基于特征提取的压力蒸汽灭菌设备运行故障诊断方法研究

任希燕，周娟，胡霞，陈希希

南通市第一人民医院 消毒供应中心，江苏 南通 226000

引言

压力蒸汽灭菌设备主要用于手术辅料与器械的消毒灭菌，能够使蛋白质菌体发生变性，进而使微生物发生代谢障碍，或破坏遗传物质，从而杀死微生物，最终实现手术辅料与器械的消毒灭菌。在医学领域，压力蒸汽灭菌设备促进了生物医学与感染控制学的发展。同时压力蒸汽灭菌设备也是一种具有高爆炸性危险的设备[1]。医院管理中必须保证压力蒸汽灭菌设备的可靠性和安全性，从而保障医院医护人员与患者的生命安全，因此加强对压力蒸汽灭菌设备的管理具有重要意义。目前，医院压力蒸汽灭菌设备管理中，其维修与维护工作通常由医院医工部门或厂家的工程师负责，日常检查、清洗、清洁等工作则由使用科室负责。当压力蒸汽灭菌设备发生故障后，需由设备操作人员报修，并由医学工程师实施事后维修[2]。但当发生的故障比较复杂时，故障诊断时间较长。

陈善琼[3]分析了MELAG Vacuklav 24 B/L+灭菌器故障，通过对MELAG Vacuklav 24 B/L+灭菌器的故障汇总、工作原理分析及故障处理案例，使相关人员熟悉、了解该设备，但该方法主要通过人工实现故障诊断，耗时费力。位晶晶等[4]研究了基于GA-SVR的小样本数据缺失下的设备故障诊断方法，针对小样本数据缺失下的设备故障诊断问题，提出了基于遗传算法优化支持向量回归的缺失数据填补方法，主要利用缺失数据所属变量的数据，训练遗传算法优化的支持向量回归，得到单变量预测结果，通过相关性分析重构训练集，获得多变量预测结果，该方法改善了故障诊断的效果，但其诊断耗时较长。本文综合以上研究成果，提出设计基于特征提取的压力蒸汽灭菌设备运行故障诊断方法，旨在对压力蒸汽灭菌设备运行故障诊断方法进行研究，以期提高压力蒸汽灭菌设备运行故障诊断的效率和设备运转率，并提升压力蒸汽灭菌设备的安全性和稳定性。

1 压力蒸汽灭菌设备运行故障诊断方法设计

1.1 压力蒸汽灭菌设备运行故障数据采集

为实现压力蒸汽灭菌设备运行故障的诊断，首先需要提取压力蒸汽灭菌设备运行故障数据，并以此故障数据做为研究的基础，完成故障的诊断。在故障数据采集中，本文通过Lab VIEW编程软件结合数据采集卡，采集压力蒸汽灭菌设备运行故障数据[5]。其中，数据采集卡使用型号为USB -6251，该采集卡包括定时计数器2个、数字I/O 24条、模拟输出2路以及模拟输入16路[6]。该数据采集卡具备即插即用的特点，能够对设备数据进行采集。

在Lab VIEW编程软件中对该数据采集卡实施自检与初始化，并对需要监测的压力蒸汽灭菌设备运行故障参数实施通道配置[7]。根据监测的压力蒸汽灭菌设备运行故障参数类型，选择对应的物理通道。当需要对压力蒸汽灭菌设备活塞推力运行故障参数进行监测时，选择的类型为“Strain”，并利用模拟通道10对其进行赋予。对全部故障信号对应的物理通道进行选择。完成采集故障信号物理通道的选择后，进入Lab VIEW编程软件的参数设置页面，对故障信号的采样方式和幅度进行设置。为方便程序调试、增强程序可读性，根据监测通道信号实际名称对物理通道进行命名[8]。完成全部信号通道的设置及其相关编程后，通过Lab VIEW编程软件即可对压力蒸汽灭菌设备运行故障信号进行采集[9]。

1.2 故障特征提取

基于特征提取技术提取压力蒸汽灭菌设备运行故障信号特征，主要通过AR模型和敏感IMF分解实现故障信号特征的提取。

具体提取步骤如下：① 通过敏感IMF分解实施压力蒸汽灭菌设备运行故障信号。用x(t)表示压力蒸汽灭菌设备运行故障信号。分解后获取固有模态函数，具体如公式（1）所示。② 通过自相关系数算法和峭度值对n个最敏感的IMF分解分量vn(t)进行选择。③ 为消除选择结果对AR模型对应残差方差的影响，归一化处理各层IMF分解分量的能量，具体如公式（2）所示。④ 构建AR模型，具体如公式（3）所示。⑤ 对AR模型参数进行求解，首先需要对模型阶次进行确定，具体公式（4）所示。⑥ 将各IMF分解分量AR模型残差的对应方差作为数据特征。特征向量表示方式如公式（5）所示。构成压力蒸汽灭菌设备运行故障信号的n个IMF敏感特征向量可以用公式（6）表示。压力蒸汽灭菌设备运行故障信号n个IMF敏感特征向量，可以构成其特征向量矩阵，具体如公式（7）所示。基于上述过程，完成压力蒸汽灭菌设备运行故障特征的提取。

