基于特征融合的開關電源故障診斷方法研究

張詩慧，郎朗，種銀保

陸軍軍醫大學第二附屬醫院 醫學工程科，重慶 400037

引言

醫療裝備能否發揮其最大效能，與供電電源的質量密切相關。開關電源作為醫療裝備的“心臟”，由于長時間承受高電壓、強電流的沖擊，導致其故障頻發，據統計，電源的故障占機器故障的60%以上[1-2]。此外，醫療裝備開關電源價格昂貴、差異大、互換性差，同時很多生產廠家為了獲取維修利潤不再提供詳盡的電路圖等信息，導致開關電源故障定位困難。因此探究醫療裝備開關電源無圖紙故障診斷方法，對保障醫療裝備安全有效運行具有重要意義。

目前對于開關電源的故障診斷方法主要有兩種，即基于原理驅動的故障診斷方法和基于數據驅動的故障診斷方法[3-5]。隨著電路板集成度越來越高和圖紙的缺少，基于原理的故障診斷方法難以解決實際問題，而基于數據驅動的故障診斷方法逐漸凸顯優勢。該方法通過采集各測試點電信號數據，利用深度方法提取信號特征，并學習特征與故障狀態之間的映射關系，建立非線性、非透明的故障診斷模型，從而實現大數據化和智能化的故障診斷，為解決醫學裝備開關電源無圖紙故障診斷問題提供了有效的解決方案。

近年來，深度學習中最典型的兩種框架（卷積神經網絡和長短時記憶網絡）在故障診斷領域取得了一定的成就[6-8]。值得注意的是，開關電源信號既具有形態特征又具有時序特征，若僅根據單一維度特征進行故障診斷，診斷結果并不可靠。基于此，本研究利用深度學習中的卷積神經網絡和長短時記憶網絡分別提取開關電源不同維度特征，并將兩者進行自適應融合，建立多維度特征融合故障診斷模型，克服單一維度特征對診斷結果造成的片面性。

1 開關電源數據采集

1.1 開關電源簡介及常見故障

盡管醫療裝備開關電源結構復雜，種類繁多，但是其工作原理相通，核心結構差異不大[9]。具體來說，220 V交流電經整流濾波后成為不穩定的直流電，并加到由開關管和變壓器等組成的高頻變壓電路上，在以PWM芯片為核心產生的脈沖控制信號作用下周期性通斷開關管，同時通過反饋電路來調整脈沖信號的占空比，對輸出電壓進行調整使其得以穩定，再經整流濾波，即可獲得穩定的直流電壓。從文獻調研和臨床工程師提供的相關統計數據研究中發現，開關電源中有3種元器件故障率較高，分別是開關管、PWM芯片以及電源管理芯片[9-10]。因此，本文通過更換真實的故障芯片來還原開關電源3種常見故障狀態并對其進行識別研究。醫療裝備開關電源典型故障及相關現象如表1所示。

表1 醫療裝備開關電源典型故障及相關現象

1.2 測試點選取及數據采集

測試點的選取是故障診斷的一個重要步驟，只有測試點選擇合理、準確，采集到的數據才能有效表征開關電源狀態，進而為故障診斷模型的構建提供支持[11]。本研究對醫療裝備開關電源故障類型以及核心芯片功能進行模塊劃分，并依次選取核心芯片的輸入端、輸出端、控制端和電源端等16個測試點，其中醫療裝備開關電源功能模塊信號傳遞模型及測試點分布如圖1所示。

圖1 功能模塊信號傳遞模型及測試點分布

隨著計算機和總線的發展，越來越多的工程技術人員采用基于LabVIEW的數據采集系統[12-13]。該系統是指在計算機基礎上通過增加配備必要的傳感器、數據采集卡等硬件模塊和LabVIEW軟件平臺，使其成為具有可視化界面的儀器。本研究在醫療裝備整機運行條件下，利用NI USB-6216采集卡和LabVIEW軟件進行16通道電壓信號同步采集，以保證開關電源的激勵和負載不會對采集的數據產生影響，盡可能地還原真實工作中開關電源所產生的故障信號。此外，對不符合采集卡采集范圍的電信號進行分壓處理，以保證采集卡正常運行，同時保證分壓電阻不會對電路板的負載產生較大的影響，以便還原開關電源真實的運行狀態。

