Nothing Special   »   [go: up one dir, main page]

CN111931798B - 进行冷头状态分类检测和寿命预测的方法 - Google Patents

进行冷头状态分类检测和寿命预测的方法 Download PDF

Info

Publication number
CN111931798B
CN111931798B CN201910394953.3A CN201910394953A CN111931798B CN 111931798 B CN111931798 B CN 111931798B CN 201910394953 A CN201910394953 A CN 201910394953A CN 111931798 B CN111931798 B CN 111931798B
Authority
CN
China
Prior art keywords
cold head
parameter information
model
state
information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910394953.3A
Other languages
English (en)
Other versions
CN111931798A (zh
Inventor
程敬亮
张文渊
史睿琼
王腾飞
彭奇斌
温晓宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xushui Interconnection Technology Co ltd
Original Assignee
Beijing Xushui Interconnection Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Xushui Interconnection Technology Co ltd filed Critical Beijing Xushui Interconnection Technology Co ltd
Priority to CN202310543513.6A priority Critical patent/CN116956174B/zh
Priority to CN201910394953.3A priority patent/CN111931798B/zh
Priority to CN202310543440.0A priority patent/CN116401604B/zh
Publication of CN111931798A publication Critical patent/CN111931798A/zh
Application granted granted Critical
Publication of CN111931798B publication Critical patent/CN111931798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种进行冷头状态分类检测的方法，包括建立用于检测冷头状态的分类模型；获取目标冷头的相关参数信息；将相关参数信息输入至分类模型，并获取分类模型的输出结果；根据输出结果确定目标冷头的状态信息。本发明还提供了一种进行冷头寿命预测的方法，根据本发明提供的两种方法可以达到合理的预警及提供维修建议的作用，通过及时对冷头的状态参数进行监控，保证了设备系统实时保持正常运行的状态，有利于提高设备的经济效益。

