基于聚合模糊數(shù)的多參數(shù)監(jiān)護(hù)儀故障樹研究

范莉萍，種銀保，郎朗，馬建川，肖晶晶，劉香君，呂思敏

1.陸軍軍醫(yī)大學(xué)第二附屬醫(yī)院醫(yī)學(xué)工程科，重慶400037；2.中國人民解放軍第32572部隊，貴州安順561000

前言

對現(xiàn)代醫(yī)學(xué)而言，醫(yī)療設(shè)備的先進(jìn)性已成為衡量醫(yī)院現(xiàn)代化水平的重要標(biāo)志。醫(yī)療設(shè)備是醫(yī)療業(yè)務(wù)開展過程中至關(guān)重要的工具，其資產(chǎn)在醫(yī)院總資產(chǎn)中占比高，產(chǎn)生的經(jīng)濟(jì)效益在醫(yī)院總效益中占比高。醫(yī)療設(shè)備的檢查檢測結(jié)果是醫(yī)生對患者病情作出正確診斷的重要參考，近幾年由于醫(yī)療設(shè)備故障導(dǎo)致的醫(yī)療事故頻發(fā)。日常工作中當(dāng)醫(yī)療設(shè)備出現(xiàn)故障時，由于技術(shù)圖紙缺乏、工程師短缺，傳統(tǒng)的逐點尋跡的維修方法無法從大量故障特征中快速選擇出有利于故障診斷的信息，檢修效率低下，而聘請廠家或第三方進(jìn)行維修的成本高，響應(yīng)速度慢。因此，如何有效降低醫(yī)療設(shè)備故障率、提高故障檢修效率，已成為醫(yī)院醫(yī)療設(shè)備管理工作的重要環(huán)節(jié)。

故障樹分析方法自誕生以來，在航天航空、軍事裝備、醫(yī)療衛(wèi)生故障診斷等領(lǐng)域已成為重要手段。陳洪轉(zhuǎn)等［1］基于復(fù)雜裝備批量小、個性化定制、具有不確定性等特點，建立了基于故障樹的復(fù)雜裝備模糊貝葉斯網(wǎng)絡(luò)推理故障診斷模型，不僅解決了復(fù)雜裝備結(jié)構(gòu)數(shù)據(jù)缺乏問題，還適用于故障診斷及風(fēng)險識別；羅承昆等［2］針對航空裝備體系結(jié)構(gòu)組成復(fù)雜的特點，從作戰(zhàn)裝備、信息支援裝備和保障裝備3個方面構(gòu)建航空裝備體系機(jī)構(gòu)故障樹，分析其結(jié)構(gòu)貢獻(xiàn)率評估問題。Shu等［3］引入故障樹分析電動汽車電機(jī)控制器可靠性問題，識別了其中最脆弱部件，對整個電機(jī)控制器及其部件的可靠性及電動汽車使用壽命進(jìn)行了估算。劉雙亮等［4］引入故障樹分析了內(nèi)窺鏡故障的風(fēng)險因素，并制定針對性改進(jìn)措施，顯著提高了內(nèi)窺鏡管理質(zhì)量和患者就診滿意度。故障樹通過圖形直觀演繹的方式，能清晰地表明系統(tǒng)故障產(chǎn)生的各種原因，反應(yīng)特定條件下故障事件發(fā)生的邏輯規(guī)律。上述文獻(xiàn)表明，故障樹及其改進(jìn)方法對復(fù)雜系統(tǒng)可靠性和故障診斷具有較好的能力。

醫(yī)療設(shè)備多是聲、光、電一體化設(shè)備，集成度高，故障發(fā)生時故障現(xiàn)象與故障原因?qū)?yīng)關(guān)系復(fù)雜，其故障診斷與上述領(lǐng)域故障診斷具有一定的相通性［5］。而據(jù)國家藥品監(jiān)督管理局2018年全國可疑醫(yī)療器械不良事件報告顯示，多參數(shù)監(jiān)護(hù)儀作為重要急救類設(shè)備之一，其故障率在有源醫(yī)療器械類中占比第一，嚴(yán)重影響了醫(yī)療工作質(zhì)量，高效的故障診斷顯得尤為重要［6］。因此，為解決多參數(shù)監(jiān)護(hù)儀故障診斷難題，本文通過分析多參數(shù)監(jiān)護(hù)儀結(jié)構(gòu)原理，收集大量相關(guān)故障文獻(xiàn)，咨詢領(lǐng)域?qū)＜遥⒘嘶诰酆夏：龜?shù)的多參數(shù)監(jiān)護(hù)儀故障樹，能有效提高故障診斷效率，為廣大維修工程師和基層醫(yī)療機(jī)構(gòu)衛(wèi)生工作人員提供有效指導(dǎo)。