2 多維度特征提取與融合

2.1 多維度特征提取

長短時記憶循環神經網絡（Long Short-Term Memory，LSTM）作為一種時間遞歸神經網絡[14]，不僅能夠獲取電信號序列之間的關聯信息，還能有效捕獲開關電源各測試點電壓信號時序信息依賴關系，有效解決循環神經網絡梯度消失的問題[15]。此外，該方法還可提取開關電源各測試點電信號的時間維度特征，挖掘信號內部時序關系。

開關電源電信號除了具備時序信息以外，其波形的形態特征對故障判斷也十分重要，經驗豐富的臨床工程專家僅憑關鍵測試點信號的波形就可大致判斷出故障范圍。受視覺系統的神經機制啟發而出現的卷積神經網絡（Convolution Neural Network，CNN）是一種模擬人腦進行分析學習的新型多層神經網絡[16]。它能夠直接對原始輸入信號進行處理分析，自動提取信號的本質特征，避免了人工篩選產生的主觀性。鑒于電信號自身一維性的特點，本文利用一維卷積神經網絡（One-Dimensional Convolution Neural Network，1DCNN）提取多通道電信號的形態特征。與2DCNN相比，1DCNN對電信號具有更好的特征提取能力[17]，首先，輸入數據的維度不同，1DCNN可直接輸入開關電源原始時間序列信號，保證輸入的真實性；其次，卷積核遍歷數據的方式不同，1DCNN的卷積核僅在某一維度上遍歷進行卷積運算，且大小是一維的，模型結構簡單，參數較少，節省了計算資源和時間。

2.2 多維度特征融合

對于開關電源電信號而言，1DCNN是利用卷積核對某個時間段內電信號的波形進行形態特征提取，但無法提取不同時刻電信號之間的關系。LSTM則是通過對不同時刻的電信號有選擇的記憶和遺忘，實現對電信號的長期記憶，從而提取開關電源電信號時間維度特征。將多維度特征融合有利于提高故障診斷準確率。特征融合一般分為特征通道疊加和特征圖求和兩種方式，對于不同維度特征融合來說，其計算方式如公式（1）～（2）所示。

式中，Xi和Yi分別表示不同維度待融合特征，Ki表示卷積核。

特征通道疊加只是單純增加特征通道，將不同維度特征同時映射到相同的類別空間中，不同維度特征之間并無關聯；特征圖求和的融合方式要求不同維度特征的通道數相同，將不同維度特征包含的特征圖逐個相加，特征之間存在一定的融合性。

在利用CNN和LSTM進行特征融合的研究方向上，大多數文獻[18-19]都是在CNN已經提取的形態特征上，利用LSTM循環層結構作為網絡輸出層的一部分，處理已提取形態特征的時間持續關系，兩者結合雖具有一定的優勢，但隨著CNN層數加深，所提取的深層次局部形態特征并不能包含原始數據的時序信息。因此本研究通過設計使得開關電源電信號提取的時序特征和形態特征展平后特征大小相同，并按照等比例特征圖求和方式來構造融合特征向量。為了避免故障診斷模型陷入過擬合，引入Dropout技術來減弱神經元節點間的聯合適應性，一定程度上達到正則化的效果，增強模型的泛化能力[20]。本研究構建的基于多維度特征融合的故障診斷模型示意圖如圖2所示。

圖2 多維度特征融合網絡結構

3 基于Adam優化的多維度特征融合故障診斷模型

針對單一特征對診斷造成的片面性，將基于深度學習提取的多維度特征融合為多維特征向量后，通過Softmax分類器[21]對開關電源狀態進行分類和識別，建立一種基于多維度特征融合的故障診斷模型，提高分類精度，其表達式如公式（3）所示。

式中，K表示全連接層輸出向量的維度，也是識別的類別數；xj表示K維向量中第j神經元的輸出值，且。

故障診斷模型中包含大量權重和偏置等參數，這些參數需要通過大量樣本對模型進行訓練來最終確定。目標函數作為模型訓練的“指揮棒”，通過衡量全連接層的預測樣本類別概率與真實樣本類別之間的誤差，來指導模型參數的訓練和學習。本文采用交叉熵損失函數，其中m樣本交叉熵損失函數表達式如公式（5）～（10）所示。

