本发明涉及医用加速器预警，尤其涉及一种基于大语言模型的医用加速器故障预警系统及方法。
背景技术：
1、医用加速器是一种利用高能射线（如光子、电子、质子或重离子）进行放射治疗的设备。它们将这些高能射线定向照射到肿瘤组织上，以破坏癌细胞的dna，从而抑制肿瘤生长或消灭癌细胞。
2、医用加速器作为放射治疗的关键设备，其运行状态直接影响到患者的治疗效果和安全性。传统的故障检测方法主要依赖于人工巡检和定期维护，存在滞后性和主观性等问题。随着人工智能技术的快速发展，特别是大语言模型在自然语言处理领域的广泛应用，为医用加速器的故障预测与预警提供了新的解决方案。然而，目前市场上尚未有成熟的应用于医用加速器故障预测与预警的大语言模型系统。
技术实现思路
1、本发明的目的在提供一种基于大语言模型的医用加速器故障预警系统及方法，解决了上述医用加速器故障检测存在滞后性和主观性的问题。
2、为实现上述目的，本发明提供了一种基于大语言模型的医用加速器故障预警系统，包括，
3、数据采集模块，用于获取医院信息系统中病人的医疗方案信息、和医用加速器的当前设备参数以及历史维修参数；
4、数据处理模块，用于将病人的医疗方案信息和医用加速器的工作参数进行预处理和剔除异常数据点，获得处理后的病人相关医疗数据和医用加速器参数数据；
5、大语言模型预测模块，包括，
6、设备历史维修单元，用于通过设备历史维修过程分析医用加速器的故障原因，将医用加速器标记为分析对象，把分析对象频繁故障的部位进行分析，将分析对象划分为多个故障区，通过分析将分析对象的部位分为高频故障部位、中频故障部位和低频故障部位，通过生成高频故障标记、中频故障标记和低频故障标记，并将其与对应的故障区进行标记；
7、维修处理归集单元，用于将分析对象的历史维修记录和设备参数进行规整，将分析对象各个故障区维修处理方案进行分析故障原因，通过分析将维修处理方案分为偶发维修方案和特定维修方案，通过生成偶发维修标记和特定维修标记，并将其对应的维修方案归集；
8、故障预测单元，用于将获得的病人医疗数据和医用加速器参数数据带入老化率计算公式，并根据老化公式计算结果预测医用加速器采用病人医疗方案后设备老化情况，并将输出老化率结果，
9、其老化率（olrate）计算公式为：
10、；
11、；
12、；
13、；
14、；
15、其中，freq为医用加速器使用频率，time为医用加速器总使用时间，dosetype为照射剂量分类后的效能因子，cone为标准化后的剂量大小
16、影响因子，load为设定时间内执行的治疗剂量，repairs为医用加速器的故障维修次数，fr为医用加速器设定时间内的故障发生率，
17、、、......分别为对应的权重系数，
18、α、β、γ、δ、η分别为对应的非线性函数参数，
19、thresh1、thresh2、thresh3分别为变量的阈值，x＞thresh为二值函数，当x大于thresh时，取值1，反之为0；
20、故障分析单元，用于将分析对象的各部位老化率（olrate）、故障维修次数（repairs）和故障发生率（fr），预测出医用加速器采用病人医疗方案后各部件故障情况以及生成该故障情况的建议方案；
21、用户交互模块，用于将故障预测结果和建议方案通过界面与用户进行交互，提供预测报告生成、建议方案查询和预测提醒功能。
22、优选地，所述数据处理模块通过构建照射剂量和效能对应规则数据库，为每类剂量设定效能范围，通过决策树、支持向量机（svm）或神经网络的算法，对医疗方案中的照射剂量名称作为输入特征，将已知的照射剂量分类后的效能因子作为输出标签进行匹配，再根据类别赋予相应的效能因子；
23、所述数据处理模块通过对医疗方案文本进行解析，查找关键词，准确提取照射剂量的大小值，并通过统计历史数据中该照射剂量的最小值cmin和最大值cmax，对新的照射剂量cnew进行归一化处理，得到标准化后的剂量大小影响因子，
24、计算公式：。
25、优选地，所述数据处理模块采用箱线图法来识别和剔除医用加速器参数异常值，计算其四分位数q1、q3，确定数据点上下限范围，
26、计算公式如下：
