医院后勤机电设备智能风险管理研究

祁鹏程，郭磊，沈崇德

无锡市人民医院总务处，江苏无锡 214023

医院作为重要的公共建筑，后勤设备数量多、分布广，包括给排水、暖通、变配电、照明、压力容器、电梯等机电设备，需要对其进行安全管理，以此保障医院的安全稳定发展[1-3]。但传统的管理手段存在诸多不足，尤其在风险管理方面，管理方法和技术发展缓慢，大多医院依旧只是依靠人工对设备进行定期巡检或利用信息化手段对设备的一些参数进行监测，缺乏对风险的有效分析和风险管理机制[4]。

近年来，学者们开始对医院后勤的风险管理进行研究[5-7]。其中，引入澳新风险管理标准，对医院后勤的风险进行分析与评估，并制定相应的预防和应急措施[5]。然而，此类管理方法只能依靠经验对风险进行预防，对将要发生的风险不能提前预测、全局管理。以深度学习为代表的人工智能技术发展为研究机电设备风险管理提供了新的方向，首先依靠信息化手段获取机电设备的运行数据，再利用深度学习提取医院后勤发生安全问题设备的风险预警指标数据特征，构建风险管理模型，对机电设备是否会发生运行风险事故进行提前预测及评价，实现机电设备的智能风险管理，提高医院后勤管理质量。

该文将深度学习方法应用到医院后勤机电设备风险管理领域，对医院后勤机电设备智能化的风险监测和管理进行了初步探索。

1 医院后勤机电设备风险管理现状

相比其他单位，医院后勤管理的设备、设施无论是数量还是种类都较多，主要分布在水泵房、空调机房、变电所、电梯机房、液氧罐区等区域。但长期以来，医院对后勤安全生产管理的重视程度不够，对机电设备的管理还在故障了才维修或更换的层面，不够精细化，没有预见性，尤其在机电设备风险管理方面，缺少高效、科学、智能化的管理，主要表现在以下几个方面。

1.1 人员配备不足

由于近年来医院推行后勤社会化改革，导致安全、后勤部门编制用人逐渐减少，此外相关岗位人才培养激励机制不完善等因素，医院后勤各岗位人才严重缺乏，导致医院机电设备缺乏有效管理，尤其是一些专业性、深层次的安全风险，难以在日常管理中被发现。

1.2 管理、操作不规范

由于缺少专业的管理人员，机电设备的管理及部分特种设备作业存在未持证上岗的现象，管理人员和作业人员对机电设备的实际操作和相关法律法规知识缺少了解，导致医院机电设备作业人员实际操作不规范，存在安全风险，无法有效管理。

1.3 信息化、智能化管理程度低

大多数医院还是以人工来记录和保存机电设备的基本资料和运行信息，信息化程度低，管理效率低。另外，机电设备的巡检还是以人工巡检为主，对机电设备的关键参数没有进行监控和预警，不能及时发现安全风险。

2 医院后勤机电设备运行风险指标的分析

2.1 环境安全指标

环境安全是机电设备安全运行的基础。在机电设备正常运行的情况下，机电设备的运行风险主要来源于环境的变化，通常监测的指标包括环境的温度和湿度。另外，机电设备在医院中位置分布也是对机电设备运行进行风险评价的参考因素，不同位置的机电设备发生的风险，对医院及患者的影响程度也不同，风险评定等级也不一样。因此，环境安全指标主要包含温度、湿度和位置分布等。

2.2 运行状态指标

运行状态是直接反映机电设备运行状况的重要指标，也是机电设备风险预测及评价的关键因素。机电设备在发生故障时可能导致风险事故的发生，比如液氧系统发生故障时可能会影响患者的供氧、配电系统发生故障时会影响患者就医或抢救的及时性等。尤其在机电设备突发运行故障时，可能导致的安全风险极大，如电梯突发故障，里面乘坐的患者或医院职工，其生命安全会受到极大威胁。因此不仅需要对机电设备是否正常运行进行监测，还需对可能引起机电设备故障的运行状态指标进行监测。对于不同的机电设备，引起机电设备故障或异常的原因也不一样，需监测的运行状态指标也不一样。比如配电系统需监测电流、电压、温度等参数，而液氧系统则需监测流量、压力、液位等参数。因此，在选择运行状态指标时，需要结合机电设备的具体特性来考虑。

2.3 维修保养指标

维修保养是机电设备长期正常运行的重要保障。机电设备在日常运行中一般会进行定期巡检保养，一方面能够及时发现机电设备存在的问题，消除风险隐患，另一方面能够使机电设备保持良好运行状态，降低风险发生概率。因此，机电设备历史的巡检保养记录是风险管理的重要因素。另外，如果一个设备的维修次数越多，其发生风险事故的概率也就越大，所以历史维修记录也是机电设备风险预测的重要指标。同时，机电设备运行的历史时间长短也影响其发生运行风险的概率，运行时间越长，寿命越短，发生故障而产生风险的可能性越大。维修保养指标主要包括历史运行时间、历史维修次数、巡检和保养周期及次数等。

