基于故障定位集的醫療器械電路故障在線檢測方法

劉海天

(海安市人民醫院 醫學裝備科，江蘇 南通 226600)

0 引言

隨著我國醫學的不斷發展和進步，醫療器械得到了廣泛的應用，但同時面臨著昂貴的醫療器械維修費用。很多醫院為了保證醫療器械的正常運轉，不得不培養專業的醫療器械維修人員，造成相關醫療器械維修的費用不斷地增加，導致醫院的經營成本不斷地上升。為了有效解決上述問題，很多醫院開始尋找相關的解決方案[1]。醫療器械的故障主要源于電路的故障，而電路故障的發生大部分由于頻繁地使用錯誤的操作流程導致醫療器械內部混亂，最終導致醫療器械的某些部件不能正常運轉，造成檢測的數據不準確，從而出現誤診的狀況[2]。如果醫療器械的故障是因為輸出電流引起的電流故障，不能得到及時修復，嚴重時會對機器造成不可逆的損害，使整個設備無法修復。為了保證醫療器械在運行過程中的穩定性能，保證檢查結果的準確性，需要對電路故障進行實時檢測，及時排除醫療器械故障，以免帶來重大損失[3]。

董煜等[4]為了準確地對電路相位誤差進行檢測，提出了一種基于移動信號的電路檢測法。首先，對電路的相位誤差進行固定頻率的模擬，并將延長移動信號替換電路的相位信號，利用濾波器對電路運行過程中產生的信號進行有效提取，將強噪聲內的移動信號剝離，實現對電路相位誤差的檢測。實驗結果表明，基于移動信號的電路相位誤差檢測方法，可以有效地克服高噪聲環境，但是存在較高的漏檢率。褚若波等[5]提出了一種基于高頻信號的電路故障可視化識別方法，首先利用多層卷積神經網絡構建電路運行線路圖，并提取電路運行特征，結合高頻耦合濾波對電路運行過程中故障信號進行采集，并利用高頻信號進行標記，將電路運行過程中的數據進行合理化分析，并將其轉化為適用可視化分析的數據，實現對電路故障可視化的識別。結果顯示，該方法雖然可以提高電路故障檢測精度，但是故障信號采集質量較低。

基于以上研究背景，本文利用故障定位集設計一種醫療器械電路故障在線檢測方法，從而保證醫療器械電路的安全性。

1 醫療器械電路故障在線檢測方法設計

1.1 構建醫療器械電路故障定位集模型

將電路故障定位集描述為X={x1,x2,…,xn}，醫療器械運行過程中電路故障定位集X的數量為n，X中電路故障定位集的特征分布為維矢量p。如果X中含有c個電路故障類別，那么第i個電路故障類別可以用ci={c1,c2,…,ci}來表示。當醫療器械運行過程中電路故障定位集不平穩時，則得到故障信號樣本集{x(t1),…,x(tn)}特征分布函數和{x(t1+τ),…,x(tn+τ)}特征分布函數之間的關聯關系[6]，利用式(1)給出電路故障函數f(x)的表達式：

f(x)=(θ(k)-c(k))Xci

(1)

式中：θ(k)代表醫療器械電路故障點；c(k)代表醫療器械電路故障定位集的樣本。利用模糊度函數的特性，確定電路故障定位集的頻譜特征[7]，得到電路故障數據的特征變量V值和故障定位集之間的關系。根據醫療器械電路故障特征向量定位集Ri和Rj，得到醫療器械電路故障特征向量的函數映射為fR:Ri→Rj，假設mi∈R1，得到醫療器械電路故障信息提取方程：

(2)

式中：x代表故障定位集中電路故障數據的起始頻率；ψ代表故障定位集的訓練樣本；φ代表故障定位集的瞬時幅度；γ代表醫療器械發生電路故障時的諧振幅度。

如果R為故障定位集中電路故障特征的信任關系，故障定位集內含有4個信任關系組(Ei,Ej,d,t)，其分類屬性為A={A1,A2,…,Am}，則醫療器械運行過程中電路故障定位集特征信息Pi(t)的狀態方程式為

