基于数据计算的医用气体设备运行系统更新方法与流程

本发明涉及人工智能，尤其涉及一种基于数据计算的医用气体设备运行系统更新方法。

背景技术：

1、医用气体设备是医疗机构不可或缺的重要基础设施，为临床诊疗提供必要的气体供应。随着医疗技术的发展和信息化水平的提升，医用气体设备也逐步向智能化、网络化的方向演进。在此背景下，传统的医用气体设备运行系统更新方式逐渐暴露出一些局限性，极需创新的解决方案。

2、在早期，医用气体设备的运行系统更新主要采用定期停机维护的方式，设备需要在预先安排的时间段内停止运行，由工程师现场对系统进行整体更新，这种方式存在诸多局限。随着数据采集和监控技术的发展，医用气体设备开始部署传感器实时记录运行数据；系统根据数据分析结果，在负载相对较低时自动执行定期更新，一定程度上降低了对医疗工作的影响；但仍然存在一些不足，如更新时间不够灵活，医用气体设备需要24小时连续运行，停机更新难以找到合适的时间窗口，仅能避开使用高峰，无法做到完全无感；更新过程仍需停机，时间较长，一旦出现异常中断，可能导致系统陷入不稳定状态，难以快速恢复，影响范围较大；缺乏对更新效果的实时监控和验证，存在一定风险。这些问题对医疗工作的连续性和安全性构成威胁。

技术实现思路

1、基于此，有必要提供一种基于数据计算的医用气体设备运行系统更新方法，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于数据计算的医用气体设备运行系统更新方法，包括以下步骤：

3、步骤s1：通过设备部件传感器进行多维度设备数据采集，得到异构负载数据流；根据异构负载数据流进行负载感知建模，得到动态负载感知模型；根据动态负载感知模型进行实时负载感知，得到动态负载指纹数据；

4、步骤s2：根据动态负载指纹数据进行负载风险耦合建模并进行负载演化趋势分析，得到负载风险耦合模型以及长期负载预测曲线；根据负载风险耦合模型以及长期负载预测曲线进行预测性更新调度，得到最优更新时间表；

5、步骤s3：获取系统更新任务数据；根据系统更新任务数据进行原子化增量更新，得到原子化更新序列数据；

6、步骤s4：对当前运行系统进行动态资源映射，得到资源利用率矩阵；根据资源利用率矩阵以及原子化更新序列数据进行更新任务调度表生成，得到更新任务调度表；根据更新任务调度表进行实时双系统镜像生成，得到镜像新版本系统数据；

7、步骤s5：对镜像新版本系统数据的更新过程进行异常实时监控，得到异常监控数据流；根据异常监控数据流进行智能异常检测，得到异常原因分析报告；根据异常监控数据流以及异常原因分析报告进行异常恢复策略分析，得到异常恢复策略数据；

8、步骤s6：获取医用气体设备业务数据以及获取实时设备用户请求数据；根据医用气体设备业务数据以及获取实时设备用户请求数据进行版本渐进式切换计划生成，得到渐进式流量切换计划数据；根据渐进式流量切换计划数据进行无感知版本切换，以实现医用气体设备运行系统更新作业。

