饶季勇 李 聪 钱雪忠，2

（1.江南大学物联网工程学院 无锡 214122）

（2.江南大学物联网技术应用教育部工程研究中心 无锡 214122）

1 引言

随着各医院医疗设备数量和种类的不断增长，设备的运维问题也日益凸显，做好医疗设备运维的质量保证，对于临床诊断和治疗工作有着重大的意义［1］，数字化时代的到来，更激发了对制造业及其运营的全新思考，工业4.0运用IOT技术动态响应设备需求，机械传感器与控制系统互联互通，可实现医疗信息化系统用于医疗设备的预测性维护、统计评估等［2］。根据大数据的定义，医院所生成的医疗设备运行数据可以被认为是大数据［3］。这些海量数据蕴含着大量对设备运行有应用价值的信息。数据挖掘能从这些历史数据中提取出故障相关信息，进行设备故障的诊断。

传统的数据挖掘面对海量医疗设备大数据时，难以满足性能需求。越来越多的学者开始向大数据预测性维护方向进行研究［5～6］，但针对医疗设备运维大数据研究却不多，通过对Spark的研究发现，Spark是一个基于内存的并行计算框架，避免了Ha⁃doop将中间结果存入磁盘，再从磁盘中重读的繁琐问题，因此Spark相比于Hadoop MapReduce在迭代计算方面更加高效。在面对设备异常数据时，通常采用聚类算法进行数据分析，例如孟建良、刘德超［12］就电力系统不良数据采用并行K-means算法进行实验，实现电力系统负荷信息的检测；宋鸣程等［15］提出一种基于Spark的K-means算法和FP-Growth算法结合的新方法对火电大数据进行处理，挖掘到目标的强关联规则，从而得到各工况下的参数达到过的最优值，并对机组运行进行优化指导。……