[发明专利]医疗设备故障预测方法、装置、介质及电子设备

权利要求书

1.一种医疗设备故障预测方法，其特征在于，包括：

获取医疗设备在当前时刻的状态信息；

根据所述当前时刻的状态信息，通过目标故障预测模型确定所述医疗设备中至少一部件在所述当前时刻的下一时刻发生故障的概率，其中，所述目标故障预测模型是通过对深度神经网络模型进行训练和降维处理后得到的。

2.根据权利要求1所述的方法，其特征在于，所述方法应用于所述医疗设备，且所述目标故障预测模型被部署在所述医疗设备中。

3.根据权利要求1或2所述的方法，其特征在于，所述状态信息包括运行状态信息、运行环境数据、校正日志、维护日志、运行日志中的至少一者。

4.根据权利要求1所述的方法，其特征在于，所述目标故障预测模型通过以下方式获得：

获取多个训练样本，每一所述训练样本分别包括所述医疗设备在一历史时刻的状态信息以及该历史时刻的下一时刻的实际故障信息；

根据所述多个训练样本，对深度神经网络模型进行预训练，得到初始故障预测模型；

对所述初始故障预测模型进行降维处理，得到所述目标故障预测模型。

5.根据权利要求4所述的方法，其特征在于，所述对所述初始故障预测模型进行降维处理，得到所述目标故障预测模型，包括：

获取待剪枝的故障预测模型的部分模型参数，所述待剪枝的故障预测模型初始为所述初始故障预测模型；

根据所述部分模型参数的参数值，对所述待剪枝的故障预测模型进行剪枝，以对所述待剪枝的故障预测模型进行降维；

根据所述多个训练样本，对剪枝后所得的模型重新进行训练；

确定重新训练后得到的模型是否满足剪枝停止条件；

在所述重新训练后得到的模型不满足所述剪枝停止条件的情况下，将所述重新训练后得到的模型确定为新的待剪枝的故障预测模型，并重复执行所述获取待剪枝的故障预测模型的部分模型参数的步骤至所述确定重新训练后得到的模型是否满足剪枝停止条件的步骤；

在所述重新训练后得到的模型满足所述剪枝停止条件的情况下，将所述重新训练后得到的模型确定为所述目标故障预测模型。

6.根据权利要求5所述的方法，其特征在于，在所述待剪枝的故障预测模型中、所述部分模型参数对应的边形成为多个卷积核；

所述根据所述部分模型参数的参数值，对所述待剪枝的故障预测模型进行剪枝，包括：

根据所述部分模型参数的参数值，从所述多个卷积核中确定冗余结构，其中，所述冗余结构包括卷积核和/或卷积核通道；

从所述待剪枝的故障预测模型中剪除所述冗余结构。

7.根据权利要求6所述的方法，其特征在于，所述根据所述部分模型参数的参数值，对所述待剪枝的故障预测模型进行剪枝，还包括：

在从所述待剪枝的故障预测模型剪除所述冗余结构之后，从剩余边中删除权重值小于预设权重阈值的边，其中，所述剩余边包括所述多个卷积核中、除所述冗余结构外的边。

8.一种医疗设备故障预测装置，其特征在于，包括：

第一获取模块，被配置为获取医疗设备在当前时刻的状态信息；

确定模块，被配置为根据所述第一获取模块获取到的所述当前时刻的状态信息，通过目标故障预测模型确定所述医疗设备中至少一部件在所述当前时刻的下一时刻发生故障的概率，其中，所述目标故障预测模型是通过对深度神经网络模型进行训练和降维处理后得到的。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。

10.一种电子设备，其特征在于，包括：

存储器，其上存储有计算机程序；

处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1-7中任一项所述方法的步骤。