27、下限=，上限=，
28、其中iqr=。
29、优选地，一种基于大语言模型的医用加速器故障预警方法，采用上述的任一一种基于大语言模型的医用加速器故障预警系统，包括：
30、s1、获取医院信息系统中病人的医疗方案信息、和医用加速器的当前设备参数以及历史维修参数；
31、s2、对获取的数据进行预处理，
32、对病人的医疗方案信息进行清洗和标准化处理，获得统一的数据格式和参数；
33、对医用加速器的当前设备参数以及历史维修参数，采用箱线图法来识别和剔除异常值，计算其四分位数q1、q3，确定数据点上下限范围，
34、计算公式如下：
35、下限=，上限=，
36、其中iqr=；
37、s3、计算医用加速器各故障区故障频率值，并通过分析故障情况对故障区进行分类：高频故障部位、中频故障部位和低频故障部位，且根据故障频率值对各故障区进行等级排列以及生成相应标记，
38、其故障部位的频率值f计算公式为：
39、；
40、其中，t0为医用加速器各部位的平均使用时间，n为医用加速器各部位故障维修次数，i0为医用加速器各部位正常保养情况下允许的最长闲置时间，m0为医用加速器各部位故障的平均维修时间（针对该类型故障的平均维修时间），d0为医用加速器的定期检测周期，a、b、c、d、e分别为对应的权重系数；
41、s4、将医用加速器的历史维修记录和设备参数进行规整，将医用加速器各个故障区的历史维修处理方案进行分析故障原因，通过分析将维修处理方案分为偶发维修方案和特定维修方案，通过生成偶发维修标记和特定维修标记，并将其对应的维修方案归集；
42、s5、对s3分类后的高频故障部位、中频故障部位和低频故障部位依照等级排列分别进行预算设备老化率（olrate），采用s2预处理后的数据带入老化率（olrate）计算公式，
43、其老化率（olrate）计算公式为：
44、；
45、；
46、；
47、；
48、；
49、其中，freq为医用加速器使用频率，time为医用加速器总使用时间，dosetype为照射剂量分类后的效能因子，cone为标准化后的剂量大小影响因子，load为设定时间内执行的治疗剂量，repairs为医用加速器的故障维修次数，fr为医用加速器设定时间内的故障发生率，
50、、、......分别为对应的权重系数，
51、α、β、γ、δ、η分别为对应的非线性函数参数，
52、thresh1、thresh2、thresh3分别为变量的阈值，x＞thresh为二值函数，当x大于thresh时，取值1，反之为0；
53、通过预算得出各部位设备老化率，若老化率（olrate）≥设定阈值（threshold），则进行s6；若老化率（olrate）＜设定阈值（threshold），则进行s8，
54、其中，设定阈值（threshold）为医用加速器设备性能老化警戒线数值，当预算老化率低于设定阈值，则表示设备性能受到严重影响，反之则表示设备性能足够满足使用需求；
55、s6、将分析对象的各部位老化率（olrate）、故障维修次数（repairs）和故障发生率（fr），预测出医用加速器采用病人医疗方案后各部件故障情况以及生成该故障情况的建议方案；
56、s7、将故障预测结果和建议方案通过界面与用户进行交互，提供预测报告生成、建议方案查询和预测提醒功能；
57、s8、将故障预测结果进行保存，并生产历史记录。
58、优选地，所述s3计算出部位故障频率值f后，对部位再进行模糊隶属函数计算，
59、其模糊隶属函数计算公式为：
60、高频故障隶属度 μhf(f)；
61、中频故障隶属度 μmf(f)；
62、低频故障隶属度 μlf(f)=1-μhf(f)-μmf(f)；
63、其中，j、k为预设定参数，
64、j表示部位在设定周期内故障次数超过阈值后，部位进入高风险状态；
65、k表示部位故障从正常转化到异常速度快慢，
66、当μhf(f)＞ μmf(f)且μhf(f)＞μlf(f)，则该部位会被分类为高频故障部位，并生成标记：高频故障部位[隶属度μhf(f)]，
67、当μmf(f)＞ μhf(f)且μmf(f)＞μlf(f)，则该部位会被分类为中频故障部位，并生成标记：中频故障部位[隶属度μmf(f)]，
