祁鵬程，郭磊，沈崇德

無(wú)錫市人民醫(yī)院總務(wù)處，江蘇無(wú)錫 214023

醫(yī)院作為重要的公共建筑，后勤設(shè)備數(shù)量多、分布廣，包括給排水、暖通、變配電、照明、壓力容器、電梯等機(jī)電設(shè)備，需要對(duì)其進(jìn)行安全管理，以此保障醫(yī)院的安全穩(wěn)定發(fā)展[1-3]。但傳統(tǒng)的管理手段存在諸多不足，尤其在風(fēng)險(xiǎn)管理方面，管理方法和技術(shù)發(fā)展緩慢，大多醫(yī)院依舊只是依靠人工對(duì)設(shè)備進(jìn)行定期巡檢或利用信息化手段對(duì)設(shè)備的一些參數(shù)進(jìn)行監(jiān)測(cè)，缺乏對(duì)風(fēng)險(xiǎn)的有效分析和風(fēng)險(xiǎn)管理機(jī)制[4]。

近年來(lái)，學(xué)者們開(kāi)始對(duì)醫(yī)院后勤的風(fēng)險(xiǎn)管理進(jìn)行研究[5-7]。其中，引入澳新風(fēng)險(xiǎn)管理標(biāo)準(zhǔn)，對(duì)醫(yī)院后勤的風(fēng)險(xiǎn)進(jìn)行分析與評(píng)估，并制定相應(yīng)的預(yù)防和應(yīng)急措施[5]。然而，此類(lèi)管理方法只能依靠經(jīng)驗(yàn)對(duì)風(fēng)險(xiǎn)進(jìn)行預(yù)防，對(duì)將要發(fā)生的風(fēng)險(xiǎn)不能提前預(yù)測(cè)、全局管理。以深度學(xué)習(xí)為代表的人工智能技術(shù)發(fā)展為研究機(jī)電設(shè)備風(fēng)險(xiǎn)管理提供了新的方向，首先依靠信息化手段獲取機(jī)電設(shè)備的運(yùn)行數(shù)據(jù)，再利用深度學(xué)習(xí)提取醫(yī)院后勤發(fā)生安全問(wèn)題設(shè)備的風(fēng)險(xiǎn)預(yù)警指標(biāo)數(shù)據(jù)特征，構(gòu)建風(fēng)險(xiǎn)管理模型，對(duì)機(jī)電設(shè)備是否會(huì)發(fā)生運(yùn)行風(fēng)險(xiǎn)事故進(jìn)行提前預(yù)測(cè)及評(píng)價(jià)，實(shí)現(xiàn)機(jī)電設(shè)備的智能風(fēng)險(xiǎn)管理，提高醫(yī)院后勤管理質(zhì)量。

該文將深度學(xué)習(xí)方法應(yīng)用到醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理領(lǐng)域，對(duì)醫(yī)院后勤機(jī)電設(shè)備智能化的風(fēng)險(xiǎn)監(jiān)測(cè)和管理進(jìn)行了初步探索。

1 醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理現(xiàn)狀

相比其他單位，醫(yī)院后勤管理的設(shè)備、設(shè)施無(wú)論是數(shù)量還是種類(lèi)都較多，主要分布在水泵房、空調(diào)機(jī)房、變電所、電梯機(jī)房、液氧罐區(qū)等區(qū)域。但長(zhǎng)期以來(lái)，醫(yī)院對(duì)后勤安全生產(chǎn)管理的重視程度不夠，對(duì)機(jī)電設(shè)備的管理還在故障了才維修或更換的層面，不夠精細(xì)化，沒(méi)有預(yù)見(jiàn)性，尤其在機(jī)電設(shè)備風(fēng)險(xiǎn)管理方面，缺少高效、科學(xué)、智能化的管理，主要表現(xiàn)在以下幾個(gè)方面。

