基于模糊逻辑的激光医疗美容仪器故障自动诊断方法研究

洪国珍

（武汉市美妍高科医疗美容门诊部，武汉430013）

0 引言

激光医疗美容仪器是用于美容皮肤科的一种主要治疗仪器，其在医疗美容皮肤科具有较好的临床应用效果[1]，其在进行医疗美容时，主要是通过光热作用、光动力反应以及光刺激实现皮肤的相关治疗[2]。激光医疗美容仪器可根据其发光原理分为调Q激光与点阵像素激光两大类。该类仪器常用的激光包括二氧化碳激光、红外激光等。该类仪器在使用过程中[3]如果所处的位置通风较差、环境中存在较强的电磁场干扰或者仪器发生撞击等，均会导致其产生故障。故障发生后，会导致仪器的使用发生异常，轻微情况下可能会影响到仪器的使用效果，严重情况下可能使仪器部件损坏[4]，导致仪器无法使用。对此，许多相关研究人员进行了研究，如：刘香君等[5]和戴丽等[6]针对激光医疗美容仪器故障的自动诊断分别展开相关研究，提出基于长短时记忆网络和基于曲率尺度空间（curvature scale space，CSS）及边缘计算的相关诊断和管理方法，上述方法均可实现仪器故障的诊断或者识别，但是不具有特征量化功能，且不能对故障严重程度进行定量分析。因此，本文提出一种基于模糊逻辑的激光医疗美容仪器故障自动诊断方法，该方法依据模糊逻辑构建模糊诊断规则，以完成激光医疗美容仪器故障的自动诊断。

1 激光医疗美容仪器故障自动诊断方法

1.1 激光医疗美容仪器故障自动诊断的方法框架

本文采用模糊逻辑方法完成激光医疗美容仪器故障自动诊断，该方法分为3 个步骤：一是故障监测信号采集和处理；二是故障特征量化；三是故障自动诊断。基于模糊逻辑的激光医疗美容仪器故障自动诊断方法的整体框架如图1 所示。

图1 基于模糊逻辑的激光医疗美容仪器故障自动诊断方法整体框架

该方法采用定时采集的方式，通过光纤传感器采集激光医疗美容仪器故障监测信号，由于仪器在使用过程中存在一定声响和振动噪声[7]，采集的信号中存在一定噪声，因此采集故障监测信号后，先采用数字滤波方法对信号进行降噪处理，再采用匹配滤波检测方法将降噪后的信号进行增强[8]；之后利用模数转换器将增强后的信号在时间上进行离散化，并在幅值上进行量化，使得信号可以被计算机处理；然后对该信号中的故障特征进行量化处理，获取特征量化结果；最后依据该结果建立模糊隶属度函数，依据该函数结果完成激光医疗美容仪器故障自动诊断。

1.2 激光医疗美容仪器故障信号增强

由于激光医疗美容仪器在使用过程中会存在一定振动和声音，为保证信号的完整性和可用性以及保障故障自动诊断效果[9]，本文中采用匹配滤波检测方法对降噪后的激光医疗美容仪器故障监测信号进行增强处理。增强过程中，故障监测信号的滤波传递函数fF（k+1）计算公式为

式中，k表示故障；μ 表示滤波参数；λM表示激光医疗美容仪器故障监测信号的期望函数；γM表示采集的故障监测信号。

在fF（k+1）基础上获取故障监测的相关峰值，且该值的获取采用矩阵特征值分解方法完成。为保证计算结果的可靠性[10]，引入互协方差矩阵分解方法，将矩阵特征值分解方法和互协方差矩阵分解方法两者结合完成该峰值的计算，其计算公式为

式中，R（k）表示故障检测的峰值；z（k）表示协方差矩阵分解；y（e）表示激光医疗美容仪器故障信号的输出相关峰值。

依据公式（2）的计算结果可获取激光医疗美容仪器故障监测信号的奇异值分解模型，其计算公式为

式中，d（t）表示t时段的奇异值分解模型；d（k）表示仪器故障次数；dn表示分解值，且表示奇异值参数，属于故障监测信号。

通过构建激光医疗美容仪器故障监测信号的特征分析模型，可以获取特征分解误差ê（k），其计算公式为

对激光医疗美容仪器故障监测信号谱峰进行搜索并获取结果，依据信号子空间融合方法完成；获取搜索结果后，完成激光医疗美容仪器故障信号点x（t）的标定处理，利用互质线完成，且该线为相互平行状态。基于此，x（t）的增强处理函数F（w）计算公式为