Description

进行冷头状态分类检测和寿命预测的方法
技术领域
本发明涉及设备检测技术领域，特别是一种进行冷头状态分类检测和寿命预测的方法。
背景技术
超导核磁共振设备使用液氦作为制冷介质，氦的沸点是4.2K，利用液氦可获得接近绝对零度的低温为超导线圈建立和保持超导环境，为了减少液氦的蒸发，超导磁共振上一般配有制冷系统，以提供冷量减少液氦蒸发。制冷系统包括冷头、氦压缩机、水冷机组三个部分，冷头和压缩机一刻不停的运行，额定工作寿命一般在(1.5～2)年。
由于冷头的工作状态直接影响液氦的挥发，同时冷头价格比较昂贵，所以对冷头的工作状态的实时监控及实时分析至关重要，关系到对冷头的合理的维护和保养，对保证核磁系统的正常运行，从而保证设备的经济效益，有重大价值。但是如何对冷头的工作状态进行实时监控以及预测分析等，目前尚未有有效的解决方案。
发明内容
本发明目的之一在于提供一种对冷头的状态进行分类的检测方法，以弥补现有技术的空白，同时为使用到冷头的设备提供维修和保养等的有效参考建议和预警，从而保证设备系统实时保持正常运行的状态，有利于提高设备的经济效益。
本发明的另一目的还在于提供一种对冷头的工作寿命进行预测的方法，以弥补现有技术的空白，同时为使用冷头的设备提供维护维修等的有效参考建议和预警，进而保证设备系统实时保持正常运行的状态，有利于提高设备的经济效益。
基于该发明目的，发明人站在人工智能技术的角度，通过近些年人工智能的飞速发展，了解到人工智能在语音、图像、视频等领域的应用取得了突破性的进展，想到利用机器的深度学习技术来构建对冷头进行状态检测和寿命预测的模型，并通过构建的模型的应用，来分析冷头状态和寿命，并进而达到合理的预警及提供维修建议的作用。
根据本发明的第一方面，提供了一种进行冷头状态分类检测的方法，包括建立用于检测冷头状态的分类模型；获取目标冷头的相关参数信息；将相关参数信息输入至分类模型，并获取分类模型的输出结果；根据输出结果确定目标冷头的状态信息。通过构建用于检测冷头状态的分类模型，就可以基于目标冷头的相关参数信息智能化地计算出冷头状态，并对冷头状态进行分类，有利于帮助医疗设备的管理人员等及时的获取当前设备的冷头状态，方便维修和设备监管，且能够提高工作效率。
在一些实施方式中，分类模型是基于神经网络模型实现，上述的建立用于检测冷头状态的分类模型包括：获取样本冷头的相关参数信息；为获取的相关参数信息设置分类标识，生成训练集；将训练集输入至神经网络模型中进行训练，根据训练结果确定用于检测冷头状态的分类模型。在建立分类模型时，获取到有效的样本信息是关键，其决定了训练出的模型系数的准确率，进而影响分类模型的准确度和检测结果的可参考价值，通过获取样本冷头的相关参数信息，并对相关参数信息给予正常、异常、噪声的三种金标准标签作为分类标识，由于该标签是来自维修记录和冷头专家共识，因而保证了训练数据的质量，为生成高质量的深度神经网络模型打下基础。目前深度学习是一种端对端的学习，能够高效准确的提取数据信息的高维信息，从而大大提高了分类模型的准确度，高效的辅助工作人员作出决策。因而根据这种方法形成的分类模型可以精准的得到预测数据，有利于工作人员做出决策。
在一些实施方式中，上述的为相关参数信息设置分类标识之前还包括：对获取样本冷头的相关参数信息进行预处理。通过预处理可以使导入训练模型的数据鲁棒行更高，进而使得训练出的分类模型准确率和可用性更高。
在一些实施方式中，上述对获取样本冷头的相关参数信息进行预处理包括：将获取的样本冷头的相关参数信息进行归一化处理；对归一化处理后的数据进行去噪处理。归一化和去噪处理都可以对冷头的相关参数信息进行标准化预处理，方便后续导入训练模型进行训练。
在一些实施方式中，获取样本冷头的相关参数信息是根据配置的采集频率和时间跨度对样本冷头进行相关参数数据的采集。这样可以将样本集维持在一个总数，根据不同的时间跨度获取足够多的符合条件的训练数据，可以提供训练模型的适用范围。
在一些实施方式中，相关参数包括冷头温度、液氦压力和屏蔽层温度；状态信息包括：正常状态信息、异常状态信息和噪声状态信息。根据不同的状态信息可以对冷头的当前状态进行定位，且选定有参考价值的状态进行标识和分类预测，真正能够提高效率，达到智能分类检测的目的。
在一些实施方式中，上述的方法还包括：根据确定的目标冷头的状态信息进行预警，生成预警图表输出显示。这样可以帮助医院直观的了解冷头的状态，给医院提供合理的维修保养的参考建议，保证医院的收益，防止冷头损坏或异常造成的更大损失。
根据本发明的第二个方面，提供了一种进行冷头寿命预测的方法，包括：建立用于检测冷头状态的分类模型和用于预测冷头寿命的预测模型；获取目标冷头的相关参数信息；将相关参数信息输入至分类模型，并获取分类模型的输出结果；根据输出结果确定目标冷头的状态信息，对状态信息为异常状态的目标冷头，获取其相关参数信息输入预测模型，并根据预测模型的输出结果确定目标冷头的寿命信息。根据分类模型输出的结果可以获取三种冷头状态，从分类模型获取的冷头状态信息准确，再进一步的对异常的进行寿命预测，更具有实际使用价值和参考价值。并且，通过预测模型可以直观地计算出冷头的寿命信息，从而可以帮助医院做出决策，智能高效，且准确率高。
在一些实施方式中，预测模块可以采用深度学习神经网络模型实现，也可以采用传统生存预测模型实现。在采用深度学习神经网络模型实现时，建立用于预测冷头寿命的预测模型实现为包括如下步骤：获取样本冷头的相关参数信息，其中，选取的样本冷头为处于异常状态的冷头；对相关参数信息进行配值处理，生成训练集；将训练集输入至神经网络模型中进行训练，根据训练结果确定预测模型。该预测冷头寿命模型的建立方法与分类模型基本相同，对于训练数据的选择，根据实际影响寿命的相关参数信息进行获取、训练，从而获取适用范围较广的预测模型。
在一些实施方式中，预测模块还可以实现为同时包括基于深度学习神经网络模型的第一预测模型和基于传统生存预测模型的第二预测模型，其中，对状态信息为异常状态的目标冷头，获取其相关参数信息输入预测模型，并根据预测模型的输出结果确定目标冷头的寿命信息实现为包括如下步骤：将其相关参数信息输入第一预测模型，获取第一预测结果；将其相关参数信息输入第二预测模型，获取第二预测结果；根据概率融合算法对第一预测结果和第二预测结果进行计算，根据计算结果确定目标冷头的寿命信息。基于神经网络的第一预测模型在样本数据量足够的情况下，能够提供更精准的预测效果，而基于生存预测模型的第二预测模型则能够适用于样本数据量较少的情况，将两者进行概率融合计算出最终的预测结果，能够灵活适用不同的场景，在不同场景下都能保证结果的准确度和参考价值。
在一些实施方式中，上述的对相关参数信息进行配值处理前还包括：对获取的样本冷头的相关参数信息进行预处理。通过预处理可以使导入训练模型的数据更加符合模型对数据标准化的需求，以进一步提高训练出的模型的准确度。
在一些实施方式中，上述的获取样本冷头的相关参数信息是根据配置的采集频率、设置的数据标签配值和时间跨度对样本冷头进行相关参数数据的采集。通过时间跨度、设置的数据标签配值和采集频率的配置对相关参数数据进行采集，可以尽可能多的覆盖采集数据的范围，得到更加准确的结果。
根据本发明的第四个方面，提供了一种电子设备，其包括：至少一个处理器，以及与至少一个处理器通信连接的存储器，其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述方法的步骤。
根据本发明的第五个方面，提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。
附图说明
图1为本发明一实施方式的进行冷头状态分类检测的方法流程图；
图2为本发明一实施方式的建立用于检测冷头状态的分类模型方法流程图；
图3为本发明一实施方式的进行冷头寿命预测的方法流程图；
图4为本发明一实施方式的建立用于预测冷头寿命的预测模型的方法流程图；
图5为本发明一实施方式的冷头温度报警图表示意图；
图6为本发明一实施方式的屏蔽层温度报警图表示意图；
图7为本发明一实施方式的液氦压力报警图表示意图；
图8为本发明一种实施方式的用于进行冷头状态分类检测和寿命预测电子设备的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本发明中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了实现本发明的第一发明目的，本发明的发明人构思通过深度学习来构建用于检测冷头状态的分类模型，在选取具体采用的模型时，优选采用了深度卷积神经网络模型，这是因为深度卷积神经网络模型采用端对端的学习，能够高效准确的提取数据信息的高维信息，从而大大提高了分类模型的准确度。当然在具体应用中，还可以不局限于采用深度卷积神经网络模型来构建分类模型，例如还可以采用SVM(支持向量机)、Random Forest(随机森林)等来构建分类模型。