(3)

醫療器械電路故障定位集是由α個電路故障數據樣本組成，被稱為電路故障數據樣本集[8]，并且每個電路故障樣本集中都含有m個指標，則j個電路故障樣本集中的指標特征向量為xj={x1,x2,…,xj}，由下式計算出電路故障定位集的后驗概率估計pj(k)，即

(4)

為了構建醫療器械電路故障定位集模型，運用時頻分析法[9]，對醫療器械電路故障定位集的特征進行提取，構建醫療器械電路故障定位集模型：

xi=fi(xi,ui)pj(k)D(xi,Vj)

(5)

式中：xi∈Rn代表醫療器械電路故障定位集模型的特征狀態矢量；ui∈Rm表示故障定位集的特征。通過上述步驟，完成對醫療器械電路故障定位集模型的構建。

1.2 定位醫療器械電路故障

為了實現對醫療器械電路故障的定位，利用小波變換對醫療器械電路故障信息進行換算，完成對故障信息的有效辨別，最終實現對電路故障的準確定位。

在利用小波變換進行醫療器械電路故障的定位中，假設φ(t)為小波離散函數，那么得到變換函數φf,g(t)為

(6)

式中：f代表變換因子；g表示移動因子；φf,g(t)是通過小波變換φ(t)得到的。通過對f和g進行小波變換，得到小波變換函數[10]。設y(t)為電路運行故障信號，依據式(6)，利用φ(t)對y(t)進行離散小波變換，得到小波變換的系數為

(7)

式中f、g和t代表小波變換過程中的常數。所以式(7)是持續的小波變換信號，也就是說醫療器械電路故障信號是持續的。

利用醫療器械電路故障信號的持續性特點，對小波變換函數進行解析[11]，根據離散小波函數，對不同故障情況下的醫療器械電路故障信號進行計算：

(8)

式中：l為不同故障情況下醫療器械電路故障的權值；Ty(2l,2lt)為不同故障情況下的小波變換系數。

下面用小波函數對醫療器械電路故障信息進行重構[12]，實現對醫療器械電路故障的準確定位。則任意的醫療器械電路故障位置h(t)均可表示為

h(t)=hl(t)+zl(t)+Ty(2l,2lt)cl,v

(9)

式中hl(t)表示鄰近醫療器械電路故障點的信號。設φ(t)為小波基函數，則cl,v為鄰近醫療器械電路故障定位點的小波系數，其可分解為

cl,v=〈h(t),φl,v(t)〉

(10)

根據公式(10)的分解，對不同故障情況下電路故障信息進行重構[13]，定位醫療器械電路故障的準確位置為

(11)

式中Ol代表電路故障點位置信息。

根據以上步驟完成醫療器械電路故障的定位。

1.3 設計醫療器械電路故障檢測算法

在對醫療器械電路故障進行檢測時，通過故障定位集的采集和分析，實現醫療器械電路故障的檢測。具體的步驟如下：

假設，由xi和yi代表醫療器械運行過程中的電路故障信號，則利用式(12)獲得醫療器械運行信號的基頻振動：

(12)

式中：Sj(t)代表第j個電路故障信號；aij代表Sj(t)在第i個測點上的故障信號；ni(t)代表檢測因子。

定義X(t)為已知的電路故障信息，對X(t)進行小波變換，S(t)代表變換后的電路故障信號，則由式(13)提取電路故障信號特征：

(13)

式中：Bg代表提取出的電路故障特征數量；qz代表故障信號的周期；Hd代表故障信號的位置點。

將醫療器械電路故障的檢測信息描述為μo，aj代表檢測信息的數目，Ld代表電路故障檢測信息矩陣，Λ代表在Ld個電路數據中檢測出故障信息的個數。用故障定位集計算出電路故障檢測結果[14]，表述為

(14)

(15)

將off(M)定義為電路故障信息的功率譜函數[15]，完成醫療器械電路故障的檢測為

(16)