医院后勤机电设备运行风险指标主要包括环境安全指标、运行状态指标、维修保养指标等3个方面。该指标体系不仅从多个角度选择了反映机电设备的运行风险，还将静态指标与动态指标相结合，既有反映机电设备基本信息的静态指标，也有反映机电设备运行状况的动态指标，还有巡检记录、保养记录等周期变化的动态指标。

3 医院后勤机电设备运行风险指标数据的获取

根据上文分析的机电设备运行风险指标，可以分为两类，一类是环境安全指标和运行状态指标，可利用传感器直接获取；另一类是维修保养指标，需要靠人工来维护数据，并利用信息化技术上传数据。为获取机电设备运行风险指标数据，首先要构建机电设备智能管控平台，通过物联网技术和信息化技术获取机电设备运行数据，该文以电梯为例展示运行风险指标数据。

采用各类智能传感器对电梯所在楼层、停止、卡层、冲顶、蹬底、抖动、重复关门等运行状态进行实时监测，同时可详细查看电梯的基本信息、维保信息、故障信息等。另外，对电梯机房的温、湿度进行实时监测。

4 医院后勤机电设备风险管理模型的构建

4.1 深度学习方法简介

深度学习的设计原理是对大脑皮层进行模拟，对数据或信号进行逐层提取及表达，包含输入层、输出层和隐藏层，每层有若干个神经元，且神经元之间有连接权重[8-9]。相比普通学习算法，深度学习具有多隐层结构的特点（见图1），能更好地逼近复杂的预测函数，保证信息提取与特征表达的准确性。该文拟采用基于BP神经网络的深度学习方法，通过对系统的运行数据进行训练和学习，从而完成系统的风险智能分析及评价。

4.2 风险管理模型的设计

该文针对医院机电设备风险管理的问题，以构建的医院后勤机电设备风险管理指标体系作为输入，设计后勤机电设备风险管理模型及参数，主要包含以下几个环节。

4.2.1 初始权值选取 该文选用随机梯度下降的方法训练提出的后勤机电设备风险管理模型，模型参数（权值，偏置）的初始化显得相对比较重要。因此，该文拟采用随机初始化的方式对提出的后勤机电设备风险管理模型的权值进行初始化，并使权值的初始值在[-1,1]之间。

图1 人工神经网络与深度学习方法对比

4.2.2 层节点数确定 深度学习网络主要由输入层、隐藏层和输出层构成。输入层的节点数要与输入数据的维度保持一致，所以输入层的节点数需根据构建的具体指标体系确定。输出层的节点数要与数据的分类类别保持一致，该文将机电设备的风险分为4类：正常运行、低等风险、中等风险和高等风险，因此输出节点数量设置为4。隐藏层开始的节点数设置为较小的值，然后慢慢增大节点数值，并对提出的深度学习模型进行训练，测试预测误差，直至预测误差趋于稳定。

4.2.3 激活函数选取 激活函数的功能是把深度学习网络中神经元的输入映射到输出，控制低层梯度弥散的力度和稀疏化能力决定了激活函数的质量。因此，该文拟采用ReLU（rectifier linear units）函数作为激活函数，其能够把负数转换成0值，可表示任何非负的实数，具有很好的稀疏性，同时缓解了梯度弥散问题[10]。

4.2.4 训练停止条件 在现实中，由于训练时间有限，迭代的次数需要限制。因此，该文拟预先设置迭代次数，一旦迭代次数达到设定的数值，就停止训练和学习。这种方法简单高效，也是深度学习迭代最常用的方法。

4.2.5 误差函数选取 误差函数是用来衡量模型好坏的重要标准，能够更好地分析模型的预测效果。对于深度学习网络的训练，一般选用均方差根误差RMSE作为模型性能评价指标：

其中，M表示输出节点的个数，N指训练样本的数量，xij为模型期望输出值，yij表示模型的实际输出。

综上所述，该文基于深度学习提出的医院后勤机电设备风险管理模型，其设计工作及内容见图2。

图2 基于深度学习的医院后勤机电设备风险管理模型设计图

5 结论和展望

该文针对医院后勤机电设备，研究构建了风险管理指标体系，并基于深度学习设计了医院后勤机电设备智能化风险管理模型。因为利用人工智能方法进行医院后勤机电设备风险管理的研究处于起步阶段，缺少相关训练数据，所以该文未对构建的医院后勤机电设备风险管理模型进行训练和验证。但深度学习的出现，改变了传统风险管理的发展路线，使医院后勤机电设备风险管理智能化成为可能。可以预期，在传统风险管理方法和技术发展缓慢的情况下，利用深度学习方法实现医院后勤机电设备智能化风险管理将会成为该领域未来的研究热点。

对于未来研究，首先根据构建的风险管理指标体系，积累医院后勤机电设备的运行数据，并充分利用这些数据来对模型进行训练和验证，不断优化建立的风险管理模型。以后可对模型训练时间长、模型过学、指标体系不完整、模型推广能力和泛化性能欠缺等问题进行深入研究。