虽然深度卷积神经网络模型本身在其他领域应用广泛，但其在医疗设备尤其是冷头状态和寿命预测中的应用，本领域尚未作出探索和尝试，因而如何选取模型的输入信息和如何将输入信息与状态准确映射，对训练出的分类模型的准确度和可利用价值至关重要，而这也是本发明能够得以实现的关键点和难点。对于分类模块，发明人基于在本行业的长期经验积累和研究，最终将输入信息即将冷头的相关参数信息确定为包括冷头温度、液氦压力和屏蔽层温度三项，而将状态确定为正常状态、异常状态和噪声状态三类，并通过金标准和专家评审来对相关参数信息和状态标识的映射关系作出标签，从而保证了训练样本集的有效性和可利用度，进而保证了本发明构建出的分类模型的准确度。下面结合附图对分类模型的构建及其应用作进一步详细的说明。
图1和图2示意性地显示了根据本发明的一种实施方式的构建分类模型的方法流程和应用该分类模型进行冷头状态分类检测的方法流程，如图1所示，应用分类模型进行冷头状态分类检测的方法包括如下步骤：
步骤S101：建立用于检测冷头状态的分类模型。为了实现对冷头的状态进行系统化的分类，辅助医院根据冷头的不同状态对冷头的使用做出决策，建立了用于检测冷头状态的分类模型，如图2所示，以采用34层基于卷积神经网络的深度学习模型为例来构建分类模型的方法包括如下步骤：
步骤S201：获取样本冷头的相关参数信息。其中，根据发明人多年的经验和反复的实验，最终确定选用的相关参数信息包括冷头的温度参数信息、冷头的液氦压力参数信息和冷头的屏蔽层温度参数信息。获取的方式可以通过为每台目标冷头设备添加一个智能化控制盒，该智能化控制盒为现有技术，可以获取包括但不限于借助于设备用电波动，设备日志等信息。并将目标冷头设备与智能化控制盒置于同一个网段中。智能化控制盒和目标冷头设备通过物理链接，这样可以实时获取目标冷头设备的运行情况及每天设备的扫描情况。之后控制盒定期将目标冷头设备的日志信息传输至云端进行分析处理，该分析处理的方法可以参照现有技术实现(例如通过关键词匹配来提取相关参数及其对应的数据信息存储到数据库，形成设备运行情况及扫描情况数据库)，这样就可以形成设备运行情况及扫描情况存储在数据库中，其中包含有目标设备的冷头温度参数信息、液氦压力参数信息和屏蔽层温度参数信息。由此，就可以数据库来提取所需要的样本冷头的相关参数信息。具体地，作为一种优选实施例，可以根据配置的采集频率和时间跨度对样本冷头进行相关参数数据的采集。示例性地，设置采集频率为间隔一分钟采集一次，时间跨度为结合冷头相关的设备维修记录，从发生冷头更换的设备中，确定更换时间点，以此时间点作为基点，选取一周即7天作为时间跨度，进行相关参数数据的采集，即采集发生冷头更换的设备的更换时间点之前的第7天的数据，且每分钟采集一次数据，从而形成1*10000的向量数据作为相关参数信息，例如通过设备维修记录查找到某设备在2018年5月14日发生了冷头更换，则对2018年5月8日至2018年5月14日这个时间跨度的整个设备运行情况及扫描情况数据库进行相关参数的数据采集，每分钟采集一次(采集的数据点数大概为7*24*60＝10080个)，由此分别形成不同设备的液氦压力的1*10000的向量数据、屏蔽层温度的1*10000的向量数据、冷头温度的1*10000的向量数据。
步骤S202：为相关参数信息设置分类标识，生成训练集。在获取了样本冷头的相关参数信息后，便为其设置分类标识，该分类标识根据设备日志和医院及维修商的设备维修记录来确定的，为三种金标准分类标签，包括正常状态、异常状态和噪声状态。其中，为各个相关参数的1*10000向量数据设置分类标识，是基于相应设备的状况，具体是将发生冷头更换的设备(基于维修记录确定)的相关参数的向量数据的分类标识设置为异常，将相应采集数据对应传感器没有连接好的设备(通过人为制造这种场景，以获取相应的样本数据)的相关参数的向量数据设置为噪声，而将其他的设备的相关参数的向量数据设置为正常。示例性地，在具体实现中，将状态信息取值属于正常的样本冷头的状态用“1”对应标识；将状态信息取值属于噪声的样本冷头的状态用“2”对应标识；将状态信息取值属于异常的样本冷头的状态用“3”3对应标识。由此，通过对采集的每个向量数据进行分类标识设置后，将这些数据及对应的分类标识形成的数据对集作为训练集，其中，训练集数据的存储结构可以参照相关现有技术进行实现，本发明实施例不对此进行赘述。
步骤S203：将训练集输入至神经网络模型中进行训练，生成分类模型系数。将上述步骤获取的训练集根据不同的类别导入到不同的通道中，例如将冷头温度的训练集导入到第一个通道中、将屏蔽层温度的训练集导入到第二个通道中、以及将液氦压力的训练集导入到第三个通道中，由此将相关参数同时输入模型进行训练和计算，就会得到模型系数，通过确定了模型系数后，就可以最终确定训练出的分类模型。
其中，选用的模型为神经网络模型，该神经网络模型为现有技术，基于卷积模型实现，其包括四个模块：第一处理模块的处理内容依次包括卷积处理、Batch归一化处理和整流线型单元，第二处理模块的处理内容依次包括第一次卷积处理、Batch归一化处理、整流线型单元、降采样单元(采用Dropout进行降采样)和第二次卷积处理，第三处理模块主要包括迭代处理单元，迭代处理单元进行15次的迭代处理，迭代处理内容依次包括第一次Batch归一化处理、第一整流线型单元、第一次卷积处理、第二次Batch归一化处理、第二整流线型单元、降采样单元、第二次卷积处理；第四处理模块的处理内容依次包括Batch归一化处理、整流线型单元、全连接层和Softmax处理。第一处理模块接收的输入数据是上述的训练集，即包括相关参数的向量数据和向量分类标识，通过第一处理模块的处理后，将处理后的数据输出至第二处理模块，第二处理模块处理后将处理后的数据输出至第三处理模块，第三处理模块将处理后的输出至第四处理模块。其中，各个处理模块之间通过Max Pool(最大线程池)进行信息残差的补偿。其中，第四处理模块的Softmax进行的是分类映射处理，通过该处理即可将输入数据对应到相应的分类，从而实现通过四个模块进行计算来提取高维的特征。由于深度神经网络为广泛应用的现有技术，因而各个处理模块进行的相应处理都可参照相应现有技术进行实现，本发明实施例对此不进行赘述。
步骤S204：根据生成的分类模型系数确定用于检测冷头状态的分类模型。根据得到的分类模型系数就可以确定分类模型，该分类模型可以用于检测冷头的状态，输出结果与上述的分类标识相对应，以上述分类标识为例，输出结果对应正常、噪声和异常三种状态，在具体应用中，可分别用数字“1”、“2”、“3”来进行表示。
步骤S102：获取目标冷头的状态参数信息。获取的方式可以通过上述的通过智能化控制盒采集后形成数据库记录并从数据库记录中提取，其中目标冷头为需要进行监测的冷头，即需要对该冷头应用上述分类模型进行状态的检测，根据需求从数据库中提取目标冷头的相关参数信息即可。
步骤S103：将目标冷头的状态参数信息输入至分类模型，并获取分类模型的输出结果。示例性地，将获取的目标冷头的相关参数信息，包括冷头的温度参数信息、冷头的液氦压力参数信息和冷头的屏蔽层温度参数信息，输入至分类模型中，就可以得到分类模型的输出结果，其中，输出结果为上述标识的值，例如对应为1、2或3。
步骤S104：根据输出结果确定目标冷头的状态信息。其中，状态信息包括：正常状态信息、异常状态信息和噪声状态信息。根据上述获取的输出结果的标识的值，基于标识值对应的状态，就可以确定目标冷头的状态，例如若输出结果为1则该目标冷头为正常状态。
根据本实施例提供的方法可以实现通过深度卷积神经网络对冷头进行异常检测，通过构建模型等方法及应用，可以及时监控冷头的状态参数，保证了设备系统实时保持正常运行的状态，有利于提高设备的经济效益。
作为优选实现例，在获取了样本冷头的相关参数信息后，即获取了相关参数的向量数据后，会对获取的样本冷头的相关参数信息进行预处理，具体实现为：将获取的样本冷头的相关参数信息进行归一化处理，即将冷头的温度参数(初始单位为开尔文)、液氦压力参数、屏蔽层温度参数归一化到0～1之间的双精度浮点型，可以通过现有技术实现，之后对归一化处理后的数据进行去噪处理，本实施例采用去除离散点噪声实现。进行预处理后，再将预处理后的相关参数信息进行分类标识的设置，以形成训练集，从而实现对数据的标准化，保证训练结果的准确性。