綜上所述，完成對醫療器械電路故障檢測算法的設計，實現了醫療器械電路故障的檢測。

2 仿真實驗分析

2.1 數據來源

為了驗證基于故障定位集的故障檢測方法在實際應用中的性能，以某醫院醫療監護儀為實驗對象，在CPU為intel(R)q4800，頻率為2.66 GHz，計算機內存為512 GB，仿真編程環境為matlab 2019， Windows 10系統的仿真環境下進行一次仿真實驗分析，在仿真環境下搭建醫療器械電路故障信號檢測的仿真平臺。實驗數據來自不同醫療器械的電路信號記錄，并在電路故障中添加噪聲干擾，采集了實驗數據，如圖1所示。

圖1 實驗數據

2.2 設置實驗指標

醫療器械電路故障檢測實驗分兩個階段進行，先用漏檢率和誤檢率指標衡量醫療器械電路故障的檢測效果。漏檢率指的是檢測人員在醫療器械電路故障檢測中未發現的電路故障信號占總故障數量的比例；誤檢率指的是檢出電路故障與醫療器械電路故障檢測總數之比。在實驗第二階段，用信噪比指標衡量醫療器械電路故障信號的檢測質量，計算公式為

(17)

2.3 結果分析

為驗證基于故障定位集的故障檢測方法的優勢，引入基于改進證據理論的故障檢測方法和基于多層卷積神經網絡的故障檢測方法作對比，利用圖1的數據樣本，測試了3種方法的醫療器械電路故障漏檢率，結果如圖2所示。

圖2 醫療器械電路故障漏檢率測試結果

從圖2的結果可以看出，基于改進證據理論的故障檢測方法在檢測醫療器械電路故障時的漏檢率偏高，當電路故障數據量超過60個時，漏檢率高達50%，隨著故障數據量的增加，最大漏檢率達到了60%；采用基于多層卷積神經網絡的故障檢測方法時，電路故障漏檢率較低，在0～35%之間，明顯低于基于改進證據理論的故障檢測方法；采用本文方法時，當電路故障數據量為50個時，電路故障漏檢率達到最大值為10%，隨著故障數據量的增加，漏檢率開始下降，說明故障定位集的建立可以準確定位到故障的位置，降低了漏檢率。

電路故障誤檢率測試結果如圖3所示。

從圖3的結果可以看出，基于改進證據理論的故障檢測方法和基于多層卷積神經網絡的故障檢測方法在電路故障誤檢率方面的測試結果都比較高，分別在0～80%之間和0～50%之間，而本文方法在檢測醫療器械電路故障時的誤檢率在0～20%之間，當電路故障數據量超過50個時，電路故障誤檢率開始逐漸降低，當電路故障數據量為100個時，電路故障誤檢率只有8%，說明文中方法能夠避免電路故障出現錯誤檢測的現象。

圖3 醫療器械電路故障誤檢率測試結果

3種方法的醫療器械電路故障信號采集的信噪比測試結果如圖4所示。

圖4 醫療器械電路故障信號采集的信噪比測試結果

從圖4的結果可以看出，在采集醫療器械電路故障信號的信噪比測試中，當電路故障數據量超過50個時，基于改進證據理論的故障檢測方法才達到20%的信噪比，當電路故障數據量超過30個時，基于多層卷積神經網絡的故障檢測方法和基于故障定位集的故障檢測方法得到的信噪比就達到了30%和60%。隨著電路故障數據量的增加，文中方法在采集醫療器械電路故障信號的信噪比仍然在迅速上升，當電路故障數據量超過100個時，采集醫療器械電路故障信號的信噪比高達96%，說明文中方法可以保證療器械電路故障信號的檢測質量。

3 結語

本文提出了基于故障定位集的醫療器械電路故障在線檢測方法。經過實驗測試發現，該方法在漏檢率和誤檢率測試中，提高了電路故障的檢測效果，還可以通過提高電路故障信號采集的信噪比，保證醫療器械電路故障信號的檢測質量。但是本文的研究存在很多需要改進的地方，在今后的研究中，希望可以將LMD算法應用到故障檢測中，縮短故障的檢測時間，提高檢測效率。