68、当μlf(f)＞ μhf(f)且μlf(f)＞μmf(f)，则该部位会被分类为低频故障部位，并生成标记：低频故障部位[隶属度μlf(f)]；
69、并依据隶属度数值大小进行等级排列。
70、优选地，所述s6对医用加速器的历史维修记录和设备参数进行分析，步骤如下：
71、s61、计算每单位使用频率下的故障维修次数r1=repairs / freq，
72、和每单位治疗剂量下的故障维修次数r2=repairs / load，
73、若r1＞z1，且r2<z2，则判断此维修方案为偶发维修方案，其中z1、z2为预设值，若条件不满足则进入下一步判断；
74、s62、将收集到的故障发生率（fr）和治疗剂量（load）的数据绘制成散点图，以治疗剂量（load），故障发生率（fr）为纵轴，把每一组数据对应的点标注在图上，通过散点图观察点的分布情况进行分析，
75、若点的分布呈现一条直线形状，具有明显的线性关系，则判断为特定维修方案，若点的分布呈分散状态，不具有明显的线性关系，则进入下一步判断；
76、s63、将收集到的故障发生率（fr）和使用频率（freq）的数据绘制成散点图，以使用频率（freq），故障发生率（fr）为纵轴，把每一组数据对应的点标注在图上，通过散点图观察点的分布情况进行分析，
77、若点的分布呈现一条直线形状，具有明显的线性关系，则判断为特定维修方案，若点的分布呈分散状态，不具有明显的线性关系，则判断为偶发维修方案。
78、优选地，所述设定阈值计算公式为：设定阈值（threshold），
79、其中，表示历史老化率数据的平均值，表示历史老化率数据的标准差，为系数，的取值范围为[1,2]。
80、本发明的有益效果：
81、1、本发明利用大语言模型可以对大量的历史数据进行学习和分析，挖掘出隐藏在数据中的规律和关系，从而提高故障预警的准确性。与传统的故障预警系统相比，本发明的故障预警系统具有更高的智能性和适应性。
82、2、本发明的老化率公式综合了多个影响设备老化的因素，如使用频率、使用时间、照射剂量类型等，这使得评估更加全面；通过权重系数（w1到w7）和非线性函数参数（α, β,γ, δ, η），可以根据不同设备或环境的特点调整各因素的影响力度，使公式更具有针对性；通过设置阈值（thresh1, thresh2, thresh3），可以突出某些因素在超过特定值后对老化率的显著影响，使模型能够反映临界条件下的老化加速现象。
83、3、本发明的预警方法在多个环节采用多因素融合的分析方法，如故障频率计算、设备老化率计算、故障预测等。与传统的单一因素分析方法相比，本发明能够更全面、准确地反映医用加速器的运行状态、故障风险和老化情况。
1.一种基于大语言模型的医用加速器故障预警系统，包括，
2.如权利要求1所述的一种基于大语言模型的医用加速器故障预警系统，其特征在于，所述数据处理模块通过构建照射剂量和效能对应规则数据库，为每类剂量设定效能范围，通过决策树、支持向量机（svm）或神经网络的算法，对医疗方案中的照射剂量作为输入特征，将已知的剂量分类后的效能因子作为输出标签进行匹配，再根据类别赋予相应的效能因子；
3.如权利要求1所述的一种基于大语言模型的医用加速器故障预警系统，其特征在于，所述数据处理模块采用箱线图法来识别和剔除医用加速器参数异常值，计算其四分位数q1、q3，确定数据点上下限范围，
4.一种基于大语言模型的医用加速器故障预警方法，采用如权利要求1~3任一项的一种基于大语言模型的医用加速器故障预警系统，其特征在于，包括：
5.如权利要求4所述的一种基于大语言模型的医用加速器故障预警方法，其特征在于，所述s3计算出部位故障频率值f后，对部位再进行模糊隶属函数计算，
6.如权利要求4所述的一种基于大语言模型的医用加速器故障预警方法，其特征在于，所述s6对医用加速器的历史维修记录和设备参数进行分析，步骤如下：
7.如权利要求4所述的一种基于大语言模型的医用加速器故障预警方法，其特征在于，所述设定阈值计算公式为：设定阈值（threshold），