1.3 激光医疗美容仪器故障特征量化

依据1.2 小节的方法，在完成激光医疗美容仪器故障信号增强处理的同时[12]可获取激光医疗美容仪器故障点的标定，锁定全部的故障点。在此基础上，为可靠识别全部故障，采用自适应加权的方式实现激光医疗美容仪器故障特征的量化处理。

N表示量化的激光医疗美容仪器故障数量，对故障节点j实行量化后获取故障概率结果，以此获取信息值Ek（m）（用于衡量故障提供的信息量大小），其计算公式为

式中，pi（m）表示故障概率其中d表示故障差异度，di表示节点数量，属于量化的故障i。

依据上述公式即可完成激光医疗美容仪器故障的量化，在此基础上采用分形对量化后的故障进行处理，则任意故障状态下节点j和x两者之间的相关性L（j，x）计算公式为

采用局部均值分解，对标定的激光医疗美容仪器故障信号x（t）实行处理后，获取分解结果x0，x1，…，xn，基于此可确定激光医疗美容仪器故障特征矩阵E：

式中，激光医疗美容仪器故障数量用n表示，当该仪器的工作状态为n+1 时，对特征实行量化后，即可获取激光医疗美容仪器故障特征。

如果局部均值分解后获取的故障信号数量用m表示，结合公式（8）可获取量化激光医疗美容仪器故障特征，其公式为

式中，Ej、Ex分别表示故障节点j和故障特征x的矩阵；L表示激光医疗美容仪器故障特征，采用融合方式对L实行处理后即可获取激光医疗美容仪器故障特征量化结果。

1.4 激光医疗美容仪器故障诊断

1.4.1 模糊隶属度函数构建

本文采用模糊逻辑方法完成激光医疗美容仪器故障诊断，该方法共包含2 个部分，分别是模糊隶属度函数构建和故障自动诊断。

设激光医疗美容仪器故障因素集合为Y={y1，y2，…，yn}={yj}，其中n表示因素数量。经由上述因素引起的故障征兆集合为X={x1，x2，…，xm}={xi}，其中m表示故障征兆数量。

结合模糊集合理论，Y 和X 之间存在一定逻辑关系，该关系的表达式为

式中，→表示逻辑蕴涵算子；Q 表示模糊关系矩阵，表示为

式中，qij表示矩阵元素，其可描述第i个故障征兆xi对第j个故障因素yi的隶属度，且0≤qij≤1，其中i=1，2，…，m，j=1，2，…，n，该值随着xi可能性的增加而增大。当qij=0 时，绝对不会出现故障征兆；当0＜qij≤0.25 时，不太可能出现故障征兆；当0.25＜qij≤0.55时，会出现故障征兆；当0.55＜qij≤0.85 时，较大可能出现故障征兆；当0.85＜qij≤0.95 时，极大可能出现故障征兆；当qij＞0.95 时，绝对出现故障征兆。

1.4.2 模糊诊断原则

完成Q 的构建后，可通过获取的故障征兆结果确定导致该故障形成的原因，该过程即为模糊判决。基于此确定模糊诊断原则，本文采用最大隶属度原则作为模糊诊断原则。

设U 表示论域，其中共有数量为n的模糊子集，用A1，A2，…，An表示，u0表示U 中的任意元素，则

基于公式（12）可确定u0相对属于Ai。

隶属度向量中确定的最大项即为导致激光医疗美容仪器故障发生的原因。对u0实行判断，确定其归属类别。在对激光医疗美容仪器故障征兆实行判断时[13]，采用模糊化对故障征兆实行处理，如果处理后的结果为1，表示存在故障征兆，结果为0 表示不存在故障征兆。通过模糊分段评分方法完成激光医疗美容仪器故障征兆严重程度的定量化处理，当处理后的结果为0 时，判定没有发生故障；当处理后的结果为＞0～0.35 时，判定轻微故障；当处理后的结果＞0.35～0.65 时，判定较为严重故障；当处理后的结果＞0.65～0.85 时，判定严重故障；当处理后的结果＞0.85～0.95 时，判定十分严重故障；当处理后的结果＞0.95 时，判定损坏。由此即可完成激光医疗美容仪器故障自动诊断，同时可进行故障严重程度的量化判断。

