论文部分内容阅读
随着科学技术在医疗领域的迅猛发展,使用的医疗器械设备越来越精密复杂,为了保证设备能够正常稳定的运行,及时快速的发现设备故障,并精准的进行定位显得尤为重要。传统的人工故障检测方法,存在维修周期长、费用高等各种问题。随着互联网技术、人工智能以及大数据的发展设备的各种数据不断被收集,采用一套行之有效的设备故障检测方法对设备进行分析检测,有利于加快设备故障信息的发现,使仪器设备得到及时的维护维修,提高设备的使用效率。本文旨在设计实现一种基于PSO_RF(粒子群算法优化随机森林)的双向特征选择和LightGBM(Light Gradient Boosting Machine)的故障检测方法,主要工作包括:(1)设计了基于PSO_RF双向特征选择和LightGBM设备故障检测方法。本文研究了随机森林用于特征选择的主要思想和LightGBM进行设备故障信息分类的原理,深入分析了有代表性的医学影像设备数据及其特征属性的特点,设计了基于PSO_RF双向特征选择和LightGBM的设备故障检测模型。(2)实现了基于PSO_RF双向特征选择和LightGBM设备故障检测方法。本文研究了设备故障检测算法的背景和实际意义,将所设计的故障检测算法应用于仪器共享平台项目建设中,提高了设备的使用率,完善了仪器共享平台。(3)本文对于设计的故障检测算法和仪器共享平台进行了实际应用分析。特征选择方面,通过与CFS对比,结果表明本文所用特征选择方法优于CFS;故障检测方面,使用随机森林、GBDT和LightGBM算法建立模型,通过实验对比,LightGBM在准确率和性能方面具有明显优势。通过这两方面,验证了本文提出的基于PSO_RF双向特征选择和LightGBM故障检测方法的有效性。最后成功应用于仪器共享平台项目实施中,并取得了很好的应用效果。本文将故障检测方法与仪器共享平台的建设相结合,实现了对设备状态的监管和对故障点的快速精准定位,成功解决了仪器设备的故障检测问题实现了对设备状态的监管和对故障点的快速精准定位。