基于貝葉斯網絡的呼吸機故障診斷方法

王振華

（臨沂市中心醫院，山東臨沂 276400）

0 引言

傳統的故障診斷通常是采用深度診斷學習診斷或者自編碼診斷等方式，雖然可完成預期的診斷目標，但常常會出現不同程度的缺陷以及誤差，診斷結果并不可靠[1]。因此，對基于貝葉斯網絡的呼吸機故障診斷方法設計分析。考慮到最終測試結果的穩定性和精準性，本文挑選較為真實的醫療環境，結合呼吸機的應用標準，從多個方向完成對呼吸機故障的診斷。同時，接入貝葉斯網絡形成動態故障診斷結構，以啟發式的搜索模式，查詢到呼吸機故障的最終原因，更有效、合理地獲取實時動態數據，排除存在的關聯隱患，提高診斷結果的精準性，提升日常工作中的應用效果。

1 貝葉斯網絡下呼吸機故障診斷方法設計

1.1 獲取故障異常數據

通常情況下呼吸機是依靠執行指令或外部人員的控制實現的，屬于半智能化的醫用設備。這種使用機制雖然較為便捷，但一旦發生故障則故障的診斷并不可靠，極有可能導致呼吸機目標執行困難，形成嚴重的醫療事故[2]。

因此，在對呼吸機存在的故障進行實時診斷時，需要先獲取異常數據。在呼吸機的控制系統中增設一個數據驅動軟件，連接貝葉斯網絡，將覆蓋范圍內的呼吸機關聯在一起，形成異常數據識別網。在系統中導入各種故障的異常特征，并搭配異常數據警示標準。此時需要計算出故障的診斷階導值B：

其中，B 表示診斷階導值，i 表示激活函數，l 表示階導極限差值，β 表示集成距離，?表示等效函數。通過上述計算，最終可得出實際的診斷階導值。根據得出的診斷階導值，劃定出異常數據的階段性導向層級，同時根據CSDAE 模型對不同的故障特征形成警示指令，一旦呼吸機出現故障異常數據便會自動顯現故障編號，為后續故障診斷奠定基礎環境。

1.2 建立深度故障診斷機制

所謂故障診斷機制主要指的是一種定向的檢測指令，可在呼吸機的診斷程序中構建網絡診斷訓練模型，加強執行目標以及任務的完成效率[3]。觀測呼吸機的故障情況，以深度分析法測定不同故障區域的準曲值變動情況。同時結合深度處理技術，在貝葉斯網絡下構建一個深度故障診斷矩陣，實現多目標集成診斷，從多個方向獲取呼吸機各個位置的診斷結果，依據診斷的層級和目標，形成深度故障診斷機制。但需要注意的是，故障診斷機制的覆蓋范圍十分有限，可以依據診斷指令來作出引導，并配合診斷機制來獲取更為精準的診斷數值、信息。

1.3 構建貝葉斯CSDAE 診斷模型

在完成對深度故障診斷機制的建立之后，接下來在貝葉斯網絡的輔助之下，構建CSDAE 診斷模型。通常情況下，呼吸機在應用的過程中，一旦出現故障，會留下對應的痕跡，例如異常數據、指令損失等。接入貝葉斯網絡，依據故障診斷環節，構建診斷結構。隨后在不同的診斷層級設定單一執行目標，通過貝葉斯網絡，提取呼吸機的故障診斷特征。

此時，選用FDA 分析方法，以映射的形式獲取異常信號。每一組信號均記錄著呼吸機的異常數據，與初始的指標參數相對比，得出實際的診斷誤差。這部分需要注意的是，CSDAE 診斷模型對于呼吸機的診斷范圍并不是固定的，而是可隨著貝葉斯網絡的變動發生移動，這種模式一定程度上可確保故障診斷更為靈活、多變，獲取的診斷結果也會更加可靠。

1.4 故障樹執行實現呼吸機故障診斷

在完成對貝葉斯CSDAE 診斷模型的構建之后，接下來，通過故障樹的執行來實現呼吸機故障診斷。故障樹實際上是一種具有邏輯關系的診斷模式。以數據作為執行的基礎條件，關聯CSDAE 診斷模型，一旦呼吸機出現故障，模型會立即實現定位，并獲取異常數據[4]。此時，數據會通過特殊的格式導入這種診斷邏輯關系之中，分析出呼吸機的故障頻數，同時計算出故障診斷的倒置比率T：

