针对性的作出相应应对措施。
5.进一步的，本发明还提出了一种基于人工智能的医疗设备故障预测系统，包括故障预测平台、运行故障历史分析模块、运行维护监管模块、实时运行参数检测分析模块以及
运行外影响参数检测分析模块；运行故障历史分析模块用于采集到对应医疗设备在历史运行过程中的故障运行时段，并通过分析以生成运时维护正相关信号或运时维护非相关信号，并将运时维护正相关信号经故障预测平台发送至运行维护监管模块，且将运时维护非相关信号经故障预测平台发送至实时运行参数检测分析模块和运行外影响参数检测分析模块；运行维护监管模块用于在接收到维护运时正相关信号时，将对应医疗设备进行分析以生成运行停止信号或运行无碍信号，将运行停止信号发送至故障预测平台以便及时停止对应医疗设备的运行并根据需要进行医疗设备的维护，且将运行无碍信号经故障预测平台发送至实时运行参数检测分析模块和运行外影响参数检测分析模块；实时运行参数检测分析模块将对应医疗设备的实时运行参数数据进行检测分析，通过分析以生成运行故障预警信号、运行故障考量信号或初步预测正常信号，将运行故障预警信号、运行故障考量信号或初步预测正常信号发送至故障预测平台；运行外影响参数检测分析模块将对应医疗设备的外界环境影响参数数据进行检测分析，通过分析以生成外影响故障预警信号、外影响故障考量信号或深入预测正常信号，将外影响故障预警信号、外影响故障考量信号或深入预测正常信号发送至故障预测平台。
6.进一步的，运行故障历史分析模块的具体运行过程包括：采集到对应医疗设备在历史运行过程中的故障运行时段，以及采集到故障运行时段所对应运行过程的持续运行时长，并采集到故障运行时段所对应运行过程的维护间隔时长，将持续运行时长相较于额定持续运行时长判定值的超出值标记为时超值，将维护间隔时长相较于额定维护间隔时长判定值的超初值标记为维超值；将时超值的数量之和标记为sc1，将时超值的数量之和与故障运行时段的数量之和进行比值计算并将两者比值结果标记为sc2，以及将维超值的数量之和标记为sc3，将维超值的数量之和与故障运行时段的数量之和进行比值计算并将两者比值结果标记为sc4；将sc1、sc2、sc3以及sc4进行数值计算得到相关系数，将相关系数与预设相关系数阈值进行数值比较，若相关系数超过预设相关系数阈值，则生成运时维护正相关信号，并将运时维护正相关信号经故障预测平台发送至运行维护监管模块；若相关系数未超过预设相关系数阈值，则生成运时维护非相关信号。
7.进一步的，运行维护监管模块的具体运行过程包括：采集到当前时刻和对应医疗设备的开始运行时刻，将当前时刻与医疗设备的开始运行时刻进行时间差计算得到当次运行时长，以及采集到对应医疗设备的上次维护时刻，将当前时刻与上次维护时刻进行时间差计算得到当前维护间隔时长，将当前维护间隔时长与当次运行时长进行数值计算得到运行维护系数，将运行维护系数与预设运行维护系数阈值进行数值比较，若运行维护系数超过预设运行维护系数阈值，则生成运行停止信号；若运行维护系数未超过预设运行维护系数阈值，则生成运行无碍信号。
8.进一步的，实时运行参数检测分析模块的具体运行过程包括：采集到对应医疗设备所需监测的运行参数数据，以及将运行参数数据与对应额定运行参数判定值进行差值计算并取绝对值以得到对应参数差值，将参数差值与对应预设参数差值阈值进行数值比较，若参数差值超过预设参数差值阈值，则将该运行参数数据所对应的监测项目标记为偏差项目；若对应医疗设备在实际运行过程中存在偏差项目，则生成
