数据挖掘于仪器故障预测中的应用

发布时间：2020-06-01 10:41

【摘要】：在现代医学水平不断发展的今天,临床检验仪器在医疗系统中有着广泛的运用。同时,为满足医疗系统的日常检验需求,它有着系统复杂度高、运转速度快、设备体积大等特点。其中最典型的就是用于临床辅助诊断的体外诊断仪器。由于其不可替代性,一旦仪器出现故障,将严重影响到整个医疗系统的正常运作;所以,实现仪器的故障预测可为使用者提供决策支持,进而规避故障或为故障处理做出准备,对整个医疗系统的流程有着重要的意义。对于医疗仪器的故障问题,医院或设备方多使用基于统计学或基于数学模型的方法对仪器进行故障预测,这些方法存在实时性差,预测效率低等问题。而数据挖掘技术在类似于大型电机和风力设备等大型设备的故障预测问题中有着较好的应用效果。为此,本论文针对医疗仪器的故障预测问题,设计并建立了基于医疗仪器故障决策的数据仓库,并提出了包含数据特征提取归类的基于故障因素提取的关联规则故障预测算法。主要工作包括以下内容。1、考虑到仪器相关数据的分散及格式各异等问题,需对仪器各项数据特点进行分析,建立数据模型,并对仪器各个数据源数据进行抽取和清洗并建立数据仓库。2、由于仪器发生故障的因素多样,需要提取有效的故障因素数据,所以利用聚类及统计方法提取有效故障事件,并定义故障事件规则作为故障数据提取依据。3、利用基于时序的关联规则算法对故障数据进行数据挖掘,得到预测规则。最终,利用十折交叉验证方法对仪器故障因素事件提取效果进行评估验证,证明因素提取的有效性。同时,在故障因素提取有效的前提下,使用一个月的故障数据对基于时许序列的关联规则算法所获取的预测规则进行检验,得出精确度达到77%,准确率达到95%的结果。所以认为该故障预测方法能够获得较好的故障预测规则,同时在实际运用上能够高效的对仪器的进行故障预判并可以给予维护人员更高效的决策支持。
【图文】：

故障事件,故障,仪器,状态数据

图 3- 3 故障报修 Excel 表单由于故障的发生不仅关系到故障事件之间，也关系到故障发生之前的仪器状态，所以对故障预测的挖掘需要同时输入仪器的状态数据。但仪器的状态多数为连续的、多值的，无法直接利用且对于以天为单位的数据量来说，大部分的数据是冗余的干扰数据，所以在装载数据之后，需要对仪器各个模块部件的状态数据进行进一步的提取，用于最终挖掘的输入。3.2 故障因素提取方法仪器的故障预测挖掘的目的是找出故障与故障之间，故障与各个模块部件之间潜在的联系。所以不能只通过故障记录作为挖掘模型的输入，，需要添加对故障有一定影响的各个模块部件的状态数据作为输入，使得挖掘结果更为有效。利用聚类算法先对相关模块部件数据进行一次挖掘，可有效地筛选出相关的故障因素规则[23]。

状态数据,故障,故障数据,数据仓库

图 4- 1 SSIS 表单导入映射装载好故障数据后，数据仓库中仍需要对所感兴趣的状态数据进行装载，通过故障当天的状态数据进行数据分析，达到提取故障因素事件的目的。对个故障事件，它是以某一天作为时间点记录的，时间粒度是天；而状态数据记录时间粒度是 10 秒左右，如图 4-2。由于仪器在医院基本不会持续多天运台仪器的运行规律是与医护人员的工作时间一致的；多数医院科室会在下班仪器关闭，第二天上班启动；少数医院科室即使不关闭仪器，也会让仪器进机状态。所以可以认为不同日期的状态数据与故障事件的发生是无关联的，剔除未发生故障事件的日期内的状态数据。
【学位授予单位】：深圳大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP311.13;R197.39

【参考文献】