曾小寧，紹林，薛紅

1.萬(wàn)州區(qū)人民醫(yī)院 設(shè)備科，重慶404000；2.重慶三峽醫(yī)藥高等?？茖W(xué)校教務(wù)處，重慶 404000

遠(yuǎn)程醫(yī)療設(shè)備故障的快速定位技術(shù)研究

曾小寧1，紹林2，薛紅1

1.萬(wàn)州區(qū)人民醫(yī)院 設(shè)備科，重慶404000；2.重慶三峽醫(yī)藥高等專科學(xué)校教務(wù)處，重慶 404000

目的 為解決智能化醫(yī)療設(shè)備故障的遠(yuǎn)程監(jiān)測(cè)中抗干擾性能差的問(wèn)題，實(shí)現(xiàn)醫(yī)療設(shè)備故障的遠(yuǎn)程智能診斷。方法 提出一種基于統(tǒng)計(jì)特征故障信號(hào)處理的遠(yuǎn)程醫(yī)療設(shè)備故障的快速定位方法。采用統(tǒng)計(jì)特征分析方法提取遠(yuǎn)程醫(yī)療設(shè)備故障工況的多變量時(shí)間序列，對(duì)多變量時(shí)間序列進(jìn)行信號(hào)擬合，采用自適應(yīng)匹配濾波模型進(jìn)行故障信號(hào)干擾濾波，對(duì)濾波后的故障信號(hào)提取功率譜密度特征。結(jié)果 實(shí)現(xiàn)醫(yī)療設(shè)備故障的快速定位檢測(cè)。結(jié)論 采用該方法進(jìn)行醫(yī)療設(shè)備故障診斷的準(zhǔn)確性較好，時(shí)間開(kāi)銷較小，具有較大的應(yīng)用價(jià)值。

遠(yuǎn)程醫(yī)療設(shè)備；故障定位；信號(hào)處理；多變量時(shí)間序列

引言

醫(yī)療設(shè)備結(jié)構(gòu)復(fù)雜且工作要求的精密度較高，工況負(fù)荷較大，屬于多發(fā)性故障的高技術(shù)高精密度儀器產(chǎn)品，當(dāng)前的設(shè)備監(jiān)測(cè)技術(shù)水平無(wú)法完全保證醫(yī)療設(shè)備在無(wú)故障狀態(tài)下運(yùn)行[1]。為了提高醫(yī)療設(shè)備的工作效率，需要進(jìn)行醫(yī)療設(shè)備的遠(yuǎn)程智能故障監(jiān)測(cè)診斷，實(shí)現(xiàn)快速的故障定位，改善醫(yī)療設(shè)備的工況，研究醫(yī)療設(shè)備中的故障數(shù)據(jù)識(shí)別和故障狀態(tài)快速定位方法，將在醫(yī)療實(shí)踐中具有重要意義。

醫(yī)療設(shè)備是一個(gè)多變量的耦合系統(tǒng)，對(duì)其故障分析和診斷方法主要采用的是在線檢測(cè)方法[2]、故障信息數(shù)據(jù)主成分分析方法和時(shí)間序列分析方法等[3]，對(duì)其遠(yuǎn)程故障檢測(cè)定位的原理采用線性規(guī)劃方法提取設(shè)備的故障工況模型，采用統(tǒng)計(jì)方法進(jìn)行特征分析，實(shí)現(xiàn)故障特征重構(gòu)，計(jì)算故障的幾何不變量，實(shí)現(xiàn)故障檢測(cè)[4]。結(jié)合上述故障檢測(cè)原理，相關(guān)學(xué)者進(jìn)行了研究，并取得了一定的研究成果。其中，Mahboubi等[5]提出基于正交頻分復(fù)用技術(shù)（Orthogonal Frequency Division Multiplexing，OFDM）擴(kuò)頻頻譜檢測(cè)的醫(yī)療設(shè)備中的故障數(shù)據(jù)識(shí)別方法，將醫(yī)療設(shè)備通過(guò)物聯(lián)網(wǎng)技術(shù)并聯(lián)到互聯(lián)網(wǎng)體系中，形成一個(gè)異構(gòu)網(wǎng)網(wǎng)絡(luò)，并采用OFDM擴(kuò)頻頻譜檢測(cè)方法進(jìn)行故障特征檢測(cè)和故障數(shù)據(jù)識(shí)別，具有較好的故障監(jiān)測(cè)能力，但抗干擾能力不強(qiáng)，在遠(yuǎn)程在線檢測(cè)中的穩(wěn)定性不好；劉聰?shù)萚6]提出采用高階終端滑模觀測(cè)器進(jìn)行遠(yuǎn)程醫(yī)療設(shè)備的故障特征重構(gòu)，基于T-H方程建立故障工況狀態(tài)下的輸出跟蹤控制模型，采用高階終端滑模觀測(cè)方法進(jìn)行故障特征的單變量頻譜分析，并結(jié)合降噪處理方法實(shí)現(xiàn)故障檢測(cè)，取得較好的故障檢測(cè)效能，但該方法的設(shè)計(jì)過(guò)程復(fù)雜，不能滿足醫(yī)療設(shè)備的快速故障定位需求[7]。