在优选实施方式中，本实施例还包括：根据确定的目标冷头的状态信息进行预警，生成预警图表输出显示。具体可以为，当确定的目标冷头状态信息濒临异常状态时就会进行预警，预警的方法可以通过设置报警阈值，对目标冷头的相关参数信息进行判断，当超过该阈值时视为目标冷头状态濒临异常状态，此时进行报警(例如生成报警信息发送到指定终端或者通过设置蜂鸣器进行声音报警等)，并且生成报警图表(例如生成图5～7所示的波纹图，对数据濒临异常的部分进行特殊色彩如红色标识，以清楚指示异常数据和状态)，从而可以达到合理的预警及提供维修建议的作用。
作为优选实施方式，在具体应用中，可以基于不同的时间跨度获取样本冷头的相关参数信息，例如基于一天的时间跨度、或基于一周的时间跨度、或基于一个月的时间跨度、或基于半年的时间跨度采集样本冷头的状态参数信息，具体的时间跨度可以根据需求进行设置。需要说明的时，在基于不同的时间跨度进行样本冷头的状态参数信息的采集后，在训练模型时，是将基于同一时间跨度的数据(即相同时间跨度的数据)作为训练集同时输入模型的相应通道进行训练的。
为了实现本发明的第二发明目的，本发明的发明人还构思通过深度学习来构建用于预测冷头寿命的预测模型，在选取具体采用的模型时，优选采用了深度卷积神经网络模型，这是因为深度卷积神经网络模型采用端对端的学习，能够高效准确的提取数据信息的高维信息，从而大大提高了预测模型的准确度。当然在具体应用中，还可以不局限于采用深度卷积神经网络模型来构建预测模型，例如还可以采用现有技术中其他用来做回归分析的算法来实现，例如传统的生存预测模型。
虽然深度卷积神经网络模型本身已经是其他领域得到广泛应用的技术，但其在医疗设备尤其是冷头状态和寿命预测中的应用，本领域尚未作出探索和尝试，因而如何选取模型的输入信息和如何将输入信息与预测结果进行准确映射，对训练出的预测模型的准确度和可利用价值至关重要，而这也是本发明能够得以实现的关键点和难点。对于预测模块，发明人基于在本行业的长期经验积累和研究，最终将输入信息即将冷头的相关参数信息确定为包括处于异常状态的冷头的冷头温度、液氦压力和屏蔽层温度三项，而将相关参数对应的配值即数据标签确定为预估剩余寿命长度，例如30天、60天和90天，并通过专家评审来对相关参数信息和数据标签即配值的映射关系作出审核调整，从而保证了训练样本集的有效性和可利用度，进而保证了本发明构建出的预测模型的准确度。下面结合附图对预测模型的构建及其应用作进一步详细的说明。
图3和图4示意性地显示了根据本发明一实施方式的进行冷头寿命预测和构建预测模型的方法流程，如图3所示，本实施例的应用预测模型对冷头进行寿命预测的方法包括如下步骤：
步骤S301：建立用于预测冷头寿命的预测模型。其中，建立用于预测冷头寿命的预测模型的方法流程如图4所示，包括如下步骤：
步骤S401：获取样本冷头的相关参数信息。其中，本发明实施例中确定的相关参数包括液氦压力、屏蔽层温度和冷头温度，获取相关状态参数信息的方式可以通过上述的智能化控制盒形成设备运行情况及扫描情况数据库，然后从中筛选出有过确定维修记录的设备的相关参数信息。也可以结合冷头相关的设备维修记录，对发生冷头更换的设备，从其对应的数据库记录中获取相应的相关参数数据，从而形成各相关参数的向量数据，其中，采集相关参数数据以形成各参数的向量数据的方式与前文分类模型获取相关参数信息的方式相同，不同点仅在于，在时间跨度的设置上，预测模型是针对发生更换的设备，以更换时间为节点，结合其数据标签进行时间跨度的设置，例如，根据维修记录某台设备在2018年5月14日发生了冷头更换，则2018年5月14日为其更换时间节点，那么根据对该设备的冷头寿命的预测需求，会为其设置数据标签，该数据标签表征了该冷头剩余的寿命时长，例如数据标签为3个月，那么表示该设备可能在三个月后损坏，由此，基于为各参数的向量数据设置的数据标签，需要将更换时间节点向前倒推与数据标签对应的时间长度后，在根据设置的时间跨度进行数据采集，以上文设置的时间跨度为7天为例，对于2018年5月14日更换的冷头对应的设备，将首先在2018年5月14日的基础上，向前倒推一个数据标签的时间长度，例如对数据标签为30天的，倒推30天，对数据标签为60天的则倒推60天，对数据标签为90天的，则倒推90天，之后，再在倒推后的时间节点上，倒推一个时间跨度的时间长度，例如2018年5月14日的，对于预测剩余寿命为30天的样本集，先倒推30天即为2018年4月14日，在此基础上，再倒推一个时间跨度即7天，得到2018年4月8日，那么就对该设备在2018年4月8日至2018年4月14日这个时间段的相关参数进行数据采集，以每分钟为采集频率，从而采集得到1*10000(采集的数据点个数大概为7*24*60＝10080个)的向量数据，作为样本冷头的相关参数信息。
作为优选实施方式，在具体应用中，可以基于不同的时间跨度获取样本冷头的维修状态参数信息，例如基于一天的时间跨度、或基于一周的时间跨度、或基于一个月的时间跨度、或基于半年的时间跨度采集样本冷头的相关参数信息，具体的时间跨度可以根据需求进行设置。需要说明的时，在基于不同的时间跨度进行样本冷头的相关参数信息的采集后，在训练模型时，是将基于同一时间跨度的数据(即相同时间跨度的数据)作为训练集同时输入模型的相应通道进行训练的。
步骤S402：对相关参数信息进行配值处理，生成训练集，可以实现为对冷头的相关参数找到对应的维修状态(通过维修记录)转换成寿命的数据标签(可以为时间标签)，生成训练集。
对各相关参数信息进行配值处理，具体实现为对各个参数的向量数据进行数据标签的设置，其中该数据标签用于标识冷头的剩余寿命，示例性地，可以设置为分别为一个月、三个月和六个月，该数据标签对应的剩余寿命与步骤S401进行数据采集时，向前倒推的第一个时间长度有关，由于步骤S401中数据采集的参考基准点为冷头更换时间，因而向前倒推的第一个时间长度可以用来表示冷头的剩余寿命长度。由此，就可以将该状态信息与对应的三种跨度的寿命期限预测结果形成数据对，并将样本冷头对应的数据对集作为训练集。与上述分类模型类似的，该训练集也是包括了各个参数的向量数据和与向量数据对应的配置即数据标签。
步骤S403：将训练集输入至神经网络模型中进行训练，生成预测模型系数，根据生成的预测模型系数确定预测模型。本实施例中，是基于34层的卷积公式作为训练模型，将多组训练集代入模型中进行训练从而得到训练后的预测模型系数，并基于训练出的预测模型系数得到确定的预测模型。该过程与分类模型的训练过程类似，只是采用的训练集不同，相应的神经网络模型的结构也相同，均是包括四个处理模块在此不再进行赘述。不同之处在于，在预测模型中，第四处理模块进行Softmax进行分类映射后，对应的是数据标签标识的剩余寿命的发生概率，例如对应的是30天、90天和180天后该冷头需要更换的概率。具体各模块的处理，可以参考现有技术进行实现和调整，本发明实施例对此不进行赘述。
步骤S302：对状态信息为异常状态的目标冷头，获取相关参数信息输入预测模型，并根据预测模型的输出结果确定目标冷头的寿命信息。在具体应用中，可以通过将上述分类模块与预测模型进行结合使用，通过判断分类模型的输出结果，获取分类模型输出的状态信息为异常状态的目标冷头设备，针对性地获取对应的目标冷头的设备相关参数信息，将其导入到上述步骤获取的预测模型中，从而可以直接获取该目标冷头的对应寿命信息。示例性地，得到的寿命信息为冷头寿命期限为1个月内：45.5％；冷头寿命期限为3个月内：69.6％；冷头寿命期限为6个月内：97.9％。
在其他应用中，也可以是根据设备的维修记录，来确定异常状态的目标冷头，并对确定好的异常状态的目标冷头，进行相关参数信息的采集，并将采集的相关参数信息代入到上述预测模型，从而计算获取目标冷头的对应寿命信息，本发明实施例对具体如何确定异常状态的目标冷头以及如何获取目标冷头的相关参数信息的实现方式不做具体限制。在其他实施例中，根据需要也可以对非异常状态，但有需要进行寿命预测的冷头，运用上述预测模块，基于相关参数信息进行寿命信息的预测。
根据本实施例提供的方法，可以对冷头设备的寿命进行及时预警，辅助医院的工作人员做出相应的策略，有利于提供设备的利用率。
在优选实施例中，在预测模型的构建及应用过程中，也可以对获取的冷头的相关参数信息进行预处理，预处理的方法具体实现为：将获取的样本冷头的相关参数信息进行归一化处理，即将冷头的温度参数(初始单位为开尔文)，液氦压力参数，屏蔽层温度参数归一化到0～1之间的双精度浮点型，可以通过现有技术实现，之后对归一化处理后的数据进行去噪处理，本实施例采用去除离散点噪声实现。