9、本发明通过设备部件传感器采集多维度设备数据，构建动态负载感知模型，实现实时负载感知，得到动态负载指纹数据；可以全面、准确地掌握医用气体设备的实时负载情况，为后续的负载风险分析、更新调度等提供可靠的数据基础，确保系统更新过程的智能化和精细化管理。根据动态负载指纹数据，构建负载风险耦合模型，分析负载演化趋势，得到长期负载预测曲线，并据此进行预测性更新调度，生成最优更新时间表；可以提前识别和评估负载风险，准确预测未来负载走势，合理安排更新时间，最大限度地减少更新对系统性能和用户体验的影响。获取系统更新任务数据，并对更新任务进行原子化和增量化处理，得到原子化更新序列数据；可以将复杂的更新任务分解为多个原子化的更新单元，实现增量式的系统更新，降低更新过程的复杂度和风险，提高更新效率和可靠性。对当前运行系统进行动态资源映射，得到资源利用率矩阵，并结合原子化更新序列数据，生成更新任务调度表，据此实时生成新版本系统的镜像数据；可以根据系统资源的实时状态，优化更新任务的调度和执行，同时通过镜像技术，实现快速、可靠的版本切换，最小化更新过程对系统运行的影响。对镜像新版本系统的更新过程进行实时异常监控，通过智能异常检测，生成异常原因分析报告，并据此制定异常恢复策略；可以及时发现和定位更新过程中的异常问题，快速判断异常原因，并根据预定的恢复策略，自动或半自动地实施异常恢复操作，确保系统更新的稳定性和可靠性。获取医用气体设备业务数据和实时用户请求数据，并据此生成版本渐进式切换计划，得到渐进式流量切换计划数据，最终实现无感知的版本切换和系统更新；可以充分考虑业务特点和用户需求，制定平滑、渐进的版本切换方案，通过流量控制和动态调整，实现用户无感知的系统更新，最大限度地保障业务连续性和用户体验。因此，本发明提供了一种基于数据计算的医用气体设备运行系统更新方法，通过负载感知、增量更新、异常恢复、渐进升级的无感式版本更新，全面解决了医用气体设备系统更新面临的时间窗口选择难、更新时间长、异常恢复困难的问题，实现了高效、可靠、平滑的系统升级。

10、优选地，步骤s2包括以下步骤：

11、步骤s21：对动态负载指纹数据进行多维度特征提取，得到全景负载特征矩阵；对全景负载特征矩阵进行负载模式聚类，得到典型负载模式聚类；

12、步骤s22：根据全景负载特征矩阵进行更新风险评估，得到更新风险热力图；对典型负载模式聚类以及更新风险热力图进行负载风险关联分析，得到负载风险关联知识库；

13、步骤s23：根据负载风险关联知识库进行联合负载风险建模，得到负载风险耦合模型；对全景负载特征矩阵进行负载演化趋势预测，得到长期负载预测曲线；

14、步骤s24：根据负载风险耦合模型以及长期负载预测曲线进行低风险更新窗口识别，得到候选更新窗口集；

15、步骤s25：根据候选更新窗口集进行多目标更新调度优化，得到帕累托最优更新时间集；根据帕累托最优更新时间集进行最优更新时间表生成，得到最优更新时间表。

16、本发明通过对动态负载指纹数据进行多维度特征提取，可以全面刻画负载的特征，形成全景负载特征矩阵；对全景负载特征矩阵进行聚类分析，可以发现典型的负载模式，为后续的风险评估和更新调度提供重要依据。根据全景负载特征矩阵评估更新风险，生成更新风险热力图，直观呈现不同时间点的更新风险水平；通过负载风险关联分析，建立负载模式与风险之间的关联知识库，为风险预测和决策提供知识支持。利用负载风险关联知识库，构建联合负载风险模型，可以综合考虑多个负载之间的风险耦合关系；通过对全景负载特征矩阵进行趋势预测，得到长期负载预测曲线，为制定长期更新计划提供依据。结合负载风险耦合模型和长期负载预测曲线，可以识别出低风险的更新窗口，形成候选更新窗口集；这有助于在保证系统稳定性的同时，选择合适的时间点进行系统更新。通过多目标更新调度优化，在候选更新窗口集中找出帕累托最优的更新时间集，平衡更新效益与风险；基于帕累托最优更新时间集生成最优更新时间表，可以指导实际的系统更新操作，最小化更新对系统性能的影响，提高系统可用性。