1 多參數(shù)監(jiān)護(hù)儀基本結(jié)構(gòu)原理

多參數(shù)監(jiān)護(hù)儀是醫(yī)院廣泛使用的重要急救類醫(yī)療設(shè)備之一，可用于連續(xù)實時監(jiān)測患者的心電圖、血氧飽和度、無創(chuàng)血壓、呼吸、脈搏、體溫等生命體征參數(shù)，具有存儲、顯示、分析和報警功能，有效提高了醫(yī)護(hù)人員的工作效率，保障了醫(yī)療質(zhì)量［7-8］。多參數(shù)監(jiān)護(hù)儀主要由信號采集、模擬信號處理、數(shù)字信號處理、信號的顯示記錄和報警4部分組成。信號采集部分通過生物電極和傳感器采集人體重要生理信號，主要包括心電、無創(chuàng)血壓和血氧飽和度等重要生理信號，并轉(zhuǎn)換為電信號。模擬信號處理部分通過模擬電路對采集的信號進(jìn)行處理，如阻抗匹配、濾波、放大等，可有效減少噪聲和干擾信號從而提高信噪比。數(shù)字信號處理部分主要由模數(shù)轉(zhuǎn)換器、微處理機(jī)、存儲器等組成。模數(shù)轉(zhuǎn)換器把模擬信號轉(zhuǎn)化成數(shù)字信號，存儲器存儲操作程序、設(shè)置信息和臨時數(shù)據(jù)等，微處理器接收來自控制面板的控制信息，執(zhí)行相應(yīng)的程序。信號的顯示記錄和報警部分是人機(jī)進(jìn)行信息交換的友好界面，醫(yī)生通過鍵盤輸入監(jiān)測生理參數(shù)范圍和要求，顯示器顯示被檢測生理參數(shù)和波形，記錄部分則將生理參數(shù)記錄保存。當(dāng)被監(jiān)測參數(shù)超過設(shè)定的范圍時，聲、光報警器發(fā)出報警，提醒醫(yī)務(wù)人員及時進(jìn)行檢查或搶救［9］。多參數(shù)監(jiān)護(hù)儀基本結(jié)構(gòu)如圖1所示。

圖1 多參數(shù)監(jiān)護(hù)儀基本結(jié)構(gòu)圖Fig.1 Principle structure of multi-parameter monitor

2 故障樹定性分析

故障樹是根據(jù)研究對象系統(tǒng)組成、結(jié)構(gòu)原理及功能關(guān)系，以邏輯門的形式將故障現(xiàn)象與對應(yīng)原因事件連接起來，建立的一種分析系統(tǒng)故障的模型［10］。模型以一定條件下系統(tǒng)最不希望發(fā)生的事件為頂事件，逐層分析引起該系統(tǒng)故障的原因，直到找到所有基本故障事件為止。本文以多參數(shù)監(jiān)護(hù)儀為研究對象，以“多參數(shù)監(jiān)護(hù)儀無法正常工作”為頂事件，在分析其結(jié)構(gòu)原理、檢索故障文獻(xiàn)及咨詢領(lǐng)域?qū)＜业幕A(chǔ)上建立故障樹，如圖2所示。

圖2 多參數(shù)監(jiān)護(hù)儀故障樹Fig.2 Fault tree of multi-parameter monitor

表1 故障樹中代碼及故障名稱Tab.1 Event code and fault name in fault tree

3 基于聚合模糊數(shù)的故障樹定量分析

3.1 專家評價法

3.1.1 專家權(quán)重確定不同專家由于學(xué)歷、工作經(jīng)歷等不同，對同一事件的評判結(jié)果可能存在主觀差異，為更合理地對專家評判意見進(jìn)行綜合，本文采用層次分析（Analytical Hierarchy Process,AHP）法［11］，根據(jù)專家職稱（1～5 分）、學(xué)歷（1～5 分）和工齡（1～5 分）3個評判因素，對參與本研究的20 名多參數(shù)監(jiān)護(hù)儀維修專家（來自醫(yī)院醫(yī)學(xué)工程科和監(jiān)護(hù)儀生產(chǎn)廠家）進(jìn)行權(quán)重分配，得到專家權(quán)重如表2所示。