在另一优选实施例中，构建的预测模型还可以是基于传统的生存预测模型实现的，其模型建立过程的训练集的获取方式与上文相同，依然是需要获取上述的相关参数向量数据(即包括冷头温度、液氦压力和屏蔽层温度)及其对应的数据标签，不同在于，在基于传统生存预测模型进行预测模型的训练时，会先针对得到的向量数据及其对应的数据标签，基于LASSO算法进行有效特征值筛选，针对每个参数选取十六个特征(选取的特征跟相关性系数有关，该相关性系数可参照LASSO算法计算出，可参照现有技术来计算相关性系数和筛选有效特征，本发明实施例对此不进行赘述)，之后还需要用Cox Regression模型对数据标签进行回归分析，将数据标签映射为剩余寿命的概率，最后将十六个特征值和映射结果作为训练集的输入和输出数据输入到传统的survival analysis(生存分析)模型中，从而通过训练得到模型系数，进而确定最终构建出的预测模型。之后，对目标冷头进行寿命预测时，就可以基于获取的相关参数向量数据和建立好的第二预测模型进行计算，得到目标冷头的寿命信息，得到的寿命信息与基于神经网络的预测模型的结果相同，也是剩余寿命期限的概率。示例性地，选取的十六个特征可以为包括：能谱(Energy)、熵(Entropy)、四分位差(InterRange)、峰度(Kurtosis)、最大值(Max)、平均值(Mean)、平均绝对偏差(MeanAbsolute Deviation)、中值(Median)、最小值(Min)、均方根(Root Mean Squared)、偏斜度(Skewness)、标准差(Std)、均一性(Uniformity)、方差(Variance)，10％分位值(X10Percent)、90％分位值(X90Percent)。相对于基于神经网络的预测模型，基于生存预测模型的预测模型，更适合小数据集的分析，即在采集的相关参数信息数据量比较小时，计算出的准确率更高。其中，需要说明的是，生存预测模块、LASSO算法和Cox Regression模型均是成熟的现有技术，其理论和具体实现可以参照现有技术，但将该模型应用在冷头寿命预测中，以及发明人在相关参数信息的选取确定以及相关参数与输出结果的分类映射中，所作出的创造性努力和试验，是本发明构思得以实现的关键。
优选地，为了应用预测模型得到更准确更具备参考价值的冷头寿命信息，在具体实践中，可以同时构建基于神经网络的预测模型和基于传统生存预测模型的预测模型，并将两者结合进行最终的冷头寿命信息的计算，结合方式可以采用概率融合的方式实现，即分别对目标冷头应用深度学习的预测模型和生存预测模型的预测模型进行预测结果的计算，得到第一预测结果(假设为P_deepLearning)和第二预测结果(假设为P_survival)，之后然后分别为第一预测结果和第二预测结果设置权重值(假设分别为λ1和λ2)，然后通过下述公式进行最终预测结果(假设为P_final)的计算：
P_final＝λ1*P_deepLearning+λ2*P_survival
优选地，为了保证最终预测结果更加贴合实际情况，在训练样本数据的数量<1000条时，可以将权重值分别设置为λ1＝0.6和λ2＝0.4，而在训练样板数据的数量不小于1000条时，可以将权重值分别设置为λ1＝0.8和λ2＝0.2，由此得到最终预测结果的计算公式为：
P_final＝0.6*P_deepLearning+0.4*P_survival(训练样本数量<1000)；
P_final＝0.8*P_deepLearning+0.2*P_survival(训练样本数量>＝1000)。
需要说明的是，上文给出的分类模型和预测模型的具体构建过程，只是作为一种具体实现例，本领域技术人员应当可以理解的是，在具体应用中，只要是选取上述相关参数和标签标识作为训练数据的输入和输出参数，从而在深度学习神经网络或传统回归分析等模型下，训练得到分类模型和预测模型，都视为是基于本发明构思进行模型构建的变形例，这是因为在采用的模型和选参设计都相同的前提下，通过采集不同的训练数据值或稍微更改训练过程，构建出的模型仅在模型系数上存在差异，其本质还是基于本发明构思实现同一发明目的的。而本领域技术人员更应当理解的是，模型构建完成后可以通过存储的方式来复用，即在具体应用中可以通过获取存储的构建好的模型来进行分类计算和寿命预测，并不需要每次应用前都重新进行模型的建立，因而权利要求中采用的“建立”一词，在广义理解上，可以扩展为包含从数据库获取建立好的模型进行应用的含义。
在一些实施例中，本发明实施例提供一种非易失性计算机可读存储介质，所述存储介质中存储有一个或多个包括执行指令的程序，所述执行指令能够被电子设备(包括但不限于计算机，服务器，或者网络设备等)读取并执行，以用于执行本发明上述任一项进行冷头状态分类检测和寿命预测方法。
在一些实施例中，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非易失性计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任一项冷头状态分类检测和寿命预测方法。
在一些实施例中，本发明实施例还提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行冷头状态分类检测和寿命预测方法。
在一些实施例中，本发明实施例还提供一种存储介质，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冷头状态分类检测和寿命预测方法。
图5为本发明一实施例提供的用于进行冷头状态分类检测和寿命预测的电子设备的硬件结构示意图，如图5所示，该设备包括：
一个或多个处理器310以及存储器320，图5中以一个处理器310为例。
用于进行冷头状态分类检测和寿命预测的方法的设备还可以包括：输入装置330和输出装置340。
处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图5中以通过总线连接为例。
存储器320作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的用于进行冷头状态分类检测和寿命预测的方法对应的程序指令/模块。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例用于进行冷头状态分类检测和寿命预测的方法。
存储器320可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据多设备间的设备运行情况对比分析装置的使用所创建的数据等。此外，存储器320可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器320可选包括相对于处理器310远程设置的存储器，这些远程存储器可以通过网络连接至用于进行冷头状态分类检测和寿命预测的方法的设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可接收输入的数字或字符信息，以及产生与用于进行冷头状态分类检测和寿命预测的设备的用户设置以及功能控制有关的信号。输出装置340可包括显示屏等显示设备。
上述一个或者多个模块存储在所述存储器320中，当被所述一个或者多个处理器310执行时，执行上述任意方法实施例中的用于进行冷头状态分类检测和寿命预测的方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请实施例的电子设备以多种形式存在，包括但不限于:
(1)移动通信设备:这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括:智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(2)超移动个人计算机设备:这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括:PDA、MID和UMPC设备等，例如iPad。
(3)服务器:提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(4)其他具有数据交互功能的电子装置。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (11)

