基于灰色系统理论和神经网络的呼吸机故障预测模型的建立与研究.pdf
《基于灰色系统理论和神经网络的呼吸机故障预测模型的建立与研究.pdf》由会员分享,可在线阅读,更多相关《基于灰色系统理论和神经网络的呼吸机故障预测模型的建立与研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、m theory and neural network网络出版地址:Lnet/ulrlid/i2.20231024.0920.002R临床工程803-BME&Clin Med,November 2023,Vol.27,No.6生物医学工程与临床2 0 2 3年11月第2 7 卷第6 期网络出版时间:2 0 2 3-10-2 414:17:05D01:10.13339/ki.sglc.20231024.001基于灰色系统理论和神经网络的呼吸机故障预测模型的建立与研究张金波摘要:目的针对医疗设备故障有效数据样本少、模型预测精度低等问题,结合使用灰色系统理论与神经网络理论,建立两种基于灰色神经网络的
2、呼吸机故障预测组合模型。方法介绍了GM(1,1)预测模型理论基础,根据最新信息优先原则结合重构背景值方法及建立CM优化的DI-CM。利用LevenbergMarquardt反向传播神经网络模型理论,建立并联式预测模型(PPM)和串联式预测模型(SPM)。使用福禄克Fluke117C数字万用表对南通市第一人民医院现行使用的某型号呼吸机马克涡轮供电电压进行采样,采样间隔5min,采样时长12 0 min;同时收集并整理近年来呼吸机平均故障率作为研究数据集对4种模型进行建模、预测,并使用拟合度、均方根误差、自相关检验、残差序列异方差等对4种模型拟合和预测结果进行检验和评价分析。结果针对马克涡轮供电电
3、压预测结果,PPM与SPM预测值均方根误差分别为2.230%、1.57 9%,平均绝对误差分别为0.32 3、0.2 2 5次,拟合度分别为0.7 9 3和0.8 9 0;针对呼吸机故障率的预测结果,PPM与SPM第9 年、第10 年预测值与实际值偏差分别为0.2 10、0.2 46 台次和0.0 9 3、0.0 7 2 台次;SPM对呼吸机马克涡轮供电电压与故障率预测效果更佳。结论灰色神经网络的呼吸机故障预测组合模型对马克涡轮供电电压与呼吸机故障率的预测精度优于单一预测模型,可为呼吸机及其关键性部件的预防性维护和更换提供参考,值得进一步探讨关键词:灰色理论;神经网络;GM(1,1)模型;Le
4、venbergMarquardt;拟合度;预防性维护中图分类号:R197.39;N941.5;TP183文献标识码:B文章编号:10 0 9-7 0 9 0(2 0 2 3)0 6-0 8 0 3-0 8on ventilator failure prediction model based on grey systeEstablishment and study on ventilator failure prediction mZhang Jin-bo(Department of Equipment,First Peoples Hospital of Nantong,Nantong2260
5、01,Jiangsu,China)Abstract:Objective To establish 2 kinds of combined models for ventilator failure prediction based on grey system theoryand neural network theory,and solve the problem of small number of valid data samples for medical equipment failures andlow accuracy of model prediction.Methods Th
6、e theoretical basis of GM(1,1)prediction model was introduced,and thebackground value reconstruction method and DI-GM optimized by GM were established according to principle of the latestinformation priority.Based on Levenberg Marquardt back propagation neural network model theory,the parallel predi
7、ctionmodel(PPM)and serial prediction model(SPM)were established.The Flukel17C digital multimeter was used to sample powersupply voltage of Mark turbine of ventilator,the sampling interval was 5 minutes and sampling time was 120 minutes.Themean failure rate of ventilator in recent years was collected
8、 and sorted out as research data set to model and predict 4 mod-els.The fitting,root mean square error,autocorrelation test and residual sequence heteroscedasticity were used to test and e-valuate fiting and prediction results of 4 models.Results For prediction results of Mark turbine power supply v
