高影响程度故障码挖掘方法及计算机可读存储介质与流程

本申请涉及数据处理技术，尤其涉及一种高影响程度故障码挖掘方法及计算机可读存储介质。

背景技术：

大型医疗设备因结构和工作原理比较复杂，加之设备工作时会处于高压高热高速的状态下，因此，设备的工作过程也是各部件不断损耗的过程，这个过程中，会导致设备产生出种类纷繁复杂的异常类型，这些异常类型通常被作为故障码，实时地被记录下来。

对于批量投入市场的大型医疗设备来说，这些设备工作的每一阶段(周、月等等)都会产生大量的故障码信息，这些故障码是影响设备健壮程度的最直接表现，同时也可能隐藏着某部件在加速损耗的现状。因此，需要从影响最大的故障码或者故障码群开始入手，通过技术改良、工艺优化等手段有针对性的降低故障码带来的影响、减少故障码出现的频次。此过程往复循环，可实现设备故障影响的逐步降低，从而有效提升设备的健壮性，延长设备的使用寿命。

技术实现要素：

本申请的一个方面提供一种高影响程度故障码挖掘方法，包括：确定表征故障码重要性的所述故障码的影响系数；根据所述故障码的影响系数和所述故障码的数量确定所述故障码的故障发展趋势线；及根据所述故障发展趋势线从若干种故障码中确定所述高影响程度故障码。

本申请的另一个方面提供一种高影响程度故障码挖掘方法，包括：确定表征故障码重要性的所述故障码的影响系数；根据所述故障码的所述影响系数和所述故障码的数量确定所述故障码的影响指数，其中，所述影响指数表征所述故障码对故障发展趋势的影响程度；及比较若干种故障码的所述影响指数来确定所述高影响程度故障码。

本申请的再一个方面提供一种计算机可读存储介质，存储有指令，在被一个或多个处理器执行时，使所述一个或多个处理器来执行高影响程度故障码挖掘方法，所述方法包括：确定表征故障码重要性的所述故障码的影响系数；根据所述故障码的影响系数和所述故障码的数量确定所述故障码的故障发展趋势线；及根据所述故障发展趋势线确定所述高影响程度故障码。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请实施例，并与说明书一起用于解释本发明的原理。

图1是本申请的高影响程度故障码挖掘方法的一个实施例的流程图；

图2是图1所示的方法中确定故障码的影响系数的步骤的一个实施例的流程图；

图3是图1所示实施例中确定故障发展趋势线的步骤和确定高影响程度故障码的步骤的一个实施例的流程图；

图4是图3所示的方法中故障发展趋势线的一个实施例的示意图；

图5是图1所示实施例中确定故障发展趋势线的步骤和确定高影响程度故障码的步骤的另一个实施例的流程图；

图6是图1所示实施例中确定故障发展趋势线的步骤和确定高影响程度故障码的步骤的另一个实施例的流程图；

图7是图1所示实施例中确定故障发展趋势线的步骤和确定高影响程度故障码的步骤的另一个实施例的流程图；

图8是本申请的计算机可读存储介质的一个实施例的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请实施例相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请实施例的一些方面相一致的装置和方法的例子。

在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。本申请说明书以及权利要求书中使用的“第一”“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“包括”或者“包含”等类似词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的元件或者物件及其等同，并不排除其他元件或者物件。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

本申请实施例可以应用于大型医疗设备中。大型医疗设备可以包括分布在不同医疗机构中的设备。每一个医疗机构也可以设置一台或多台相同类型的医疗设备。上述医疗设备可以是：ct(computedtomography，电子计算机断层扫描)、pet(positronemissiontomography，正电子发射计算机断层扫描)、mri(magneticresonanceimaging，磁共振成像)或超声波等医疗影像设备等。大型医疗设备因其结构和工作原理的复杂度，故障码种类化分得非常细致，数量级可达到1000-2000，甚至更多。而且，设备生命周期中，同一个故障可能引发多种故障码组合出现，同一种故障码也可能是多个故障的表现。即，故障码与故障可能是多对多关系。有些故障码可能因为一个故障尚未解决而反复出现，有些故障码也可以只在设备扫描工作时出现。由此构成了庞大复杂的大型医疗设备的故障码集。