2 测试分析

为测试本文方法在激光医疗美容仪器故障自动诊断方面的应用效果，本文将某大型整形机构的二氧化碳点阵激光仪器作为实验对象。该仪器的激光波长为10 600 nm，引导光束为红色半导体激光，具备多种工作模式，可根据应用需求进行模式设定，工作环境温度为-40°～5°，相对湿度为≤80%。

该仪器在使用过程中常见故障包含高压异常、无激光光斑输出、激光束发生续断、激光功率下降、熔断丝连续烧坏以及光束和指示光束不同心等，这些故障之间存在部分连带性以及各个影响因素之间存在相关性，一旦发生上述故障，将对仪器的治疗效果造成较大影响，甚至引发连续故障，如果发现不及时，无法及时进行维修，将会导致仪器损坏。因此，需及时完成仪器故障的自动诊断，以保证仪器的正常使用。在该仪器上部署信号采集传感器获取仪器使用3 个月的信号数据用于故障诊断，信号判断公式为

当0＜f（x1）≤1，则可判定信号为异常信号，即故障信号；当f（x2）≤0，则可判定信号为正常信号。

本文方法在对仪器故障实行自动诊断前需对故障信号实行降噪和增强处理，故障信号的处理性能测试结果如图2 所示。

图2 故障信号的处理性能测试结果

根据图2 测试结果可知，传感器采集的故障信号中存在一定的噪声，本文采用数字滤波方法对该信号实行降噪处理后，信号中的噪声得到有效处理，再进一步对降噪后的信号进行增强后，信号的结果与实际故障信号吻合度非常高，信号中的弱信号均得到较好的处理。因此，本文方法能够较好地完成信号的有效处理。

故障特征量化效果直接影响故障的诊断结果，采用本文方法对激光医疗美容仪器故障信号特征量化，由于篇幅有限，结果仅随机呈现2 种不同程度故障下的特征量化结果，如图3 所示。

图3 不同程度故障下的特征量化结果

从图3 可以看出，十分严重故障特征量化结果的故障信号凸起明显，而轻微故障下的特征量化结果虽然能够呈现信号异常，但是信号波动较低，说明本文方法能够获取不同故障征兆严重程度的量化结果，并且可清晰呈现不同故障征兆严重程度的差异，以此区分不同程度的仪器故障。

为测试本文方法的故障诊断效果，获取本文方法对信号的识别结果，并且完成对故障的量化，判断其故障程度。故障诊断和量化结果见表1。

表1 故障诊断和量化结果

由表1 可知，本文方法能够完成信号中发生的故障征兆的自动诊断，并且获取该故障征兆严重程度的量化结果，同时可获取故障征兆的次数。因此，本文方法的故障自动诊断效果良好，且有效、可靠，同时能够完成故障征兆严重程度定量分析，为仪器的检修提供有效依据。

另外，为了验证本文方法的有效性，采用本文方法、文献[5]方法和文献[6]方法对激光医疗美容仪器故障进行自动诊断，并将自动诊断结果与实际故障结果进行对比，对比结果见表2。

表2 激光医疗美容仪器故障诊断结果

根据表2 可知，在本文设定参数及现有实验条件下，本文方法进行激光医疗美容仪器故障自动诊断的结果与实际故障结果一致，准确率高达100%；而文献[5]方法进行激光医疗美容仪器故障自动诊断的结果与实际故障结果有4 次误差，准确率为60%；文献[6]方法进行激光医疗美容仪器故障自动诊断的结果与实际故障结果有3 次误差，准确率为70%。综上说明采用本文方法进行激光医疗美容仪器故障自动诊断的结果更准确。

3 结语

激光医疗美容仪器是诸多医院皮肤科或者医疗美容机构普遍使用的一种美容仪器，该仪器应用功能较多、使用频率较高，因此故障多发。为了及时完成激光医疗美容仪器故障自动诊断，本文提出了一种基于模糊逻辑的故障自动诊断方法，并对该方法的应用效果进行了测试。测试结果显示，本文方法具备良好的故障信号处理效果，处理后信号中的噪声大大减少，并且增强后的信号与实际的信号之间吻合程度非常高。除此之外，本文方法还能够完成故障特征的量化处理，且量化结果能够呈现不同故障类别的差异。但是本文方法在研究的过程中没有考虑诊断的时间问题，导致诊断效率较低。为了进一步提高本文方法的有效性，在接下来的研究中将对算法进行改进，以缩短运算时间、提高诊断效率。