基于特征数据聚类的紫外线消毒系统运行状态实时监测方法

刘忱辰，周银莹，秦地茂

1.中国人民解放军西部战区总医院 a.消毒供应室；b.口腔科，四川 成都 610000；2.成都市第三人民医院 消毒供应室，四川 成都 610000

引言

随着消毒技术的发展，紫外线消毒被广泛运用于各种领域，如医疗行业、餐饮业、农业等[1-2]。由于消毒系统的运行状态会影响消毒的效果，因此对紫外线消毒系统运行状态的实时监测是十分必要的。国内外诸多学者对系统运行状况检测的问题进行了大量研究，并取得了一定成果，如邓海松等[3]研究了智能紫外线消毒监控管理系统，即安装智能紫外线消毒感染系统，在上午（9:00-9:30）和下午（14:00-14:30）2个时段进行全智能循环消毒，达到一定次数后记录消毒合格，如未能按照要求完成消毒记录消毒失败，系统自动生成消毒数据报表，管理人员可通过云数据来监测管理紫外线消毒系统的运行情况，该方法虽然具有一定有效性，但其数据采集方面存在不足；秦琳琳等[4]基于Android系统提出了设备运行状态监测模块，采用图帧间差分法和自相关函数法对图像进行处理，通过控制器局域网（Controller Area Network，CAN）总线监控系统收集数据，从而对设备进行监测，该方法对系统的运行状态起到了监测作用，但是其存在一定延迟，且精确度不高，应用效果不佳。针对上述不足，本文基于特征数据聚类提出了一种紫外线消毒系统运行状态实时监测方法，利用卷积神经网络（Convolution Neural Networks，CNN）提取特征和最大最小距离计算方法以及聚类检测模型优化的K-means聚类算法完成特征聚类分析，旨在提升数据采集后分类的监测效率和精准度，以期实现对紫外线消毒系统运行状态的有效实时监测。

1 紫外线消毒系统特征分析

1.1 紫外线消毒系统运行框架

紫外线消毒系统主要包括电源、单片机控制单元、无线遥控模块、红外探测模块、喷射器、亮度感应模块、图像记录设备、紫外消毒灯、照明灯等部分[5-6]。该消毒系统集消毒、照明、图像记录于一体，其运行过程如图1所示。

图1 紫外线消毒系统运行过程图

启动电源后，单片机控制单元初始化程序开启，指示传达到无线遥控模块，该模块接收到指示后，系统正式启动。红外探测模块开始对被消毒区域探测，观察是否有人员在该区域活动，如无人员进出，则消毒设备正常运行，开始消毒，照明灯和图像记录设备不运行；当有人员出现在被消毒的范围时，消毒设备停止运行，以免伤害到相关人员，此时，图像记录设备进入工作状态，记录进入该范围人员的行为，以方便事后查询。与此同时，亮度感应模块自主对该范围内的亮度进行检测，当亮度未达到预设值时，照明灯自动开启，达到预设值则照明灯关闭。如果进入被消毒区域的人员离开，照明灯和图像记录设备会持续运行一段时间后自动关闭，随后该系统恢复之前的消毒工作。

1.2 喷射器建模

在紫外线消毒系统中，消毒是非常关键的环节，而喷射器便处于这一环节，喷射器结合紫外消毒灯共同完成消毒工作，可进一步提升系统消毒效果。

喷射器的热量传递过程就是喷射器的运行过程，研究对象是喷射器内的物料，在单位时间内有关能量可描述为公式（1）～（2）。

式中，Ra表示蒸汽损耗热量，Fa表示蒸汽流量，Ca表示蒸汽比热，ρa表示蒸汽密度，Ha表示蒸汽相变热，Tain表示蒸汽输入温度，T表示喷射器出口温度。

式中，Rw表示物料获取热量，Fw表示物料流量，Cw表示物料比热，ρw表示物料密度，Twin表示物料输入温度。

不考虑其他热量损耗和混合后的蒸汽质量，依据热量传递方程能得出公式（3）。

设定喷射器工作中，物料输入温度的波动远远小于平均温度的波动，具体描述如公式（4）所示，并进一步得到公式（5）。

上述公式说明，单位时间内低温物料的温度与高温蒸汽的热量损失保持在一定温度梯度内，当喷射器出口温度（或喷射器内的物料平均温度）不发生改变，便可达到热平衡，则Ra-kRw=0，即损耗热量和获取热量的比值保持不变。当喷射器出口温度降低，说明损耗温度不足以满足保持该温度梯度所需的热量，当喷射器出口温度提高时，损耗温度高于保持该温度梯度所需的热量。阀门的流量关系描述为公式（6）。