在设备中，高影响程度的故障码或者故障码群对设备产品的良性发展起着重要作用。有意义的高影响程度故障码或者故障码群的挖掘结果可以指导设备产品向着更稳定，更低故障率的方向发展。相关技术中对于该结果常用的获取方法是运用概率统计等技术，在收集到的故障码集中对每种故障码的影响程度进行量化估算，将量化值由高到低依次取得。但对于大型医疗设备的故障码体系，内部关系交织复杂，随机因素较多，因此量化估算的路线，很难找出指导意义较强的对设备的良性发展影响程度最大的故障码或者故障码群。

因此，本申请实施例提供了基于趋势分析比对的一种新的高影响程度故障码挖掘方法，可以在大型医疗设备故障码体系中，挖掘出对设备的良性发展产生影响最大的故障码或者故障码群，为设备故障趋势能向良性发展提供有直接指导意义的优化参考。

然而，本申请实施例的高影响程度故障码挖掘方法还可以应用于其他设备或系统中。

图1所示为一个实施例的高影响程度故障码挖掘方法的流程图。该方法包括步骤11-步骤13。其中，

在步骤11中，确定表征故障码重要性的故障码的影响系数。

在一可选的实施例中，本步骤11包括子步骤111和子步骤112，如图2所示。其中，

在子步骤111中，确定故障码的重要度等级。

在本申请实施例中，可以为设备各部件及系统工作设计若干种可能出现的故障，每种故障可能会出现多种异常，而每种异常对应一种故障码，并且根据每种故障码本身的特征，为故障码划分重要度等级(例如等级1-10)，等级越大表示故障码的重要性越高。但是重要性越高的故障码不一定是对设备的影响程度高的故障码，故障码的影响程度表示对设备产品的良性发展所起的重要程度。因此，故障码的影响程度不仅仅需要以故障码的重要度作参考，还需要其他因素(如故障码出现的数量等等)做参考。

本申请实施例中，故障码的重要度等级可以在设计故障码时根据故障码的重要程度进行设置，也可以根据设备运行过程中的统计结果进行修正。同一个重要度等级下可以包含多种故障码，即该等级下多种故障码的重要度等级相同，表示这些故障码的重要性大致相同。在故障码集中，每一种故障码可以包括多个故障码，表示该故障码出现过多次。比如，某一个故障码可能因为故障尚未解决而反复出现，每出现一次，则在故障码集中保存一个故障码，且每个故障码在保存时可相应地保存该故障码产生的时间或者产生该故障码的设备的版本，例如设备的当前系统软件的版本号，或者同时保存故障码产生的时间和产生该故障码的设备的版本。

在子步骤112中，根据重要度等级与影响系数的对应关系，确定故障码的影响系数。

在一可选实施例中，重要度等级与影响系数一一对应，影响系数可以设置为比重要度等级小的正数，且影响系数的取值范围可以比重要度等级的取值范围小。然不限于此，实际应用中可根据需要进行设定。

在另一个实施例中，影响系数的取值范围可以参考故障码的历史日均出现数量来设定。历史日均出现数量表示故障码在过去时间内平均每天出现的数量，比如，故障码出现的日均历史数量在20左右时，影响系数的范围可以为大于0且小于3的正数。故障码出现的日均历史数量较高时，影响系数的调控力度会相应的减弱，这时，可以相应的提高影响系数。然而，在实际应用中，也可以根据实际情况来设置影响系数。比如，有些故障码(如高压打火)出现的频率很低，但是当该种故障码出现时，表示出现了重大故障，因此可以给该种故障码设定较高的影响系数。而有些故障码(如扫描文件出错)出现的频率很高，但是实际上没有太大参考意义，因此可以给该种故障码设定较低的影响系数。因此，本申请实施例中，可以综合参考故障码自身的特点，为故障码设置影响系数。

在一个实施例中，重要度等级可等量增大，然影响系数可不等量增大，如：当某个重要度等级下的故障码的数量较之前一个重要度等级下的故障码的数量有显著增多时，可以相应提高重要度等级对应的影响系数的增量。如表1所示，重要度等级可以设置为1至10，重要度等级9对应的系数比重要度系数8对应的系数大0.1，而重要度等级10对应的系数比重要度系数9对应的系数大0.5。在另一个实施例中，影响系数可等量增大。