1.1 人員配備不足

由于近年來(lái)醫(yī)院推行后勤社會(huì)化改革，導(dǎo)致安全、后勤部門(mén)編制用人逐漸減少，此外相關(guān)崗位人才培養(yǎng)激勵(lì)機(jī)制不完善等因素，醫(yī)院后勤各崗位人才嚴(yán)重缺乏，導(dǎo)致醫(yī)院機(jī)電設(shè)備缺乏有效管理，尤其是一些專(zhuān)業(yè)性、深層次的安全風(fēng)險(xiǎn)，難以在日常管理中被發(fā)現(xiàn)。

1.2 管理、操作不規(guī)范

由于缺少專(zhuān)業(yè)的管理人員，機(jī)電設(shè)備的管理及部分特種設(shè)備作業(yè)存在未持證上崗的現(xiàn)象，管理人員和作業(yè)人員對(duì)機(jī)電設(shè)備的實(shí)際操作和相關(guān)法律法規(guī)知識(shí)缺少了解，導(dǎo)致醫(yī)院機(jī)電設(shè)備作業(yè)人員實(shí)際操作不規(guī)范，存在安全風(fēng)險(xiǎn)，無(wú)法有效管理。

1.3 信息化、智能化管理程度低

大多數(shù)醫(yī)院還是以人工來(lái)記錄和保存機(jī)電設(shè)備的基本資料和運(yùn)行信息，信息化程度低，管理效率低。另外，機(jī)電設(shè)備的巡檢還是以人工巡檢為主，對(duì)機(jī)電設(shè)備的關(guān)鍵參數(shù)沒(méi)有進(jìn)行監(jiān)控和預(yù)警，不能及時(shí)發(fā)現(xiàn)安全風(fēng)險(xiǎn)。

2 醫(yī)院后勤機(jī)電設(shè)備運(yùn)行風(fēng)險(xiǎn)指標(biāo)的分析

2.1 環(huán)境安全指標(biāo)

環(huán)境安全是機(jī)電設(shè)備安全運(yùn)行的基礎(chǔ)。在機(jī)電設(shè)備正常運(yùn)行的情況下，機(jī)電設(shè)備的運(yùn)行風(fēng)險(xiǎn)主要來(lái)源于環(huán)境的變化，通常監(jiān)測(cè)的指標(biāo)包括環(huán)境的溫度和濕度。另外，機(jī)電設(shè)備在醫(yī)院中位置分布也是對(duì)機(jī)電設(shè)備運(yùn)行進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)的參考因素，不同位置的機(jī)電設(shè)備發(fā)生的風(fēng)險(xiǎn)，對(duì)醫(yī)院及患者的影響程度也不同，風(fēng)險(xiǎn)評(píng)定等級(jí)也不一樣。因此，環(huán)境安全指標(biāo)主要包含溫度、濕度和位置分布等。

2.2 運(yùn)行狀態(tài)指標(biāo)

運(yùn)行狀態(tài)是直接反映機(jī)電設(shè)備運(yùn)行狀況的重要指標(biāo)，也是機(jī)電設(shè)備風(fēng)險(xiǎn)預(yù)測(cè)及評(píng)價(jià)的關(guān)鍵因素。機(jī)電設(shè)備在發(fā)生故障時(shí)可能導(dǎo)致風(fēng)險(xiǎn)事故的發(fā)生，比如液氧系統(tǒng)發(fā)生故障時(shí)可能會(huì)影響患者的供氧、配電系統(tǒng)發(fā)生故障時(shí)會(huì)影響患者就醫(yī)或搶救的及時(shí)性等。尤其在機(jī)電設(shè)備突發(fā)運(yùn)行故障時(shí)，可能導(dǎo)致的安全風(fēng)險(xiǎn)極大，如電梯突發(fā)故障，里面乘坐的患者或醫(yī)院職工，其生命安全會(huì)受到極大威脅。因此不僅需要對(duì)機(jī)電設(shè)備是否正常運(yùn)行進(jìn)行監(jiān)測(cè)，還需對(duì)可能引起機(jī)電設(shè)備故障的運(yùn)行狀態(tài)指標(biāo)進(jìn)行監(jiān)測(cè)。對(duì)于不同的機(jī)電設(shè)備，引起機(jī)電設(shè)備故障或異常的原因也不一樣，需監(jiān)測(cè)的運(yùn)行狀態(tài)指標(biāo)也不一樣。比如配電系統(tǒng)需監(jiān)測(cè)電流、電壓、溫度等參數(shù)，而液氧系統(tǒng)則需監(jiān)測(cè)流量、壓力、液位等參數(shù)。因此，在選擇運(yùn)行狀態(tài)指標(biāo)時(shí)，需要結(jié)合機(jī)電設(shè)備的具體特性來(lái)考慮。

