基于BP神经网络的医疗设备精准预防性维护

罗林聪，钱雷鸣，章 莉

（1.浙江省中西医结合医院设备科，杭州 310003；2.浙江省中西医结合医院血透中心，杭州 310003）

0 引言

当前，医疗行业存在的各种风险使得社会对医疗行业高度关注。医疗设备与临床诊断及治疗密切相关，若在使用过程中出现故障会对患者的病情造成负面影响，甚至可能产生不可逆的后果。医疗设备周期巡检和预防性维护保养可以有效降低故障率和平均故障时间，保障医疗设备的正常运行，由过去“亡羊补牢”的方式转变为现在“防患于未然”的方式。

医疗设备的预防性维护（preventive maintenance，PM）是通过对医疗设备定期的检查、检测，发现故障征兆或为防止故障发生，使其保持规定功能状态，在故障发生前进行的各种维护活动。PM根据保养的内容分为基础保养、一级保养和二级保养。吴翠峰[1]对保养的项目与要求进行了详细讲解，指出医院根据各自设备科的规章制度对设备PM均有相关要求，且周期性PM保养的重要性已众所周知；戴顺平[2]阐述了如何提高医疗设备PM的水平，以保障医疗设备的质量安全；吕颖莹等[3]对国内医疗机构中医疗设备PM的发展现状进行了调查和分析，从保证医疗设备运行的安全性、精确性和可靠性的角度提出了几点建议；尹军等[4]从管理标准出发，建立了一套科学的PM体系，有效地降低了医疗设备的使用风险。然而以上研究多数是通过定期对设备巡检来发现故障的，其每个类别的设备保养检测项目相对固定，这些方法仍存在一些缺点：（1）保养期限过于固定，导致部分设备过度保养或者保养不及时；（2）保养项目上的条款不能有效解决机器的故障隐患，导致医疗风险。因此，如何精准地进行PM保养是值得研究的课题。本文引入人工神经网络，以期解决医疗设备精准PM的问题。

1 神经网络介绍

1.1 人工神经元结构

人工神经网络模拟人脑神经的功能，具有非线性，适应性，泛化性，鲁棒性和容错性，并行的输入、输出，映射等特点[5]。神经元的生理构造在生物学中已有大量的研究，其相关生理功能的阐述也比较详细，为了模拟人脑的工作原理，研究者们构建了人工神经元[5]。人工神经元是一个多输入、单输出的非线性器件，其结构如图1所示。可以用wn=θ（θ为阈值，通常是一个不为常数的变量），xn=-1，那么w=（w1，w2，…，wn-1，θ），x=（x1，x2，…，xn-1，-1），则神经元的输出O为

图1 人工神经元结构图

1.2 误差反向传播（back propagation，BP）神经网络

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络[6]，一般包含3层或3层以上，且层与层之间为全连接，但每层包含的神经元之间无连接。3层的BP神经网络如图2所示。标准的BP神经网络算法是一种梯度最速下降学习算法[7-10]，以2层的BP神经网络算法为例，简单介绍如下：

其中，w（k）为第k次迭代2层之间的连接权值和阈值；η 为学习速率为第k次迭代输出误差分别对连接权值和阈值的梯度。E（k）为第k次迭代的网络输出的总误差性能函数，其计算公式如下：

其中，n为训练样本的个数，l为第2层的神经元个数，t为目标值（即提供训练样本对应的期望值），o（k）为预测值（即当前层的输出函数）。通过E（k）逐步修正连接权值和阈值，直到总误差符合目标值范围。通过公式（2）、（3）的运算，可以得到表示医疗设备当前状态的几个主要参数，通过预估这些参数的变化趋势来实现精准PM预测，同时对可能存在的隐患进行评估，提示PM需要保养检测的项目。