1.进行冷头状态分类检测的方法，其特征在于，包括
获取目标冷头的相关参数信息，所述相关参数信息包括冷头温度参数信息、液氦压力参数信息和屏蔽层温度参数信息；
将所述相关参数信息输入至用于检测冷头状态的分类模型，并获取所述分类模型的输出结果，其中，所述分类模型是以冷头温度、液氦压力和屏蔽层温度作为输入，以冷头状态的分类标识作为输出结果；
根据所述输出结果确定所述目标冷头的状态信息，所述状态信息包括：正常状态信息、异常状态信息和噪声状态信息；
其中，所述用于检测冷头状态的分类模型是通过以下方式训练得到：
获取样本冷头的相关参数信息；
为所述相关参数信息设置分类标识，生成训练集；
将所述训练集输入至神经网络模型的不同通道中进行训练，包括将冷头温度参数信息的训练集输入神经网络模型的第一通道中、将屏蔽层温度参数信息的训练集输入神经网络模型的第二通道中、以及将液氦压力参数信息的训练集输入神经网络模型的第三通道中进行训练，以确定出分类模型系数；
根据确定出的分类模型系数确定用于检测冷头状态的分类模型。
2.根据权利要求1所述的方法，其中，所述分类模型是基于深度学习神经网络模型实现。
3.根据权利要求1所述的方法，其特征在于，为所述相关参数信息设置分类标识之前还包括：
对获取的样本冷头的相关参数信息进行预处理。
4.根据权利要求3所述的方法，其特征在于，对获取的样本冷头的相关参数信息进行预处理包括：
将获取的样本冷头的参数信息进行归一化处理；
对归一化处理后的数据进行去噪处理。
5.根据权利要求4所述的方法，其特征在于，所述获取样本冷头的相关参数信息是根据配置的采集频率和时间跨度对样本冷头进行相关参数数据的采集。
6.根据权利要求1至5任一项所述的方法，其特征在于，还包括：
根据目标冷头的相关参数信息进行预警，生成预警图表输出显示。
7.进行冷头寿命预测的方法，其特征在于，包括：
获取目标冷头的相关参数信息，所述相关参数信息包括冷头温度参数信息、液氦压力参数信息和屏蔽层温度参数信息；
将所述相关参数信息输入至用于检测冷头状态的分类模型，并获取所述分类模型的输出结果，其中，所述分类模型是以冷头温度、液氦压力和屏蔽层温度作为输入，以冷头状态的分类标识作为输出结果；
根据所述输出结果确定所述目标冷头的状态信息，所述状态信息包括：正常状态信息、异常状态信息和噪声状态信息；以及
对状态信息为异常状态的目标冷头，获取其相关参数信息输入用于预测冷头寿命的预测模型，并根据所述预测模型的输出结果确定目标冷头的寿命信息，其中，所述预测模型是以冷头温度、液氦压力和屏蔽层温度作为输入，以冷头的剩余寿命期限及其发生概率作为输出结果；
其中，所述用于检测冷头状态的分类模型是通过以下方式训练得到：
获取样本冷头的相关参数信息；
为所述相关参数信息设置分类标识，生成训练集；
将所述训练集输入至神经网络模型的不同通道中进行训练，包括将冷头温度参数信息的训练集输入神经网络模型的第一通道中、将屏蔽层温度参数信息的训练集输入神经网络模型的第二通道中、以及将液氦压力参数信息的训练集输入神经网络模型的第三通道中进行训练，以确定出分类模型系数；
根据确定出的分类模型系数确定用于检测冷头状态的分类模型；
其中，所述用于预测冷头寿命的预测模型是基于深度学习神经网络模型实现，其通过以下方式训练得到：
获取样本冷头的相关参数信息，其中，所述样本冷头为处于异常状态的冷头；
对所述相关参数信息进行配值处理，生成训练集；
将所述训练集输入至神经网络模型中进行训练，生成预测模型系数；
根据生成的预测模型系数确定用于预测冷头寿命的预测模型。
8.根据权利要求7所述的方法，其特征在于，对所述相关参数信息进行配值处理前还包括：
对获取的样本冷头的相关参数信息进行预处理。
9.根据权利要求7至8任一项所述的方法，其特征在于，所述获取样本冷头的相关参数信息是根据配置的采集频率、设置的数据标签配值和时间跨度对样本冷头进行相关参数数据的采集。
10.电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9任意一项所述方法的步骤。
11.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1-9任意一项所述方法的步骤。
CN201910394953.3A 2019-05-13 2019-05-13 进行冷头状态分类检测和寿命预测的方法 Active CN111931798B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202310543513.6A CN116956174B (zh) 2019-05-13 2019-05-13 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法
CN201910394953.3A CN111931798B (zh) 2019-05-13 2019-05-13 进行冷头状态分类检测和寿命预测的方法
CN202310543440.0A CN116401604B (zh) 2019-05-13 2019-05-13 进行冷头状态分类检测和寿命预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910394953.3A CN111931798B (zh) 2019-05-13 2019-05-13 进行冷头状态分类检测和寿命预测的方法