式中，q表示流量，T表示气体绝对温度，s表示针阀流通面积，p1和p2分别表示针阀前端压力和后端压力分，Δp表示压差，且Δp=p1-p2。

设定控制量是喷射器阀门开度μ，且使x=T-Twin、μ=s，则喷射器的数学模型描述为公式（7）。

由于喷射器阀门开度可控制蒸汽流量，出口温度又取决于蒸汽流量，故该过程用特征模型表示为公式（8）。

式中，第k个控制周期，时变的特征参数用f1,k、f2,k、gk描述，物料出口温度用y描述。

1.3 紫外线消毒系统运行状态监测

本文的监测方法需在监测紫外线消毒系统结构与性能达到所设置状态时，对其长时间的运行状态进行监测。根据现行系统在实际运行中采集到的物理参变量信息，对可能出现的异常情况进行预判，且对可能出现异常位置、程度、走势等方面有所估量。通过特征数据聚类的方法，在紫外线消毒系统出现异常前，有计划和针对性地进行合理维护，从而使系统能够长期、稳定、安全以及全性能地优质运行。

对系统运行状态进行监测的基础便是该系统的相关特征，紫外线消毒系统特征主要表现在以下几方面。

（1）历史属性：特征数据聚类的数据来源便是系统的历史数据，这些数据能体现该系统的历史运行状态，同时也可用当前系统收集的数据信息与这些历史数据进行对比分析，从而预测出可能出现的异常状况[7]。

（2）技术监测信息属性：以紫外线消毒系统相关的技术信息及数据分析为依托，对该系统进行动态的监测及评估。

（3）缺陷数据属性：产生缺陷时系统的基础资料、缺陷代码、缺陷说明及应对策略等就是缺陷数据信息，如将来出现类似的问题，可参考这些缺陷数据信息制定解决方案。

（4）外部扰动属性：紫外线消毒系统会受到各种外部扰动，如环境、电力电压、电磁波等外在因素，会对系统造成很大的影响。

2 基于CNN的紫外线消毒系统运行状态特征提取

输入层、卷积层、激励层、池化层、全连接层和输出层共同构建了CNN，其具有较强的自适应性，可将不同的输入属性进行对应特征提取[8-10]。在CNN结构中，位于各个区域的卷积层，当前卷积层的输入信息都是上一层级的输出结果。设定输入紫外线消毒系统运行数据属性为，其中Xh(k)为历史数据属性，为归一化前的特征量，μij为关联度，k为特征数，可以描述为公式（9）。

式中，卷积核滤波器、偏置、激励函数分别用Uhl、bl、f描 述，l、h分 别 为 当 前 层 和 通 道。表示的输出。

为避免过拟合或维度过高的情况出现，对于传送到池化层的卷积结果，池化层要进行聚合操作，可描述为公式（10）。

式中，分割的索引范围用Ωa,b描述。卷积层、池化层输出分别用yhlc,d、yhla,b描述。

通过CNN，将相关特征提取到输出层后，还需生成相应的卷积特征向量，同时进行正则化操作，用公式（11）描述。

式中，f(I)为卷积特征向量正则化结果。

2.1 基于K-means算法的特征聚类

基于K-means计算方法可解决特征聚类问题，即获得最优的聚类划分，并运用迭代的方式来实现[11-12]，聚类划分可描述为公式（12）。

式中，Di、βj分别表示聚类划分和随机原始聚类中心。

基于K-means算法特征聚类过程如图2所示。首先随机选取原始聚类中心βj，且数量为k，然后对全部的特征向量进行遍历，划分原始数据，这时通过迭代会获取最优的聚类划分Di，从而使原始聚类中心得到更新。如果更新后的聚类中心得到收敛，则算法结束；如果未得到收敛，则返回重新进行遍历、划分、更新等操作，直至聚类中心达到收敛为止。

图2 基于 K-means 算法特征聚类过程图

2.2 K-means聚类算法的优化

任意选择原始聚类中心，是传统K均值聚类算法常用的操作[13-14]，但是会出现整个算法不稳定的问题，针对这个问题，在选择聚类中心时，通过最大最小距离计算方式即可解决。将这种计算方式与聚类结果有效性检测模型相融合，就可获取优化的K-means聚类算法，从而使紫外线消毒系统的数据特征更为精确。