17、优选地，步骤s3包括以下步骤：

18、步骤s31：获取系统更新任务数据；对系统更新任务数据进行更新任务解构，得到原子化更新任务集；

19、步骤s32：对原子化更新任务集进行更新依赖关系建模并进行依赖可视化，得到更新任务依赖图；对原子化更新任务集进行更新资源需求计算，得到更新资源需求矩阵；

20、步骤s33：根据更新资源需求矩阵进行更新执行时间计算，得到更新任务执行时间分布图；对原子化更新任务集进行更新风险评估，得到原子化更新风险矩阵；

21、步骤s34：根据原子化更新风险矩阵进行更新优先级划分，得到更新任务优先级向量；根据更新任务优先级向量以及更新资源需求矩阵进行更新冲突检测，得到更新冲突关系图；

22、步骤s35：根据更新任务依赖图、更新任务执行时间分布图、更新任务优先级向量以及更新冲突关系图进行更新执行顺序优化，得到优化更新任务序列；根据原子化更新任务集进行原子化更新包生成，得到原子化更新包集；

23、步骤s36：根据优化更新任务序列以及原子化更新包集进行原子化更新序列确定，得到原子化更新序列数据。

24、本发明通过获取系统更新任务数据，并对其进行解构，可以将复杂的更新任务划分为多个原子化的更新任务，使得更新任务更加细粒度化和可管理；这样可以针对每个原子化更新任务进行单独的分析和处理，提高更新的精细度和可控性。对原子化更新任务集进行依赖关系建模和可视化，可以清晰地呈现更新任务之间的依赖关系，便于理解和管理复杂的更新过程；通过计算每个原子化更新任务的资源需求，形成更新资源需求矩阵，可以量化评估更新对系统资源的需求，为资源分配和调度提供依据。根据更新资源需求矩阵，可以估算每个原子化更新任务的执行时间，生成更新任务执行时间分布图，直观呈现更新任务的时间特性；对原子化更新任务进行风险评估，得到原子化更新风险矩阵，可以量化每个更新任务的风险水平，为后续的更新优先级划分和冲突检测提供重要参考。根据原子化更新风险矩阵，可以对更新任务进行优先级划分，生成更新任务优先级向量，确保高风险或关键的更新任务得到优先处理；通过更新任务优先级向量和更新资源需求矩阵，可以检测更新任务之间的冲突关系，生成更新冲突关系图，为更新任务的调度和协调提供依据。综合考虑更新任务依赖图、执行时间分布图、优先级向量和冲突关系图，可以对更新执行顺序进行优化，得到一个优化的更新任务序列；这样可以最小化更新任务之间的冲突，提高更新效率和可靠性。同时，将原子化更新任务打包生成原子化更新包集，便于更新的分发和部署。根据优化的更新任务序列和原子化更新包集，可以确定最终的原子化更新序列数据；这个序列数据明确了每个原子化更新任务的执行顺序和对应的更新包，为实际的系统更新过程提供了详细的指导和依据，确保更新过程的有序性和正确性。

25、优选地，步骤s5包括以下步骤：

26、步骤s51：对镜像新版本系统数据的更新过程进行异常实时监控，得到异常监控数据流；根据异常监控数据流进行异常实时风险指数计算，得到异常实时风险指数；

27、步骤s52：对异常监控数据流进行多维度分析，得到异常多维度特征向量；利用异常实时风险指数对异常多维度特征向量进行加权融合，得到异常综合评分数据；

28、步骤s53：根据异常多维度特征向量以及异常综合评分数据进行异常智能判断建模，得到异常智能判断模型；利用异常智能判断模型对异常监控数据流进行异常判断，得到异常原因分析报告；

