Abstract
针对现代医疗设备维修贵、维修难、技术资料缺乏及维修力量不足的困境，本文提出了一种基于故障树的多参数监护仪故障智能诊断专家系统。首先建立了多参数监护仪故障树并进行了定性定量分析，然后基于故障树分析结果构建了专家系统知识库和推理机并确定了系统整体框架，最后采用页面超文本预处理器(PHP)语言开发实现了多参数监护仪故障智能诊断专家系统，故障诊断准确率达80%。结果表明：基于故障树和专家系统的两种故障诊断技术融合可有效实现多参数监护仪故障智能诊断并提供排故建议，既能为多参数监护仪故障诊断提供经验积累，又能为医疗设备故障诊断提供一种新的思路和技术支持。
Keywords: 故障树, 故障智能诊断, 专家系统, 技术融合
Abstract
Aiming at the dilemma of expensive and difficult maintenance, lack of technical data and insufficient maintenance force for modern medical equipment, an intelligent fault diagnosis expert system of multi-parameter monitor based on fault tree was proposed in this study. Firstly, the fault tree of multi-parameter monitor was established and analyzed qualitatively and quantitatively, then based on the analysis results of fault tree, the expert system knowledge base and inference engine were constructed and the overall framework of the system was determined, finally the intelligent fault diagnosis expert system for multi-parameter monitor was developed by using the page hypertext preprocessor (PHP) language, with an accuracy rate of 80% in fault diagnosis. The results showed that technology fusion on the basis of fault tree and expert system can effectively realize intelligent fault diagnosis of multi-parameter monitors and provide troubleshooting suggestions, which can not only provide experience accumulation for fault diagnosis of multi-parameter monitors, but also provide a new idea and technical support for fault diagnosis of medical equipment.
Keywords: Fault tree, Intelligent fault diagnosis, Expert system, Technology fusion
引言
传统的医疗设备故障诊断与维修，由维修工程师基于维修经验、设备技术图纸和结构原理等，通过逐点循迹的方式完成故障定位与原因诊断，维修效率低，对技术图纸和维修经验依赖严重[1]。由于现代医疗设备集成度高、组成复杂、技术图纸被保护及维修力量缺乏，传统的维修方式难以为继。而外请厂家或第三方维修工程师进行维修的方式成本高，响应速度慢。随着人工智能、数据挖掘等技术的发展，面向现代医疗设备的故障诊断开始探索新的方法。Israelski等[2]用故障模式效果分析及故障树分析法系统评估医疗器械潜在故障。张诗慧等[3]基于一种实验室虚拟仪器工程工作台实现了现代医疗设备无图纸条件下的故障诊断。刘香君等[4]提出一种基于长短时记忆网络的医疗设备故障智能诊断方法对医疗设备电路板实现了故障诊断。然而，这些面向现代医疗设备的故障诊断方法或实际应用效率不高，或只是针对医疗设备的单一模块。因此，如何有效解决医疗设备故障诊断面临的上述问题，提高其故障检修效率，成为当前医疗设备管理工作亟待解决的问题。作为医院广泛使用的急救类医疗设备之一，多参数监护仪数量众多、应用范围广、监测参数多及使用时间长[5]。因此，本文以多参数监护仪为研究对象，研究设计基于故障树的多参数监护仪故障智能诊断专家系统，通过整合专家经验和人工智能技术，结合深知识和浅知识，实现时间与空间的拓展，使普通运维人员具备多参数监护仪故障诊断领域专家的水平，提高医疗设备故障自修能力和故障诊断效率，保障医疗业务稳定开展和降低医疗设备维修成本。
1. 多参数监护仪故障树构建及分析
1.1. 多参数监护仪故障树构建
故障树是一种评估复杂结构系统可靠性的有效方法，该方法通过广泛地分析梳理系统故障发生的原因，并以逻辑门建立事件间的逻辑关系，从而建立起故障树模型，正确的故障树模型是故障树分析的基础和关键[6-7]。多参数监护仪是集声、光、电、磁等为一体的高度集成化设备，主要由包含各种传感器的物理模块和内置计算机系统组成。当其工作时，通过外接设备采集人体生理信号，然后经模拟信号电路进行滤波、放大等处理后进入数字信号电路转换成数字信号，在微处理器中计算后再经过数模转换输出到显示屏显示给用户，即为可见的心电图（electrocardiogram，ECG）、脉搏血氧饱和度（pulse oxygen saturation，SPO2）、无创血压（noninvasive blood pressure，NIBP）等信号参数及波形[8]。基于多参数监护仪结构原理，通过分析总结其常见故障，以“多参数监护仪无法正常工作”为顶事件（T），以五大类常见故障现象为二级中间事件（M1~M5），逐层分析故障原因，直至确定所有相关底事件（X1~X39），建立故障树如图1所示。图1对应的事件类型、故障代码和故障名称如表1所示。
图 1.
