基于参数自适应蚁群算法的FTS设备软故障远程报修方法

陈杰明，黎文照

东莞市人民医院设备科 (广东东莞 523000)

FTS设备又称理邦超声多普勒胎儿监护设备，是医院妇产科、儿科主要医疗器械之一，其主要功能是监测胎儿心率、胎动情况，辅助医师判断胎儿健康水平。近年来，随着我国医疗水平的不断提高，医院妇产科、儿科就诊率也在不断提高。为了提高临床诊断精度，提升医师工作效率，目前大部分医院的妇产科、儿科已经引进了FTS设备。FTS设备具有精度高、监测速度快、体积小、易操作等优点，已被广泛应用和批量化生产。由于FTS设备长期处于高负荷运行状态下，且设备运行容易受到外界因素的干扰，导致FTS设备软故障率较高，当软故障未得到及时维修时，会导致FTS设备监测结果产生误差，从而影响医师的临床诊断，严重情况下会导致误诊，因此需要采取有效的方法对FTS设备故障进行报修。医院最初采取的报修方式为人工方式，由人工定期对FTS设备软故障进行检测和维护，但是这种方式不仅效率低，而且报修成本比较高。随着人工智能技术、信息技术与医疗行业的融合，报修方式逐渐演变为自动化远程报修方式。但由于国内FTS设备软故障远程报修研究起步较晚，现有的技术和理论还不够成熟，现有的报修方法在实际应用中经常出现错报、漏报的现象，报修精度比较低，且报修响应延迟时间比较长，无法达到预期的远程报修效果，为此本研究提出基于参数自适应蚁群算法的FTS设备软故障远程报修方法。

1 FTS设备软故障远程报修方法设计

1.1 FTS设备软故障信号获取

软故障远程报修是根据故障特征对软故障进行诊断，依据诊断结果对故障进行维修，实现该过程的重要基础是设备软故障信号，因此，首先要获取到FTS设备软故障信号。软故障主要变现特征为温度升高、失压、电流突变，因此要获取的软故障信号对象为温度、压力以及电流，无线传感技术获取软故障信号[1]。根据实际需求，此次以型号为IFAF-A54F温度传感器、AFAG-SG47压力传感器以及IIUGS-9T4A电流传感器作为软故障信号采集装置，将温度传感器安装在FTS设备伺服电机上，将压力传感器安装在多晶片宽波束脉冲多普勒防水探头上，将电流传感器安装在FTS设备电源线路上[2]。采用串联的方式将无线传感器电源线路接入FTS设备线路总线上，使FTS设备电源开启的同时可以自动驱动无线传感器开关开启。根据实际情况设定无线传感器的故障信号扫描周期、频率、测量范围、输出限流等参数，通过无线蓝牙实现数据通信。将无线传感器输出端与读卡器连接，利用读卡器读取采集到的温度、压力以及电流信号，将其上传输至计算机，用于后续软故障特征提取及参数自适应蚁群算法计算。

1.2 故障信号滤波及零均值化

考虑到无线传感器在采集软故障信号过程中会受到外界因素干扰，导致获取的信号中可能存在噪声。为了保证数据质量，此次采用小波系数对采集到的软故障信号进行滤波处理[3]。在滤波过程中滤波阈值的设定非常关键，阈值过小会导致降噪不彻底，导致对于噪声的抑制不够，而阈值过大会导致过分滤波，滤波后的软故障信号过渡光滑，从而失去信号局部特征，不利于后续软故障噪声提取。为了避免上述情况出现，采用表征函数的正则性条件设定阈值，其公式表示为：

︳g(x2)-g(x1)︳≤L︳x2-x1︳

(1)

式中，g(x)表示表征函数；L表示常数；x2、x1为两个相邻故障信号[4]。利用上述公式计算出收缩阈值，将其与小波系数比对，对大于该阈值的故障信号小波系数置零，对软故障信号重构，以此实现对软故障信号滤波处理，其滤波表达式为：

︳f(t+1)-f(t)︳≤︳D(t+1)-D(t)︳max

+1.96η

(2)

式中，f表示重构软故障信号；D表示观测软故障信号；η表示通过第一级小波系数比对得到的观测信号噪声方差[5]。考虑到参数自适应蚁群算法要求原始故障信号中各个分量是均值为零的随机变量，因此在上述基础上，与故障信号进行零均值化处理，消除信号均值，将故障信号转变为零均值的随机信号，其公式表示为：