2.2.1 检测聚类结果有效性建模

式中，样本个数、类数分别用n、k来描述，类内和类间矩阵的迹分别用tr(sWP)、tr(sBP)描述。k与tr(sBP)呈正相关性，与tr(sWP)呈负相关性。tr(sWP)、tr(sBP)随着k变化而改变，PFS在某类处会实现最佳，最优的聚类结果即是PFS最大时对应的结果。

2.2.2 最大最小距离算法

为使原始聚类中心的数量可以智能指定，且样本划分的效率可以提高，在选择聚类中心时将相互距离变大，通过最大最小距离算法便可解决原始聚类中心相距较近的问题[15]。设定En{x1,x2,……,xn}表示待分类的数据集，∂是比例系数，最大最小距离计算方法过程如下。

（1）确定首个聚类中心q1，可随机从样本中选择。

（2）确定第2个聚类中心q2，要选取距离q1最远的样本。

（3）算出q1、q2和其他剩余样本的距离，得出最小值di，见公式（14）～（15）。

（4）当Dt=max{di}＞θ||q1-q2||时，第3个聚类中心q3就是其对应的样本x3。

（5）当前聚类中心数量为k，算出k个聚类中心和其他未被选择样本xi的距离dij，同时也要算出Dr=max{min(di1,di2,…,dik)，当Dt＞ ∂||q1-q2||，那么第k+1个聚类中心qk+1，就是其相对应的样本xr。

（6）反复进行步骤（1）～（5）的操作，直至无法得取适合的新的聚类中心。

（7）将所有样本依据最小距离的原则分配至所有类中。

2.2.3 最大最小算法应用于K-means聚类算法

将最大最小距离计算方法和聚类有效性检测模型相结合，最初是明确聚类个数，这需要通过聚类有效性检测指标来完成；然后便是使聚类中心数量没有变化，这需要运用最大最小距离计算方法来实现；之后依据最小距离规范把所有样本划至所有的类内。聚类有效性检测指标能获得最优的聚类数目，最大最小距离算法能提升聚类中心的平稳性。K-means聚类计算方法经过改进后，在具备了聚类数量检测有效性的同时，还解决了传统聚类计算方法中聚类中心波动的问题，收敛效果更好。

3 实验分析

以某三级甲等医院的紫外线消毒系统为实验对象，该医院科室齐全，设施完备，各相关科室均配备紫外消毒系统，应用本文方法对紫外线消毒系统运行状态进行监控，利用计算机完成监控效果统计。本研究在1台操作系统为Windows 10 的笔记本电脑中进行，运用SPSS 20.0软件统计数据以便后续分析。

3.1 聚类合理性验证

为验证本文方法聚类的合理性，分别从聚类性能和异常检测性能方面进行测试。实验测试了UCI中的6个数据集，这些数据集的维数、规模依次增大，且在验证异常检测性能时人工加入了一定比例的异常数据，得到的测试结果如表1所示。由表1可知，本文方法在聚类性能方面，聚类准确率较高，均在96%以上，其中Iris数据集的聚类准确率高达98.92%，整体迭代次数也未超过20次；在异常检测性能方面，平均检测率为97.49%，平均误检率为1.31%，平均用时也较少，低于1000 ms。由此说明，本文方法对聚类中心的选取是合理的，从而使聚类结果更准确，也减少了迭代次数，加快了算法的收敛，且对于异常数据的检测也有较好的表现，效率较高。

表1 聚类性能和异常检测性能实验结果

3.2 紫外线消毒系统的喷射器出口温度变化监测

利用本文方法在已选取的三级甲等综合医院对紫外线消毒系统的喷射器出口温度变化情况进行监测，监测到的实际运行结果如图3所示。由图3可知，本文方法监测到该消毒系统的喷射器出口温度均在130℃上下浮动，且浮动幅度不大，说明喷射器出口的温度足够高，且运行时比较稳定，紫外线消毒系统的喷射器出口温度控制效果较好。实验结果表明，本文方法可有效监测系统喷射器出口温度控制情况，衡量喷射器运行效果。