2.3 維修保養(yǎng)指標(biāo)

維修保養(yǎng)是機(jī)電設(shè)備長(zhǎng)期正常運(yùn)行的重要保障。機(jī)電設(shè)備在日常運(yùn)行中一般會(huì)進(jìn)行定期巡檢保養(yǎng)，一方面能夠及時(shí)發(fā)現(xiàn)機(jī)電設(shè)備存在的問(wèn)題，消除風(fēng)險(xiǎn)隱患，另一方面能夠使機(jī)電設(shè)備保持良好運(yùn)行狀態(tài)，降低風(fēng)險(xiǎn)發(fā)生概率。因此，機(jī)電設(shè)備歷史的巡檢保養(yǎng)記錄是風(fēng)險(xiǎn)管理的重要因素。另外，如果一個(gè)設(shè)備的維修次數(shù)越多，其發(fā)生風(fēng)險(xiǎn)事故的概率也就越大，所以歷史維修記錄也是機(jī)電設(shè)備風(fēng)險(xiǎn)預(yù)測(cè)的重要指標(biāo)。同時(shí)，機(jī)電設(shè)備運(yùn)行的歷史時(shí)間長(zhǎng)短也影響其發(fā)生運(yùn)行風(fēng)險(xiǎn)的概率，運(yùn)行時(shí)間越長(zhǎng)，壽命越短，發(fā)生故障而產(chǎn)生風(fēng)險(xiǎn)的可能性越大。維修保養(yǎng)指標(biāo)主要包括歷史運(yùn)行時(shí)間、歷史維修次數(shù)、巡檢和保養(yǎng)周期及次數(shù)等。

醫(yī)院后勤機(jī)電設(shè)備運(yùn)行風(fēng)險(xiǎn)指標(biāo)主要包括環(huán)境安全指標(biāo)、運(yùn)行狀態(tài)指標(biāo)、維修保養(yǎng)指標(biāo)等3個(gè)方面。該指標(biāo)體系不僅從多個(gè)角度選擇了反映機(jī)電設(shè)備的運(yùn)行風(fēng)險(xiǎn)，還將靜態(tài)指標(biāo)與動(dòng)態(tài)指標(biāo)相結(jié)合，既有反映機(jī)電設(shè)備基本信息的靜態(tài)指標(biāo)，也有反映機(jī)電設(shè)備運(yùn)行狀況的動(dòng)態(tài)指標(biāo)，還有巡檢記錄、保養(yǎng)記錄等周期變化的動(dòng)態(tài)指標(biāo)。

3 醫(yī)院后勤機(jī)電設(shè)備運(yùn)行風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)的獲取

根據(jù)上文分析的機(jī)電設(shè)備運(yùn)行風(fēng)險(xiǎn)指標(biāo)，可以分為兩類(lèi)，一類(lèi)是環(huán)境安全指標(biāo)和運(yùn)行狀態(tài)指標(biāo)，可利用傳感器直接獲??；另一類(lèi)是維修保養(yǎng)指標(biāo)，需要靠人工來(lái)維護(hù)數(shù)據(jù)，并利用信息化技術(shù)上傳數(shù)據(jù)。為獲取機(jī)電設(shè)備運(yùn)行風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)，首先要構(gòu)建機(jī)電設(shè)備智能管控平臺(tái)，通過(guò)物聯(lián)網(wǎng)技術(shù)和信息化技術(shù)獲取機(jī)電設(shè)備運(yùn)行數(shù)據(jù)，該文以電梯為例展示運(yùn)行風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)。

