醫院后勤機電設備智能風險管理研究

祁鵬程，郭磊，沈崇德

無錫市人民醫院總務處，江蘇無錫 214023

醫院作為重要的公共建筑，后勤設備數量多、分布廣，包括給排水、暖通、變配電、照明、壓力容器、電梯等機電設備，需要對其進行安全管理，以此保障醫院的安全穩定發展[1-3]。但傳統的管理手段存在諸多不足，尤其在風險管理方面，管理方法和技術發展緩慢，大多醫院依舊只是依靠人工對設備進行定期巡檢或利用信息化手段對設備的一些參數進行監測，缺乏對風險的有效分析和風險管理機制[4]。

近年來，學者們開始對醫院后勤的風險管理進行研究[5-7]。其中，引入澳新風險管理標準，對醫院后勤的風險進行分析與評估，并制定相應的預防和應急措施[5]。然而，此類管理方法只能依靠經驗對風險進行預防，對將要發生的風險不能提前預測、全局管理。以深度學習為代表的人工智能技術發展為研究機電設備風險管理提供了新的方向，首先依靠信息化手段獲取機電設備的運行數據，再利用深度學習提取醫院后勤發生安全問題設備的風險預警指標數據特征，構建風險管理模型，對機電設備是否會發生運行風險事故進行提前預測及評價，實現機電設備的智能風險管理，提高醫院后勤管理質量。

該文將深度學習方法應用到醫院后勤機電設備風險管理領域，對醫院后勤機電設備智能化的風險監測和管理進行了初步探索。

1 醫院后勤機電設備風險管理現狀

相比其他單位，醫院后勤管理的設備、設施無論是數量還是種類都較多，主要分布在水泵房、空調機房、變電所、電梯機房、液氧罐區等區域。但長期以來，醫院對后勤安全生產管理的重視程度不夠，對機電設備的管理還在故障了才維修或更換的層面，不夠精細化，沒有預見性，尤其在機電設備風險管理方面，缺少高效、科學、智能化的管理，主要表現在以下幾個方面。

1.1 人員配備不足

由于近年來醫院推行后勤社會化改革，導致安全、后勤部門編制用人逐漸減少，此外相關崗位人才培養激勵機制不完善等因素，醫院后勤各崗位人才嚴重缺乏，導致醫院機電設備缺乏有效管理，尤其是一些專業性、深層次的安全風險，難以在日常管理中被發現。

1.2 管理、操作不規范

由于缺少專業的管理人員，機電設備的管理及部分特種設備作業存在未持證上崗的現象，管理人員和作業人員對機電設備的實際操作和相關法律法規知識缺少了解，導致醫院機電設備作業人員實際操作不規范，存在安全風險，無法有效管理。

1.3 信息化、智能化管理程度低

大多數醫院還是以人工來記錄和保存機電設備的基本資料和運行信息，信息化程度低，管理效率低。另外，機電設備的巡檢還是以人工巡檢為主，對機電設備的關鍵參數沒有進行監控和預警，不能及時發現安全風險。

2 醫院后勤機電設備運行風險指標的分析

2.1 環境安全指標

環境安全是機電設備安全運行的基礎。在機電設備正常運行的情況下，機電設備的運行風險主要來源于環境的變化，通常監測的指標包括環境的溫度和濕度。另外，機電設備在醫院中位置分布也是對機電設備運行進行風險評價的參考因素，不同位置的機電設備發生的風險，對醫院及患者的影響程度也不同，風險評定等級也不一樣。因此，環境安全指標主要包含溫度、濕度和位置分布等。

2.2 運行狀態指標

運行狀態是直接反映機電設備運行狀況的重要指標，也是機電設備風險預測及評價的關鍵因素。機電設備在發生故障時可能導致風險事故的發生，比如液氧系統發生故障時可能會影響患者的供氧、配電系統發生故障時會影響患者就醫或搶救的及時性等。尤其在機電設備突發運行故障時，可能導致的安全風險極大，如電梯突發故障，里面乘坐的患者或醫院職工，其生命安全會受到極大威脅。因此不僅需要對機電設備是否正常運行進行監測，還需對可能引起機電設備故障的運行狀態指標進行監測。對于不同的機電設備，引起機電設備故障或異常的原因也不一樣，需監測的運行狀態指標也不一樣。比如配電系統需監測電流、電壓、溫度等參數，而液氧系統則需監測流量、壓力、液位等參數。因此，在選擇運行狀態指標時，需要結合機電設備的具體特性來考慮。

2.3 維修保養指標

維修保養是機電設備長期正常運行的重要保障。機電設備在日常運行中一般會進行定期巡檢保養，一方面能夠及時發現機電設備存在的問題，消除風險隱患，另一方面能夠使機電設備保持良好運行狀態，降低風險發生概率。因此，機電設備歷史的巡檢保養記錄是風險管理的重要因素。另外，如果一個設備的維修次數越多，其發生風險事故的概率也就越大，所以歷史維修記錄也是機電設備風險預測的重要指標。同時，機電設備運行的歷史時間長短也影響其發生運行風險的概率，運行時間越長，壽命越短，發生故障而產生風險的可能性越大。維修保養指標主要包括歷史運行時間、歷史維修次數、巡檢和保養周期及次數等。