Fault tree of multi-parameter monitor
多参数监护仪故障树
表 1. Code meaning of the fault tree of multi-parameter monitor.
多参数监护仪故障树代码含义
| 故障代码 | 故障名称 | 故障代码 | 故障名称 | 故障代码 | 故障名称 |
| T | 多参数监护仪无法正常工作 | M22 | 显示屏连接故障 | X18 | ECG信号测量模块故障 |
| M1 | 开机故障 | M23 | ECG信号测量连接故障 | X19 | 电极片与ECG信号采集导联线连接故障 |
| M2 | 显示故障 | M24 | SPO2信号测量连接故障 | X20 | ECG信号采集导联线与ECG信号测量模块连接故障 |
| M3 | ECG信号测量故障 | M25 | NIBP信号测量模块故障 | X21 | ECG信号测量模块与主控板连接故障 |
| M4 | SPO2信号测量故障 | M26 | NIBP信号测量连接故障 | X22 | 电极片与患者连接不牢或脱落 |
| M5 | NIBP信号测量故障 | X1 | 电源开关键故障 | X23 | 电极片导电膏变干 |
| M6 | 无法开机 | X2 | 主控板故障 | X24 | SPO2信号采集探头故障 |
| M7 | 开机后自动关机重启 | X3 | 电池故障 | X25 | SPO2信号采集延长线故障 |
| M8 | 黑屏 | X4 | 电源板故障 | X26 | SPO2信号测量模块故障 |
| M9 | 屏亮无显示 | X5 | 电池接口板到电源板连接故障 | X27 | SPO2信号采集探头与延长线连接故障 |
| M10 | 图像重叠或错乱 | X6 | 电源开关到按键板连接故障 | X28 | SPO2信号采集延长线与SPO2信号测量模块连接故障 |
| M11 | 显示屏未显示ECG信号参数和波形 | X7 | 按键板到主控板连接故障 | X29 | SPO2信号测量模块与主控板连接故障 |
| M12 | ECG信号干扰过大 | X8 | 电源板到主控板连接故障 | X30 | 遮光物盖住传感器 |
| M13 | 基线漂移 | X9 | 显示屏故障 | X31 | 袖带漏气 |
| M14 | 技术报警：ECG信号采集导联脱落 | X10 | 背光板故障 | X32 | NIBP信号采集导气管漏气 |
| M15 | 显示屏未显示SPO2信号参数和波形 | X11 | 逆变器故障 | X33 | 气泵故障 |
| M16 | 技术报警：SPO2信号数值处显示“――” | X12 | 显示屏与主机连接故障 | X34 | 电磁阀故障 |
| M17 | 显示屏未显示NIBP信号参数 | X13 | 显示屏与背光板连接故障 | X35 | 电路板故障 |
| M18 | 技术报警：NIBP信号采集气路异常 | X14 | 数字视频接口故障 | X36 | NIBP信号采集导气管与NIBP信号测量模块连接故障 |
| M19 | 技术报警：NIBP信号采集过压保护 | X15 | 主控板需更新升级 | X37 | NIBP信号测量模块与主控板连接故障 |
| M20 | 电源保护 | X16 | 电极片故障 | X38 | NIBP信号采集导气管弯折堵塞 |
| M21 | 开机相关连接故障 | X17 | ECG信号采集导联线损坏 | X39 | 电磁阀堵塞 |
1.2. 最小割集
最小割集是故障树可靠性分析的基本概念之一，是系统发生故障的根本原因[9]。本文采用下行法及布尔运算求取故障树的最小割集，即为相互独立的各底事件，如式(1)所示：
 |
1 |
1.3. 底事件故障概率及关键重要度
1.3.1. 底事件故障概率
由于传统的多参数监护仪故障研究大多以定性的案例分析为主，缺乏面向整个设备的系统研究及定量研究，相关故障数据缺乏。因此，本文采用专家评价法和聚合模糊数计算故障树底事件的故障概率，计算流程如图2所示[10]。
图 2.