运行故障预警信号；若对应医疗设备在实际运行过程中不存在偏差项目，则将对应预设参数差值阈值减去对应参数差值以得到参数阈差系数，将参数阈差系数与对应预设参数阈差系数阈值进行数值比较，若参数阈差系数未超过预设参数阈差系数，则将该运行参数数据所对应的监测项目标记为考量项目，将考量项目的数量占比值标记为ht，将ht与htmax进行数值比较，若ht≥htmax，则生成运行故障考量信号，否则生成初步预测正常信号；其中，htmax为考量项目的数量占比值的预设判定阈值，且htmax＞0。
9.进一步的，运行外影响参数检测分析模块的具体运行过程包括：采集到对应医疗设备所需监测的外界环境影响参数数据，将对应外界环境影响参数数据与对应额定影响参数判定值进行差值计算并取绝对值以得到对应影响差值，将影响差值超过预设影响差值阈值进行数值比较，若影响差值超过预设影响差值阈值，则将该外界环境影响参数数据所对应的环境管控项目标记为环变项目，若对应医疗设备在实际运行时所属环境中存在环变项目，则生成外影响故障预警信号；若对应医疗设备在实际运行时所属环境中不存在环变项目，则将对应预设影响差值阈值减去对应影响差值以得到影响阈系数，将影响阈差系数与对应预设影响阈差系数阈值进行数值比较，若影响阈差系数超过对应预设影响阈差系数阈值，则将对应外界环境影响参数数据标记为符号kr1，经过统计以得到符号kp1所代表的的环境检测项目数量kt；将kt与ktmax进行数值比较，若kt≥ktmax，则生成外影响故障考量信号，否则生成深入预测正常信号；其中，ktmax为环境检测项目数量的预设判定阈值，且ktmax为大于1的正整数。
10.进一步的，故障预测平台与操作分解评估分析模块通信连接，操作分解评估分析模块的具体运行过程包括：在医疗人员进行对应医疗设备的操作时，实时采集到对应医疗人员的操作影像，基于操作影像将对应医疗人员的操作过程分解成若干个操作动作，将不符合对应医疗设备操作规范的操作动作标记为异常动作，在采集到异常动作时发出预警以提醒医疗人员；以及采集到单位时间内对应医疗人员的异常动作数量和异常动作占比值，将异常动作数量与异常动作占比值进行数值计算得到操作风险系数，将操作风险系数与预设操作风险系数阈值进行数值比较，若操作风险系数超过预设操作风险系数阈值，则生成操作风险预警信号，若操作风险系数未超过预设操作风险系数阈值，则生成操作安全信号。
11.与现有技术相比，本发明的有益效果是：1、本发明中，通过运行故障历史分析模块进行分析以生成运时维护正相关信号或运时维护非相关信号，将运时维护正相关信号发送至运行维护监管模块，且将运时维护非相关信号经故障预测平台发送至实时运行参数检测分析模块和运行外影响参数检测分析模块；运行维护监管模块将对应医疗设备进行分析以生成运行停止信号或运行无碍信号，将运行无碍信号经故障预测平台发送至实时运行参数检测分析模块和运行外影响参数检测分析模块，并在生成运行停止信号后及时停止对应医疗设备的运行并根据需要进行医疗设备的维护，对医疗设备起到保护作用；2、本发明中，通过实时运行参数检测分析模块将对应医疗设备的实时运行参数数据进行检测分析以生成运行故障预警信号、运行故障考量信号或初步预测正常信号，运行外影响参数检测分析模块将对应医疗设备的外界环境影响参数数据进行检测分析以生成
外影响故障预警信号、外影响故障考量信号或深入预测正常信号；故障预测平台接收到初步预测正常信号和深入预测正常信号后不发出预警，其余情况则发出相应预警，实现对医疗设备运行故障的有效预测和风险检测分析，并及时进行精准预警反馈，以便对应医疗管理人员及时作出针对性的应对措施，有利于保证医疗设备的安全稳定运行和提升医疗设备的使用寿命，智能化程度高。
附图说明
12.为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明；图1为本发明的方法流程图；图2为本发明中实施例二的系统框图；图3为本发明中实施例三的系统框图。
具体实施方式