图3 喷射器出口温度变化曲线

3.3 耐高温菌群的消杀效果

运用本文方法监测紫外线消毒系统对于耐高温菌群的消杀效果，实验选用的菌群是芽孢杆菌群和乳微杆菌群，这2种菌群在100℃的高温下都可存活，通过该紫外线消毒系统进行消杀后，结果如图4所示。由图4可知，细菌的灭活程度与消杀温度和消杀时间有关，前4 s时2种菌群的数量变化较小，尤其是芽孢杆菌群基本没有变化，当系统运行至8 s时，2种菌群已大幅度减少，降到原来数量的50%以下，当系统运行至14 s时，乳微杆菌群的数量已为0，当系统运行至16 s时，2种耐高温菌群均已消杀完毕。由此说明，该紫外线消毒系统对于耐高温微生物的消杀是有效的，且效果较好，证明系统运行正常，利用本文方法可准确监测系统的耐高温菌群消杀效果。

图4 紫外线消毒系统对于耐高温菌群消杀效果图

3.4 紫外线消毒系统的消毒质量

消毒系统在运行时是否出现异常、是否符合预设的要求，通过其消毒结果就可以看出，如果消毒效果好，达到预设要求，说明系统运行正常；反之，则该系统出现异常。利用本文方法监测紫外线消毒系统的消毒质量情况，对我院6个医疗用房进行上午（9:00-9:30）和下午（14:00-14:30）2个时间的监测，监测结果如表2所示。由表2可知，上午共进行1433次监测，合格次数为1404次，合格率为97.98%；下午共进行2144次监测，合格次数为2104次，合格率为98.13%，从而得出全天总的检测次数为3577次，合格次数为3508次，总合格率为98.07%。通过上述数据可以表明，该紫外线消毒系统消毒能力强，在运行一段时间后，也能保持较高的稳定性，达到预期效果，进而说明该系统运行一切正常，本文方法对其有较好的实时监测作用。

表2 紫外线消毒系统对医疗用房消毒的质量监测结果

4 讨论

Liu等[16]研究表明，不同的灭菌模式对单核巨噬细胞系统单核-巨噬细胞系统表面产生了不同的氯化和氧化改性，从而对其沉降和吸附性能产生影响。相比低剂量氯化和高剂量氯化等组合消毒模式，紫外线消毒更安全。国外学者也对紫外线的消毒性能进行了研究，如Augsburger等[17]研究表明，紫外（Ultraviolet，UV）辐射单独或与其他氧化过程结合可对病原体进行了灭活，用 MP-UV 和 UV/H2O2（10 mg/L）灭活腺病毒需要最高的通量，分别为159～337 mJ/cm、45～115 mJ/cm，当使用LP-UV灭活其他肠道病毒时，需要的通量均小于69 mJ/cm。Zhang等[18]研究了气流速度、相对湿度、温度和管道反射率等环境因素对管道内UVC灯性能的影响，测试结果表明，随着气流速度和相对湿度的增加，紫外线消毒效果降低。与较低温度（15～16℃）和较高温度（25～26℃）相比，在20～21℃的温度下可获得最佳的紫外线消毒效果。

目前，关于紫外消毒效果监测方面的研究较少，大多数医院均采用定期消毒、定期人工检测的方法进行消毒效果的验证。其人工检测消毒效果的方法大致可分为3种，分别是物理监测法、化学指示灯法和生物监测法，最常用是物理监测法和化学指示灯法[19]。生物监测法是将指示菌悬液染灭菌载体玻片放置在距紫外线灯管1 m处照射3 min，然后培养菌片对照其灭杀率。该方法需要耗费的时间较长，不适用于医院消毒环境[20]。而化学指示灯法为将指示卡放置在紫外灯下照射1 min，与标准色块进行对比，判断其辐射强度。物理方法是利用紫外线照度计测定其灯管的辐照度，判断其消杀情况。直管型30 W紫外线等辐照强度小于90 μW/cm2为合格，中灯管辐照强度≥70 μW/cm2为合格。以上几种方法均为人来操控，其监测效果并不强，且监测效率较低。本文所述的智能型消杀监测系统经验证全天可对监测对象监测3000余次，对医疗用房消毒质量检测合格率为98.07%，可对院内消毒系统进行准确评价，表明所提方法更为先进。

5 结论

本文提出了一种基于特征数据聚类的监测方法，该方法首先对紫外线消毒系统进行了特征分析，然后运用CNN提取特征，再对提取完的特征进行聚类，最后为了使聚类效果更好，将最大最小距离计算方法和聚类有效性检测模型结合在了一起，得到了优化的K-means聚类算法。结果表明，利用优化后的K-means聚类算法更加精准，可对院内的紫外线消毒系统消毒效果进行高效、实时监测，即可以有效地对外线消毒系统运行状态进行实时监测，且效果较好。