針對(duì)上述問(wèn)題，提出基于統(tǒng)計(jì)特征分析和故障信號(hào)處理的遠(yuǎn)程醫(yī)療設(shè)備故障的快速定位技術(shù)。通過(guò)仿真實(shí)驗(yàn)進(jìn)行性能測(cè)試，得出有效性結(jié)論。

1 遠(yuǎn)程醫(yī)療設(shè)備故障統(tǒng)計(jì)分析與信號(hào)處理

1.1 遠(yuǎn)程醫(yī)療設(shè)備故障工況統(tǒng)計(jì)特征分析

為了實(shí)現(xiàn)對(duì)遠(yuǎn)程醫(yī)療設(shè)備故障的快速定位檢測(cè)，需要首先采用統(tǒng)計(jì)特征分析方法，提取遠(yuǎn)程醫(yī)療設(shè)備故障工況的多變量時(shí)間序列，對(duì)多變量時(shí)間序列進(jìn)行信號(hào)擬合，同時(shí)采用統(tǒng)計(jì)信號(hào)分析方法進(jìn)行故障信號(hào)的模型構(gòu)建，提取醫(yī)療設(shè)備系統(tǒng)的單變量和多變量時(shí)間序列，采用觀測(cè)或者實(shí)驗(yàn)分析方法進(jìn)行統(tǒng)計(jì)特征重建[8]，結(jié)合平穩(wěn)信號(hào)處理和噪聲濾波方法進(jìn)行信號(hào)優(yōu)化處理，實(shí)現(xiàn)對(duì)遠(yuǎn)程醫(yī)療設(shè) 備的故障信號(hào)分析和特征提取。原理流程見(jiàn)圖1。

圖1 遠(yuǎn)程醫(yī)療設(shè)備故障定位檢測(cè)的原理流程

根據(jù)圖1所示的醫(yī)療設(shè)備在線故障檢測(cè)定位的設(shè)計(jì)原理，采用非線性時(shí)間序列分析方法分析醫(yī)療設(shè)備的故障特征。設(shè)醫(yī)療設(shè)備的故障工況監(jiān)測(cè)多變量時(shí)間序列為{x1, x2,…, xN}，通過(guò)統(tǒng)計(jì)特征重組，結(jié)合相空間重構(gòu)原理[9]，得到監(jiān)測(cè)的遠(yuǎn)程醫(yī)療設(shè)備故障工況數(shù)據(jù)的相空間重構(gòu)軌跡為：

式中，i = 1, 2,…, K，表示醫(yī)療設(shè)備故障特征的頻域統(tǒng)計(jì)參量，K為特征空間重構(gòu)的嵌入維數(shù)，K=N-(m-1)τ；N為遠(yuǎn)程醫(yī)療設(shè)備故障數(shù)據(jù)總數(shù)；m為特征重組結(jié)構(gòu)因子；τ為醫(yī)療設(shè)備故障工況數(shù)據(jù)修正參數(shù)。

醫(yī)療設(shè)備的故障信號(hào)主要表現(xiàn)在故障工況下的物理特征，如溫度、壓力、液壓、超聲波等。本文結(jié)合醫(yī)療設(shè)備的具體用途進(jìn)行故障信號(hào)的融合處理，假設(shè)醫(yī)療設(shè)備故障工況觀測(cè)信號(hào)的融合模型表達(dá)式為：

式中，x(t)、y(t)分別是融合模型的修正函數(shù)和診斷函數(shù)；a(t)是醫(yī)療設(shè)備故障工況下信號(hào)融合的相位信息；θ(t)是故障融合信息的特征分解形式，是一組非線性的時(shí)間序列函數(shù)，得到醫(yī)療設(shè)備故障信號(hào)的解析表達(dá)式表示為：