Failure probability calculation of base events
底事件故障概率计算方法
首先基于职称、工龄、学历三个评判因素给参与本研究的15名多参数监护仪维修专家进行打分（标准为1~5分），评判因素级别越高得分越高。基于专家得分情况，采用层次分析方法为专家分配权重，如表2所示。然后引入“非常低”、“很低”、“低”、“中等”、“高”、“很高”、“非常高”7个自然语言变量（F非常低、F很低、F低、F中等、F高、F很高、F非常高）评价底事件故障可能性，并采用三角模糊数［隶属度函数，如式(2)所示］对专家评价意见进行模糊化处理[11]。
表 2. Scores of experts and their weights.
专家得分及权重分配
| 专家编号 | 评判因素得分 | 专家权重 | 专家编号 | 评判因素得分 | 专家权重 | ||||
| 职称 | 工龄 | 学历 | 职称 | 工龄 | 学历 | ||||
| E1 | 3 | 2 | 3 | 0.059 9 | E9 | 3 | 5 | 2 | 0.083 3 |
| E2 | 4 | 5 | 3 | 0.115 3 | E10 | 2 | 1 | 2 | 0.032 7 |
| E3 | 3 | 1 | 2 | 0.040 3 | E11 | 4 | 5 | 3 | 0.115 3 |
| E4 | 3 | 1 | 3 | 0.054 8 | E12 | 3 | 2 | 2 | 0.045 4 |
| E5 | 3 | 2 | 2 | 0.045 4 | E13 | 3 | 2 | 3 | 0.059 9 |
| E6 | 3 | 3 | 3 | 0.068 6 | E14 | 4 | 3 | 3 | 0.086 1 |
| E7 | 3 | 3 | 2 | 0.054 1 | E15 | 3 | 1 | 2 | 0.040 3 |
| E8 | 4 | 4 | 3 | 0.098 5 | — | — | — | — | — |
 |
2 |
最后，为有效降低专家评判的主观性差异，本研究采用聚合模糊数计算15名专家的综合评判意见[12]，计算步骤如图2所示。然后采用均值面积法对聚合模糊数去模糊转换成模糊可能性分数（fuzzy possibility score，FPS）（以符号FPS表示），从而得到常规故障概率[13-14]。即，若某个底事件的聚合模糊数为（a, b, c），去模糊计算FPS如式(3)所示：
 |
3 |
然后，计算故障概率（P）如式(4)所示:
 |
4 |
其中，C = 2.301 × [(1 − FPS)/FPS]1/3。因此，计算可得各底事件的故障概率如表3所示。
表 3. Failure probability of base events.
底事件故障概率
| 底事件 | 故障概率 | 底事件 | 故障概率 | 底事件 | 故障概率 | 底事件 | 故障概率 | 底事件 | 故障概率 |
| X1 | 0.003 4 | X9 | 0.000 3 | X17 | 0.029 3 | X25 | 0.013 0 | X33 | 0.009 9 |
| X2 | 0.002 6 | X10 | 0.004 0 | X18 | 0.002 0 | X26 | 0.001 7 | X34 | 0.003 3 |
| X3 | 0.019 0 | X11 | 0.003 4 | X19 | 0.005 5 | X27 | 0.003 6 | X35 | 0.004 8 |
| X4 | 0.002 8 | X12 | 0.003 5 | X20 | 0.003 9 | X28 | 0.001 2 | X36 | 0.003 9 |
| X5 | 0.002 2 | X13 | 0.001 3 | X21 | 0.001 2 | X29 | 0.000 7 | X37 | 0.001 2 |
| X6 | 0.002 0 | X14 | 0.000 9 | X22 | 0.033 1 | X30 | 0.002 2 | X38 | 0.001 4 |
| X7 | 0.002 3 | X15 | 0.001 2 | X23 | 0.011 1 | X31 | 0.038 8 | X39 | 0.000 5 |
| X8 | 0.001 2 | X16 | 0.004 8 | X24 | 0.013 3 | X32 | 0.012 0 | — | — |
1.3.2. 底事件关键重要度
底事件的关键重要度表示底事件的故障概率所引起的顶事件的故障概率的变化程度，计算公式如式(5)所示[15]。通过分析底事件的关键重要度有助于确定系统薄弱环节，优化系统设计和排故方案。
 |
5 |
其中，P(TXi = 0)表示底事件Xi不发生时顶事件发生的概率，P(TXi = 1)表示底事件Xi发生时顶事件发生的概率，Pi表示底事件Xi的故障概率。由此得各底事件关键重要度如图3所示。
图 3.