式中，V表示固有模态函数集合；vj(t)表示第j个固有模态函数[10]。

式中，vn'(t)表示vn(t)的能量归一化处理结果；vn(t)表示n个最敏感的IMF分解分量；t表示时间。

式中，vn''(t)表示构建的vn'(t)的AR模型；r表示AR模型残差；φi表示第i个分解分量的对应AR模型参数[11]。

式中，σ2表示模型残差方差；N表示估计集合中值的实际数目。并将EPE(i)值最小时的模型定为应用模型。

式中，γi表示第i个特征向量[12]；σi2表示第i个残差对应方差。

式中，γi-n表示第i-n个特征向量；φimax表示最大的AR模型阶数。

式中，(γ1-n)n表示第n个特征向量。

1.3 故障特征约简

上述采集的压力蒸汽灭菌设备运行故障特征数据较为复杂，为进一步降低故障诊断的工作量，需要简化故障特征数据。本文通过局部保持投影数据降维方法对提取的特征实施约简。主要通过近邻图构建映射，利用拉普拉斯算子获取映射矩阵，并将数据直接映射至低维子空间。这种数据处理方法能使数据集局部结构保持不变。

具体特征约简步骤如下：① 构造近邻图。将X设为训练数据集，用G代表一个节点数为n的图。当数据点xa与数据点xb是2个邻近的数据点，则对图中2个数据点对应的节点进行连接，构造邻接图[13]。判断数据点xa与数据点xb是否相邻的方法如公式（8）所示。② 对权值进行选择。当数据点xa与数据点xb为相邻，赋予该邻接权值，不赋值时两点之间的权值即为0。通过权值矩阵对数据之间的局部流形结构进行模拟，并利用热核权值的方式进行赋值，具体如公式（9）所示。③ 对正交基相关参数进行定义。将对角矩阵定义为公式（10）。拉普拉斯矩阵L的计算方式如公式（11）所示，将正交基向量定义为公式（12）所示，对正交基函数相关参数K(k-1)、P(k-1)进行定义，分别如公式（13）和公式（14）所示。④ 对正交基向量进行计算，具体如公式（15）和公式（16）所示。⑥ 实现映射，具体如公式（17）和公式（18）所示。根据以上程序完成特征数据的约简。

式中，α表示欧式距离阈值。

式中，Aab表示权值矩阵；t表示热核权值。

式中，B表示对角矩阵；T表示变换矩阵阈值；λ表示映射指数；w表示指特征向量；β表示映射矩阵。

式中，L表示拉普拉斯矩阵；yd表示第d个正交基向量。

式中，yk-1表示第k-1个正交基向量。

式中，qi表示映射；l表示正整数。

1.4 运行故障诊断

在上述约简后的运行故障特征数据基础上，通过神经模糊推理自适应系统设计一种智能混合运行故障诊断模型，实现压力蒸汽灭菌设备运行故障诊断[14]。设计的智能混合运行故障诊断模型的结构如图1所示。

图1 智能混合运行故障诊断模型结构

具体操作过程如下：① 构建多个ANFIS初始分类器，利用每种故障约简后的故障特征数据对各初始分类器进行测试与训练，获取多种故障的对应ANFIS分类器[15]。多种故障对应ANFIS分类器的分类结果如公式（19）所示。②通过加权平均合成多种故障的对应ANFIS分类器输出结果，获取最终的压力蒸汽灭菌设备运行故障诊断结果，输出故障诊断结果如公式（20）所示。③ 在压力蒸汽灭菌设备运行故障诊断实现中，通过构建的分类器将不同故障进行分类，再将分类结果通过加权平均进行整合，最后将诊断结果进行输出。在判断故障时，设定其判定标准，以提升运行故障诊断的准确定[16]。根据上述确定的诊断故障结果，设定诊断的标准如公式（21）所示。本文故障诊断中为输出的故障结果设置限制阈值后，以保证故障诊断的有效性。

式中，yn''表示n''个故障ANFIS分类器的分类结果；s表示分类阈值；tb表示向第b个故障ANFIS分类器赋予的权值；yn''b表示第b个故障ANFIS分类器的分类结果。

式中，yn''*表示第n''个样本的对应输出；H表示训练误差的对应均方根。

式中，y表示样本输出；n表示故障样本个数；b表示第b个故障；λn代表故障分类系数。

2 方法

2.1 实验环境

在实验中，利用设计的基于特征提取的压力蒸汽灭菌设备运行故障诊断方法对某医院的压力蒸汽灭菌设备进行故障诊断测试。实验设备实物图如图2所示。通过Lab VIEW编程软件结合数据采集卡采集实验压力蒸汽灭菌设备运行故障数据作为本次的实验数据。将采样频率设为50 kHz。在实验数据中随机抽取40%作为训练数据。