13.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，都属于本发明保护的范围。
14.实施例一：如图1所示，本发明提出的一种基于人工智能的医疗设备故障预测方法，包括以下步骤：步骤一、运行故障历史分析模块通过分析以生成运时维护正相关信号或运时维护非相关信号，在生成运时维护正相关信号后进行步骤二，在生成运时维护非相关信号后进行步骤三和步骤四；步骤二、将对应医疗设备进行分析以生成运行停止信号或运行无碍信号，在生成运行停止信号后及时停止对应医疗设备的运行并根据需要进行医疗设备的维护，在生成运行无碍信号后进行步骤三和步骤四；步骤三、将对应医疗设备的实时运行参数数据进行检测分析，通过分析以生成运行故障预警信号、运行故障考量信号或初步预测正常信号，将运行故障预警信号、运行故障考量信号或初步预测正常信号发送至故障预测平台；步骤四、将对应医疗设备的外界环境影响参数数据进行检测分析，通过分析以生成外影响故障预警信号、外影响故障考量信号或深入预测正常信号，将外影响故障预警信号、外影响故障考量信号或深入预测正常信号发送至故障预测平台；步骤五、故障预测平台接收到初步预测正常信号和深入预测正常信号后不发出预警，其余情况则发出相应预警以提醒医疗人员及时且针对性的作出相应应对措施。
15.实施例二：如图2所示，本实施例与实施例1的区别在于，本发明提出的一种基于人工智能的医疗设备故障预测系统，包括故障预测平台、运行故障历史分析模块、运行维护监管模块、实时运行参数检测分析模块以及运行外影响参数检测分析模块；运行故障历史分析模块用于通过分析以生成运时维护正相关信号或运时维护非相关信号，有助于后续进行针对性的故障预测，并将运时维护正相关信号经故障预测平台发送至运行维护监管模块，且将运时维护非相关信号经故障预测平台发送至实时运行参数检测分析模块和运行外影
响参数检测分析模块；运行故障历史分析模块的具体运行过程如下：采集到对应医疗设备在历史运行过程中的故障运行时段，以及采集到故障运行时段所对应运行过程的持续运行时长，并采集到故障运行时段所对应运行过程的维护间隔时长，将持续运行时长相较于额定持续运行时长判定值的超出值标记为时超值，将维护间隔时长相较于额定维护间隔时长判定值的超初值标记为维超值；将时超值的数量之和标记为sc1，将时超值的数量之和与故障运行时段的数量之和进行比值计算并将两者比值结果标记为sc2，以及将维超值的数量之和标记为sc3，将维超值的数量之和与故障运行时段的数量之和进行比值计算并将两者比值结果标记为sc4；通过公式xg=a1*sc1+a2*sc2+a3*sc3+a4*sc4将sc1、sc2、sc3以及sc4进行数值计算后得到相关系数xg，其中，a1、a2、a3、a4为预设权重系数，a1、a2、a3、a4的取值均大于零；并且，相关系数xg的数值越大，表明医疗设备出现故障与持续运行时长和维护间隔时长的相关性越强；将相关系数xg与预设相关系数阈值进行数值比较，若相关系数xg超过预设相关系数阈值，则判断因持续运行时间过长和维护间隔时长多长而造成设备故障的可能性较大，并生成运时维护正相关信号，并将运时维护正相关信号经故障预测平台发送至运行维护监管模块；若相关系数未超过预设相关系数阈值，则生成运时维护非相关信号。