式中，mt和vt分別為一階動量項和二階動量項；β1和β2為動力值，通常分別取0.9和0.999；和分別為各自的修正值；Wt為迭代第t次時模型的參數；η為學習率；ε是一個取值很小的數（一般為e-8），避免分母為0。

4 實驗驗證

4.1 數據采集及預處理

據2018年3月25日中國醫療設備行業發布的監護類醫療設備市場占有率數據[22]，邁瑞公司的監護類醫療設備市場占有率為64.8%。因此，本研究選取市場占有率高、維修價格昂貴的邁瑞BeneView T8型監護儀的開關電源作為研究對象。通過已建立的基于LabVIEW的多通道數據采集系統對監護儀開關電源的四種狀態進行數據采集和歸一化處理，以提高數據的穩定性，同時對表1中的4種狀態進行one-hot編碼，其中采樣率為50 kHz，采樣數為500 k。

深度學習能夠擁有強大的特征提取能力，得益于海量數據來驅動模型進行訓練。而實際應用中，海量訓練數據并不容易得到，因此有效的數據擴充成為模型訓練的必要步驟。本研究對歸一化后的多通道電信號進行有重疊的樣本分割擴充，如圖3所示，分別截取4000個長度為500的樣本，其中樣本之間的重疊比為80%，其目的是增加樣本數量及其多樣性，開關電源每種狀態的多通道數據都看作是4000個樣本數據的組合，共16000個樣本，打亂順序后，隨機選取4000個樣本作為訓練集，其余12000樣本作為測試集，監護儀開關電源各狀態的訓練樣本個數及標簽編碼如表2所示。

圖3 樣本擴充示意圖

表2 訓練樣本個數及標簽編碼

4.2 模型訓練及結果

本文在Windows 10操作系統，Intel(R) Core(TM) i5-8265U CPU @ 1.60GHz的環境下，利用Python 3.0的深度學習庫Keras搭建基于Adam優化的多維度特征融合故障診斷模型，并將訓練集輸入已經搭建好的開關電源故障診斷模型中訓練模型參數，其中故障診斷模型的結構如圖4所示。數據經過預處理后分別進入不同維度特征提取網絡中，雙向長短時記憶網絡層提取的時序特征大小為50，由兩個1D卷積層和1D最大池化層提取的形態特征大小為50。其中由于輸入是電信號數據，為了保留邊緣信息，卷積層進行了補零并且采用ReLU方法激活特征圖，以增強網絡非線性。兩種維度特征分別利用Flatten層展平為包含800個元素的一維特征向量，同時按照1∶1比例相加得到融合后特征向量，為避免過擬合，以0.6的概率隨機舍棄部分神經元，最后利用Softmax層對融合特征進行分類識別。

圖4 基于多維度特征融合的故障診斷模型結構與參數

故障診斷在訓練過程中，每次從包含4000個樣本的訓練集中隨機無放回地抽取40個樣本進行訓練，模型共迭代100次，再用包含12000個樣本的測試集對模型進行測試，實驗結果如表3所示。從表3可以看出，TYPE1、TYPE2和TYPE4均被正確分類，TYPE3中有25個樣本被錯誤識別為TYPE2類別，18個樣本被錯誤識別為TYPE3類別，因此基于Adam優化的多維度開關電源故障診斷模型的準確率為99.98%。

表3 監護儀開關電源故障診斷結果

4.3 特征可視化

為了進一步表明多維度特征融合方法對監護儀開關電源故障分類能力，引入一種非線性降維算法t-SNE，主要對輸入層多通道電信號數據的形態特征、時序特征以及兩者融合后的融合特征等高維數據降維并可視化，實驗結果如圖5所示。圖5a為輸入的原始樣本分布結果，由于對原始數據進行分割擴充處理，導致多通路信號存在冗余性，難以區分不同的故障類型。若僅對基于1DCNN提取的形態特征進行降維分析，如圖5b所示，憑借該特征維度可以較好地區分TYPE1和TYPE4，而TYPE2和TYPE3的形態特征互相有一定的摻雜，且TYPE2的形態特征沒有完全聚攏。若僅對基于LSTM提取時序特征進行可視化，如圖5c所示，TYPE2和TYPE3的時序特征均沒有完全聚攏，且彼此摻雜性較強，TYPE1和TYPE4提取的時序特征聚攏性較好。由圖5d所示，本文提出的多維度特征融合模型所提取的融合特征均聚攏在相應的區域，各類別的融合特征并無相互摻雜。

