基于ThinkPHP的醫療器械振動故障檢測方法研究

申路，孫俊峰

(1. 廣州醫科大學附屬第五醫院，廣東 廣州 510700 ； 2. 廣州市正骨醫院，廣東 廣州 510049)

0 引言

醫生在對患者病情進行診斷時，主要以醫療器械對患者的檢測結果作為判斷依據。近年來，醫療器械故障問題的頻繁出現，更是導致醫療事故出現的概率大大增加。醫療設備大多屬于精密診療儀器，所以導致器械設備發生故障的原因也就相對多樣，單純依靠人工檢測的方式，并不能準確從故障特征中選取最為有利的診斷信息，過往應用經驗主要利用計算機技術對相關故障數據進行篩選，并融合已知的知識體系，建立一個完整的檢測模型。為此，相關學者進行了研究。劉媛等[1]采用振動加速度傳感器作為傳感器件，研制了GIS振動信號檢測裝置，并輔以回路電阻測試儀量化觸頭的接觸狀態，采用自主研發的振動信號檢測裝置對不同接觸程度的GIS進行振動檢測。馬杰等[2]以物聯網為基礎搭建系統框架，實時采集運行故障數據封成數據包，利用Silverlight WCF技術來解決管理終端與服務器之間的實時數據交互，以插件的形式將各設備的檢測模塊注冊并加載至系統中，利用模糊聚類算法檢測故障。上述兩種方法在現階段取得了一些研究成果，但對于局部閾值而言，其所得檢測實值與理想數值之間的物理差值水平相對較大，易導致檢測精度值的不斷下降。

對互聯網應用環境而言，ThinkPHP框架支持Linux、Unix、Windows等多種操作服務器，可在Sqlite、PgSQL、MySql等多種數據庫結構的支持下，對外接PDO服務進行拓展處理。ThinkPHP框架是以Apache2開源協議為基礎建立的數據信息傳輸發布結構，在應用過程中，同時注重代碼的間接性與執行性能的優異性。從宏觀性角度來看，ThinkPHP框架對所涉及模塊的連接形式并沒有特別要求，但為了保證整體應用模式的統一，還需注重模塊與模塊之間的實時連接方式[3-4]。一般來說，一個完整的ThinkPHP框架必須同時配置模板引擎、角色認證、表單處理等多種組件機制，而且對跨平臺的傳輸服務而言，任何指令操作都必須與數據庫協議移植行為一起出現。

ThinkPHP是一個快速、兼容而且簡單的輕量級國產PHP開發框架，是為了簡化企業級應用和敏捷Web應用而開發的。因此，本研究針對基于ThinkPHP的醫療器械振動故障檢測方法展開研究。該方法能夠更加方便、快速地對醫療器械振動故障進行檢測，解決了傳統方法的不足，證明了本文方法的有效性。

1 醫療器械的振動故障檢測

1.1 故障數據采集

對醫療設備振動故障數據進行采集，在此基礎上，對相關混合故障模式下的特征重要度進行排序，選取重要特征構建故障數據并進行數據采集[5-6]。在此基礎上，完成了ThinkPHP框架下的振動相關故障信息采集，其步驟是：

(1)

通過對故障數據的采集可以進一步提高系統的運行效率。

1.2 故障數據處理

故障數據采集過程中存在噪聲干擾，因此需要對故障數據進行降噪處理。醫療器械振動故障信號包含電動機信號、電板信號、齒輪信號等多種形式，在ThinkPHP框架中，由于已獲取的檢測信號中包含大量的數據信息參量，致使檢測指令所涉及的涵蓋范圍較大，這也是導致檢測結果精確度水平相對較低的主要原因[7-8]。為解決上述問題，應在已知相關故障特征定義條件的基礎上，對醫療器械振動故障數據進行初步處理。具體操作流程如圖1所示。

圖1 故障數據處理流程圖

設c、m表示兩個不同的故障信號涵蓋系數；μ表示醫療器械振動故障數據的離散特征值；η表示基于ThinkPHP框架檢測率系數；R表示醫療器械振動故障數據的特征函數；vc、vm表示兩個不同的醫療器械振動故障數據取值結果。在上述物理量的支持下，可對采集的故障數據進行降噪處理，其計算公式為

(2)

至此，實現對相關故障指標參量的計算與處理，并在ThinkPHP框架的支持下，完成醫療器械振動故障檢測方法的設計與應用[9]。

1.3 故障項目目錄生成

對預處理后的醫療器械振動故障數據進行整合，并將整合后的故障數據生成項目目錄。用ThinkPHP框架對醫療器械振動故障進行檢測，了解相關數據信息后，就可以編寫全新的故障項目文件，并在此基礎上快速自動生成故障項目目錄[10]。其具體操作步驟如下。

1)在ThinkPHP框架的根目錄文件之下，建立一個核心項目文件夾，一般直接命名為“Mark項目”。

2)將ThinkPHP框架的核心類庫移植到步驟1)所建立的根目錄文件之下。

3)在“Mark” 項目文件夾之下，建立一個“index.php”文本文件，并將其作為醫療器械振動故障數據的傳輸入口。

4)再次編寫項目目錄入口處的傳輸文件。

設i、e表示兩個不同的故障數據項目名稱定義項；yi表示執行i項目時的目錄系數；ye表示執行e項目時的目錄系數；P表示數據信息查詢條件，聯立上述物理量，可將ThinkPHP框架中的項目目錄生成標準定義為

(3)

在ThinkPHP框架中，只有在建立完整的故障項目目錄后，相關目錄結構體才能對醫療器械振動故障數據進行實時檢測。

1.4 相關故障特征分析

根據生成的故障目錄，分析相關故障特征。醫療器械振動故障檢測需要結合多種指標來進行確診，在ThinkPHP框架支持下，相關故障特征包含峰值指標、峭度指標、偏態指標、裕度指標等多種類型，其具體定義條件如下。

1)峰值指標

峰值是指在一定時間段內醫療器械故障振幅的最大表現值，對瞬時故障行為而言，僅依靠峰值指標也能得出較為精準的檢測結果，但在多類型振動故障同時存在的情況下，由峰值指標推斷得出的檢測結果則顯得過于單一，并不能真實反映出醫療器械的真實運轉情況[11]。

2)峭度指標

在醫療器械出現疲勞型振動故障問題時，整個元件設備都對沖擊信號保持較強的敏感性，此時，與檢測指令相關的沖擊成分所包含的能力越大，醫療器械的峭度值就越高。

3)偏態指標

偏態指標描述了存在明顯振動故障行為的情況下，醫療器械對檢測信號的敏感程度。一般來說，信號的波動行為越明顯，與之相關的偏態值就越大。

4)裕度指標

裕度指標只用于檢測由振動故障行為引發的醫療器械磨損情況。

5)功率譜質心指標

功率譜質心指標描述了醫療器械質心位置在振動故障過程中的物理變化量。當存在故障行為時，醫療器械設備振動幅值會進入一個相對快速的變化階段，這在一定程度上會導致功率譜質心所處位置的直接改變[12-13]。

6)頻率方差

當方差數值相對較小時，說明醫療器械的運行狀態相對較為穩定，振動行為的單位波動量也相對較小；反之則表示存在較為明顯的振動故障問題。

7)諧波因素

諧波因素是檢測醫療器械不平衡故障問題的主要振動特征。

8)其他因素

其他因素包含醫療器械使用時長、負荷運轉情況等多項組成條件。

1.5 構建故障檢測模型

在分析相關故障特征的基礎上，構建故障檢測模型，對醫療器械振動故障進行檢測。

基于ThinkPHP檢測算法可同時針對多種醫療器械振動故障行為進行研究。由于在實施檢測的過程中需要綜合多個指標參量來做出準確的判斷結果，所以整個處理過程中勢必涉及大量的故障數據與非故障數據[14]。如果所需故障數據與非故障數據同時存在大量的冗余行為，則會對檢測結果造成很大影響，不但會增加建立檢測模型的時間，也會在一定程度上降低模型結構的檢測準確度水平[15]。因此，利用ThinkPHP框架對所涉及醫療器械振動故障數據進行篩選，并從中選擇最為適宜的檢測算法，是實現檢測模型順利應用的關鍵條件之一。

(4)

2 實例分析

為驗證上述基于ThinkPHP的醫療器械振動故障檢測方法的有效性，本文以振動叩擊排痰機為例，設計了如下實驗。

振動叩擊排痰機是電機驅動傳動軟軸通過動力頭內的偏心裝置產生振動，叩擊患者局部胸腔，協助排出呼吸道分泌物的設備。振動叩擊排痰機主要由主機、叩擊頭、傳動軟軸、控制面板和腳輪等5部分組成。根據其應用范圍可將其分為兒童型、成人型、兒童成人混合型等。根據其指導原則審查的要求，成人型振動頻率范圍為10～60 Hz/s；兒童型振動頻率范圍為10～30 Hz/s。本文通過振動叩擊排痰機與上位機相連進行數據傳輸，獲取實驗數據。

在檢測醫療器械振動故障行為的過程中，局部閾值能夠反映所采用方法的檢測精度水平。一般來說，理想數值與實際檢測數值之間的差值結果越小，表示所采用方法的檢測精度水平越高，反之則越低。

本次實驗分別針對檢測醫療器械振動故障行為的峭度指標l1、裕度指標l2進行檢測，再將所得的局部閾值結果與理想閾值結果進行對比。具體的指標局部閾值計算表達式如下：

(5)

表1記錄了與峭度指標、裕度指標相關的局部閾值理想計算結果。

表1 局部閾值理想計算結果

分析表1可知，局部閾值理想計算結果在3種不同的指標取值條件下，均呈現連續波動的數值變化狀態，且其在單位時間內的變化形式并無明顯規律。

圖2-圖3反映了振動叩擊排痰機振動故障行為在不同指標取值條件下的局部閾值檢測的結果及其與理想閾值結果之間的對比情況。

分析圖2-圖3可知，隨著實驗時間的延長，應用基于ThinkPHP檢測方法后的峭度指標局部閾值、裕度指標局部閾值也始終保持連續波動的變化狀態，但其整體均值水平相對較低，在整個實驗過程中，其數值曲線全部位于理想局部閾值曲線下端。應用普通檢測方法后的峭度指標局部閾值、裕度指標局部閾值雖然也能夠維持連續波動的數值變化形式，但其整體均值水平相對較高，整個實驗過程中的局部閾值曲線始終位于理想曲線上端，更是遠高于基于ThinkPHP檢測方法的局部閾值計算結果。

圖2 峭度指標的局部閾值對比

圖3 裕度指標的局部閾值對比

綜上可知，在基于ThinkPHP檢測方法的支持下，以峭度指標、裕度指標為例，振動叩擊排痰機振動故障的局部閾值檢測結果確實出現了明顯縮小的數值變化趨勢，這在增強醫療器械設備故障檢測精度方面，能夠起到一定程度的促進性作用。

為進一步驗證本文方法在振動叩擊排痰機上應用的有效性，對不同方法的故障精度進行了測試，以文獻[1]基于振動原理的GIS隔離開關觸頭接觸狀態檢測方法、文獻[2]基于物聯網的骨科醫療器械運行故障快速檢測方法作為對比方法，進行對比實驗。對比結果如圖4所示。

圖4 故障精度對比測試

分析圖4可知，隨著迭代次數的不斷增加，應用基于ThinkPHP檢測方法的故障檢測精度高，均在90%以上，而采用文獻[1]基于振動原理的檢測方法和文獻[2]基于物聯網的檢測方法的檢測精度均不超過80%。由此表明本文方法的故障檢測精度高，具有實用價值。

3 結語

本文提出了基于ThinkPHP框架的醫療器械振動故障檢測方法，在對MVC開發模式展開深入研究后，又借助項目目錄結構，選擇最為適宜的檢測算法。由于故障特征定義條件的不同，檢測指令執行所遵循的故障數據處理方式也會有所不同，這也是該方法能夠較好適應各種不同醫療器械振動故障行為檢測需求的主要原因。實驗結果顯示，隨著基于ThinkPHP檢測方法的應用，峭度指標、裕度指標取值條件下的局部閾值計算結果與理想閾值計算結果之間的數值差水平得到了有效控制，具有較高的故障檢測精度。從宏觀角度來看，該方法較為符合精準檢測醫療器械振動故障行為的實際應用需求。