16.运行维护监管模块用于在接收到维护运时正相关信号时，将对应医疗设备进行分析以生成运行停止信号或运行无碍信号，将运行停止信号发送至故障预测平台以便及时停止对应医疗设备的运行并根据需要进行医疗设备的维护，对医疗设备起到保护作用，且将运行无碍信号经故障预测平台发送至实时运行参数检测分析模块和运行外影响参数检测分析模块；运行维护监管模块的具体运行过程如下：采集到当前时刻和对应医疗设备的开始运行时刻，将当前时刻与医疗设备的开始运行时刻进行时间差计算得到当次运行时长，以及采集到对应医疗设备的上次维护时刻，将当前时刻与上次维护时刻进行时间差计算得到当前维护间隔时长，通过公式wk3=b1*wk1+b2*wk2将当前维护间隔时长wk1与当次运行时长wk2进行数值计算得到运行维护系数wk3，其中，b1、b2为预设权重系数，b2＞b3＞0；并且，运行维护系数wk3的数值越大，表明继续运行越容易导致医疗设备出现运行故障；将运行维护系数wk3与预设运行维护系数阈值进行数值比较，若运行维护系数wk3超过预设运行维护系数阈值，则生成运行停止信号；若运行维护系数wk3未超过预设运行维护系数阈值，则生成运行无碍信号。
17.实时运行参数检测分析模块将对应医疗设备的实时运行参数数据进行检测分析，通过分析以生成运行故障预警信号、运行故障考量信号或初步预测正常信号，将运行故障预警信号、运行故障考量信号或初步预测正常信号发送至故障预测平台；实时运行参数检测分析模块的具体运行过程如下：采集到对应医疗设备所需监测的运行参数数据，以及将运行参数数据与对应额定运行参数判定值进行差值计算并取绝对值以得到对应参数差值，将参数差值与对应预设参数差值阈值进行数值比较，若参数差值超过预设参数差值阈值，则将该运行参数数据所对应的监测项目标记为偏差项目；若对应医疗设备在实际运行过程中存在偏差项目，则生成运行故障预警信号，对应医疗人员应当及时进行相关原因调查并暂停医疗设备的运行，以保证医疗设备的后续稳定运行，避免出现设备故障而造成医疗设备损坏；若对应医疗设备在实际运行过程中不存在偏差项目，则将对应预设参数差值阈值
减去对应参数差值以得到参数阈差系数，将参数阈差系数与对应预设参数阈差系数阈值进行数值比较，若参数阈差系数未超过预设参数阈差系数，则将该运行参数数据所对应的监测项目标记为考量项目，将考量项目的数量占比值标记为ht，将ht与htmax进行数值比较，若ht≥htmax，则生成运行故障考量信号，对应医疗人员应当及时进行相关原因调查并根据需要暂停医疗设备的运行，对医疗设备起到保护作用，否则生成初步预测正常信号；其中，htmax为考量项目的数量占比值的预设判定阈值，且htmax＞0。
18.运行外影响参数检测分析模块将对应医疗设备的外界环境影响参数数据进行检测分析，通过分析以生成外影响故障预警信号、外影响故障考量信号或深入预测正常信号，将外影响故障预警信号、外影响故障考量信号或深入预测正常信号发送至故障预测平台；具体运行过程如下：采集到对应医疗设备所需监测的外界环境影响参数数据，将对应外界环境影响参数数据与对应额定影响参数判定值进行差值计算并取绝对值以得到对应影响差值，将影响差值超过预设影响差值阈值进行数值比较，若影响差值超过预设影响差值阈值，则将该外界环境影响参数数据所对应的环境管控项目标记为环变项目，若对应医疗设备在实际运行时所属环境中存在环变项目，则生成外影响故障预警信号，对应医疗人员应当及时进行相关原因调查并进行相应的环境调控，使对应医疗设备处于适宜运行环境中，以保证医疗设备的后续稳定运行，避免出现设备故障而造成医疗设备损坏；若对应医疗设备在实际运行时所属环境中不存在环变项目，则将对应预设影响差值阈值减去对应影响差值以得到影响阈系数，将影响阈差系数与对应预设影响阈差系数阈值进行数值比较，若影响阈差系数超过对应预设影响阈差系数阈值，则将对应外界环境影响参数数据标记为符号kr1，经过统计以得到符号kp1所代表的的环境检测项目数量kt；将kt与ktmax进行数值比较，若kt≥ktmax，则生成外影响故障考量信号，对应医疗人员应当及时进行相关原因调查并根据需要进行相应的环境调控，以进一步保证对应医疗设备的运行稳定和运行安全，避免医疗设备出现运行故障；若kt＜ktmax，则生成深入预测正常信号；其中，ktmax为环境检测项目数量的预设判定阈值，且ktmax为大于1的正整数。
