医疗设备作为现代医学的重要组成部分,是开展临床医疗、教学、科研的必要条件和重要支撑。随着科学技术的进步和公众对医疗需求的攀升,医疗设备种类、数量快速增长。其在医院固定资产总额中占比高达55%～75%,且以每年15%～25%的增长率继续增加。一旦发生故障停机,轻则影响诊疗效率,重则威胁医、患安全。因此,如何及时高效修复故障,保障各类医疗设备安全可靠运行尤为重要。传统的医疗设备故障诊断与维修,通常是根据故障现象进行初步分析,结合已知工作原理、电路图纸等,利用万用表、示波器、在线测试仪等,按照信号流向逐点寻迹。通过测量各测试点电参量,借助已有维修经验和逻辑来对电路板故障进行压缩、定位。面对现代医疗设备故障诊断与维修,传统方法面临严峻挑战。主要原因如下:(1)现代医疗设备电路集成度高,设计复杂。现代医疗设备设计普遍模块化、集成化,结构新颖,走线布局复杂,使用传统维修经验难以判断其系统结构和信号流向,难以进行故障检测与诊断。(2)厂家不再提供图纸等技术资料。医疗设备生产厂家对知识产权格外重视,仅提供简单的设备系统图、通用维修工具和培训。缺乏相关技术支持,院内维修人员不能深入地对故障原因进行分析。(3)厂家以电路板模块替换维修为主,维修成本居高不下。医疗设备生产厂家为获取高额维修垄断利润,并不提供电路板元器件级维修,仪器故障只能更换昂贵的设备模块。生产厂家在这方面的技术垄断,进一步加剧了医疗设备维修的困难局面。为解决传统的医疗设备故障诊断工作所面临的上述问题,在人工智能及机器学习迅速发展,并在其他领域设备故障诊断中广泛研究和应用启发下,本文拟选取医疗机构使用广泛、数量众多且故障率高的YDB-III型软组织治疗仪主控板为研究对象,围绕如何充分利用、深度挖掘设备电路板端口电信号数据的潜在时序性及周期性特征,以及故障征兆现象包含的补充信息,将两者进行融合处理,选取长短时记忆网络搭建故障诊断模型来进行医疗设备无图纸故障智能诊断方法研究。本文主要工作如下:(1)数据采集系统设计。针对本文研究对象,在未知其电路图纸等技术资料情况下,进行外接端口功能分析、测试,设计接口板,编写采集软件。在相同外设工作条件下,遴选正常工作状态以及6种常见故障状态,对7种状态所表现出的征兆现象进行详细搜集记录。基于Lab VIEW程序开发环境使用NI数据采集卡以3000Hz的采集频率,对30台软组织治疗仪主控板的45个通道进行电信号数据采集,7种故障状态共采集完备的210组数据。(2)故障智能诊断模型建立。以长短时记忆网络为核心,采用Dropout、Early Stopping正则化项防止模型过拟合,并利用带牛顿动量的梯度下降法优化模型,设计了故障智能诊断模型。通过建立4个故障诊断样本特征集进行验证:电信号特征集、故障征兆现象特征集、电信号与征兆现象融合特征集、融合并筛选特征集。实验中,依次对各特征集以每300个数据点为一个样本,按照4:1:1的比例划分,得到的训练集、验证集和测试集样本数分别为1400、350、350。(3)实验验证及结果分析。基于4个样本特征集分别进行故障诊断实验验证,具体是对7种类别(1种正常状态,6种故障状态)的数据进行诊断分类,通过分析准确率,并辅以混淆矩阵、查准率、查全率、F1值、AUC值等,判断模型诊断结果及不同特征集对结果的影响。并与其他常见故障智能诊断方法,如BP神经网络、循环神经网络、卷积神经网络等,进行故障诊断分类识别比较。实验结果表明,基于长短时记忆网络模型,使用融合并筛选后的特征,平均准确率达到97.09%,相较于单独使用电信号特征的88.68%,平均高出8.41%,相较于单独使用征兆现象特征的72.11%,平均高出24.98%,相较于融合特征的91.15%,平均高出5.94%。同时,查准率、查全率等评价指标均有相应提升。横向比较不同算法,在均使用融合并筛选特征情况下,本文设计的诊断模型准确率比BP神经网络、循环神经网络、卷积神经网络分别高出12.57%、4.71%、0.57%。综上所述,本文提出的基于长短时记忆网络,使用电信号与征兆现象融合筛选特征进行故障智能诊断的方法具有较高准确性,能够为进一步解决缺乏技术资料的医疗设备电路板故障诊断提供研究思路和技术支撑。