1.3 软故障特征提取

在上述基础上，采用共振解调技术提取到软故障特征，其原理是从原始信号中将高频共振信号所蕴含的软故障信息提取出来，在对软故障信息包络谱分析，并对其进行解调处理，从而提取到故障信息中的故障特征[7]。将信号幅值最大的功率谱线作为故障共振频率，并将其作为中心频率，原始信号中主要包含敏感IMF分量和虚假IMF分量，IMF分量为数据序列不同时间尺度或者频率振荡变化分量，代表信号的基本模式分量，表示信号特性，提取软故障特征，需要原始信号分量中提取到敏感IMF分量，而实现这一过程必须要将原始信号分量分解为敏感IMF分量和虚假IMF分量，此次采用相似性测度模型分解2种分量，其公式表示为：

(4)

式中，C(ci，cj)表示原始信号中第i个分量与第j个分量的相似性；ci表示原始信号C的第i个分量；cj表示原始信号C的第j个分量；ci(f)表示ci的包络谱；cj(f)表示cj的包络谱；<·>表示平行运算[8]。利用上述公式计算出分量的相似性，如果不完全相同，则表示信号分量为虚假IMF分量，将其剔除；如果完全相同，表示信号分量为敏感IMF分量，将其提取，并利用提取的敏感IMF分量重构信号，以此提取到软故障特征。

1.4 基于参数自适应蚁群算法的软故障远程维修

利用提取到的软故障特征对FTS设备软故障进行诊断，考虑到从此采用参数自适应蚁群算法对设备软故障报修，该算法报修原理是对设备故障树搜索，寻找到与故障特征相匹配的故障类型，以此判断设备软故障。在算法计算之前，需要建立FTS设备故障树，以常见的FTS设备软故障作为逻辑树形结构，将FTS设备历史故障率最高，且影响最大的故障作为顶事件，将影响程度最小的软故障作为基本事件，将其余软故障作为中间事件，利用逻辑门联结各个软故障，以此建立FTS设备软故障树[9]。将各个软故障基本特征以及维修方案标记在故障树上，将提取的软故障特征作为算法输入量，利用参数自适应蚁群算法对故障树进行迭代计算，计算出与故障特征最为匹配的故障类型。参数自适应蚁群算法搜索示意图见图1。

如图1所示，假设符合故障特征的软故障为蚁群食物源，故障树上的基本事件为蚂蚁蚁穴。蚁群从蚁穴出发，在搜索食物的过程中会避开障碍物，路经多个城市。当蚁群达到一个城市后，会在路径上留下信息素，根据信息素浓度选择下一个城市，即搜索方向，直至蚁群达到事物源为止[10]。在每次食物搜索完成后，会根据信息素浓度计算出搜索路径参数适应度，依据参数适应度选出最佳搜索路径，从而确定设备软故障类型，其具体计算步骤如下。

图1 参数自适应蚁群算法搜索示意图

步骤1：算法参数初始化。给定一个有m个城市的参数自适应蚁群搜索问题，假设FTS期望软故障为M，将其作为食物源，根据实际情况设定蚁群中蚂蚁数量、道路初始信息素、迭代次数等参数。

步骤2：路径信息素更新。定义蚂蚁在规定时间内做的移动作为一次迭代，完成一次迭代后对路径信息素更新，其更新公式为：

εij(t+1)=σεij(t)+△εij

(5)

式中，εij(t+1)表示在下一次迭代前城市节点i到城市节点j之间路径信息素浓度；σ表示路径信息素保留部分；εij(t)表示上一次城市节点i到城市节点j之间路径信息素浓度；△εij表示蚂蚁访问城市节点i到城市节点j过程中残留的信息浓度[11]。利用上述公式对路径信息素浓度更新，选择下一个访问城市。

步骤3：计算参数自适应度。根据蚂蚁访问路径信息素浓度，计算出路径参数自适应度，参数自适应度可以反映蚂蚁访问路径终点距食物源距离，即搜索到的软故障特征与期望软故障特征相符程度，其计算公式为：

τ=ψb+kμ(v+u)εij(t+1)

(6)

式中，τ表示蚂蚁访问路径参数自适应度；ψ表示蚂蚁惯性权重；b表示蚁群访问最远城市节点位置；k表示蚂蚁个体学习因子；μ表示蚂蚁搜索速度；v表示蚂蚁个体极限分量；u表示蚂蚁搜索速度的极限分量[12]。利用上述公式计算出每次迭代后访问路径参数自适应度，当满足迭代条件后，按照自适应度大小对蚂蚁访问路径进行排序，输出全场最优，以此即可得到当前FTS设备软故障类型，将其与故障树对应，按照故障树上故障维修方案，对设备软故障进行维修，以此完成FTS设备软故障远程报修。