在一个实施例中，重要度等级与影响系数可通过列表形式对应列出。如表1所示，表1中所示为故障码出现的日均历史数量为20的情况下，对应不同故障码的重要度等级的影响系数的值。

表1：故障码的重要度等级及对应的影响系数

表1中的影响系数可以用于区分对应故障码的重要程度，其取值随着重要度等级增加而变大，且非等增量变大。而且表1中影响系数为3以内的正数。需要说明的是，表1仅是对应重要度等级设定影响系数的一个例子，然而并不限于表1中的数值，可以根据实际应用、不同范围的重要度等级和故障码出现的日均历史数量等来设定影响系数的值。在本实施例中，影响系数和重要性等级的表确定后，可以通过查表方式查找与故障码的重要度等级对应的影响系数。

在另一实施例中，重要度等级与影响系数的对应关系可以为函数形式的对应关系。可以确定影响系数关于重要度等级的函数关系，通过函数关系计算与故障码的重要度等级对应的影响系数。

上述仅为确定影响系数的例子，然并不限于上述的例子，在其他实施例中，可通过其他方式设定可体现故障码重要程度的影响系数，且可根据实际应用和实际应用中会出现的故障情况设定影响系数。

继续参考图1，在步骤12中，根据故障码的影响系数和故障码的数量确定故障码的故障发展趋势线。

在一可选的实施例中，故障码集可以包括设备的所有故障码。

在另一实施例中，可以先对故障码集中的故障码进行过滤，获得有效故障码集。可以滤除故障码集中无需被分析的故障码，例如可以明确的非重要的故障码。比如，可以滤除以下几种故障码中的一种或多种：非正式投入市场使用的设备(如开发测试设备、生产检测设备等)产生的故障码、重要度等级低于预设值(如3)的故障码、人工指定的与故障弱相关的故障码(如表示未知的参数错误的故障码)、人工指定的普通性较高的故障码(如表示扫描床出错或扫描终止的故障码)等等。然后根据有效故障码集中的故障码的影响系数和有效故障码集中的故障码的数量确定故障码的故障发展趋势线。在另一个实施例中，故障码集中的故障码均为有效故障码，无需进行过滤，根据故障码集中的故障码的影响系数和故障码集中的故障码的数量确定故障码的故障发展趋势线。

在步骤13中，根据故障发展趋势线从若干种故障码中确定高影响程度故障码。

本申请实施例中，故障发展趋势线可以表征设备故障数量随时间变化的发展趋势，故障发展趋势线的斜率大于零说明故障数量趋势随着发展逐渐变多，斜率值越大，说明向恶劣程度变化得越快。因此，可以选取对设备的故障发展程度影响较大的故障码种类作为高影响程度故障码，并作为优化对象。通过对高影响程度故障码的优化，可以高效的达到优化的目标。能够最大程度上优化设备的良性发展，提升改善设备的良性发展的效率。

图3所示为图1中确定故障发展趋势线的步骤12和确定高影响程度故障码的步骤13的一个实施例的流程图。步骤12包括子步骤121和子步骤122，步骤13包括子步骤131和子步骤132。其中，

在子步骤121中，根据若干种故障码的数量和若干种故障码的影响系数确定第一趋势直线。

本申请实施例中，若干种故障码为需要分析的所有故障码，包括高影响程度故障码，还可包括其他故障码。在本实施例中，若干种故障码可以是一段时间内(如近1年内、近2年内等)出现的故障码，以使得统计结果的时效性更强，同时还可减少不必要的计算数据量，从而提升计算效率。在一个实施例中，若干种故障码可以是一段时间内的故障码集中的所有故障码。在另一个实施例中，若干种故障码可以是一段时间内的过滤后的有效故障码集中的所有故障码。在再一个实施例中，若干种故障码可以是一段时间内的故障码集或有效故障码集中的统计归类后的部分故障码。