式中，f表示醫(yī)療設(shè)備出現(xiàn)故障的頻率。把醫(yī)療設(shè)備故障信號(hào)的時(shí)域和頻域分量結(jié)合在一起，實(shí)現(xiàn)信息融合，通過(guò)上述處理，實(shí)現(xiàn)了遠(yuǎn)程醫(yī)療設(shè)備故障工況統(tǒng)計(jì)特征分析，為進(jìn)行故障的快速定位提供原始數(shù)據(jù)信息基礎(chǔ)。

1.2 故障特征的多變量時(shí)間序列信號(hào)擬合

在上述進(jìn)行遠(yuǎn)程醫(yī)療設(shè)備故障工況統(tǒng)計(jì)特征分析的基礎(chǔ)上，采用故障特征的多變量時(shí)間序列分析方法進(jìn)行信號(hào)擬合，假設(shè)醫(yī)療設(shè)備的故障部位的融合信息模型描述為：

式中，|Rev(u)|表示醫(yī)療設(shè)備故障信號(hào)的譜能量信息，信號(hào)的相位干擾是wn(t), (n=1, 2,…N)，其為一個(gè)均值為零，方差為1的復(fù)白高斯過(guò)程。構(gòu)建殘差信號(hào)補(bǔ)償向量，用H(f )表示一個(gè)多普勒濾波器[10]，為：

式中，Sd(f )是原始故障信號(hào)的多普勒功率譜。輸入幅度調(diào)制權(quán)重w1(t)…wN(t)均值為0，單位方差的復(fù)高斯隨機(jī)過(guò)程），經(jīng)過(guò)信號(hào)的瞬時(shí)頻率估計(jì)，用一個(gè)抽頭系數(shù)進(jìn)行相位加權(quán)，實(shí)現(xiàn)信息融合，得到故障信號(hào)融合后的固有模態(tài)函數(shù)為：

式中，fd表示函數(shù)融合系數(shù)。根據(jù)以上分析，實(shí)現(xiàn)遠(yuǎn)程醫(yī)療設(shè)備的故障特征的多變量時(shí)間序列信號(hào)擬合。

2 故障快速定位改進(jìn)實(shí)現(xiàn)

2.1 故障信號(hào)自適應(yīng)匹配濾波

在上述進(jìn)行了遠(yuǎn)程醫(yī)療設(shè)備故障統(tǒng)計(jì)分析與信號(hào)處理的基礎(chǔ)上，進(jìn)行故障定位設(shè)計(jì)，本文提出一種基于統(tǒng)計(jì)特征分析和故障信號(hào)處理的遠(yuǎn)程醫(yī)療設(shè)備故障的快速定位技術(shù)。采用自適應(yīng)匹配濾波模型進(jìn)行故障信號(hào)干擾濾波，為了保證故障信號(hào)的輸出純度，在二維低頻系數(shù)約束下構(gòu)建自適應(yīng)匹配濾波器的系統(tǒng)函數(shù)為：

式中，λS為醫(yī)療設(shè)備故障工況觀測(cè)信號(hào)的訓(xùn)練長(zhǎng)度，p2D為故障節(jié)點(diǎn)的采集信息振蕩頻率，通過(guò)非穩(wěn)態(tài)特征重構(gòu)，得到醫(yī)療設(shè)備故障信號(hào)的子載波模型表達(dá)為：

式中，A、B為故障信號(hào)子載波的模型參數(shù)。對(duì)自適應(yīng)匹配濾波輸出的子載波模型進(jìn)行均衡處理，采用經(jīng)驗(yàn)?zāi)B(tài)分解方法去除殘差信號(hào)，得到信號(hào)自適應(yīng)匹配濾波輸出為:

式中，ci代表各經(jīng)驗(yàn)?zāi)B(tài)分解分量，rn代表信號(hào)的瞬時(shí)頻率的估計(jì)值。

2.2 故障功率譜密度特征提取

對(duì)上述濾波輸出的故障信號(hào)提取功率譜密度特征，實(shí)現(xiàn)故障的快速定位檢測(cè)，采用一個(gè)時(shí)變ARMA(2p,2q)模型將故障信號(hào)x(n)分解成若干IMF分量，表示為：

在時(shí)變ARMA(2p,2q)模型中，提取出滿足固有模態(tài)約束條件的Hilbert譜特征[11-13]，結(jié)合特征尺度參數(shù)進(jìn)行功率譜密度提取，其中特征尺度參數(shù)為：