9、oltage,theroot mean square errors of predicted values of PPM and SPM were 2.230%and 1.579%,respectively,the mean absolute er-rors were 0.323 and 0.225 times,respectively,and fitting was 0.793 and 0.890,respectively.For prediction results of ventila-tor failure rate,the deviations between predicted v
10、alue and actual value of PPM and SPM in the 9th and 1Oth years were0.210,0.246 times and 0.093,0.072 times,respectively.The SPM was more effective in predicting power supply voltage andfailure rate of ventilator turbine.Conclusion It is demonstrated that the combined model of ventilator failure pred
11、ictionbased on gray neural network is superior to single prediction model in predicting power supply voltage of Mark turbine andfailure rate of ventilator,which could provide reference for preventive maintenance and replacement of ventilators and theirkey components,and is worthy of further discussi
12、on.Key words:grey theory;neural network;GM(1,1)model;Levenberg Marquardt;goodness of fit;preventive maintenance随着人类历史进程的发展,越来越多未知疾病时刻威胁着人类的生存,进入新世纪以来,严重急性呼吸综合征肺炎(severe acute respiratory syndrome coro-navirus,SARS)、中东呼吸系统综合征肺炎(respiratorysyndrome coronavirus in the Middle East,MERS)及新型冠状病毒肺炎(corona
13、virusdisease2019,COVID-19)在作者单位:南通市第一人民医院设备科,江苏南通226001作者简介:张金波(19 7 5一),男,江苏如皋人,本科,工程师,主要从事临床医疗设备研究和维修管理工作。电话:0 531-8 50 6 10 6 1。E-mail:。版权保护,不得翻录。804-BME&Clin Med,November 2023,Vol.27,No.6生物医学工程与临床2 0 2 3年11月第2 7 卷第6 期全球大爆发的背景下,呼吸机等生命支持类医疗设备在应对重大公共卫生突发事件中的作用得到广泛的认可 1 3。在现代临床医学中,呼吸机作为一项人工替代自主通气功能的
14、有效手段,已普遍用于各种原因所致的呼吸衰竭、大手术期间的麻醉呼吸管理、呼吸支持治疗和急救复苏中 4。在现代医学领域,特别是危重症医学领域中呼吸机是疾病治疗、救援、急救不可或缺的重要组成部分。在临床治疗中,呼吸机故障事件的发生不仅会影响患者治疗效果,更有甚者会危及患者生命安全。因此,如何对呼吸机使用现状进行把控,对其潜在故障进行有效预警是现代医疗设备管理人员面临的重大机遇和挑战纵观医疗设备维修管理的发展过程,医疗设备的维修主要由事后维修、预防性维修和状态维修三个部分组成,预防性维修是各级医疗机构重要的管理手段之一;经验表明,预防性维修可以在一定范围内降低医疗设备故障,延长医疗设备生命周期 6.7
15、。然而,笔者发现,针对医疗设备的预防性维修大多使用按时、周期性预防性维修或周期性巡检,而有针对性地预防性维修应该建立在医疗设备故障可能发生概率认知的基础上。如何对医疗设备潜在故障进行合理、科学的预测,是各级医疗机构医疗设备管理人员面临的严峻挑战之一。笔者提出一种建立在灰色神经网络理论基础上的医疗设备故障预测模型,并使用呼吸机故障数据为研究对象对模型进行计算和预测,以期为医疗设备的故障预警、个性化预防性维护和管理提供参考依据。1材料与方法1.1实验材料选择笔者所在医院现行使用的呼吸机马克涡轮故障数据及呼吸机每年设备故障数据为研究对象。呼吸机开机自检后,使用福禄克Flukel17C数字万用表对呼吸
16、机马克涡轮供电电压进行采样,采样间隔为5min,采样时间为12 0 min,呼吸机马克涡轮供电电压采样值见表1所示。选取采集的前16 组马克涡轮供电电压拟合模型,使用后9 组数据作为模型预测检验数据集,进而评估不同模型的预测精度。同时,收集并整理2 0 13年至今笔者所在医院同型号呼吸机维修记录,以呼吸机启用时间为计数“零”点,记录每年设备故障数据,并计算设备故障率作为故障数据集,各年故障数据集为(0.17,0.19,0.6 7,0.9 8,1.45,2.37,3.44,4.12,5.17,6.66),使用前8 组数据对各模型进行拟合计算,并使用拟合后的模型对后两组数据进行预测表1呼吸机马克涡
17、轮供电电压采样值Tab.1Sampling values of supply voltage of ventilator Mark turbine采样序号采样值采样序号采样值采样序号采样值采样序号采样值19.47V710.46V1312.89V1914.21 V29.51 V811.21 V1413.11 V2014.32V39.66 V911.43V1513.12V2113.89 V49.52V1011.32V1613.56V2214.55V510.12V1112.14V1712.99V2314.56 V610.01 V1213.21 V1814.01V2414.68 V1.2方法1.2.1