在本实施例中，可计算每个设备版本(例如，设备的系统软件版本)或每个时间周期(如每周)下的平均每设备出现的故障码数量与该故障码对应的重要度系数的乘积。

具体地，统计每个时间周期或者每个设备版本内的每种故障码的数量和有效设备数量，其中，有效设备为具备将故障码保存条件的设备，即，可以提供参与统计计算的有效数据的设备。而一些无法提供有效数据的设备称作无效设备，需要被剔除。比如：开发测试设备、生产检测设备等，虽然在测试阶段能够产生数据，但是这些数据只是用来测试，并不是用来参与统计计算；或者一些没有联网的设备，其产生的数据无法统计到故障码集中，因此这些设备都不是有效设备。计算每个时间周期或者每个设备版本内的每种故障码的数量与该故障码对应的重要度系数的乘积的累加值，将该累加值除以有效设备数量，得到每个时间周期或者每个设备版本内平均每设备出现的故障码数量与重要度系数的乘积。如此获得多个设备版本或多个时间周期下的平均每设备出现的故障码数量与重要度系数的乘积。

对多个设备版本或多个时间周期下的每设备出现的故障码数量与重要度系数的乘积进行拟合获得第一趋势直线。本实施例中，应用线性拟合算法计算第一趋势直线。第一趋势直线可表达为表达式(1)：

y＝kx+b(1)

其中，y为第一趋势直线的y轴的值，为每设备版本或者每时间周期出现的故障码数量与重要度系数的乘积，x为第一趋势直线的x轴的值，为设备版本或时间周期，k为斜率值，b为y轴截距。

y轴截距b可以表达为表达式(2)：

斜率值k可表达为表达式(3)：

其中，n表示设备版本的个数或者时间周期数，xi表示第i个设备版本或者第i个时间周期，yi表示第i个设备版本或者第i个时间周期内出现的故障码数量与重要度系数的乘积。如此获得第一趋势直线，且可计算获得第一趋势直线的斜率值k。当斜率值k为0时，说明故障码数量的发展趋势趋于平稳；当斜率值k<0时，说明故障码数量在日益减少，趋势向好；当斜率值k>0时，说明数量日益增加，趋势逐渐变恶劣。

参考图4，图4中折线为平均每设备出现的故障码数量与重要度系数的乘积相对于时间周期的变化折线，直线为第一趋势直线。纵坐标为每设备出现的故障码数量与重要度系数的乘积，横坐标为时间周期，一个时间周期为一周。图4中对三个月内的故障码进行计算，从2016年第49周开始至2017年第7周结束。计算出每周对应的每设备出现的故障码数量与重要度系数的乘积，获得平均每设备出现的故障码数量与重要度系数的乘积相对于时间周期的变化折线。

应用线性拟合算法计算第一趋势直线，其中，将n等于12，带入公式3，求出该第一趋势直线的斜率值k。图4中第一趋势直线的斜率值k>0，说明故障码的数量日益增加，趋势逐渐变恶劣。

图4中对横坐标的定义仅限于举例说明，实际应用中，横坐标可以以每月或者其他的时间单位进行划分，本申请实施例不做限制。横坐标的刻度顺序为从左向右依次变大，表示一个正向的自然时序发展顺序，例如，分别为“第1周”…“第n周”，n为自然数。在其他实施例中，横坐标可以是设备版本，可以按照设备版本的发展顺序从左向右标示横坐标。

由于最终参与趋势分析的值是故障码的数量与故障码的影响系数的乘积，因此，故障码的影响系数取值范围过大则会淡化故障码的数量的影响作用。本申请实施例中，故障码的影响系数的值设定得比重要度等级小，且影响系数的取值范围设定得比重要度等级的取值范围小，则不容易淡化故障码的数量的影响作用。例如，影响系数可以取为3以下的小数。

继续参考图3，在子步骤122中，根据若干种故障码中除去至少一种故障码的剩余故障码的数量和剩余故障码的影响系数确定第二趋势直线。

在一个实施例中，可以除去一种故障码，则该剩余故障码为若干种故障码中除去一种故障码之后的故障码。可以参考子步骤121中确定第一趋势直线的方法确定除去一种故障码之后的剩余故障码的第二趋势直线。同理，可以确定除去另外一种故障码之后的剩余故障码的第二趋势直线。如此，分别去除每种故障码之后获得对应的剩余故障码，且获得对应的第二趋势直线和第二趋势直线的斜率值。