29、步骤s54：根据异常原因分析报告以及预设的异常处理知识库进行异常恢复行动分析，得到异常恢复行动方案；

30、步骤s55：根据异常监控数据流、异常智能判断模型以及异常恢复行动方案进行更新异常恢复策略分析，得到异常恢复策略数据。

31、本发明通过对镜像新版本系统数据的更新过程进行实时异常监控，获取异常监控数据流，并根据该数据流计算异常实时风险指数；可以及时发现更新过程中出现的异常情况，量化异常风险程度，为后续的异常处理提供重要依据，确保更新过程的稳定性和可靠性。对异常监控数据流进行多维度分析，提取异常多维度特征向量，并利用异常实时风险指数对特征向量进行加权融合，得到异常综合评分数据；可以全面分析异常情况的各个维度，综合考虑不同特征对异常的影响程度，生成综合评分，为异常智能判断提供更加准确和全面的数据支持。根据异常多维度特征向量和异常综合评分数据，构建异常智能判断模型，并利用该模型对异常监控数据流进行判断，生成异常原因分析报告；可以利用机器学习等智能技术，自动识别和判断异常情况，快速定位异常原因，生成详细的分析报告，为异常恢复提供决策依据，提高异常处理的效率和准确性。根据异常原因分析报告和预设的异常处理知识库，进行异常恢复行动分析，生成异常恢复行动方案；可以利用已有的异常处理经验和知识，针对具体的异常原因，快速制定有效的恢复方案，指导异常恢复工作的开展，最大限度地减少异常对系统的影响，确保系统的快速恢复。进行更新异常恢复策略分析，生成异常恢复策略数据；可以在异常处理实践的基础上，不断优化和完善异常恢复策略，形成可复用、可迭代的异常恢复知识库，为后续的异常处理提供更加智能化、自动化的解决方案，提高系统的容错能力和稳定性。

32、优选地，步骤s6包括以下步骤：

33、步骤s61：获取医用气体设备业务数据以及获取实时设备用户请求数据；根据医用气体设备业务数据以及获取实时设备用户请求数据进行版本渐进式切换计划生成，得到渐进式流量切换计划数据；

34、步骤s62：根据渐进式流量切换计划数据进行新旧版本流量切换并进行实时切换效果监控，得到实时切换效果指标面板数据；

35、步骤s63：根据异常恢复策略数据以及实时切换效果指标面板数据进行智能异常判断处置，得到实时切换效果指标面板数据；

36、步骤s64：对实时设备用户请求数据进行全链路设备用户体验评估，得到全链路设备用户体验评分数据；

37、步骤s65：根据实时切换效果指标面板数据、实时切换效果指标面板数据以及全链路设备用户体验评分数据进行医用气体设备运行系统更新作业。

38、本发明通过获取医用气体设备业务数据和实时设备用户请求数据，并基于这些数据生成版本渐进式切换计划，得到渐进式流量切换计划数据；可以确保在系统更新过程中，根据实际业务情况和用户需求，制定合理的流量切换策略，实现平稳、渐进的版本切换，最大限度地减少对用户使用的影响。根据渐进式流量切换计划数据，执行新旧版本的流量切换，并实时监控切换效果，生成实时切换效果指标面板数据。；可以确保流量切换按照计划有序进行，同时通过实时监控，及时掌握切换过程中的系统性能和用户体验指标，为后续的异常判断和处置提供依据。根据异常恢复策略数据和实时切换效果指标面板数据，进行智能化的异常判断和处置，生成处置后的实时切换效果指标面板数据；可以利用预先制定的异常恢复策略和实时监控数据，智能识别切换过程中出现的异常情况，并及时采取相应的处置措施，确保系统的稳定运行和用户体验的持续优化。对实时设备用户请求数据进行全链路的设备用户体验评估，生成全链路设备用户体验评分数据；可以从端到端的角度，全面评估系统更新过程中的用户体验情况，包括设备性能、响应速度、功能可用性等多个维度，为优化用户体验提供量化的评估结果。综合考虑实时切换效果指标面板数据和全链路设备用户体验评分数据，开展医用气体设备运行系统的更新作业；可以在系统更新的全过程中，持续监测和评估系统性能和用户体验，并据此动态调整更新策略，确保更新过程的平稳进行和更新结果的优化，为医用气体设备的稳定运行和高质量服务提供有力保障。