Critical importance of base events
底事件关键重要度
根据图3可知，X3、X17、X22、X31对应的事件对多参数监护仪系统故障的发生影响较大，在系统优化设计、日常使用及故障诊断过程中应重点关注。
2. 多参数监护仪故障智能诊断专家系统设计及实现
2.1. 专家系统知识库构建
2.1.1. 知识表示
专家系统是人工智能的一个重要研究方向，通过模拟人类专家思维过程推理解决问题并给出问题结论[16]。其主要由知识库、数据库、推理机、人机界面组成，其中知识库和推理机为核心，决定了其解决问题的能力和速度[17]。专家系统通过“知识+推理”实现故障诊断过程，本文基于多参数监护仪故障树知识，采用产生式规则表示法表示故障知识。产生式规则表示法基本形式为：if“条件”then“结论”，当条件满足时，结论成立[18]。在多参数监护仪故障智能诊断专家系统中，故障征兆的原因为规则中的条件，故障征兆为规则中的结论。对应故障树知识，从故障树顶事件出发，以上层事件作为结论，对应的下层事件作为条件，以if“条件”then“结论”的形式表示知识间的逻辑关系，完成知识的规则转化。以开机故障树为例，提取规则如图4所示。
图 4.
Fault rules of startup fault tree
开机故障树故障规则
2.1.2. 知识存储
采用产生式规则表示法获取的故障知识还不能直接被计算机识别，需要进一步转化为能被计算机识别的形式，因此本文采用MySQL数据库（MySQL Workbench 8.0 CE，瑞典）管理专家系统知识，从而构造专家系统知识库。由于故障规则较多，且每个故障征兆与故障原因对应关系为1∶1或1∶n，因此采用数据表的方式存储故障诊断知识，以保证知识的独立性从而便于知识的维护更新。知识库主要包含两类数据表，表格间以主键相联系。
（1）故障分类表，如表4所示。存放多参数监护仪故障树顶事件和全部的中间事件，以身份标识(identity document，ID)记录字段，ID和父ID分别对应规则的下级条件事件和上级结论事件，顶事件无对应的上级父ID，该表是专家系统故障诊断中过程推理的基础。
表 4. Fault classification.
故障分类表
| 序号 | 字段名称 | 数据类型 | 注释 |
| 1 | ID | 固定长度字符串 | — |
| 2 | 父ID | 固定长度字符串 | — |
| 3 | 分类名称 | 可变长度字符串 | 主键 |
| 4 | 所属设备类型 | 可变长度字符串 | — |
（2）故障原因表，如表5所示。存放故障原因、所属故障分类、排故建议、故障概率、关键重要度及采纳次数，该表是故障诊断中结论推断的基础。
表 5. Fault cause list.
