加强大型医疗设备的健康意识控制与贝叶斯图注意力基于变压器的概率剩余的有用寿命预测

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 预测性维护是指预测性维护.

背景情况:

• 大型医疗设备 (MRI,CT,线性加速器) 对医疗保健质量至关重要.
• 当前的维护策略 (计划式,反应式) 是低效的,导致停机时间和成本.
• 设备健康数据的不确定性阻碍了有效的健康意识控制 (HAC) 和维护.

研究的目的:

• 开发用于大型医疗设备的概率剩余使用寿命 (RUL) 预测方法.
• 通过解决预测不确定性来改善健康意识控制 (HAC) 和维护安排.
• 提高关键医疗保健基础设施的可靠性和寿命.

主要方法:

• 一个贝叶斯图的注意力转换器模型被开发用于RUL预测.
• 图表注意力网络从传感器数据中提取空间关系.
• 变压器模型捕获了时间依赖性,使联合时空分析成为可能.
• 一个改进的贝叶斯网络量化了RUL预测不确定性 (信心区间).

主要成果:

• 拟议的方法实现了CT和MRI设备更准确和可靠的RUL预测.
• 实验结果显示其优于现有的RUL预测技术.
• 该框架通过平衡设备性能和寿命,有效支持HAC决策.

结论:

• 新的概率性RUL预测方法增强了维护计划和HAC策略.
• 准确的RUL预测与不确定性量化改善了关键医疗设备的管理.
• 这种方法有助于优化医疗保健基础设施性能和患者护理.