[发明专利]一种基于物联网数据的CT设备异常预测方法和系统

权利要求书

1.一种基于物联网数据的CT设备异常预测方法，其特征在于，包括如下步骤：

步骤1，输入医疗物联网采集的CT设备运行数据；

步骤2，对所述CT设备运行数据进行数据预处理，采用滑动窗算法构建特征；

步骤3，将所述特征输入机器学习模型，得到CT设备发生异常的预测结果；

其中，所述机器学习模型选自朴素贝叶斯模型、K-近邻模型或决策树模型。

2.按照权利要求1所述的基于物联网数据的CT设备异常预测方法，其特征在于：步骤1中，所述CT设备运行数据每日采集若干次，每次采集如下数据：油温、阳极电压、累计管扫描时间、累计电能消耗和每日打火次数。

3.按照权利要求2所述的基于物联网数据的CT设备异常预测方法，其特征在于：步骤2得到的特征包括如下参数中的至少一种：AOT_Max、AAV_Max、I_Max、IDLE、AOT_dMax、AAV_dMax、I_dMax、Arcing_w；

其中，各参数的定义为：

定义一个时间周期T，其含义是以时长T作为一个时间周期，若干个连续的时间周期T构成了滑动窗算法的时间窗口；

AOT_Max为时间窗口的若干个连续的时间周期T中，T内平均油温的最大值，所述T内平均油温是将时间周期T内的油温求平均得到的结果；

AAV_Max为时间窗口的若干个连续的时间周期T中，T内平均阳极电压的最大值，所述T内平均阳极电压是将时间周期T内的阳极电压求平均得到的结果；

I_Max为时间窗口的若干个连续的时间周期T中，T内平均电流的最大值，所述T内平均电流通过所述T内平均阳极电压、时间周期T内的总扫描时间和时间周期T内的总消耗电能进行计算；

IDLE的定义为：时间窗口的若干个连续的时间周期T中，若至少有一个时间周期T未采集到CT设备运行数据时，标记为0，否则为1；

AOT_dMax的定义为：对所述T内平均油温进行一阶差分得到T内平均油温斜率，取时间窗口的若干个连续的时间周期T中T内平均油温斜率的最大值，若所述T内平均油温斜率的最大值超过预设的阈值则AOT_dMax取值为1，否则为0；

AAV_dMax的定义为：对所述T内平均阳极电压进行一阶差分得到T内平均阳极电压斜率，取时间窗口的若干个连续的时间周期T中T内平均阳极电压斜率的最大值，若所述T内平均阳极电压斜率的最大值超过预设的阈值则AAV_dMax取值为1，否则为0；

I_dMax的定义为：对所述T内平均电流进行一阶差分得到T内平均电流斜率，取时间窗口的若干个连续的时间周期T中T内平均电流斜率的最大值，若所述T内平均电流斜率的最大值超过预设的阈值则I_dMax取值为1，否则为0；

Arcing_w的定义为：当时间窗口的若干个连续的时间周期T中，至少有一个时间周期T从CT设备中观察到管内打火时取值为1，否则为0；

所述预处理包括按照如下步骤计算所述设备电流I：

步骤a，对医疗物联网采集的数据累计管扫描时间和累计电能消耗量进行一阶差分，得到每个时间周期T内管扫描时间DTST和每个时间周期T内电能消耗DCE；

步骤b，采用如下公式计算设备电流

其中，AAV为T内平均阳极电压。

4.按照权利要求3所述的基于物联网数据的CT设备异常预测方法，其特征在于：所述时长T的取值为1小时至1天。

5.按照权利要求3或4所述的基于物联网数据的CT设备异常预测方法，其特征在于：步骤2得到的特征包括AOT_Max、AAV_Max、I_Max、I_DLE、AOT_dMax、AAV_dMax、I_dMax和Arcing_w。