圖5 不同特征可視化

將基于多維度特征融合故障診斷模型提取的形態特征進行可視化，如圖6所示，基于1DCNN提取的形態特征中，同一類別不同通道提取的特征以及各類別之間差異性較大。圖6b的通道2提取的形態特征與圖6a的通道15和圖6c的通道12所提取的形態特征比較相近，這也很好地解釋了TYPE2類型的部分樣本被誤診斷為TYPE1和TYPE3類型。此外PWM芯片損壞后，無法根據取樣信號來調整占空比，導致電源無輸出，因此會在圖6c的第2通道提取平穩的直線形態特征。電源管理芯片主要管理開關電源的閉合狀態，故障后無法保證電源閉環穩定運行，采集信號的信噪比減小，如圖6d的通道1、通道7和通道8提取的形態特征。

圖6 開關電源各狀態形態特征和時序特征

5 討論

為了凸顯特征融合對診斷結果的影響，將本研究提出的基于多維度特征融合診斷方法分別與基于單一形態特征診斷方法和基于單一時序特征診斷方法進行對比分析，利用相同的訓練集和測試集對3種方法進行訓練和測試，其中訓練集準確率和損失函數曲線對照結果如圖7所示。從圖中可以看出，無論是準確率還是模型的收斂程度，基于多維度特征融合診斷方法都優于其他2種基于單一特征的診斷方法。此外在優化算法方面，將本研究所采用的Adam算法[23]與其他常用的3種優化算法（AdaGrad、RMSprop和SGD）進行對比分析，其結果如圖8所示。基于Adam優化的多維度特征融合故障診斷方法不僅準確率高，模型收斂效果好，而且從訓練曲線看出，該優化算法較其他3種優化算法更加穩定。

圖7 訓練集準確率和損失函數曲線

圖8 不同優化方法準確率和損失函數曲線

多分類模型評估指標除準確率（Accuracy）以外，還包括精準率（Precision）、靈敏度（Sensitivity）、F1。為了避免偶然性，依據不同特征進行故障方法分別進行10次實驗，每次實驗都按照之前的比例劃分樣本，使模型診斷的準確率更具客觀性。取10次實驗的平均結果作為最終實驗結果，如圖9所示，基于單一時序特征診斷方法的4種評估指標均值最小且誤差最大，模型魯棒性較差；其次是基于單一形態特征診斷方法，而本研究提出的基于多維度特征融合模型較利用單一維度特征進行故障診斷都有較好的表現，4種評估指標的均值高于其他2種方法且誤差波動范圍最小，模型魯棒性強，其中準確率、精準率、靈敏度以及F1分別為99.56%、99.50%、99.50%和99.49%。此外，本研究過程中所需訓練集樣本和測試集樣本個數比例為1∶3，訓練樣本量小于測試集樣本量的情況下，能夠取得比較好的成績，說明模型有效，證明了模型的有效性。

圖9 評估指標比對結果

為進一步驗證本文所提方法的有效性，筆者前期利用2DCNN對醫學裝備開關電源的4種常見故障狀態進行故障診斷研究[24]，診斷結果表明，針對醫療裝備開關電源故障診斷，文本所提出的基于特征融合方法的準確率99.98%，較基于傳統二維卷積神經網絡方法的故障診斷準確率（99.79%）有所提升。

6 結論

本研究針對醫療裝備中開關電源無圖紙故障定位困難的問題，提出一種基于特征融合的開關電源故障診斷方法。該方法首先基于深度學習中的1DCNN和LSTM分別提取開關電源多個電信號的形態特征和時序特征，并將兩種特征按照等比例特征圖求和方式進行特征融合；其次利用Softmax分類器對融合特征分類識別，建立基于多維度特征融合故障診斷模型；最后利用Adam優化算法對模型參數進行自適應優化。通過對邁瑞T8監護儀開關電源故障診斷結果表明，相對于基于單一時序特征的故障診斷方法和基于單一形態特征的故障診斷方法，該方法能有效區分多種故障模式，說明該方法具一定的理論意義和實際應用前景。