在另一个实施例中，可以除去多种故障码，可称作故障码群，这些故障码可具有基本相同的特性和/或重要程度。该剩余故障码为若干种故障码除去一个故障码群之后的故障码。可以参考子步骤121中确定第一趋势直线的方法确定除去一个故障码群之后的剩余故障码的第二趋势直线。同理，可以确定除去另外一个故障码群之后的剩余故障码的第二趋势直线。如此，分别去除每个故障码群之后获得对应的剩余故障码，且获得对应的第二趋势直线和第二趋势直线的斜率值。

在子步骤131中，确定第一趋势直线的斜率与第二趋势直线的斜率的差值，为除去的至少一种故障码的影响指数。

在一实施例中，第一趋势直线的斜率减去去除一种故障码之后的第二趋势直线的斜率，得到该种故障码的影响指数；同理，第一趋势直线的斜率减去去除另外一种故障码之后的第二趋势直线的斜率，得到另外一种故障码的影响指数。如此，分别去除每种故障码之后获得对应的故障码的影响指数。

在另一实施例中，第一趋势直线的斜率减去去除一个故障码群之后的第二趋势直线的斜率，得到该故障码群的影响指数；同理，第一趋势直线的斜率减去去除另外一个故障码群之后的第二趋势直线的斜率，得到另外一个故障码群的影响指数。如此，分别去除每个故障码群之后获得对应的故障码群的影响指数。

该影响指数可以用来衡量该种故障码对整体故障发展趋势的影响程度，如果所有故障码中去除某一种故障码后形成的趋势线斜率变小，说明该种故障码导致了整体趋势线斜率的变大(即趋势的变坏)，去除某一种故障码后形成的趋势线斜率变小的幅度越大，说明这种故障码导致整体趋势斜率变大的影响就越大。

在子步骤132中，比较若干种故障码的影响指数，来确定高影响程度故障码。

比较出影响指数较大的故障码为高影响程度故障码，或者影响指数较大的故障码群中的故障码为高影响程度故障码。在一可选的实施例中，可以将若干种故障码或者故障码群的影响指数由大到小排列，选取影响指数最大的前几种故障码或者故障码群，这些故障码或故障码群中的故障码为高影响程度故障码。在另一个实施例中，可以设置一个影响指数的参考值，例如，0或0.3，选取超过该参考指数的故障码或者故障码群为高影响程度故障码。

在根据每个时间周期内平均每设备出现的故障码数量与重要度系数的乘积确定第一趋势直线的实施例中，最终求得的高影响程度故障码为按时间发展趋势影响较大的故障码或者故障码群。在另一个实施例中，可以根据每个设备版本内平均每设备出现的故障码数量与重要度系数的乘积，确定第一趋势直线，此时，最终求得的高影响程度故障码为对版本的进化趋势影响较大的故障码或者故障码群。

本实施例可以将所有故障码的线性拟合形成的趋势线的斜率作为参考趋势线斜率，参考趋势线斜率可以反映出设备故障数量随时间变化的发展趋势，参考趋势线斜率大于零，说明故障数量趋势随着发展逐渐变多，斜率值越大，说明向恶劣程度变化得越快。将降低参考趋势线斜率作为优化目标，通过对每一种故障码拟合的趋势线的斜率与参考趋势线斜率比对的方式，找出导致参考趋势线斜率值变大起的作用最强烈的故障码(即对整体故障发展程度影响最大的高影响程度故障码)，通过高影响程度故障码的优化，能够最大程度上优化设备的良性发展，提升改善设备的良性发展的效率。

图5所示为图1中确定故障发展趋势线的步骤12和确定高影响程度故障码的步骤13的另一个实施例的流程图。步骤12包括子步骤123，步骤13包括子步骤133、子步骤134和子步骤135。其中，

在子步骤123中，根据至少一种故障码的数量和至少一种故障码的影响系数确定至少一种故障码的第三趋势直线。

本实施例中的至少一种故障码为需要分析的若干种故障码中的至少一种故障码，同样可以对指定时间内(如近1年内，近2年内等等)的若干种故障码进行计算。

在一可选的实施例中，可以计算一种故障码的第三趋势直线，该种故障码的第三趋势直线可以通过以下方法得到：

计算每个设备版本(例如，设备的系统软件版本)或每个时间周期(如每周)下的平均每设备出现的一种故障码数量与该种故障码的重要度系数的乘积。

具体地，统计每个时间周期或者每个设备版本内的一种故障码的数量和有效设备数量，其中，有效设备为具备将故障码保存条件的设备。计算每个时间周期或者每个设备版本内的一种故障码的数量与对应的重要度系数的乘积，然后除以有效设备数量，得到每个时间周期或者每个设备版本内平均每设备出现的一种故障码数量与重要度系数的乘积。如此获得多个设备版本或多个时间周期下的平均每设备出现的一种故障码数量与重要度系数的乘积。