图2 实验设备实物图

2.2 实验指标设计

本实验中，具体测试指标如下：① 故障识别误差；② 故障诊断的平均准确率，其计算方式如公式（22）所示；③ 平均诊断时间。

式中，VA表示故障诊断的平均准确率；Q表示正确诊断的样本数；D表示总样本数。

2.3 统计学分析

采用直方图分析平均诊断准确率，折线图分析平均诊断时间。在实验过程，采用的绘图软件为Microsoft Visio 2003-2010。

3 结果

3.1 故障识别误差测试结果

采用本文方法随压力蒸汽灭菌设备多种运行故障的识别误差进行测试，测试结果如表1所示，对于实验压力蒸汽灭菌设备多种运行故障，设计方法的故障识别误差均较低，最低可达0.02%，最高不超过0.50%，表明本文所提出方法故障诊断的准确率较高。

表1 故障识别误差测试结果

3.2 不同故障类型平均诊断准确率测试结果

实验中，样本压力蒸汽灭菌设备的运行时间分别为50、150、300 d的情况下对设计方法的平均诊断准确率进行测试，实验测试中的数据如表2所示。具体测试结果如图3所示，根据图3的平均诊断准确率测试结果数据表明，设计方法的温度传感器故障、水位传感器故障、限位开关故障的平均诊断准确率较高，均高于93.8%；设计方法的通讯故障、指示灯故障的平均诊断准确率低于温度传感器故障、水位传感器故障、限位开关故障的平均诊断准确率，但整体仍高于89.2%；随着运行时间的增长，设计方法不同故障类型的平均诊断准确率有一定下降，但整体下降幅度较低。总体来说，设计方法对于各种故障的平均诊断准确率较高，压力蒸汽灭菌设备运行故障诊断性能良好。

图3 样本平均诊断准确率测试结果

表2 样本设备运行故障数据详情表

3.3 不同故障类型平均诊断时间测试结果

在实验进行50 d时，对设计方法温度传感器故障、水位传感器故障、限位开关故障的平均诊断时间进行测试，测试数据内容如表3所示。得到设备运行故障诊断时间的测试结果如图4所示，图4平均诊断时间测试结果表明，不同故障类型的平均诊断时间在640 ms以内，表明该方法可以有效诊断不同类型的故障，并且诊断时间较短，实际应用价值较高。

表3 样本设备运行故障诊断时间详情表

图4 样本平均诊断时间测试结果

4 讨论

传统方法中主要针对实际运行故障类型进行分析[17-20]，并未对设备运行的故障特征进行研究，因而不能确定设备运行导致故障的具体原因。本文提出了基于特征提取的压力蒸汽灭菌设备运行故障诊断方法，该方法通过提取压力蒸汽灭菌设备运行故障数据，采用AR模型和敏感IMF分解方法提取压力蒸汽灭菌设备运行故障信号特征；通过拉普拉斯算子获取映射矩阵等，预处理提取的运行故障信号特征；在此基础上，设置通过神经模糊推理自适应系统设计智能混合运行故障诊断模型，将训练后的诊断数据输入其中，完成压力蒸汽灭菌设备运行故障的诊断。

本研究结果表明，本文方法可对样本设备的故障类型进行选择，并可将选择后的故障类型进行诊断，分析诊断的误差结果，本文对不同故障类型诊断的误差结果较低，最低可达0.02%，且最高不超过0.5%，即本文设计方法可以有效降低故障诊断的误差；本文方法还通过不同运行时间的分析，对设备不同故障类型的故障平均诊断准确率进行了分析，得出不同故障诊断类型的高于89%，进一步验证了所提方法的可行性；在此基础上，诊断故障的时间也是较为重要的指标，通过诊断时间的测试，可以分析出不同设备运行故障类型诊断的速度，本文诊断限位故障开关故障速度最快，其次为温度传感器，但整体来看对故障诊断的时间都较短。本文设计方法中对特征提取后诊断设备运行故障，与传统方法相比具有一定可行性，如陈善琼[3]主要仅汇总了故障类型、故障数据和工作原理，但是在诊断故障时，仍采用人工的形式，该诊断方法存在主观因素影响诊断结果的情况，其对输出板通讯错误等故障的诊断误差较高，未达到本文方法的0.41%，并且相关文献[4,17-20]的故障诊断方法也存在一定局限性，与本文方法相比，该方法的故障诊断时间长，而本文方法的故障诊断时间仅为640 ms，有效验证了所提方法的可行性，原因为本文方法引入了AR模型和敏感IMF分解方法，并在此基础上，约简了故障特征，从而提高了故障诊断的准确性，降低了诊断时间。

5 结论

在压力蒸汽灭菌设备运行故障诊断研究中，应用了特征提取技术和智能混合技术，构建智能混合运行故障诊断模型，实现了多种压力蒸汽灭菌设备运行故障的智能诊断，且提高了诊断准确率，降低了诊断时间，实现了压力蒸汽灭菌设备运行故障诊断方面的优化。