19.实施例三：如图3所示，本实施例与实施例1、实施例2的区别在于，故障预测平台与操作分解评估分析模块通信连接，操作分解评估分析模块将对应医疗人员的操作过程进行分析，通过分析以生成操作风险预警信号或操作安全信号，将操作风险预警信号或操作安全信号发送至故障预测平台，故障预测平台接收到操作风险预警信号时，应当及时进行医疗人员的替换，以及在后续进行相应医疗人员的操作培训，以加强对应医疗人员的操作熟练性和操作规范性，从而进一步保证医疗设备的安全稳定运行，避免医疗设备出现运行故障；操作分解评估分析模块的具体运行过程如下：在医疗人员进行对应医疗设备的操作时，实时采集到对应医疗人员的操作影像，基于操作影像将对应医疗人员的操作过程分解成若干个操作动作，将不符合对应医疗设备操作规范的操作动作标记为异常动作，在采集到异常动作时发出预警以提醒医疗人员；以及采集到单位时间内对应医疗人员的异常动作数量和异常动作占比值，通过公式cf=eg1*fp1+eg2*fp2将异常动作数量fp1与异常动作占比值fp2进行数值计算得到操作风险系数cf，其中，eg1、eg2为预设权重系数，eg2＞eg1＞0；并且，操作风险系数cf的数值越大，表明医疗人员进行对应医疗设备的操作风险越大，越容易造成医疗设备故障；将操作风险系数
cf与预设操作风险系数阈值进行数值比较，若操作风险系数cf超过预设操作风险系数阈值，则生成操作风险预警信号，若操作风险系数cf未超过预设操作风险系数阈值，则生成操作安全信号。
20.本发明的工作原理：使用时，运行故障历史分析模块通过分析以生成运时维护正相关信号或运时维护非相关信号，将运时维护正相关信号经故障预测平台发送至运行维护监管模块，且将运时维护非相关信号经故障预测平台发送至实时运行参数检测分析模块和运行外影响参数检测分析模块；运行维护监管模块将对应医疗设备进行分析以生成运行停止信号或运行无碍信号，在生成运行停止信号后及时停止对应医疗设备的运行并根据需要进行医疗设备的维护，对医疗设备起到保护作用，且将运行无碍信号经故障预测平台发送至实时运行参数检测分析模块和运行外影响参数检测分析模块；实时运行参数检测分析模块将对应医疗设备的实时运行参数数据进行检测分析以生成运行故障预警信号、运行故障考量信号或初步预测正常信号，运行外影响参数检测分析模块将对应医疗设备的外界环境影响参数数据进行检测分析以生成外影响故障预警信号、外影响故障考量信号或深入预测正常信号；故障预测平台接收到初步预测正常信号和深入预测正常信号后不发出预警，其余情况则发出相应预警，实现对医疗设备运行故障的有效预测和风险检测分析，并及时进行精准预警反馈，以便对应医疗管理人员及时作出针对性的应对措施，有利于保证医疗设备的安全稳定运行和提升医疗设备的使用寿命，智能化程度高。
21.上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

技术特征：
1.一种基于人工智能的医疗设备故障预测方法，其特征在于，包括以下步骤：步骤一、运行故障历史分析模块通过分析以生成运时维护正相关信号或运时维护非相关信号，在生成运时维护正相关信号后进行步骤二，在生成运时维护非相关信号后进行步骤三和步骤四；步骤二、将对应医疗设备进行分析以生成运行停止信号或运行无碍信号，在生成运行停止信号后及时停止对应医疗设备的运行并根据需要进行医疗设备的维护，在生成运行无碍信号后进行步骤三和步骤四；步骤三、将对应医疗设备的实时运行参数数据进行检测分析，通过分析以生成运行故障预警信号、运行故障考量信号或初步预测正常信号，将运行故障预警信号、运行故障考量信号或初步预测正常信号发送至故障预测平台；步骤四、将对应医疗设备的外界环境影响参数数据进行检测分析，通过分析以生成外影响故障预警信号、外影响故障考量信号或深入预测正常信号，将外影响故障预警信号、外影响故障考量信号或深入预测正常信号发送至故障预测平台；步骤五、故障预测平台接收到初步预测正常信号和深入预测正常信号后不发出预警，其余情况则发出相应预警以提醒医疗人员及时且针对性的作出相应应对措施。