18、灰度神经网络模型1.2.1.1GM(1,1)灰色系统理论是控制理论与决策论相结合的产物,它是一种研究小样本、贫信息不确定问题的新方法;灰色系统理论包含部分已知信息和部分未知信息的小样本,主要通过贫的部分已知信息,提取、开发有用的信息,进而对未知信息进行预测的过程1。灰色模型(greymodel,GM)是灰色系统理论的研究基础,设已知信息X(o)=(x(o(1),x(o(2),x(o)(3),,x(o)(n),该模型实现过程如下:对X(o进行一阶累加,形成新的数字序列:23X()=xo(i),i=1i=1=1xo(i)(1)=1令Za为GM(1,1)的背景值,由Xa得到:1Zo=(x0(1)+x
19、0(2),1(x(2)+22x(3),,2(x(n-1)+xa)(n)(2)GM(1,1)均值表达式为:x(o(k+1)+az(a)(k)=b(3)根据文献 9,10 ,采用最小二乘法可计算参数和b,可得到X预测模型为:0(h+1)=(x0(1)-)exp(-ak)+(4)aa805-BME&Clin Med,November 2023,Vol.27,No.6生物医学工程与临床2 0 2 3年11月第2 7 卷第6 期由公式(1)可计算Xo序列值x(o(k)=X(m(k)-xa(h-1)(5)值得注意的是,当kn时,(o)(k)为GM(1,1)对原序列值的拟合值,当kn时,(o(k)为原序列的
20、预测值。1.2.1.2优化 GM(1,1)经验表明,系统或医疗设备故障的特征通常趋势都是未知或隐性的,而GM(1,1)使用的背景值为Xa临近数据均值,可能会造成背景误差,进而会造成预测结果的误差叫。对GM(1,1)优化的方法最常见的是双重改进灰色模型(double impr-oved grey model,DI-GM)12DI-GM需要对背景值和初始值进行改进,其中背景值za(k)为:Z()=In(xa(h)-n(x(k-1)Xa(k)-xa(k-1)(6)根据最新信息优先原则,将原数据累加序列的终止值作为序列首值,此时公式(4)可优化为:(h+1)=(ro(n)-exp(-a(k+1-n)+
21、a6(7)a由公式(5),可计算Xo序列值。1.2.1.3灰色神经网络组合模型通常信息贫问题是单一模型信息提取不足而造成拟合、预测不足等问题出现的主要原因之一。因此,将DI-GM与Le-venberg Marquardt 反向传播(Levenberg Marquardt-backpropagation,LM-BP)结合形成组合预测模型13,分为并联式预测模型(parallel predictionmodel,PPM)、串联式预测模型(series prediction model,SPM)。(1)PPM:首先定义模型预测精度序列,令:pr(k)=1-xo(k)-tio(k),k=1,2,3,n
22、xo(k)(8)计算预测精度序列pr的均值和均方差:pr(h)nArm=1nk=1(9)Std:(pr(k)-Arm)2nk=1定义DI-GM与LM-BP预测并联加权系数分别为8 和2,计算如下:Arm;(1-Std.)i=1,2(10)Arm x(1-Std)2i=1根据PPM14,可得PPM预测结果为:(0(k)=01x(0n(k)+2X(2(h)(11)其中:6(on)(k)、(o 2(k)分别为DI-CM与LM-BP预测计算值。(2)SPM:在LM-BP神经网络结构设计中,加入灰化层和白化层,其中灰化层对数据输人进行GM灰化处理,白化层的作用是恢复LM-BP模型输出 15对公式(4)右
23、侧除以系数1+exp(-ak),然后再乘系数 1+exp(-ak)得:Xo(1)(k)=(xo(1)_ b+a1+exp(-ak)26(1+exp(-ak)(12)a(1+exp(-ak)/26令 wm=a,W21=-x(o(1),2=,W31=1+exp(-ak),aW32=1+exp(-ak),令加人旁路输人9=(x(o(1)-)a(1+exp(-ak))。根据BP神经网络性质,建立SPM拓扑结构(图1)。G32W22W32Wnxo(k)G1G2C4X(hk)W210319G31图1SSPM拓扑结构Fig.1Topological structure of SPM1.2.2模型精度检测对于
24、离散型预测模型,预测精度是指预测值与实际值的密集或者离散程度,在模型精度检测中常用的精度检测指标有最大相对误差(maximum relativeerror,RE_max)、平均相对误差(mean relative error,RE_mean)、均方根误差(root mean squard error,RMSE)、平均绝对误差(meanabsolute error,MAE)和拟合度(R-squared)1618。(1)RE_max,是一个范围值,指的是可能出现的最大的那个不确定的值,用来描述预测值与实际值的离散最大程度,RE_max计算如下:RE_max=max6o(i)-xo(i)100%(1
25、3)i=1,2,3,nx(0(i)相应地,RE_mean计算如下:RE_mean:1Xo(i)-xo(i)100%(14)i=1x(o(i)(2)RMSE又称标准误差,用来检测预测值和原始值数据离散程度的变量,其值越小,模型拟合效果越符合实际情况。RMSE计算如下:806-BME&ClinMed,November2023,Vol.27,No.6生物医学工程与临床2 0 2 3年11月第2 7 卷第6 期RMSE=1 2(0(i)-x0(i)2(15)1=1(3)MAE是绝对误差的平均值,表征预测值与实际值平均值之间的离散程度。MAE不会出现正负相抵消的情况,因而MAE能更好地反映预测值误差的实
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 灰色 系统 理论 神经网络 呼吸 故障 预测 模型 建立 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。