采用各類(lèi)智能傳感器對(duì)電梯所在樓層、停止、卡層、沖頂、蹬底、抖動(dòng)、重復(fù)關(guān)門(mén)等運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，同時(shí)可詳細(xì)查看電梯的基本信息、維保信息、故障信息等。另外，對(duì)電梯機(jī)房的溫、濕度進(jìn)行實(shí)時(shí)監(jiān)測(cè)。

4 醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型的構(gòu)建

4.1 深度學(xué)習(xí)方法簡(jiǎn)介

深度學(xué)習(xí)的設(shè)計(jì)原理是對(duì)大腦皮層進(jìn)行模擬，對(duì)數(shù)據(jù)或信號(hào)進(jìn)行逐層提取及表達(dá)，包含輸入層、輸出層和隱藏層，每層有若干個(gè)神經(jīng)元，且神經(jīng)元之間有連接權(quán)重[8-9]。相比普通學(xué)習(xí)算法，深度學(xué)習(xí)具有多隱層結(jié)構(gòu)的特點(diǎn)（見(jiàn)圖1），能更好地逼近復(fù)雜的預(yù)測(cè)函數(shù)，保證信息提取與特征表達(dá)的準(zhǔn)確性。該文擬采用基于BP神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，通過(guò)對(duì)系統(tǒng)的運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，從而完成系統(tǒng)的風(fēng)險(xiǎn)智能分析及評(píng)價(jià)。

4.2 風(fēng)險(xiǎn)管理模型的設(shè)計(jì)

該文針對(duì)醫(yī)院機(jī)電設(shè)備風(fēng)險(xiǎn)管理的問(wèn)題，以構(gòu)建的醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理指標(biāo)體系作為輸入，設(shè)計(jì)后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型及參數(shù)，主要包含以下幾個(gè)環(huán)節(jié)。

4.2.1 初始權(quán)值選取 該文選用隨機(jī)梯度下降的方法訓(xùn)練提出的后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型，模型參數(shù)（權(quán)值，偏置）的初始化顯得相對(duì)比較重要。因此，該文擬采用隨機(jī)初始化的方式對(duì)提出的后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型的權(quán)值進(jìn)行初始化，并使權(quán)值的初始值在[-1,1]之間。

圖1 人工神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)方法對(duì)比

4.2.2 層節(jié)點(diǎn)數(shù)確定 深度學(xué)習(xí)網(wǎng)絡(luò)主要由輸入層、隱藏層和輸出層構(gòu)成。輸入層的節(jié)點(diǎn)數(shù)要與輸入數(shù)據(jù)的維度保持一致，所以輸入層的節(jié)點(diǎn)數(shù)需根據(jù)構(gòu)建的具體指標(biāo)體系確定。輸出層的節(jié)點(diǎn)數(shù)要與數(shù)據(jù)的分類(lèi)類(lèi)別保持一致，該文將機(jī)電設(shè)備的風(fēng)險(xiǎn)分為4類(lèi)：正常運(yùn)行、低等風(fēng)險(xiǎn)、中等風(fēng)險(xiǎn)和高等風(fēng)險(xiǎn)，因此輸出節(jié)點(diǎn)數(shù)量設(shè)置為4。隱藏層開(kāi)始的節(jié)點(diǎn)數(shù)設(shè)置為較小的值，然后慢慢增大節(jié)點(diǎn)數(shù)值，并對(duì)提出的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，測(cè)試預(yù)測(cè)誤差，直至預(yù)測(cè)誤差趨于穩(wěn)定。