故障原因表
| 序号 | 字段名称 | 数据类型 | 注释 |
| 1 | ID | 固定长度字符串 | — |
| 2 | 所属故障分类 | 可变长度字符串 | 主键 |
| 3 | 故障原因 | 可变长度字符串 | — |
| 4 | 排故建议 | 可变长度字符串 | — |
| 5 | 故障概率 | 单精度浮点型 | — |
| 6 | 关键重要度 | 单精度浮点型 | — |
| 7 | 采纳次数 | 单精度浮点型 | — |
2.2. 专家系统推理机设计
2.2.1. 推理方法
推理方法主要包括基于模型的推理方法、基于案例的推理方法和基于规则的推理方法[19-20]。其中，基于规则的推理方法可根据推理方向分为正向推理、反向推理和混合推理[21]。正向推理是指基于现存故障征兆及其规则，通过持续匹配其对应规则的前级条件，从而得到故障原因。本文采用基于规则的正向推理，以故障树为基础，从故障现象出发，逐级往下推理验证每个节点，直到找出故障原因。
2.2.2. 冲突消解策略
冲突消解策略是指当专家系统在推理过程中遇到多条能够匹配的知识时如何选用最合理的一条知识的策略[22]。推理机匹配知识时，遇到多条能与上一级匹配的知识即为“冲突”，在多条知识中选出最适用的一条的过程为“冲突消解”。本文采用基于故障概率优先级的冲突消解策略，基于故障树定量分析的结果，当遇到多条规则匹配时，率先选择故障概率较高的知识所对应的规则进行匹配，从而提高推理速度。具体推理过程如图5所示。
图 5.
Fault diagnosis reasoning process of expert system
专家系统故障诊断推理过程
2.3. 专家系统整体框架设计
为保证所开发的专家系统界面友好、操作简单，本文基于MySQL数据库（MySQL Workbench 8.0 CE，瑞典），采用基于网页的浏览器/服务器模式，利用页面超文本预处理器(page hypertext preprocessor，PHP)语言开发实现系统功能。基于网页的多参数监护仪故障智能诊断专家系统通过浏览器实现故障诊断等功能，客户端浏览器通过超文本传输协议向服务器端输入发送故障诊断请求，由服务器端接收对应的指令，并调用数据挖掘工具远程对象的相关函数方法进行数据处理，然后将故障诊断结果通过超文本传输协议传回到客户端浏览器，并展示给用户。界面跨平台、易升级和共享性高，客户通过网页即可进行输入、浏览、查询等简单功能，系统开发和维护集中在服务器端，因此系统更新完善时只需在服务器端进行即可。系统框图如图6所示，主要由数据层、业务层、表现层、用户层组成。
图 6.
Framework of the intelligent fault diagnosis expert system for multi-parameter monitor
多参数监护仪故障智能诊断专家系统整体框架
3. 多参数监护仪故障智能诊断专家系统实现及评价
3.1. 专家系统主要功能实现
3.1.1. 故障诊断功能
本文开发的多参数监护仪故障智能诊断专家系统 V1.0（陆军军医大学第二附属医院，中国），主要用于实现多参数监护仪故障智能诊断功能，同时具备用户登录、知识维护、故障分类、（设备）类型管理、权限管理、常规管理、系统日志等界面和功能，如图7左侧菜单栏所示。故障诊断为该系统的核心功能，主要界面如图7所示。用户通过故障诊断主界面选择设备类型，然后输入故障征兆关键词，系统即可根据输入的关键词进行故障推理诊断。故障诊断完成后，界面上将显示诊断出的故障原因及对应的故障类型、排故建议、故障概率和关键重要度，用户可结合故障概率或关键重要度的高低和实际维修顺序（由外及里、由机械到电气），根综合系统给出的故障诊断结果进行排故处理。
图 7.
Main interface and function of fault diagnosis
故障诊断主界面及功能
以开机后显示故障（即多参数监护仪开机运行后，显示屏无法正常显示）为例，使用专家系统进行故障诊断时操作流程及结果如下所示：首先选择设备类型为“多参数监护仪”，在故障诊断界面搜索框中输入故障征兆关键词“显示故障”，点击搜索框开始诊断，在主界面下方显示8条记录，如图8所示，用户可根据故障概率高低选择对应的故障原因及排故建议进行排故处理。
图 8.