对多个设备版本或多个时间周期下的每设备出现的一种故障码数量与重要度系数的乘积进行拟合获得第三趋势直线。

其线性拟合直线算法式可以参考图3所示实施例中计算第一趋势直线的算法式，在此不再赘述。

同理，可以根据另外一种故障码的数量和另外一种故障码的影响系数确定的另外一种故障码的第三趋势直线。如此，对若干种故障码中的每种故障码分别确定对应的第三趋势直线。

在另一可选的实施例中，可以计算多种故障码的第三趋势直线，该多种故障码可称作故障码群，这些故障码可具有基本相同的特性和重要程度。具体可以参考确定一种故障码的第三趋势直线的方法确定一个故障码群的第三趋势直线。如此，对若干种故障码中的每个故障码群分别确定对应的第三趋势直线。

在子步骤133中，确定至少一种故障码的数量和若干种故障码的数量的比值。

在一可选的实施例中，可以计算一种故障码的数量和若干种故障码的数量的比值，得到该一种故障码的数量所占的份额。如此可以获得若干种故障码中的每种故障码的数量所占的份额。在另一可选的实施例中，可以计算一个故障码群的数量和若干种故障码的数量的比值，得到该故障码群的数量所占的份额。如此可以获得若干种故障码中的每个故障码群的数量所占的份额。

在子步骤134中，确定该比值和第三趋势直线的斜率的乘积，为该种故障码的影响指数。

在一可选的实施例中，可以计算根据一种故障码所占的份额乘以与该种故障码的第三趋势直线的斜率的乘积，得到该种故障码的影响指数。如此可以获得若干种故障码中的每种故障码的影响指数。在另一可选的实施例中，可以根据计算一个故障码群所占的份额乘以与该故障码群的第三趋势直线的斜率的乘积，得到该故障码群的影响指数。如此可以获得若干种故障码中的每个故障码群的影响指数。

在子步骤135中，比较若干种故障码的影响指数，来确定高影响程度故障码。

本实施例中，可以将若干种故障码或者故障码群的影响指数由大到小排列，选取影响指数最大的若干种故障码或者故障码群，该些故障码或故障码群中的故障码为高影响程度故障码。

本实施例从故障码本身的特征计算入手，无需逐个去除故障码进行拟合线斜率计算，计算简单。且不受整体趋势的限制，便于引入更多的参数或大数据分析结果进行更准确的计算。

图6所示为图1中确定故障发展趋势线的步骤12和确定高影响程度故障码的步骤13的另一个实施例的流程图。步骤12包括子步骤124和子步骤125，步骤13包括子步骤136。其中，

在子步骤124中，根据至少一种故障码的数量和至少一种故障码的影响系数确定该至少一种故障码的第三趋势直线。本实施例中至少一种故障码的第三趋势直线的方法，可以参考图5所示实施例中步骤123中根据至少一种故障码的数量和至少一种故障码的影响系数确定的该至少一种故障码的第三趋势直线的计算方法，在此不再赘述。

在子步骤125中，根据若干种故障码的总数量和若干种故障码的影响系数拟合第一趋势直线，其中，第一趋势直线的斜率作为参考斜率。本实施例中第一趋势直线的拟合方法，可以参考图3所示实施例中子步骤121中根据若干种故障码的数量和若干种故障码的影响系数确定第一趋势直线分方法，在此不再赘述。

在子步骤136中，确定第三趋势直线的斜率大于参考斜率的故障码，为高影响程度故障码。

在本实施例中，第一趋势直线的斜率作为参考斜率，第三趋势直线的斜率大于参考斜率的故障码为高影响程度故障码，或第三趋势直线的斜率大于参考斜率的故障码群中的故障码为高影响程度故障码。在另一个实施例中，可设定参考斜率，可根据实际应用和经验设定，此时无需计算第一趋势直线和第一趋势直线的斜率。