表2 專家權(quán)重Tab.2 Expert weight

3.1.2 專家評判語言模糊化模糊集理論主要用作不確定性問題［12］。當(dāng)?shù)资录收细怕孰y以確定時，專家評判語言變量的模糊表達(dá)可以對底事件發(fā)生概率進(jìn)行有效評估［13］。為了將專家的評判語言與模糊集理論聯(lián)系起來，本文引入了“很低”、“低”、“中等”、“高”、“很高”5 個語言變量，作為模糊數(shù)的評判等級，采用三角模糊數(shù)對專家的評判語言進(jìn)行模糊化處理，對應(yīng)隸屬度函數(shù)如式（1）所示：

其中，F(xiàn)很低=(0, 0, 0.25)表示當(dāng)某一事件發(fā)生故障的可能性被專家評判為很低時，對應(yīng)的模糊數(shù)為(0, 0, 0.25)，其他依此類推。

3.2 聚合模糊數(shù)計算

由于專家對同一底事件故障概率判斷存在差異，本文采用聚合模糊數(shù)的方法獲取專家綜合評判意見，將每一名專家對同一底事件判斷語言模糊數(shù)進(jìn)行一致性模糊化處理，可有效降低專家評判意見的主觀性差異［14-15］。

（1）計算專家評判意見相似度S(Ai,Aj)。設(shè)專家Ei和專家Ej對同一事件A的評判意見分別Ai和Aj，則兩名專家評判意見相似度為：

其中，fi和fj分別代表模糊數(shù)Ai和Aj的效用數(shù)［16］，即若Ai=(ai,bi,ci)，Aj=(aj,bj,cj)，則

（2）計算專家平均一致性測度A(Ei)。首先構(gòu)造一致矩陣C：

其中，Sij=S(Ai,Aj)，當(dāng)i=j時，Sij= 1。

其中，n代表專家數(shù)量，本文中n= 20。

（3）計算專家Ei的相對一致性測度RCi：

（4）計算專家Ei的一致性測度系數(shù)cci：

其中，Wi表示由表2確定的第i位專家的權(quán)重，α由研究者根據(jù)研究需要確定，取值在[ 0, 1 ]之間，本文取α= 0.5。

（5）綜合專家評判意見。

其中，pij為第i位專家對底事件j的評判意見，Pj表示n名專家對底事件j的綜合評判意見。得到各底事件的聚合模糊數(shù)如表3所示。

3.3 底事件模糊故障率

本文采用聚合模糊數(shù)分析底事件，具有一定的模糊性，在建立多參數(shù)監(jiān)護(hù)儀故障樹過程中，需要獲得故障發(fā)生的具體概率，本文采用均值面積法將聚合模糊數(shù)轉(zhuǎn)換成模糊可能性分?jǐn)?shù)（Fuzzy Possibility Score,FPS），表示底事件的模糊故障率［17］。若底事件j的聚合模糊數(shù)為()

a,b,c，則去模糊化后得到：

為了將專家對底事件的自然評判語言轉(zhuǎn)化成事件發(fā)生的常規(guī)概率，需要將去模糊化后得到的數(shù)值f進(jìn)一步轉(zhuǎn)換成模糊故障率（Fuzzy Failure Rate,FFR）［18］，計算公式如下：

3.4 底事件關(guān)鍵重要度

故障樹中，底事件Xj的關(guān)鍵重要度表示底事件Xj的模糊故障率所引起的頂事件模糊故障率的變化程度［19］，定義為：

結(jié)果如表3所示。

表3 底事件聚合模糊數(shù)、模糊故障率及關(guān)鍵重要度Tab.3 Aggregate fuzzy number,fuzzy failure rate and critical importance of bottom events

3.5 頂事件及中間事件模糊故障率

在故障樹分析中，頂事件故障率根據(jù)最小割集表達(dá)式計算所得［20］。由于本文中多參數(shù)監(jiān)護(hù)儀故障樹最小割集中底事件相互獨立，可根據(jù)獨立事件概率計算公式獲得頂事件模糊故障率［19］。即頂事件模糊故障率：