式中，T表示信號(hào)閃爍周期；h1k(t)表示特征變化函數(shù)式；h1(k-1)(t)表示特征微變化下的函數(shù)式。初始化：r0(t)=x(t)，i=1，計(jì)算頻率或幅值調(diào)制極值點(diǎn)，設(shè)故障統(tǒng)計(jì)信息的訓(xùn)練樣本集為X=[X1, X2,…, Xk,…, XN]T，其中任一訓(xùn)練樣本為Xk= [Xk1, Xk2,…, Xkm,…, XkM]，得到遠(yuǎn)程醫(yī)療設(shè)備故障統(tǒng)計(jì)信息的滑動(dòng)平均采樣表達(dá)為：

式中，ai為滑動(dòng)平均采樣系數(shù)；ωi(t)為信息滑動(dòng)函數(shù)。此時(shí)，醫(yī)療設(shè)備故障信號(hào)時(shí)域特征值為：

式中，λi(t)表示醫(yī)療設(shè)備產(chǎn)生故障的概率；Δt表示特征提取的間隔周期。遠(yuǎn)程醫(yī)療設(shè)備故障功率譜密度特征為：

根據(jù)上式，采用循環(huán)迭代方式進(jìn)行故障定位尋優(yōu)，實(shí)現(xiàn)故障準(zhǔn)確快速定位。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文設(shè)計(jì)模型在實(shí)現(xiàn)遠(yuǎn)程醫(yī)療設(shè)備故障定位中的應(yīng)用性能，進(jìn)行仿真實(shí)驗(yàn)分析，在3種故障工況模式進(jìn)行醫(yī)療設(shè)備的運(yùn)行工況的動(dòng)態(tài)監(jiān)測(cè)，醫(yī)療設(shè)備為大型核磁共振螺旋掃描儀[14]，在每種工況通過(guò)統(tǒng)計(jì)特征參量分析方法得到實(shí)驗(yàn)數(shù)據(jù)的采樣樣本為1000個(gè)[15]，共計(jì)3000個(gè)樣本，故障信號(hào)的采樣頻率為120 KHz[16]，根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，得到各種工況下的遠(yuǎn)程醫(yī)療設(shè)備的故障信號(hào)原始數(shù)據(jù)采樣的時(shí)域波形，見(jiàn)圖2。

圖2給出了對(duì)醫(yī)療設(shè)備的故障特征的多變量時(shí)間序列信號(hào)擬合結(jié)果，采用自適應(yīng)匹配濾波模型進(jìn)行故障信號(hào)干擾濾波，對(duì)濾波后的故障信號(hào)提取功率譜密度特征，得到功率譜密度特征提取結(jié)果見(jiàn)圖3。

圖2 各種工況下的遠(yuǎn)程醫(yī)療設(shè)備的故障信號(hào)原始數(shù)據(jù)采樣

分析圖3的功率譜密度特征提取結(jié)果得知，本文設(shè)計(jì)的故障提取方法具有較好的聚類性能，功率譜密度特的聚斂性好，能很好地指導(dǎo)故障定位。各類故障的定位結(jié)果見(jiàn)圖4。分析得知，采用本文方法進(jìn)行故障定位，各類故障都能夠準(zhǔn)確的分類定位。

為了定量分析遠(yuǎn)程醫(yī)療設(shè)備故障定位檢測(cè)的性能，比較傳統(tǒng)方法，以定位精度、時(shí)間開(kāi)銷和均方根誤差為對(duì)比參量，得到結(jié)果見(jiàn)表1。分析表中結(jié)果得出，本文方法進(jìn)行故障定位的時(shí)間開(kāi)銷最小，精度較高，均方根誤差最低。

圖3 各種工況下故障功率譜密度特征提取結(jié)果

圖4 故障定位結(jié)果

表1 故障定位性能對(duì)比

4 結(jié)語(yǔ)

采用統(tǒng)計(jì)特征分析方法提取遠(yuǎn)程醫(yī)療設(shè)備故障工況的多變量時(shí)間序列，對(duì)多變量時(shí)間序列進(jìn)行信號(hào)擬合，采用自適應(yīng)匹配濾波模型進(jìn)行故障信號(hào)干擾濾波，對(duì)濾波后的故障信號(hào)提取功率譜密度特征，能夠?qū)崿F(xiàn)醫(yī)療設(shè)備故障的快速定位檢測(cè)。該方法準(zhǔn)確性較好，時(shí)間開(kāi)銷較小，性能優(yōu)越。

[1] Shen L,Sun G,Huang Q,et al.Multi-level discriminative dictionary learning with application to large scale image classification[J]. IEEE Trans Image Process,2015,24(10):3109-3123.