Results display of fault diagnosis
故障诊断结果显示
3.1.2. 知识维护功能
知识维护功能主要通过知识维护相关界面实现，系统管理员与专家具有操作权限，包括知识维护主界面、故障分类主界面和类型管理主界面，通过此三个界面可向该系统补充新的故障知识及编辑现有故障知识、扩充新的设备类型，保证了系统的适应能力和更新能力：① 知识维护主界面：主要实现添加新的故障知识或对现有知识进行编辑功能。② 故障分类主界面：主要实现添加新的故障类型功能，添加新的故障类型时，通过选择上级故障，可确定不同故障类型之间的因果关系。③ 类型管理主界面：主要实现添加新的设备类型或编辑现有设备信息功能，包括设备名称、品牌、型号、图片等信息。
3.2. 专家系统测试
从陆军军医大学第二附属医院医学工程科随机选择30台故障多参数监护仪，根据科室上报的故障征兆，使用多参数监护仪故障智能诊断专家系统进行故障诊断，通过分析故障诊断结果对系统进行评价，测试结果如表6所示。
表 6. Results of expert system test.
专家系统测试结果
| 测试对象 | 品牌型号 | 故障现象 | 系统诊断故障原因 | 实际故障原因 | 故障排除 |
| 1 | 迈瑞BeneView T6 | 开机后黑屏 | 显示屏与主机连接故障 | 显示屏与主机连接故障 | 是 |
| 2 | 迈瑞PM-8000 | 无法开机 | 电池故障 | 电池故障 | 是 |
| 3 | 迈瑞BeneView T5 | 频繁自动关机重启 | 主控板故障 | 主控板故障 | 是 |
| 4 | GE Dash 5000 | 机器自动重启 | 主控板故障 | 主控板故障 | 是 |
| 5 | 迈瑞PM-9000 | 设备无法开机 | 主控板故障 | 主控板故障 | 是 |
| 6 | 迈瑞PM-7000 | 开机一段时间后黑屏 | 电源板故障 | 电源板故障 | 是 |
| 7 | 宝莱特M9000 | 黑屏 | 显示屏与主机连接故障 | 显示屏与主机连接故障 | 是 |
| 8 | 迈瑞BeneView T8 | 黑屏 | 显示屏故障 | 显示屏故障 | 是 |
| 9 | 迈瑞BeneView T8 | 屏幕闪烁 | 无 | SPO2信号采集延长线与SPO2信号测量模块连接故障，使波形切换时屏幕看上去像闪烁 | 否 |
| 10 | 迈瑞BeneView T8 | 测量不出ECG信号波形和心率 | ECG信号采集导联线故障 | 导联线故障 | 是 |
| 11 | 宝莱特M9000 | ECG信号波形干扰大 | ECG信号采集导联线故障 | 导联线故障 | 是 |
| 12 | 迈瑞iPM12 | ECG信号波形有干扰 | 电极片故障 | 电极片故障 | 是 |
| 13 | 迈瑞BeneView T8 | ECG信号波形干扰大 | 无 | 滤波模式不正确 | 否 |
| 14 | 迈瑞BeneView T6 | ECG信号波形干扰大 | 电极片导电膏变干 | 电极片导电膏变干 | 是 |
| 15 | 迈瑞iPM8 | 测量ECG信号时未显示波形 | ECG信号导联线损坏 | 导联线损坏 | 是 |
| 16 | 迈瑞iPM8 | 测量SPO2信号时未显示数值与波形 | SPO2信号采集探头故障 | SPO2信号采集探头故障 | 是 |
| 17 | 金科威 UT4000B | 测量SPO2信号时未显示数值 | SPO2信号采集探头故障 | SPO2信号采集探头故障 | 是 |
| 18 | GE Dash 5000 | 测量SPO2信号时未显示数值 | SPO2信号采集探头故障 | SPO2信号采集探头故障 | 是 |
| 19 | 迈瑞BeneView T8 | 测量SPO2信号时偶尔未显示数值 | SPO2信号采集延长线故障 | SPO2信号采集延长线故障 | 是 |
| 20 | GE Dash 5000 | 测量NIBP信号时未显示数值 | NIBP信号采集导气管漏气 | NIBP信号采集导气管漏气 | 是 |
| 21 | 宝莱特M9000 | 测量NIBP信号时未显示数值 | 袖带漏气 | 袖带漏气 | 是 |
| 22 | 迈瑞PM-7000 | 测量NIBP信号时一直打气却未显示数值 | 袖带漏气 | 袖带漏气 | 是 |
| 23 | 迈瑞iPM8 | 测量NIBP信号时未显示数值而反复充放气 | 电磁阀故障 | 电磁阀故障 | 是 |
| 24 | 迈瑞PM-9000 | 测量NIBP信号时未显示数值 | 电路板故障 | 电路板故障 | 是 |
| 25 | 日本光电BSM3562 | 测量NIBP信号时未显示数值 | 主控板故障 | 主控板故障 | 是 |