2.一种基于人工智能的医疗设备故障预测系统，其特征在于，包括故障预测平台、运行故障历史分析模块、运行维护监管模块、实时运行参数检测分析模块以及运行外影响参数检测分析模块；运行故障历史分析模块用于采集到对应医疗设备在历史运行过程中的故障运行时段，并通过分析以生成运时维护正相关信号或运时维护非相关信号，并将运时维护正相关信号经故障预测平台发送至运行维护监管模块，且将运时维护非相关信号经故障预测平台发送至实时运行参数检测分析模块和运行外影响参数检测分析模块；运行维护监管模块用于在接收到维护运时正相关信号时，将对应医疗设备进行分析以生成运行停止信号或运行无碍信号，将运行停止信号发送至故障预测平台以便及时停止对应医疗设备的运行并根据需要进行医疗设备的维护，且将运行无碍信号经故障预测平台发送至实时运行参数检测分析模块和运行外影响参数检测分析模块；实时运行参数检测分析模块将对应医疗设备的实时运行参数数据进行检测分析，通过分析以生成运行故障预警信号、运行故障考量信号或初步预测正常信号，将运行故障预警信号、运行故障考量信号或初步预测正常信号发送至故障预测平台；运行外影响参数检测分析模块将对应医疗设备的外界环境影响参数数据进行检测分析，通过分析以生成外影响故障预警信号、外影响故障考量信号或深入预测正常信号，将外影响故障预警信号、外影响故障考量信号或深入预测正常信号发送至故障预测平台。3.根据权利要求2所述的一种基于人工智能的医疗设备故障预测系统，其特征在于，运行故障历史分析模块的具体运行过程包括：采集到对应医疗设备在历史运行过程中的故障运行时段，以及采集到故障运行时段所对应运行过程的持续运行时长，并采集到故障运行时段所对应运行过程的维护间隔时长，将持续运行时长相较于额定持续运行时长判定值的超出值标记为时超值，将维护间隔时长相较于额定维护间隔时长判定值的超初值标记为维超值；将时超值的数量之和标记为sc1，将时超值的数量之和与故障运行时段的数量之和进行比值计算并将两者比值结果标记为sc2，以及将维超值的数量之和标记为sc3，将维超值的数量之和与故障运行时段的数量之
和进行比值计算并将两者比值结果标记为sc4；将sc1、sc2、sc3以及sc4进行数值计算得到相关系数，将相关系数与预设相关系数阈值进行数值比较，若相关系数超过预设相关系数阈值，则生成运时维护正相关信号，并将运时维护正相关信号经故障预测平台发送至运行维护监管模块；若相关系数未超过预设相关系数阈值，则生成运时维护非相关信号。4.根据权利要求3所述的一种基于人工智能的医疗设备故障预测系统，其特征在于，运行维护监管模块的具体运行过程包括：采集到当前时刻和对应医疗设备的开始运行时刻，将当前时刻与医疗设备的开始运行时刻进行时间差计算得到当次运行时长，以及采集到对应医疗设备的上次维护时刻，将当前时刻与上次维护时刻进行时间差计算得到当前维护间隔时长，将当前维护间隔时长与当次运行时长进行数值计算得到运行维护系数，将运行维护系数与预设运行维护系数阈值进行数值比较，若运行维护系数超过预设运行维护系数阈值，则生成运行停止信号；若运行维护系数未超过预设运行维护系数阈值，则生成运行无碍信号。5.