[2] Thiagarajan JJ,Ramamurthy KN,Spanias A.Learning stable multilevel dictionaries for space representations[J].IEEE Trans Neural Netw Learn Syst,2015,26(9):1913-1926.

[3] 王鋒,孫翠華. 汽車發(fā)動(dòng)機(jī)故障征兆挖掘技術(shù)的研究與仿真[J].計(jì)算機(jī)仿真,2013,30(10):229-232.

[4] 韓蒞莉,黃志剛,劉芳.基于GIS技術(shù)的醫(yī)院空間布局設(shè)計(jì)研究[J].電子設(shè)計(jì)工程,2016,24(11):61-63.

[5] Mahboubi H,Moezzi K,Aghdam AG,et al.Distributed deployment algorithms for improved coverage in a network of wireless mobile sensors[J].IEEE Trans Industr Inform,2014,10(1):163-174.

[6] 劉聰,李穎暉,劉勇智,等.采用高階終端滑模觀測(cè)器的執(zhí)行器未知故障重構(gòu)[J].西安交通大學(xué)學(xué)報(bào),2015,49(9):135-142.

[7] 尹剛,張英堂,李志寧,等.基于MSPCA的缸蓋振動(dòng)信號(hào)特征增強(qiáng)方法研究[J].振動(dòng)與沖擊,2013,32(6):143-147.

[8] 于宗艷,韓連濤,孟嬌茹.基于人工神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)故障診斷方法[J].現(xiàn)代電子技術(shù),2013,36(2):65-67.

[9] 蔣俊正,郭云,歐陽(yáng)繕.二維雙原型完全過(guò)采樣DFT調(diào)制濾波器組的快速設(shè)計(jì)方法[J].電子與信息學(xué)報(bào),2016,38(11):2753-2759.

[10] 明平松,劉建昌.隨機(jī)多智能體系統(tǒng)穩(wěn)定性綜述[J].控制與決策,2016,31(3):385-393.

[11] Eldemerdash YA,Dobre OA,Liao BJ.Blind identification of SM and Alamouti STBC-OFDM signals[J].IEEE Trans Wirel Symp,2015,14(2):972-982.

[12] 廖圣龍,安居白.基于視頻圖像的電力線故障診斷仿真研究[J].計(jì)算機(jī)仿真,2016,33(9):147-150.

[13] 王希.用于配電網(wǎng)單相接地故障選線的注入信號(hào)檢測(cè)技術(shù)[J].山東電力技術(shù),2015,42(8):13-17.

[14] 劉謀海,方濤,姜運(yùn),等.基于暫態(tài)主頻分量相關(guān)性分析的故障選線方法[J].電力系統(tǒng)保護(hù)與控制,2016,44(2):74-79.

[15] 嚴(yán)鳳,許海梅.基于神經(jīng)網(wǎng)絡(luò)的配電線路綜合故障定位方法[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2015,27(5):86-91.

[16] 李澤文,范彩兄,曾赟,等.不受波速影響的電力線路故障雙端行波定位方法[J].電力科學(xué)與技術(shù)學(xué)報(bào),2016,31(2):79-83.

本文編輯 王博潔

Research on Rapid Location Technology of Telemedicine Equipment Failure

ZENG Xiao-ning1, SHAO Lin2, XUE Hong1

1.Department of Equipment, People’s Hospital of Wanzhou District, Chongqing 404000, China; 2.Office of Academic Affairs, Chongqing Three Gorges Medical College, Chongqing 404000, China

Objective This paper aimed to solve the poor anti-jamming performance in remote monitoring failure problems of intelligent medical equipment, so as to realize remote intelligent failure diagnosis for medical equipment. Methods A rapid location method of remote medical equipment failure was proposed, based on statistics characteristics of fault signal processing. Using the method of statistical characteristics analysis, the study extracted multivariate time series of remote medical equipment fault and fi tted signal of multivariate time series. Then, fault signal interference was fi ltered by self-adaptive matched filter model and the density characteristics of power spectrum were extracted from filtered fault signal. Results T he rapid location detection of medical equipment was realized. Conclusion This method has better accuracy and less time cost for medical equipment fault diagnosis, which has application signif i cance.

telemedicine equipment; fault location; signal processing; multivariate time series

TH165.3

A

10.3969/j.issn.1674-1633.2017.05.016

1674-1633(2017)05-0064-04

2017-02-08

2017-02-18

作者郵箱：spxb52@163.com