| 26 | 金科威UT4000B | 测量NIBP信号时未显示数值而气泵反复充气 | 气泵故障 | 气泵故障 | 是 |
| 27 | 迈瑞iPM6 | 无法连接工作站 | 无 | 监护仪网络地址不正确 | 否 |
| 28 | 宝莱特M9000 | 记录仪无法打印图形 | 无 | 记录仪设置不正确 | 否 |
| 29 | 迈瑞iPM6 | 记录仪无法记录 | 无 | 记录仪至主板连接线故障 | 否 |
| 30 | 迈瑞PM-8000 | 无法存储患者信息 | 无 | 内存满 | 否 |
结果显示，本文所开发的多参数监护仪故障智能诊断专家系统，在30台故障多参数监护仪中准确完成了24台设备的故障诊断，故障诊断准确率达80%，同时给出了排故建议。经系统测试评价，证明本文所构建的基于故障树的多参数监护仪故障智能诊断专家系统可以实现各模块功能，具备保证系统安全性、完成故障诊断、实现系统更新、人机交互友好等功能特性。
4. 结论
本文通过融合故障树和专家系统，结合多参数监护仪结构原理和故障特点，建立了多参数监护仪故障智能诊断专家系统，实现了故障智能诊断功能，并能给出具体的排故建议，提高了故障定位效率和故障解决能力，降低了维修成本及确保了医疗业务稳定开展。同时，基于专家系统知识维护等功能保证了系统的更新学习能力，提高了专家系统的故障诊断效率和适用范围。
本文的研究方法通过融合故障树和专家系统证明了两种故障诊断技术融合实行故障诊断的准确性和可行性，解决了传统专家系统知识获取困难的瓶颈，并为推理机设计提供了有效依据，既能为多参数监护仪的故障诊断积累经验，也能为现代医疗设备的故障诊断与维修提供一种行之有效的思路和技术支持。下一步将围绕提高专家系统故障诊断准确率的总目标，将数据驱动的故障智能诊断技术与本专家系统融合，进一步构建基于电信号数据的“动态知识库”，提高专家系统故障诊断的准确率，为医疗设备故障智能诊断专家系统的构建奠定更坚实的基础。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：范莉萍主要负责实验流程、数据处理、算法程序设计、论文编写；郎朗主要负责协调沟通，论文审阅修订；肖晶晶主要负责计划安排，论文审阅修订；张诗慧主要负责整理实验资料；种银保主要负责项目主持，提供实验指导；吕思敏主要负责提供实验材料。
Funding Statement
国家重点研发计划项目（2016YFC0103100）；军队卫勤专项资助项目（20WQ005）
Ministry of Science and Technology of the People’s Republic of Chin; Health Bureau of logistics support department of the Military Commission
References
- 1.刘香君, 种银保, 肖晶晶, 等 基于数据驱动的设备电路板无图纸故障诊断. 中国医学物理学杂志. 2020;37(8):1047–1052. doi: 10.3969/j.issn.1005-202X.2020.08.021. [DOI] [Google Scholar]
- 2.Israelski E W, Muto W H Human factors risk management as a way to improve medical device safety: a case study of the therac 25 radiation therapy system. Jt Comm J Qual Saf. 2004;30(12):689–695. doi: 10.1016/s1549-3741(04)30082-1. [DOI] [PubMed] [Google Scholar]
- 3.张诗慧, 种银保, 肖晶晶, 等 基于LabVIEW的医疗设备故障智能诊断系统. 仪表技术与传感器. 2018;(4):98–103. doi: 10.3969/j.issn.1002-1841.2018.04.023. [DOI] [Google Scholar]
- 4.刘香君, 郎朗, 张诗慧, 等 基于长短时记忆网络的医疗设备故障智能诊断研究. 生物医学工程学杂志. 2021;38(2):361–368. doi: 10.7507/1001-5515.201912019. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 5.陈庆. 多参数监护仪安全风险分析. 中国医学装备, 2016, 13(10): 29-32, 33.