2 实验论证

2.1 实验准备及过程

为了检验本次提出的FTS设备软故障远程报修思路的可行性，选择某医院FTS设备为实验对象。该设备由上海名元实业有限公司生产。目前，院内共投入使用30台，截止到目前FTS设备已经使用5年，在临床实际应用过程中设备软故障率比较高，经常出现失压、电流突变、短路、断路、输出信号异常等软故障，符合实验需求。利用此次设计方法与传统方法对该医院FTS设备软故障进行远程报修，实验选择的传统故障分别为基于BP神经网络与基于机器学习，以下用传统方法1与传统方法2表示。实验准备了温度、压力、电流传感器各10台。根据实际情况将传感器扫描范围设定为-20～150 ℃、0～100 MPa、0～500 V，扫描周期设定为0.25 ns，扫描频率设定为1.24 Hz。采集到1.63 GB FTS设备故障信号，按照公式(1)～(4)对软故障特征提取。将参数自适应蚁群算法初始参数设定如下：初始蚁群数量为200，迭代次数为200，出发城市的初始概率为5.5%。按照算法计算步骤，对软故障诊断、定位以及维修，具体维修结果见表1。共报修软故障126起，在维修过后FTS设备均恢复正常运行状态，说明远程报修效果比较好。

表1 FTS设备软故障报修结果

2.2 实验结果及讨论

为了验证本次设计方法报修精度，以错报率和漏报率作为其精度评价指标，在噪声环境中进行，通过不断增加噪声水平，记录3种方法报修结果，将其与实际情况对比，计算错报率和漏报率，其计算公式为：

(7)

式中，P表示FTS设备软故障远程报修错报率；e表示设备软故障错误诊断数量；r表示设备软故障正确诊断数量；R表示FTS设备软故障远程报修漏报率；q表示实际设备软故障数量。使用电子表格记录不同噪声水平下3种方法错报率与误报率，具体数据见表2。

从表2数据可以看出，设计方法对于理邦超声多普勒胎儿监护设备软故障远程报修，错报率和漏报率均比较低。在本次实验中漏报率与错报率2个指标都会随着干扰噪声水平的提高而不断增大，但是增长幅度比较小。当干扰噪声水平达到1 000 Hz时，错报率仅为0.28%，误报率仅为0.41%，均能控制在1%以内，在正常情况下噪声水平并不会超过1 000 Hz，因此说明该设计方法具有较高的远程报修精度，抗干扰性能也比较强。而2种传统方法对于理邦超声多普勒胎儿监护设备软故障远程报修，错报率与漏报率相对比较高。在本次实验中漏报率与错报率2个指标都会随着干扰噪声水平的提高而大幅度增长。当干扰噪声水平达到1 000 Hz时，传统方法1错报率与漏报率可以达到8.46%、13.58%，传统方法2错报率与漏报率可以达到9.87%、11.64%，均远远高于设计方法，这是因为设计方法增加了对FTS设备软故障数据滤波预处理步骤，提高了数据精度，从而保证了远程报修结果准确性。

表2 3种方法FTS设备软故障报修精度对比(%)

FTS设备属于高精端医疗设备，对设备输出的监测结果时效性和准确性要求较高，当设备存在故障而未能及时得到报修的情况下，就会导致设备出现误差，因此为了进一步验证设计方法的适用性，以FTS设备数量为变量，以响应性能为3种方法评价指标，在不断增加FTS设备数量情况下，记录3种方法报修响应延迟时间，见图2。

图2 3种方法响应延时对比图

从图2可以看出，设计方法响应延迟时间比较短，随着FTS设备数量的增加而小幅度延长，当报修的FTS设备数量达到30台时，响应延迟时间仅为19.54 ns，相比较2种传统方法快56.26 ns、48.47 s，说明设计方法能够对FTS设备软故障实时响应。由此可见，该设计方法均优于传统方法，更适用于FTS设备软故障远程报修。

3 小结

此次针对传统方法存在的不足和缺陷，将参数自适应蚁群算法应用到FTS设备软故障远程报修中，提出一个新的远程报修思路，有效提高了设备软故障远程报修精度，并缩短了报修响应时间，此次研究具有良好的现实意义。