醫院后勤機電設備運行風險指標主要包括環境安全指標、運行狀態指標、維修保養指標等3個方面。該指標體系不僅從多個角度選擇了反映機電設備的運行風險，還將靜態指標與動態指標相結合，既有反映機電設備基本信息的靜態指標，也有反映機電設備運行狀況的動態指標，還有巡檢記錄、保養記錄等周期變化的動態指標。

3 醫院后勤機電設備運行風險指標數據的獲取

根據上文分析的機電設備運行風險指標，可以分為兩類，一類是環境安全指標和運行狀態指標，可利用傳感器直接獲取；另一類是維修保養指標，需要靠人工來維護數據，并利用信息化技術上傳數據。為獲取機電設備運行風險指標數據，首先要構建機電設備智能管控平臺，通過物聯網技術和信息化技術獲取機電設備運行數據，該文以電梯為例展示運行風險指標數據。

采用各類智能傳感器對電梯所在樓層、停止、卡層、沖頂、蹬底、抖動、重復關門等運行狀態進行實時監測，同時可詳細查看電梯的基本信息、維保信息、故障信息等。另外，對電梯機房的溫、濕度進行實時監測。

4 醫院后勤機電設備風險管理模型的構建

4.1 深度學習方法簡介

深度學習的設計原理是對大腦皮層進行模擬，對數據或信號進行逐層提取及表達，包含輸入層、輸出層和隱藏層，每層有若干個神經元，且神經元之間有連接權重[8-9]。相比普通學習算法，深度學習具有多隱層結構的特點（見圖1），能更好地逼近復雜的預測函數，保證信息提取與特征表達的準確性。該文擬采用基于BP神經網絡的深度學習方法，通過對系統的運行數據進行訓練和學習，從而完成系統的風險智能分析及評價。

4.2 風險管理模型的設計

該文針對醫院機電設備風險管理的問題，以構建的醫院后勤機電設備風險管理指標體系作為輸入，設計后勤機電設備風險管理模型及參數，主要包含以下幾個環節。

4.2.1 初始權值選取 該文選用隨機梯度下降的方法訓練提出的后勤機電設備風險管理模型，模型參數（權值，偏置）的初始化顯得相對比較重要。因此，該文擬采用隨機初始化的方式對提出的后勤機電設備風險管理模型的權值進行初始化，并使權值的初始值在[-1,1]之間。

圖1 人工神經網絡與深度學習方法對比

4.2.2 層節點數確定 深度學習網絡主要由輸入層、隱藏層和輸出層構成。輸入層的節點數要與輸入數據的維度保持一致，所以輸入層的節點數需根據構建的具體指標體系確定。輸出層的節點數要與數據的分類類別保持一致，該文將機電設備的風險分為4類：正常運行、低等風險、中等風險和高等風險，因此輸出節點數量設置為4。隱藏層開始的節點數設置為較小的值，然后慢慢增大節點數值，并對提出的深度學習模型進行訓練，測試預測誤差，直至預測誤差趨于穩定。

4.2.3 激活函數選取 激活函數的功能是把深度學習網絡中神經元的輸入映射到輸出，控制低層梯度彌散的力度和稀疏化能力決定了激活函數的質量。因此，該文擬采用ReLU（rectifier linear units）函數作為激活函數，其能夠把負數轉換成0值，可表示任何非負的實數，具有很好的稀疏性，同時緩解了梯度彌散問題[10]。

4.2.4 訓練停止條件 在現實中，由于訓練時間有限，迭代的次數需要限制。因此，該文擬預先設置迭代次數，一旦迭代次數達到設定的數值，就停止訓練和學習。這種方法簡單高效，也是深度學習迭代最常用的方法。

4.2.5 誤差函數選取 誤差函數是用來衡量模型好壞的重要標準，能夠更好地分析模型的預測效果。對于深度學習網絡的訓練，一般選用均方差根誤差RMSE作為模型性能評價指標：

其中，M表示輸出節點的個數，N指訓練樣本的數量，xij為模型期望輸出值，yij表示模型的實際輸出。

綜上所述，該文基于深度學習提出的醫院后勤機電設備風險管理模型，其設計工作及內容見圖2。

圖2 基于深度學習的醫院后勤機電設備風險管理模型設計圖

5 結論和展望

該文針對醫院后勤機電設備，研究構建了風險管理指標體系，并基于深度學習設計了醫院后勤機電設備智能化風險管理模型。因為利用人工智能方法進行醫院后勤機電設備風險管理的研究處于起步階段，缺少相關訓練數據，所以該文未對構建的醫院后勤機電設備風險管理模型進行訓練和驗證。但深度學習的出現，改變了傳統風險管理的發展路線，使醫院后勤機電設備風險管理智能化成為可能。可以預期，在傳統風險管理方法和技術發展緩慢的情況下，利用深度學習方法實現醫院后勤機電設備智能化風險管理將會成為該領域未來的研究熱點。

對于未來研究，首先根據構建的風險管理指標體系，積累醫院后勤機電設備的運行數據，并充分利用這些數據來對模型進行訓練和驗證，不斷優化建立的風險管理模型。以后可對模型訓練時間長、模型過學、指標體系不完整、模型推廣能力和泛化性能欠缺等問題進行深入研究。