Objectiu: Predicció del fracàs d'equips complexos (per exemple, dispositius d'imatges per ressonància magnètica, tomografies computeritzades).
Dades
Registres de l’equip.
Mètode
Aprenentatge seqüencial + raonament casuístic i probabilístic.
Resultats
97 % d’èxit.
L’ús d’equips mèdics complexos (Magnetic Resonance Imaging – MRI, Computer Tomography – CT, Positron Emission Tomography – PET-CT) ha estat crucial per al diagnòstic del pacient. Se sap que aquest equip és complex, compost de diverses peces i subsistemes, tots ells subjectes a altes limitacions de seguretat, ja que estan utilitzant tecnologia en matèria de salut humana. Per tant, si hi ha una desviació mínima d’un paràmetre de configuració donat del component d’equip, s’estableix una alarma i s’atura. No obstant això, quan una màquina falla, causa molts problemes en el servei clínic. Per tant, una situació desitjada és monitoritzar l’equip mèdic perquè es puguin predir els errors.
Utilitzem l’aprenentatge seqüencial per aprendre patrons de falla de registres uniformes produïts pels components de les màquines. Els patrons s’utilitzen en un sistema de raonament basat en casos per predir les fallades.
D’altra banda, vam explorar un enfocament probabilístic per crear models predictius basats en l’explotació dels registres de manteniment existents per a l’estimació de les taxes de fracàs i les relacions causa-efecte internes per construir aquests models.
Objectiu: Monitorització de flux de treball per a la reparació d'equips.
Dades
Simulada.
Mètode
Petri nets, agents, subhastes, heurístiques.
La tecnologia mèdica és ara una part integral de l’atenció de la salut d’acord a les normes generalment acceptades. La seva compra i operació, per tant, representen una posició econòmica important i tots dos estan subjectes a intents d’optimització quotidiana.
Utilitzem Petri nets per al modelatge del flux de treball i processament d’esdeveniments complexos (CEP) per supervisar el flux de treball per predir possibles retards.