其中，pj表示最小割集中底事件Xj的模糊故障率。結(jié)果如表4所示。

表4 頂事件及中間事件模糊故障率Tab.4 Fuzzy failure rates of top and middle events

4 實驗驗證及一致性分析

4.1 實驗驗證

方法1：另選擇10 名多參數(shù)監(jiān)護(hù)儀維修專家，根據(jù)本文所述方法對多參數(shù)監(jiān)護(hù)儀故障樹進(jìn)行定量分析，獲得底事件模糊故障率如表5所示。

方法2：計算機(jī)檢索中國知網(wǎng)數(shù)據(jù)庫，以“監(jiān)護(hù)儀”和“故障”作為篇名檢索詞，檢索范圍為“學(xué)術(shù)期刊”，檢索時間為2015年1月1日～2020年12月31日。按照檢索策略共檢索得文獻(xiàn)138篇，按照研究對象納入排除標(biāo)準(zhǔn)進(jìn)行閱讀篩選后，剩余文獻(xiàn)115 篇，總結(jié)故障505 例，以相對故障率分析底事件故障情況（相對故障率=某一底事件故障例數(shù)/總故障例數(shù)），獲得所有底事件的相對故障率如表5所示。

表5 兩種驗證方法所得底事件故障率Tab.5 Bottom event failure rates obtained by two verification methods

4.2 一致性分析

本研究采用MedCalc_19.6.3 統(tǒng)計軟件對3 次實驗所得底事件模糊故障率（或相對故障率）進(jìn)行統(tǒng)計學(xué)分析。采用Bland-Altman 方法分析驗證方法所得結(jié)果與本實驗所得結(jié)果之間的一致性，見圖3。

圖3 兩種驗證方法所得結(jié)果與本實驗所得結(jié)果的一致性分析Fig.3 Consistency of the results obtained by 2 methods with those obtained by the proposed method

Bland-Altman 方法主要是通過圖形直觀地體現(xiàn)不同方法所得結(jié)果之間的一致性，以兩組結(jié)果的差值作為縱軸，平均數(shù)作為橫軸，并能標(biāo)注出兩種方法所得結(jié)果差值的平均數(shù)和95%的波動范圍。

本研究采用95%作為一致性界限，即當(dāng)兩種方法所得結(jié)果的差值在一致性界限之間時，認(rèn)為兩組結(jié)果的一致性較好。圖3a、圖3b 分別為本實驗與驗證方法1、驗證方法2 所得結(jié)果之間的一致性情況。在圖3a 中，有93.75%的數(shù)據(jù)（30 組數(shù)據(jù)）處于一致性界限內(nèi)，圖3b中，有100%的數(shù)據(jù)處于一致性界限內(nèi)，綜合兩次驗證實驗，實驗結(jié)果的一致性達(dá)到96.88%。因此認(rèn)為驗證實驗結(jié)果與本研究實驗結(jié)果的一致性較好，本文的研究方法有效可靠。

5 討論

本文通過分析多參數(shù)監(jiān)護(hù)儀結(jié)構(gòu)原理、檢索文獻(xiàn)及咨詢專家等，建立了多參數(shù)監(jiān)護(hù)儀故障樹，通過對故障樹的定量分析，獲得了多參數(shù)監(jiān)護(hù)儀故障發(fā)生概率及重要度大小，能有效指導(dǎo)其維修工作，提高故障檢修效率，并為多參數(shù)監(jiān)護(hù)儀的預(yù)防性維護(hù)提供參考。本文的研究方法通過結(jié)合聚合模糊數(shù)和專家評價法，解決了傳統(tǒng)故障樹故障診斷數(shù)據(jù)缺乏和專家評價主觀性的問題，既適用于故障過程診斷中的故障分析，也適用于系統(tǒng)潛在風(fēng)險的識別，為系統(tǒng)風(fēng)險分析及故障診斷提供了參考。

下一步將圍繞如何實現(xiàn)多參數(shù)監(jiān)護(hù)儀故障智能診斷的總目標(biāo)，基于多參數(shù)監(jiān)護(hù)儀故障樹，補(bǔ)充故障信息、擴(kuò)充故障知識庫，設(shè)計故障診斷專家系統(tǒng)，為實現(xiàn)多參數(shù)監(jiān)護(hù)儀故障智能診斷提供平臺和依據(jù)。