- 6.Jafari M J, Pouyakian M, Khanteymoori A, et al Reliability evaluation of fire alarm systems using dynamic bayesian networks and fuzzy fault tree analysis. J Loss Prev Process Ind. 2020;67(7):104229. [Google Scholar]
- 7.Kabir S An overview of fault tree analysis and its application in model based dependability analysis. Expert Systems with Applications. 2017;77:114–135. doi: 10.1016/j.eswa.2017.01.058. [DOI] [Google Scholar]
- 8.王得水, 戴建荣, 蔡军, 等 多参数心电监护仪故障的统计分析及维修方法. 生物医学工程与临床. 2018;22(3):333–337. [Google Scholar]
- 9.Oliver M A, Guerrero L, Diaz I, et al Determination of minimal cut sets of a complex fault tree. Comput Ind Eng. 1997;33(1):59–62. [Google Scholar]
- 10.范莉萍, 种银保, 郎朗, 等 基于聚合模糊数的多参数监护仪故障树研究. 中国医学物理学杂志. 2021;38(6):725–731. doi: 10.3969/j.issn.1005-202X.2021.06.013. [DOI] [Google Scholar]
- 11.Wang J, Ding D, Liu O, et al A synthetic method for knowledge management performance evaluation based on triangular fuzzy number and group support systems. Applied Soft Computing. 2016;39:11–20. doi: 10.1016/j.asoc.2015.09.041. [DOI] [Google Scholar]
- 12.Kumar M, Kaushik M System failure probability evaluation using fault tree analysis and expert opinions in intuitionistic fuzzy environment. J Loss Prev Process Ind. 2020;67(2):104236. [Google Scholar]
- 13.兰蓉, 范九伦 三角模糊数上的完备度量及其在决策中的应用. 系统工程学报. 2010;25(3):313–319. [Google Scholar]
- 14.于文杰, 郭国平, 吴兵 基于模糊故障树的长江LNG船舶装卸作业风险预测. 交通信息与安全. 2019;37(5):46–53. doi: 10.3963/j.issn.1674-4861.2019.05.007. [DOI] [Google Scholar]
- 15.Wang F, Zheng P, Dai J, et al Fault tree analysis of the causes of urban smog events associated with vehicle exhaust emissions: a case study in Jinan, China. Sci Total Environ. 2019;668:245–253. doi: 10.1016/j.scitotenv.2019.02.348. [DOI] [PubMed] [Google Scholar]
- 16.Saibene A, Assale M, Giltri M Expert Systems: definitions, advantages and issues in medical field applications. Expert Systems with Applications. 2021;177:114900. doi: 10.1016/j.eswa.2021.114900. [DOI] [Google Scholar]
- 17.Qian Y, Xu L, Li X X, et al LUBRES: an expert system development and implementation for real-time fault diagnosis of a lubricating oil refining process. Expert Syst Appl. 2008;35(3):1252–1266. doi: 10.1016/j.eswa.2007.07.061. [DOI] [Google Scholar]
- 18.Sarazin A, Bascans J, Sciau J B, et al Expert system dedicated to condition-based maintenance based on a knowledge graph approach: application to an aeronautic system. Expert Systems with Applications. 2021;186:115767. doi: 10.1016/j.eswa.2021.115767. [DOI] [Google Scholar]
- 19.杨一鸣, 汪贵平 面向对象的无人车电源故障检测专家系统设计. 汽车技术. 2019;(6):30–35. [Google Scholar]
- 20.袁杰, 王福利, 王姝, 等 基于D-S融合的混合专家知识系统故障诊断方法. 自动化学报. 2017;43(9):1580–1587. [Google Scholar]
- 21.官赛萍, 靳小龙, 贾岩涛, 等 面向知识图谱的知识推理研究进展. 软件学报. 2018;29(10):2966–2994. [Google Scholar]
- 22.Wang Yuan, Ji Wen, Wang Jianhui. Design and implementation of inference engine for conflict resolution//2012 Second International Conference on Intelligent System Design and Engineering Application, Sanya: Hunan University of Technology, 2012: 220-223.