图2 3层的BP神经网络

2 医疗设备精准PM实例

我院于2017年8月引入医疗设备信息化管理系统，其主要功能是设备的维护、维修及其数据的统计。可通过扫描二维码读取并显示单台医疗设备的运行、历史维护维修内容、更换的备件及费用、计量信息、合同信息等数据，这些数据能有效地反映当前该医疗设备的工作状态。同时可以将这些数据进行标准化处理后，通过神经网络学习决策来判断医疗设备的工作状态，实现医疗设备精准PM并提供数据及信息支持。精准PM工作流程如图3所示。

精准PM指判断医疗设备的工作状态并预测下次故障发生的时间点及维护内容，然后在预测时间点前的10～15 d内对医疗设备进行PM保养或故障预防性维修，从而有效地控制故障的发生。医疗设备品类复杂多样，以贝朗血透机的PM保养为例，其PM保养常规项目包含机器运作时间、电导度、温度、流量等，具体的操作可参照血透机的日常管理和维护保养[11]。鉴于我院使用的信息化平台主要是基于JavaScript语言开发的，因此对BP神经网络系统的实现也通过JavaScript语言来完成相关设计，具体步骤如下：

（1）数据预处理及样本选择。根据软件的功能可以自主添加关键字以区别设备的故障点（如图4所示），并自动显示上次故障与本次故障的时间间隔。针对血透机故障，可以结合维修菜单分别对机器处于正常和故障状态下采集相关数据，包括机器使用率、工作时长、历史维护维修情况，并对电导度、温度、流量、压力值、各类泵电动机转数等机器性能参数进行数据采集，采集的数据需要进行相关的预处理才能使用，经过神经网络运算后可得到维护期限、维护部件及维护项目。

图3 精准PM工作流程

图4 自主添加关键词界面

数据预处理部分代码如下：

const trainingData={

input:{λ,t,Event log,cond.biclf,cond.endlf,TTSDE,flowFMD,PPE,PTMP,PPDA,nEP，nFPA,nFPE,…}//其参数的含义依次为机器使用率、工作时长、历史维护维修情况、B液电导度、总电导度、治疗温度、流量、除气压、跨膜压、PDA压力、除气泵电动机转数、正压泵电动机转数、负压泵电动机转数等

output:{error:T,PM log}}//维护期限、维护部件及维护项目

{input:{λ,t,Event log,cond.biclf,cond.endlf,TTSDE,flowFMD,PPE,PTMP,PPDA,nEP,nFPA,nFPE,…}

output:{normal:T,PM log}}//维护期限、维护部件及维护项目

}

（2）建立3层的BP神经网络，并赋予初始值及连接权值系数，函数如下：

var net=new brain.NeuralNetwork({activation,hiddenLayers,learningRate});

（3）以第一步筛选的数据作为样本训练，得到向量的相关连接权值系数作为决策模型，调用的函数如下：

net.train(trainingData,{errorThresh,iterations,log,logPeriod,learningRate});

（4）将决策模型应用于每台设备，预测得出医疗设备的维护期限、维护部件及维护项目，实现精准PM，其函数如下：

let output=net.run(testData);

3 结语

近年来，医疗机构对医疗设备的质量控制要求越来越重视，对医疗设备PM提出了更高的要求，因此提高医疗设备PM的效果和效率是当前的主流研究趋势。医疗设备的工程性能参数能表明机器当前的工作状态，这些数据与信息化平台上的信息结合，通过神经网络学习并建立相关模型，实现对医疗设备的精准PM，可以预防在诊断或治疗过程中因医疗设备故障带来的不良事件。医院内涉及的医疗设备品类复杂，重点类目的医疗设备及急救设备的PM是医院质控的重点工作，而部分医疗设备生产厂家出于某些考虑不开放工程性能数据端口。若生产厂家能开放相关数据端口，不仅可以提高数据采集的可靠性，同时能有效地提高PM的精度，降低医工部门的日常工作强度。对于无法获取运行参数的医疗设备及器械，应按照规范的质控流程进行维护保养工作，研究并开发相关信息化输入功能，对日常检查进行信息化管理，且这些日常检查数据也可以作为神经网络学习决策的对象，为进一步实现医疗器械精准PM打下基础。