4.2.3 激活函數(shù)選取 激活函數(shù)的功能是把深度學(xué)習(xí)網(wǎng)絡(luò)中神經(jīng)元的輸入映射到輸出，控制低層梯度彌散的力度和稀疏化能力決定了激活函數(shù)的質(zhì)量。因此，該文擬采用ReLU（rectifier linear units）函數(shù)作為激活函數(shù)，其能夠把負(fù)數(shù)轉(zhuǎn)換成0值，可表示任何非負(fù)的實(shí)數(shù)，具有很好的稀疏性，同時(shí)緩解了梯度彌散問(wèn)題[10]。

4.2.4 訓(xùn)練停止條件 在現(xiàn)實(shí)中，由于訓(xùn)練時(shí)間有限，迭代的次數(shù)需要限制。因此，該文擬預(yù)先設(shè)置迭代次數(shù)，一旦迭代次數(shù)達(dá)到設(shè)定的數(shù)值，就停止訓(xùn)練和學(xué)習(xí)。這種方法簡(jiǎn)單高效，也是深度學(xué)習(xí)迭代最常用的方法。

4.2.5 誤差函數(shù)選取 誤差函數(shù)是用來(lái)衡量模型好壞的重要標(biāo)準(zhǔn)，能夠更好地分析模型的預(yù)測(cè)效果。對(duì)于深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練，一般選用均方差根誤差RMSE作為模型性能評(píng)價(jià)指標(biāo)：

其中，M表示輸出節(jié)點(diǎn)的個(gè)數(shù)，N指訓(xùn)練樣本的數(shù)量，xij為模型期望輸出值，yij表示模型的實(shí)際輸出。

綜上所述，該文基于深度學(xué)習(xí)提出的醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型，其設(shè)計(jì)工作及內(nèi)容見(jiàn)圖2。

圖2 基于深度學(xué)習(xí)的醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型設(shè)計(jì)圖

5 結(jié)論和展望

該文針對(duì)醫(yī)院后勤機(jī)電設(shè)備，研究構(gòu)建了風(fēng)險(xiǎn)管理指標(biāo)體系，并基于深度學(xué)習(xí)設(shè)計(jì)了醫(yī)院后勤機(jī)電設(shè)備智能化風(fēng)險(xiǎn)管理模型。因?yàn)槔萌斯ぶ悄芊椒ㄟM(jìn)行醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理的研究處于起步階段，缺少相關(guān)訓(xùn)練數(shù)據(jù)，所以該文未對(duì)構(gòu)建的醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型進(jìn)行訓(xùn)練和驗(yàn)證。但深度學(xué)習(xí)的出現(xiàn)，改變了傳統(tǒng)風(fēng)險(xiǎn)管理的發(fā)展路線，使醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理智能化成為可能?？梢灶A(yù)期，在傳統(tǒng)風(fēng)險(xiǎn)管理方法和技術(shù)發(fā)展緩慢的情況下，利用深度學(xué)習(xí)方法實(shí)現(xiàn)醫(yī)院后勤機(jī)電設(shè)備智能化風(fēng)險(xiǎn)管理將會(huì)成為該領(lǐng)域未來(lái)的研究熱點(diǎn)。

對(duì)于未來(lái)研究，首先根據(jù)構(gòu)建的風(fēng)險(xiǎn)管理指標(biāo)體系，積累醫(yī)院后勤機(jī)電設(shè)備的運(yùn)行數(shù)據(jù)，并充分利用這些數(shù)據(jù)來(lái)對(duì)模型進(jìn)行訓(xùn)練和驗(yàn)證，不斷優(yōu)化建立的風(fēng)險(xiǎn)管理模型。以后可對(duì)模型訓(xùn)練時(shí)間長(zhǎng)、模型過(guò)學(xué)、指標(biāo)體系不完整、模型推廣能力和泛化性能欠缺等問(wèn)題進(jìn)行深入研究。