根据权利要求2所述的一种基于人工智能的医疗设备故障预测系统，其特征在于，实时运行参数检测分析模块的具体运行过程包括：采集到对应医疗设备所需监测的运行参数数据，以及将运行参数数据与对应额定运行参数判定值进行差值计算并取绝对值以得到对应参数差值，将参数差值与对应预设参数差值阈值进行数值比较，若参数差值超过预设参数差值阈值，则将该运行参数数据所对应的监测项目标记为偏差项目；若对应医疗设备在实际运行过程中存在偏差项目，则生成运行故障预警信号；若对应医疗设备在实际运行过程中不存在偏差项目，则将对应预设参数差值阈值减去对应参数差值以得到参数阈差系数，将参数阈差系数与对应预设参数阈差系数阈值进行数值比较，若参数阈差系数未超过预设参数阈差系数，则将该运行参数数据所对应的监测项目标记为考量项目，将考量项目的数量占比值标记为ht，将ht与htmax进行数值比较，若ht≥htmax，则生成运行故障考量信号，否则生成初步预测正常信号；其中，htmax为考量项目的数量占比值的预设判定阈值，且htmax＞0。6.根据权利要求2所述的一种基于人工智能的医疗设备故障预测系统，其特征在于，运行外影响参数检测分析模块的具体运行过程包括：采集到对应医疗设备所需监测的外界环境影响参数数据，将对应外界环境影响参数数据与对应额定影响参数判定值进行差值计算并取绝对值以得到对应影响差值，将影响差值超过预设影响差值阈值进行数值比较，若影响差值超过预设影响差值阈值，则将该外界环境影响参数数据所对应的环境管控项目标记为环变项目，若对应医疗设备在实际运行时所属环境中存在环变项目，则生成外影响故障预警信号；若对应医疗设备在实际运行时所属环境中不存在环变项目，则将对应预设影响差值阈值减去对应影响差值以得到影响阈系数，将影响阈差系数与对应预设影响阈差系数阈值进行数值比较，若影响阈差系数超过对应预设影响阈差系数阈值，则将对应外界环境影响参数数据标记为符号kr1，经过统计以得到符号kp1所代表的的环境检测项目数量kt；将kt与ktmax进行数值比较，若kt≥ktmax，则生成外影响故障考量信号，否则生成深入预测正常信号；其中，ktmax为环境检测项目数量的预设判定阈值，且ktmax为大于1的正整数。
7.根据权利要求2所述的一种基于人工智能的医疗设备故障预测系统，其特征在于，故障预测平台与操作分解评估分析模块通信连接，操作分解评估分析模块的具体运行过程包括：在医疗人员进行对应医疗设备的操作时，实时采集到对应医疗人员的操作影像，基于操作影像将对应医疗人员的操作过程分解成若干个操作动作，将不符合对应医疗设备操作规范的操作动作标记为异常动作，在采集到异常动作时发出预警以提醒医疗人员；以及采集到单位时间内对应医疗人员的异常动作数量和异常动作占比值，将异常动作数量与异常动作占比值进行数值计算得到操作风险系数，将操作风险系数与预设操作风险系数阈值进行数值比较，若操作风险系数超过预设操作风险系数阈值，则生成操作风险预警信号，若操作风险系数未超过预设操作风险系数阈值，则生成操作安全信号。

技术总结
本发明属于医疗设备监管技术领域，具体是一种基于人工智能的医疗设备故障预测方法及系统，医疗设备故障预测系统包括故障预测平台、运行故障历史分析模块、运行维护监管模块、实时运行参数检测分析模块以及运行外影响参数检测分析模块；本发明通过分析以生成运时维护正相关信号或运时维护非相关信号，在生成运时维护正相关信号后将对应医疗设备进行分析以生成运行停止信号或运行无碍信号，在生成运行停止信号后及时停止对应医疗设备的运行，且通过将对应医疗设备的实时运行参数数据和外界环境影响参数数据进行检测分析，实现对医疗设备运行故障的有效预测和风险检测分析，以便医疗管理人员及时作出针对性的应对措施。医疗管理人员及时作出针对性的应对措施。医疗管理人员及时作出针对性的应对措施。


技术研发人员：于琳琳 张倩 张娟
受保护的技术使用者：山东中医药大学附属医院
技术研发日：2023.07.14
技术公布日：2023/10/6