ОРГАНИЗАЦИЯ ТЕХНИЧЕСКОГО ОБСЛУЖИВАНИЯ И РЕМОНТА МЕДИЦИНСКОЙ ТЕХНИКИ В УСЛОВИЯХ ОГРАНИЧЕННОГО РЕСУРСА

Обложка

Цитировать

Полный текст

Аннотация

Актуальность и цели. Рассматривается актуальная проблема организации технического обслуживания и ремонта современной медицинской техники в условиях низкой доступности комплектующих и запасных частей и ограниченного ресурса. Материалы и методы. Впервые предложена модель декомпозированного ресурса и изложен опыт ее использования на практике для организации технического обслуживания и ремонта медицинской техники с учетом современных требований и условий эксплуатации. Mодель декомпозированного ресурса основана на иерархическом разбиении единицы медицинского оборудования (устройства) на составляющие по критерию автономности и периодичности обслуживания и ремонта. Автономность означает реализуемость раздельного обслуживания и ремонта комплектующих с учетом требований надежности и безопасности оборудования. Определено требование необходимости и достаточности обслуживания единицы медицинского оборудования в виде требования единства покрытия событиями технического обслуживания и ремонта его комплектующих. Результаты. Предложено использовать указанную модель декомпозированного ресурса при решении задачи управления техническим обслуживанием и ремонтом при переходе от планирования по регламенту к планированию по ресурсу. Разработанная модель декомпозированного ресурса была реализована при планировании технического обслуживания и ремонта некоторых видов медицинской техники в клиниках Самарского государственного медицинского университета для случаев невозможности регламентного обеспечения запасными частями и комплектующими. Выводы. Предложенная модель декомпозированного ресурса позволяет реализовать адаптивные методы планирования и управления техническим обслуживанием и ремонтом медицинской техники в системах поддержки принятия решений по эксплуатации оборудования с ограниченным ресурсом.

Об авторах

Антон Владимирович Иващенко

Самарский государственный медицинский университет

Автор, ответственный за переписку.
Email: anton.ivashenko@gmail.com

доктор технических наук, профессор, директор Передовой медицинской инженерной школы

(Россия, г. Самара, ул. Чапаевская, 89)

Кирилл Константинович Машков

Пензенский государственный технологический университет

Email: k.k.mashkov@samsmu.ru

аспирант

(Россия, г. Пенза, пр-д Байдукова, 1А)

Список литературы

  1. Jiang X., Hu Z., Wang S., Zhang Y. Deep learning for medical image-based cancer diagnosis // Cancers. 2023. Т. 15, № 14. P. 3608.
  2. Ганус Ю. А., Порфирьев А. С. Теоретические основы моделирования интегрированной логистической поддержки // Экономика высокотехнологичных производств. 2023. Т. 4, № 1. С. 51–72. doi: 10.18334/evp.4.1.119518
  3. Морозов А. И., Рыков В. В. Обслуживание и ремонт медицинской техники. М. : Медицина, 2018. 328 с.
  4. Болиева М. В. Проблема импортозамещения медицинского оборудования и его расходных материалов для проведения функциональных методов исследования в кардиологии // Интернаука. 2022. № 46-5 (269). С. 56–57.
  5. Истомина Т. В. Современное состояние и перспективы применения инфокомму- никационных технологий в российской медицине // Медицинская техника. 2021. № 1 (325). С. 30–33.
  6. Шелехов П. В., Омельяновский В. В. Анализ парка рентгенологического оборудования в Российской Федерации // Медицинские технологии. Оценка и выбор. 2023. № 3 (45). С. 26–32. doi: 10.17116/medtech20234503126
  7. Басова Л. А., Мартынова Н. А., Кочорова Л. В. Проблемы надежности в медикотехнической практике // Здравоохранение. 2014. № 1. С. 106–112.
  8. Сидоров И. В. Техническое обслуживание медицинской техники: проблемы и перспективы // Медицинская техника. 2019. № 4. С. 3–8.
  9. Нестерова Е. В., Игрунова С. В., Григоренко И. Н. [и др.]. Автоматизация прогнозирования неисправностей медтехники // Автоматизация и моделирование в проектировании и управлении. 2024. № 3 (25). С. 13–22. doi: 10.30987/2658-6436- 2024-3-13-22
  10. Ван Квонг Сай, Щербаков М. В. Метод прогнозирования остаточного ресурса на основе обработки данных многообъектных сложных систем // Прикаспийский журнал: управление и высокие технологии. 2019. № 1 (45). С. 33–44.
  11. Юрцев Е. С., Савинов Ю. И., Куликова Д. В., Жигарь А. Н. Современные методы диагностики сложных технических систем в условиях цифрового производства // Станкоинструмент. 2020. № 2 (19). С. 64–71.
  12. Правда О. Ю., Яроцкая Н. А. Влияние высокоточной диагностики состояния оборудования на экономику промышленных предприятий // Станкоинструмент. 2022. № 2 (027). С. 78–81.
  13. Постникова Е. С., Яроцкая Н. А., Сидоров И. М., Кошевой А. Р. Методы определения времени на техническое обслуживание и ремонт механообрабатывающего оборудования // Известия Тульского государственного университета. Технические науки. 2024. № 9. С. 96–101. doi: 10.24412/2071-6168-2024-9-96-97
  14. Насонов М. А., Решетников И. С. Архитектурная трансформация системы технического обслуживания оборудования на промышленном производстве // Автоматизация в промышленности. 2025. № 3. С. 3–11.
  15. Yang L., Chen Y., Ma X. [et al.]. A prognosis-centered intelligent maintenance optimization framework under uncertain failure threshold // IEEE Transactions on Reliability. 2024. Vol. 73, № 1. Р. 115–130.
  16. Cummins L., Sommers A., Ramezani S. B. [et al.] Explainable predictive maintenance: a survey of current methods, challenges and opportunities // IEEE Access. 2024. Vol. 12. Р. 57574–57602.
  17. Яхья А. А. Совершенствование моделей предиктивной диагностики и оценки со- стояния трансформаторного оборудования энергообъектов : дис. … канд. техн. наук : 05.14.02. 2022. 193 с.
  18. Поляков А. А., Чихладзе З. Д., Умнов П. И. Предиктивный анализ при проведении ТОИР // Актуальные вопросы современной науки и образования : сб. ст. X Междунар. науч.-практ. конф. (Пенза, 20 мая 2021 г.) : в 2 ч. Пенза : Наука и Просвеще- ние, 2021. Ч. 1. С. 40–43.
  19. Долгов О. С., Сафоклов Б. Б. Проектирование модели технического обслуживания и ремонта воздушных судов с использованием искусственных нейронных сетей // Вестник Московского авиационного института. 2022. Т. 29, № 1. С. 19–26. doi: 10.34759/vst-2022-1-19-26
  20. Taillard É. D. Decomposition methods. in: design of heuristic algorithms for hard optimization // Graduate Texts in Operations Research. Springer, Cham, 2023. Р. 131–152. doi: 10.1007/978-3-031-13714-3_6
  21. Nadkarni P. M. Metadata-driven software systems in biomedicine: designing systems that can adapt to changing knowledge. Springer Science & Business Media, 2011. Р. 72.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».