本实施例中仅计算每种故障码的趋势线斜率，最终取斜率大于参考斜率的故障码或者故障码群作为优化目标。适合于有效挖掘发展趋势恶劣于当前趋势均值的故障码或者故障码群。

图7所示为图1中确定故障发展趋势线的步骤12和确定高影响程度故障码的步骤13的另一个实施例的流程图。步骤12包括子步骤126和子步骤127，步骤13包括子步骤137和子步骤138。其中，

在子步骤126中，根据若干种故障码的数量和若干种故障码的影响系数确定第一趋势直线。

本步骤与图3所示实施例的子步骤121类似，在次不再赘述，具体可参考图3所示实施例的相关内容。

在子步骤127中，根据若干种故障码加上至少一种故障码的数量和加上至少一种故障码后的故障码的影响系数确定第四趋势直线。

在一个实施例中，可以加上一种故障码，该种故障码为需要分析的所有故障码中的一种故障码，所述若干种故障码包含此需要分析的一种故障码。可以参考图2所示实施例中的子步骤121中确定第一趋势直线的方法确定加上一种故障码之后的故障码的第四趋势直线。同理，也可以确定加上另外一种故障码之后的故障码的第四趋势直线。如此，分别加上每种故障码之后获得对应的第四趋势直线和第四趋势直线的斜率值。

在另一个实施例中，可以加上一个故障码群。可以参考图2所示实施例中的子步骤121中确定第一趋势直线的方法确定加上一个故障码群之后的故障码的第四趋势直线。同理，也可以确定加上另外一个故障码群之后的故障码的第四趋势直线。如此，分别加上每个故障码群之后获得对应的第四趋势直线和第四趋势直线的斜率值。

在子步骤137中，确定第四趋势直线的斜率与第一趋势直线的斜率的差值，为加上的至少一种故障码的影响指数。

在一实施例中，加上一种故障码之后的第四趋势直线的斜率减去第一趋势直线的斜率，得到加上的该种故障码的影响指数；同理，加上另外一种故障码之后的第四趋势直线的斜率减去第一趋势直线的斜率，得到加上的另外一种故障码的影响指数。如此，分别加上每种故障码之后获得对应的故障码的影响指数。

在另一实施例中，加上一个故障码群之后的第四趋势直线的斜率减去第一趋势直线的斜率，得到该故障码群的影响指数；同理，加上另外一个故障码群之后的第四趋势直线的斜率减去第一趋势直线的斜率，得到另外一个故障码群的影响指数。如此，分别加上每个故障码群之后获得对应的故障码群的影响指数。

该影响指数可以用来衡量该种故障码对整体故障发展趋势的影响程度，如果所有故障码中加上某一种故障码后形成的趋势线斜率变大，说明该种故障码导致了整体趋势线斜率的变大(即趋势的变坏)，去除某一种故障码后形成的趋势线斜率变大的幅度越大，说明这种故障码导致整体趋势斜率变大的影响就越大。

在子步骤138中，比较若干种故障码的影响指数，来确定高影响程度故障码。

比较出影响指数较大的故障码为高影响程度故障码，或者影响指数较大的故障码群中的故障码为高影响程度故障码。在一可选的实施例中，可以将若干种故障码或者故障码群的影响指数由大到小排列，选取影响指数最大的前几种故障码或者故障码群，这些故障码或故障码群中的故障码为高影响程度故障码。在另一个实施例中，可以设置一个影响指数的参考值，例如0.3，选取超过该参考指数的故障码或者故障码群为高影响程度故障码。

图8所示为一个实施例的计算机可读存储介质81的示意图。存储介质81、处理器82以及通信接口83通过网络总线84进行通信，存储介质81中存储有指令，该指令可以被一个或多个处理器82执行。处理器82可以调用执行存储介质81中的指令，以执行上述图示实施例所示的高影响程度故障码挖掘方法，该方法包括：确定表征故障码重要性的故障码的影响系数；根据故障码的影响系数和故障码的数量确定故障码的故障发展趋势线；及根据故障发展趋势线确定高影响程度故障码。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。+

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。