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202310543513.6A Division CN116956174B (zh) 2019-05-13 2019-05-13 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法
CN202310543440.0A Division CN116401604B (zh) 2019-05-13 2019-05-13 进行冷头状态分类检测和寿命预测的方法

Publications (2)

Publication Number Publication Date
CN111931798A CN111931798A (zh) 2020-11-13
CN111931798B true CN111931798B (zh) 2023-05-23

Family

ID=73282762

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202310543513.6A Active CN116956174B (zh) 2019-05-13 2019-05-13 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法
CN202310543440.0A Active CN116401604B (zh) 2019-05-13 2019-05-13 进行冷头状态分类检测和寿命预测的方法
CN201910394953.3A Active CN111931798B (zh) 2019-05-13 2019-05-13 进行冷头状态分类检测和寿命预测的方法

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202310543513.6A Active CN116956174B (zh) 2019-05-13 2019-05-13 用于进行冷头状态分类检测和寿命预测的分类模型和预测模型的生成方法
CN202310543440.0A Active CN116401604B (zh) 2019-05-13 2019-05-13 进行冷头状态分类检测和寿命预测的方法

Country Status (1)

Country Link
CN (3) CN116956174B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114034338B (zh) * 2021-10-29 2023-08-11 国网安徽省电力有限公司电力科学研究院 一种基于改进d-s证据理论的开关柜多源参量监测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844073A (zh) * 2017-09-15 2018-03-27 珠海格力电器股份有限公司 电子设备控制方法、装置、系统、存储介质及处理器
CN108681633A (zh) * 2018-05-11 2018-10-19 上海电力学院 一种基于状态参数的凝结水泵故障预警方法