其中，O 表示執行時間，N 表示診斷范圍，δ 表示倒置周期。通過上述計算，最終可得出實際故障診斷的倒置比率。結合CSDAE 診斷模型，配合故障樹的檢測，最終實現對呼吸機的故障診斷。

2 方法測試

本文主要對貝葉斯網絡下呼吸機故障診斷方法實際應用效果進行分析研究。考慮到最終測試結果的穩定性與可靠性，采用對比的形式展開分析。選取A 醫院的4 臺呼吸機作為測試的主要目標對象，選取文獻［1］方法及文獻［4］方法作對比，與文中設計的貝葉斯網絡故障診斷方法進行對比實驗，獲取對比實驗結果。

2.1 測試準備

在對貝葉斯網絡下呼吸機故障診斷方法實際應用效果進行分析研究之前，需要先搭建相應的測試環境。將呼吸的控制系統與貝葉斯網絡相關聯，為后續的應用建立關系。隨后，采用CPCA_DTW_DBN 方法，針對呼吸機的應用情境，構建原始多維執行序列，將序列中的數據信息以特殊的形式導入控制區域中，形成單向的故障診斷指令。接入多傳感設備，進行故障數據的捕捉。與此同時，將不同傳感器以相同的故障指令實現監測映射，識別呼吸機故障。

根據貝葉斯網絡的執行架構與模式，將原本的故障診斷層級設定為多維目標，將預設的診斷指令輸入到模型之中，更改調整多維序列參數，結合傳感器獲取的監測數據構建一個故障范圍測量矩陣，集中反映故障的標定區域，同時計算出單元識別比率Y：

其中，e 表示極限故障差值，i 表示預設識別次數，k 表示轉換距離，g 表示識別初始序列值。通過上述計算，最終可得出實際的單元識別比率。以單元識別比率作為呼吸機單個故障診斷的識別標準，完成對測試環境的搭建。劃定測試的設備以及裝置是否處于穩定運行狀態，同時確保不存在影響最終測試結果的外部因素，核定無誤后，開始具體測試。

2.2 測試過程及結果分析

根據上述搭建的測試環境，進行實際測定。首先，為提升整體的診斷效率，需要結合呼吸機的使用情況構建對應等級的故障診斷樹，并根據呼吸機的氣道壓力設計其診斷原理。根據呼吸機的故障情況劃歸故障的等級，并計算出DTW（Dynamic Time Warping，動態時間調整）距離。通常情況下，呼吸機在實際應用過程中需要進行單調性約束和連續性約束，以獲取最優的呼吸路徑，幫助病人供應氧氣。一旦呼吸機發生故障，約束程序就會遭到破壞、影響供氧，所以可以利用貝葉斯網絡構建動態的故障診斷矩陣，使用重疊規劃方法，計算出DTW 極限距離U：

其中，h 表示描述差值，w 表示最優解，n 表示氣道壓力比。通過上述計算，最終可得出實際的DTW 極限距離。配合貝葉斯網絡，使用定位裝置，在標定的DTW 極限距離之內、定位故障處并及時作出診斷，獲取最終的故障診斷完成率，結果如表1 所示。

表1 測試結果對比分析變表

根據表1 可完成對測試結果的分析，文中設計的貝葉斯網絡故障診斷方法最終得出的故障診斷完成率可達到91.34%，優于對比方法，表明在對呼吸機診斷的過程中對于故障的定位更為迅速、精準，具有實際的應用價值。

3 結束語

對比于傳統的故障診斷方法，本文結合貝葉斯網絡所設計的故障診斷方法相對更加靈活、多變，在復雜的醫用環境之下，可以快速、精準地定位出呼吸機的故障位置。本文所提方法對醫用呼吸機以及關聯設備會起到保護作用，在營造安全應用環境的同時，減少醫療電子設備的故障率，延長呼吸機的使用壽命，提升故障診斷結果的可靠程度。