[发明专利]一种仪器设备使用率判断的方法

说明书

本发明提供一种仪器设备使用率判断的方法，包括以下模块：数据获取层、数据处理层、状态监测层和设备评估层。在数据获取层，本发明通过各种传感器以及摄像头采集设备和工作人员的特征数据；在数据处理层，采用特征提取和数据挖掘等方法处理特征数据；在状态监测层，利用神经网络技术学习、分析、识别设备的使用状况；在设备评估层，通过图形化方式量化设备的使用状况，提高仪器设备的使用率。为合理配置仪器设备提供科学依据，更好的发挥仪器设备的使用效益。

技术领域

本发明涉及人工智能和物联网领域，具体涉及一种仪器设备使用率判断的方法。

背景技术

近年来，为实现建设创新型国家的战略目标，国家不断加大仪器设备的投入，为科技创新提供良好的基础环境；但与此不协调的是，一些研究型、非自动化的仪器设备普遍存在设备资源分布不均衡、使用率低、效益不明显等问题；其中，针对仪器设备使用率低问题，以往的监测系统对仪器设备使用率统计困难而且不准确，导致仪器设备的使用状态判断不正确，不利于设备的合理分配，降低了仪器设备的利用率；而本发明通过机器学习技术分析传感器、摄像头等设备采集的数据来判断仪器设备的实时状态，合理调度仪器设备，进而提高仪器设备的使用率。

发明内容

本发明的目的在于解决仪器设备使用率低的问题，为此提供一种仪器设备使用率判断的方法。

为了解决上述问题，本发明采用如下技术方案。

一种仪器设备使用率判断的方法，该方法基于一套监测系统实现，所述方法包括如下步骤：

S1.通过传感器、摄像头等设备采集仪器设备以及实验室工作人员的相关数据，然后对采集的数据进行初步的处理和传输；

S2.从数据获取层接收数据并对其进行预处理、特征提取等分析处理，使数据符合后续使用要求；

S3.根据特征数据创建并调优仪器设备使用率判断模型以及应用模型；

S4.评估仪器设备的使用情况，高效使用仪器设备。

步骤S2的具体步骤如下：

S21.对采集的数据进行错误数据和冗余数据的剔除，筛选有效的数据，采用统计分析方法进行数据特征提取；

S22.改变数据格式，使数据符合后续模型训练的要求。

步骤S3的具体步骤如下：

S31.根据仪器设备数据特征创建相应的神经网络模型，具体步骤如下：

A.对仪器设备的样本数据进行标准化和增加数据维度；

B.设置神经网络的输入层和输出层的权重和偏置变量；

C.定义神经网络的框架；

D.训练神经网络模型并调优模型以降低损失率。

S32.利用训练好的模型对仪器设备的使用情况进行判断。

与现有技术相比，本方法的优点如下：

通过神经网络算法对仪器设备进行使用状态判断，智能而又方便的掌握仪器设备的使用情况，从而合理分配仪器设备，提高仪器设备的使用率。

附图说明

图1是本发明一种仪器设备使用率判断的方法流程示意图。

图2是本发明实施例中神经网络算法框架示意图。

具体实施方式

下面结合附图通过具体实施例对本发明进一步说明：

参见附图1所示，本实施例所述的是一种仪器设备使用率判断的方法，包括以下步骤：