Family Cites Families (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103018673B (zh) * 2012-11-19 2015-01-21 北京航空航天大学 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法
EP2790165A1 (en) * 2013-04-09 2014-10-15 SWARCO Traffic Systems GmbH Quality determination in data acquisition
US20150127595A1 (en) * 2013-11-01 2015-05-07 Numenta, Inc. Modeling and detection of anomaly based on prediction
CN103558482B (zh) * 2013-11-16 2016-04-13 沈阳工业大学 一种变压器套管剩余寿命检测方法
US10360901B2 (en) * 2013-12-06 2019-07-23 Nuance Communications, Inc. Learning front-end speech recognition parameters within neural network training
CN104795198B (zh) * 2014-01-21 2018-02-13 西门子(深圳)磁共振有限公司 一种磁共振成像系统的冷却装置、方法和磁共振成像系统
CN104897784A (zh) * 2015-03-15 2015-09-09 国家电网公司 基于耦合隐马尔可夫模型的变压器故障诊断方法
CN104888396A (zh) * 2015-05-20 2015-09-09 重庆大学 一种检测消防水泵在快速启动过程中瞬态故障的方法
JP6678930B2 (ja) * 2015-08-31 2020-04-15 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 分類モデルを学習する方法、コンピュータ・システムおよびコンピュータ・プログラム
JP6360090B2 (ja) * 2016-03-10 2018-07-18 ファナック株式会社 機械学習装置、レーザ装置および機械学習方法
CN107797067B (zh) * 2016-09-05 2019-09-27 北京航空航天大学 一种基于深度学习的锂离子电池寿命迁移预测方法
CN106528951B (zh) * 2016-10-18 2019-10-25 上海博强微电子有限公司 一种动力电池寿命预测及安全预警的方法和装置
CN107392224A (zh) * 2017-06-12 2017-11-24 天津科技大学 一种基于三通道卷积神经网络的作物病害识别算法
CN109145319A (zh) * 2017-06-16 2019-01-04 哈尔滨理工大学 基于深度神经网络的关键设备切削刀具剩余寿命预测方法
CN107247849A (zh) * 2017-06-23 2017-10-13 杭州安脉盛智能技术有限公司 基于比例故障率模型优化机械系统的维护方法及系统
CN107271925B (zh) * 2017-06-26 2019-11-05 湘潭大学 基于深度卷积网络的模块化五电平换流器故障定位方法
CN107330474A (zh) * 2017-07-12 2017-11-07 北京科技大学 一种锂电池梯次利用筛选方法
CN107560849B (zh) * 2017-08-04 2020-02-18 华北电力大学 多通道深度卷积神经网络的风电机组轴承故障诊断方法
US10282589B2 (en) * 2017-08-29 2019-05-07 Konica Minolta Laboratory U.S.A., Inc. Method and system for detection and classification of cells using convolutional neural networks
CN107563451A (zh) * 2017-09-18 2018-01-09 河海大学 一种泵站稳态工况下运行状态识别方法
CN107730040B (zh) * 2017-09-30 2021-03-16 国网山东省电力公司电力科学研究院 基于rbm的电力信息系统日志信息综合特征提取方法和装置
CN107844770A (zh) * 2017-11-03 2018-03-27 东北大学 一种基于视频的电熔镁炉异常工况自动识别系统
US11989861B2 (en) * 2017-11-28 2024-05-21 Intel Corporation Deep learning-based real-time detection and correction of compromised sensors in autonomous machines
CN107992971A (zh) * 2017-12-06 2018-05-04 中建材智慧工业科技有限公司 一种水泥厂设备备件寿命的预测方法及系统
CN108037463B (zh) * 2017-12-15 2020-01-21 太原理工大学 一种锂离子电池寿命预测方法
CN108536938A (zh) * 2018-03-29 2018-09-14 上海交通大学 一种机床刀具寿命预测系统及预测方法
CN108520325B (zh) * 2018-04-16 2021-08-31 北京航空航天大学 一种基于多变环境下加速退化数据的集成寿命预测方法
CN108647136B (zh) * 2018-05-10 2021-05-04 南京道熵信息技术有限公司 基于smart信息和深度学习的硬盘损坏预测方法及装置
CN108875575B (zh) * 2018-05-12 2021-05-11 鲁东大学 基于多通道信号融合深度神经网络自动心律失常分析方法
CN109035242B (zh) * 2018-08-09 2022-03-01 长安大学 一种基于深度学习的hf-erw焊接状态检测方法及装置
CN109465676B (zh) * 2018-09-13 2020-10-16 成都数之联科技有限公司 一种刀具寿命预测方法
CN109145886A (zh) * 2018-10-12 2019-01-04 西安交通大学 一种多源信息融合的异步电机故障诊断方法
CN109522600B (zh) * 2018-10-16 2020-10-16 浙江大学 基于组合深度神经网络的复杂装备剩余使用寿命预测方法
CN109446187B (zh) * 2018-10-16 2021-01-15 浙江大学 基于注意力机制与神经网络的复杂装备健康状态监测方法
CN109472241A (zh) * 2018-11-14 2019-03-15 上海交通大学 基于支持向量回归的燃机轴承剩余使用寿命预测方法
CN109711453B (zh) * 2018-12-21 2022-05-13 广东工业大学 一种基于多变量的设备动态健康状态评估方法
CN109724785B (zh) * 2018-12-29 2024-08-06 中铁工程装备集团有限公司 一种基于多源信息融合的刀具状态监测及寿命预测系统
CN109474483A (zh) * 2019-01-08 2019-03-15 Oppo广东移动通信有限公司 一种设备异常情况的检测方法、检测装置及终端设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844073A (zh) * 2017-09-15 2018-03-27 珠海格力电器股份有限公司 电子设备控制方法、装置、系统、存储介质及处理器
CN108681633A (zh) * 2018-05-11 2018-10-19 上海电力学院 一种基于状态参数的凝结水泵故障预警方法

Also Published As

Publication number Publication date
CN116401604B (zh) 2024-05-28
CN111931798A (zh) 2020-11-13
CN116956174A (zh) 2023-10-27
CN116401604A (zh) 2023-07-07
CN116956174B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
CN111694879B (zh) 一种多元时间序列异常模式预测方法及数据采集监控装置
US10877863B2 (en) Automatic prediction system for server failure and method of automatically predicting server failure
CN107949840B (zh) 用于检测和表征季节的系统
CN115578015A (zh) 基于物联网的污水处理全过程监管方法、系统及存储介质
US11409962B2 (en) System and method for automated insight curation and alerting
CN105071983A (zh) 一种面向云计算在线业务的异常负载检测方法
US10417083B2 (en) Label rectification and classification/prediction for multivariate time series data
CN113807227B (zh) 基于图像识别的安全监测方法、装置、设备及存储介质
US20230034061A1 (en) Method for managing proper operation of base station and system applying the method
CN117110748A (zh) 一种基于融合终端的变电站主设备运行状态异常检测方法
Legrand et al. Study of autoencoder neural networks for anomaly detection in connected buildings
Xiao et al. STFormer: A dual-stage transformer model utilizing spatio-temporal graph embedding for multivariate time series forecasting
CN111931798B (zh) 进行冷头状态分类检测和寿命预测的方法
CN114338351B (zh) 网络异常根因确定方法、装置、计算机设备及存储介质
CN117708602B (zh) 基于物联网的楼宇安全监控方法及系统
CN116760033B (zh) 一种基于人工智能的实时电力需求预测系统
CN118504991A (zh) 一种电力保障区域的停电处理方法、装置、设备及介质
CN117914677A (zh) 网络指标数据告警方法和装置、设备、存储介质
Shen et al. Long-term multivariate time series forecasting in data centers based on multi-factor separation evolutionary spatial–temporal graph neural networks
CN116866152A (zh) 风险操作管控方法、装置、电子设备及存储介质
CN115456168A (zh) 强化学习模型的训练方法、能耗确定方法和装置
Ul Abideen et al. Crowd Flow Prediction: An Integrated Approach Using Dynamic Spatial–Temporal Adaptive Modeling for Pattern Flow Relationships
Chen et al. An aero–engine remaining useful life prediction model based on clustering analysis and the improved GRU–TCN
CN118228161B (zh) 一种电网灾害分析处理的方法及系统
CN117540372B (zh) 智能学习的数据库入侵检测与响应系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Cheng Jingliang

Inventor after: Zhang Wenyuan

Inventor after: Shi Ruiqiong

Inventor after: Wang Tengfei

Inventor after: Peng Qibin

Inventor after: Wen Xiaoyu

Inventor before: Zhang Wenyuan

Inventor before: Shi Ruiqiong

Inventor before: Wang Tengfei

Inventor before: Peng Qibin

Inventor before: Wen Xiaoyu

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant