基于特征提取的壓力蒸汽滅菌設備運行故障診斷方法研究

任希燕，周娟，胡霞，陳希希

南通市第一人民醫院 消毒供應中心，江蘇 南通 226000

引言

壓力蒸汽滅菌設備主要用于手術輔料與器械的消毒滅菌，能夠使蛋白質菌體發生變性，進而使微生物發生代謝障礙，或破壞遺傳物質，從而殺死微生物，最終實現手術輔料與器械的消毒滅菌。在醫學領域，壓力蒸汽滅菌設備促進了生物醫學與感染控制學的發展。同時壓力蒸汽滅菌設備也是一種具有高爆炸性危險的設備[1]。醫院管理中必須保證壓力蒸汽滅菌設備的可靠性和安全性，從而保障醫院醫護人員與患者的生命安全，因此加強對壓力蒸汽滅菌設備的管理具有重要意義。目前，醫院壓力蒸汽滅菌設備管理中，其維修與維護工作通常由醫院醫工部門或廠家的工程師負責，日常檢查、清洗、清潔等工作則由使用科室負責。當壓力蒸汽滅菌設備發生故障后，需由設備操作人員報修，并由醫學工程師實施事后維修[2]。但當發生的故障比較復雜時，故障診斷時間較長。

陳善瓊[3]分析了MELAG Vacuklav 24 B/L+滅菌器故障，通過對MELAG Vacuklav 24 B/L+滅菌器的故障匯總、工作原理分析及故障處理案例，使相關人員熟悉、了解該設備，但該方法主要通過人工實現故障診斷，耗時費力。位晶晶等[4]研究了基于GA-SVR的小樣本數據缺失下的設備故障診斷方法，針對小樣本數據缺失下的設備故障診斷問題，提出了基于遺傳算法優化支持向量回歸的缺失數據填補方法，主要利用缺失數據所屬變量的數據，訓練遺傳算法優化的支持向量回歸，得到單變量預測結果，通過相關性分析重構訓練集，獲得多變量預測結果，該方法改善了故障診斷的效果，但其診斷耗時較長。本文綜合以上研究成果，提出設計基于特征提取的壓力蒸汽滅菌設備運行故障診斷方法，旨在對壓力蒸汽滅菌設備運行故障診斷方法進行研究，以期提高壓力蒸汽滅菌設備運行故障診斷的效率和設備運轉率，并提升壓力蒸汽滅菌設備的安全性和穩定性。

1 壓力蒸汽滅菌設備運行故障診斷方法設計

1.1 壓力蒸汽滅菌設備運行故障數據采集

為實現壓力蒸汽滅菌設備運行故障的診斷，首先需要提取壓力蒸汽滅菌設備運行故障數據，并以此故障數據做為研究的基礎，完成故障的診斷。在故障數據采集中，本文通過Lab VIEW編程軟件結合數據采集卡，采集壓力蒸汽滅菌設備運行故障數據[5]。其中，數據采集卡使用型號為USB -6251，該采集卡包括定時計數器2個、數字I/O 24條、模擬輸出2路以及模擬輸入16路[6]。該數據采集卡具備即插即用的特點，能夠對設備數據進行采集。

在Lab VIEW編程軟件中對該數據采集卡實施自檢與初始化，并對需要監測的壓力蒸汽滅菌設備運行故障參數實施通道配置[7]。根據監測的壓力蒸汽滅菌設備運行故障參數類型，選擇對應的物理通道。當需要對壓力蒸汽滅菌設備活塞推力運行故障參數進行監測時，選擇的類型為“Strain”，并利用模擬通道10對其進行賦予。對全部故障信號對應的物理通道進行選擇。完成采集故障信號物理通道的選擇后，進入Lab VIEW編程軟件的參數設置頁面，對故障信號的采樣方式和幅度進行設置。為方便程序調試、增強程序可讀性，根據監測通道信號實際名稱對物理通道進行命名[8]。完成全部信號通道的設置及其相關編程后，通過Lab VIEW編程軟件即可對壓力蒸汽滅菌設備運行故障信號進行采集[9]。

1.2 故障特征提取

基于特征提取技術提取壓力蒸汽滅菌設備運行故障信號特征，主要通過AR模型和敏感IMF分解實現故障信號特征的提取。

具體提取步驟如下：① 通過敏感IMF分解實施壓力蒸汽滅菌設備運行故障信號。用x(t)表示壓力蒸汽滅菌設備運行故障信號。分解后獲取固有模態函數，具體如公式（1）所示。② 通過自相關系數算法和峭度值對n個最敏感的IMF分解分量vn(t)進行選擇。③ 為消除選擇結果對AR模型對應殘差方差的影響，歸一化處理各層IMF分解分量的能量，具體如公式（2）所示。④ 構建AR模型，具體如公式（3）所示。⑤ 對AR模型參數進行求解，首先需要對模型階次進行確定，具體公式（4）所示。⑥ 將各IMF分解分量AR模型殘差的對應方差作為數據特征。特征向量表示方式如公式（5）所示。構成壓力蒸汽滅菌設備運行故障信號的n個IMF敏感特征向量可以用公式（6）表示。壓力蒸汽滅菌設備運行故障信號n個IMF敏感特征向量，可以構成其特征向量矩陣，具體如公式（7）所示?；谏鲜鲞^程，完成壓力蒸汽滅菌設備運行故障特征的提取。

式中，V表示固有模態函數集合；vj(t)表示第j個固有模態函數[10]。

式中，vn'(t)表示vn(t)的能量歸一化處理結果；vn(t)表示n個最敏感的IMF分解分量；t表示時間。

式中，vn''(t)表示構建的vn'(t)的AR模型；r表示AR模型殘差；φi表示第i個分解分量的對應AR模型參數[11]。

式中，σ2表示模型殘差方差；N表示估計集合中值的實際數目。并將EPE(i)值最小時的模型定為應用模型。

式中，γi表示第i個特征向量[12]；σi2表示第i個殘差對應方差。

式中，γi-n表示第i-n個特征向量；φimax表示最大的AR模型階數。

式中，(γ1-n)n表示第n個特征向量。

1.3 故障特征約簡

上述采集的壓力蒸汽滅菌設備運行故障特征數據較為復雜，為進一步降低故障診斷的工作量，需要簡化故障特征數據。本文通過局部保持投影數據降維方法對提取的特征實施約簡。主要通過近鄰圖構建映射，利用拉普拉斯算子獲取映射矩陣，并將數據直接映射至低維子空間。這種數據處理方法能使數據集局部結構保持不變。

具體特征約簡步驟如下：① 構造近鄰圖。將X設為訓練數據集，用G代表一個節點數為n的圖。當數據點xa與數據點xb是2個鄰近的數據點，則對圖中2個數據點對應的節點進行連接，構造鄰接圖[13]。判斷數據點xa與數據點xb是否相鄰的方法如公式（8）所示。② 對權值進行選擇。當數據點xa與數據點xb為相鄰，賦予該鄰接權值，不賦值時兩點之間的權值即為0。通過權值矩陣對數據之間的局部流形結構進行模擬，并利用熱核權值的方式進行賦值，具體如公式（9）所示。③ 對正交基相關參數進行定義。將對角矩陣定義為公式（10）。拉普拉斯矩陣L的計算方式如公式（11）所示，將正交基向量定義為公式（12）所示，對正交基函數相關參數K(k-1)、P(k-1)進行定義，分別如公式（13）和公式（14）所示。④ 對正交基向量進行計算，具體如公式（15）和公式（16）所示。⑥ 實現映射，具體如公式（17）和公式（18）所示。根據以上程序完成特征數據的約簡。

式中，α表示歐式距離閾值。

式中，Aab表示權值矩陣；t表示熱核權值。

式中，B表示對角矩陣；T表示變換矩陣閾值；λ表示映射指數；w表示指特征向量；β表示映射矩陣。

式中，L表示拉普拉斯矩陣；yd表示第d個正交基向量。

式中，yk-1表示第k-1個正交基向量。

式中，qi表示映射；l表示正整數。

1.4 運行故障診斷

在上述約簡后的運行故障特征數據基礎上，通過神經模糊推理自適應系統設計一種智能混合運行故障診斷模型，實現壓力蒸汽滅菌設備運行故障診斷[14]。設計的智能混合運行故障診斷模型的結構如圖1所示。

圖1 智能混合運行故障診斷模型結構

具體操作過程如下：① 構建多個ANFIS初始分類器，利用每種故障約簡后的故障特征數據對各初始分類器進行測試與訓練，獲取多種故障的對應ANFIS分類器[15]。多種故障對應ANFIS分類器的分類結果如公式（19）所示。②通過加權平均合成多種故障的對應ANFIS分類器輸出結果，獲取最終的壓力蒸汽滅菌設備運行故障診斷結果，輸出故障診斷結果如公式（20）所示。③ 在壓力蒸汽滅菌設備運行故障診斷實現中，通過構建的分類器將不同故障進行分類，再將分類結果通過加權平均進行整合，最后將診斷結果進行輸出。在判斷故障時，設定其判定標準，以提升運行故障診斷的準確定[16]。根據上述確定的診斷故障結果，設定診斷的標準如公式（21）所示。本文故障診斷中為輸出的故障結果設置限制閾值后，以保證故障診斷的有效性。

式中，yn''表示n''個故障ANFIS分類器的分類結果；s表示分類閾值；tb表示向第b個故障ANFIS分類器賦予的權值；yn''b表示第b個故障ANFIS分類器的分類結果。

式中，yn''*表示第n''個樣本的對應輸出；H表示訓練誤差的對應均方根。

式中，y表示樣本輸出；n表示故障樣本個數；b表示第b個故障；λn代表故障分類系數。

2 方法

2.1 實驗環境

在實驗中，利用設計的基于特征提取的壓力蒸汽滅菌設備運行故障診斷方法對某醫院的壓力蒸汽滅菌設備進行故障診斷測試。實驗設備實物圖如圖2所示。通過Lab VIEW編程軟件結合數據采集卡采集實驗壓力蒸汽滅菌設備運行故障數據作為本次的實驗數據。將采樣頻率設為50 kHz。在實驗數據中隨機抽取40%作為訓練數據。

圖2 實驗設備實物圖

2.2 實驗指標設計

本實驗中，具體測試指標如下：① 故障識別誤差；② 故障診斷的平均準確率，其計算方式如公式（22）所示；③ 平均診斷時間。

式中，VA表示故障診斷的平均準確率；Q表示正確診斷的樣本數；D表示總樣本數。

2.3 統計學分析

采用直方圖分析平均診斷準確率，折線圖分析平均診斷時間。在實驗過程，采用的繪圖軟件為Microsoft Visio 2003-2010。

3 結果

3.1 故障識別誤差測試結果

采用本文方法隨壓力蒸汽滅菌設備多種運行故障的識別誤差進行測試，測試結果如表1所示，對于實驗壓力蒸汽滅菌設備多種運行故障，設計方法的故障識別誤差均較低，最低可達0.02%，最高不超過0.50%，表明本文所提出方法故障診斷的準確率較高。

表1 故障識別誤差測試結果

3.2 不同故障類型平均診斷準確率測試結果

實驗中，樣本壓力蒸汽滅菌設備的運行時間分別為50、150、300 d的情況下對設計方法的平均診斷準確率進行測試，實驗測試中的數據如表2所示。具體測試結果如圖3所示，根據圖3的平均診斷準確率測試結果數據表明，設計方法的溫度傳感器故障、水位傳感器故障、限位開關故障的平均診斷準確率較高，均高于93.8%；設計方法的通訊故障、指示燈故障的平均診斷準確率低于溫度傳感器故障、水位傳感器故障、限位開關故障的平均診斷準確率，但整體仍高于89.2%；隨著運行時間的增長，設計方法不同故障類型的平均診斷準確率有一定下降，但整體下降幅度較低?？傮w來說，設計方法對于各種故障的平均診斷準確率較高，壓力蒸汽滅菌設備運行故障診斷性能良好。

圖3 樣本平均診斷準確率測試結果

表2 樣本設備運行故障數據詳情表

3.3 不同故障類型平均診斷時間測試結果

在實驗進行50 d時，對設計方法溫度傳感器故障、水位傳感器故障、限位開關故障的平均診斷時間進行測試，測試數據內容如表3所示。得到設備運行故障診斷時間的測試結果如圖4所示，圖4平均診斷時間測試結果表明，不同故障類型的平均診斷時間在640 ms以內，表明該方法可以有效診斷不同類型的故障，并且診斷時間較短，實際應用價值較高。

表3 樣本設備運行故障診斷時間詳情表

圖4 樣本平均診斷時間測試結果

4 討論

傳統方法中主要針對實際運行故障類型進行分析[17-20]，并未對設備運行的故障特征進行研究，因而不能確定設備運行導致故障的具體原因。本文提出了基于特征提取的壓力蒸汽滅菌設備運行故障診斷方法，該方法通過提取壓力蒸汽滅菌設備運行故障數據，采用AR模型和敏感IMF分解方法提取壓力蒸汽滅菌設備運行故障信號特征；通過拉普拉斯算子獲取映射矩陣等，預處理提取的運行故障信號特征；在此基礎上，設置通過神經模糊推理自適應系統設計智能混合運行故障診斷模型，將訓練后的診斷數據輸入其中，完成壓力蒸汽滅菌設備運行故障的診斷。

本研究結果表明，本文方法可對樣本設備的故障類型進行選擇，并可將選擇后的故障類型進行診斷，分析診斷的誤差結果，本文對不同故障類型診斷的誤差結果較低，最低可達0.02%，且最高不超過0.5%，即本文設計方法可以有效降低故障診斷的誤差；本文方法還通過不同運行時間的分析，對設備不同故障類型的故障平均診斷準確率進行了分析，得出不同故障診斷類型的高于89%，進一步驗證了所提方法的可行性；在此基礎上，診斷故障的時間也是較為重要的指標，通過診斷時間的測試，可以分析出不同設備運行故障類型診斷的速度，本文診斷限位故障開關故障速度最快，其次為溫度傳感器，但整體來看對故障診斷的時間都較短。本文設計方法中對特征提取后診斷設備運行故障，與傳統方法相比具有一定可行性，如陳善瓊[3]主要僅匯總了故障類型、故障數據和工作原理，但是在診斷故障時，仍采用人工的形式，該診斷方法存在主觀因素影響診斷結果的情況，其對輸出板通訊錯誤等故障的診斷誤差較高，未達到本文方法的0.41%，并且相關文獻[4,17-20]的故障診斷方法也存在一定局限性，與本文方法相比，該方法的故障診斷時間長，而本文方法的故障診斷時間僅為640 ms，有效驗證了所提方法的可行性，原因為本文方法引入了AR模型和敏感IMF分解方法，并在此基礎上，約簡了故障特征，從而提高了故障診斷的準確性，降低了診斷時間。

5 結論

在壓力蒸汽滅菌設備運行故障診斷研究中，應用了特征提取技術和智能混合技術，構建智能混合運行故障診斷模型，實現了多種壓力蒸汽滅菌設備運行故障的智能診斷，且提高了診斷準確率，降低了診斷時間，實現了壓力蒸汽滅菌設備運行故障診斷方面的優化。