摘要：随着医院医疗设备智能化及自动化进程的快速发展，对其维修保障能力提出更高要求。为解决医疗设备种类繁多、管理复杂、故障诊断难度高、传统事后维修和计划维修的不足及经济可承受能力差等问题，将故障预测与健康管理(PHM)整体理论引入到医疗设备维修管理中，根据其他领域设备与医疗设备的相似性，研究设计医疗设备PHM系统并详细描述各组成模块的内容，以保障医疗设备使用安全，提高医疗设备使用率、减少医疗设备维护成本。
关键词：医疗设备; 故障预测与健康管理(PHM); 健康状态评估; 剩余寿命预测;
Research on structure of PHM system of medical equipment
ZHAO Pan TU Tu
Medical Engineering Department, National Center for Children's Health, China, Beijing Children's Hospital, Capital Medical University
Abstract：With the rapid development of intelligent and automatic progress of medical equipment in hospital, higher requirements of the maintenance support ability for them were put forward. Aiming at the series of problems such as a great variety of medical equipment, complex management, difficult fault diagnosis, insufficiencies of traditional breakdown maintenance and planned maintenance, poor economic affordability, etc., the entire theory of Prognostic and Health Management(PHM) was introduced into the maintenance management of medical equipment. According to the similarity between medical equipment and the equipment of other fields, the PHM system of medical equipment was researched and designed, and the contents of each comprised module were described in detail so as to ensure the use safety of medical equipment, and improve the utilization rate of medical equipment and reduces the maintenance cost of medical equipment.
国内医疗设备大多以事后维修为主，以预防性维修为辅。事后维修模式下，医疗设备经常带“病”运行，在无有效维修措施干预时，维修不足会导致诊断设备误诊率增高和治疗设备治疗效果下降等问题。预防性维修模式下，在医疗设备健康状态下可能过度采取维修措施，人为增加医疗设备停机时间，严重制约医院患者就诊率，甚至错失极重患者最佳治疗时机，此外，过度维修将大幅增加维修费用，并增加设备额外故障的概率。
故障预测与健康管理(prognostic and health management,PHM)是一种先进的视情维修，感知并预测设备故障发生的时限，可有效规避事后维修的不足并预防维修的过度，其理念和技术注重了解和预测设备的故障何时发生，或在出现未预测到的故障时，维修决策系统如何快速确定触发维修工作，可有效提高设备可用性，并大幅降低使用周期维修费用。
PHM理念起源于美军的自主后勤，研究并应用在国内外航空航天、军用装甲车辆和舰船、铁路系统、各种机械及电子等设备上。国内医疗设备领域对PHM的研究也逐渐起步，如在呼吸机、CT和核磁等设备上开展PHM中的状态监控研究[1,2]。在此研究背景下，将PHM整体理论引入医疗设备维修管理中，基于其他领域设备与医疗设备的相似性，研究设计医疗设备PHM系统并描述其各组成模块的内容，旨在保障医疗设备使用安全，提高医疗设备使用率、减少医疗设备维护成本。
1 PHM概念及应用
1.1 PHM概念
PHM指利用各种传感器，通过在线监测、定期巡检和离线检测相结合的办法，广泛获取设备的状态与信息，借助各种智能推理算法，如物理模型、神经元网络、数据融合、模糊逻辑及专家诊断等，评估设备的健康状态；在设备发生故障前，综合利用历史工况、故障与维修等多种信息资源对设备性能和故障进行预测，并结合各种可用资源采取一系列的维修保障措施以实现系统的视情维修[3]。
PHM系统的应用技术主要有传感器技术、数据传输技术、数据预处理技术、数据融合和自动推理决策技术[4]。采用PHM理念和技术，数据是基础，行业知识、经验和故障模型是关键。PHM技术框架大体可分为对象层、状态监控层、信息层和决策层四个层级。其中，对象层指要监测的设备，重点考虑设备可测试的状态参数；状态监控层主要是传感器技术的应用，主要作用是收集状态数据；信息层主要为健康状态划分与评估、累计损伤分析、剩余寿命预测及故障诊断推理等；决策层主要为维修决策、备件配置及资源优化等。
1.2 PHM理念在医疗设备领域中的应用
医疗设备如患者监护仪、呼吸机、CT、核磁、超声等，一般属于光机电设备，大多由传感器、信号预处理和采集系统、计算机系统、人-机交互系统、能量发射系统及其他系统(机械传动系统、定位系统及管路系统等)等组成[5]。因其具有机电结合的特点，故医疗设备最易发生的故障模式主要为电路故障、机械故障、老化故障和软件故障4类：(1)电路故障主要为保险丝烧毁、电源线断路、电源模块断路或短路及电路板断路或短路等；(2)机械故障主要为机件在运转中受阻或卡死，机件出现弯曲、变形、破损或断裂等损坏，部件与部件间的衔接部分出现松动或脱落问题；(3)老化故障主要是由于医疗设备长期高频次使用，导致设备零部件出现老化和磨损；(4)软件故障主要是由于随着软件程序在医疗设备中的大量应用，软件故障不断增加，如单机软件故障、数据过载及网络病毒等。
鉴于PHM较适用于技术先进、资金密集及随机故障停机损失影响严重的设备，故应用PHM的医疗设备的选取原则应是大型设备、生命急救类设备及故障对医疗活动影响重大的设备。属于上述类型的设备，可纳入医疗设备PHM管理范畴，实施PHM活动。
2 医疗设备PHM体系模型
医疗设备PHM体系模型分为对象层、状态监测层、信息层和决策层四个层级，见图1。
图1 医疗设备PHM体系模型
2.1 医疗设备PHM体系模型层级
(1)对象层。由被监测的医疗设备组成，进行设备失效机理和规律研究，确定监测点和参数。
(2)状态监测层，由各种智能传感器组成，进行传感器选择与系统设计。
(3)信息层，由控制器和服务组成，采集医疗设备状态信息，再由预先设计的健康状态评估模型及剩余寿命预测模型，预测设备故障时限。
(4)决策层，由故障维修信息构建健康管理平台组成，根据设备故障时限，动态调整维修策略，优化备件配置和维修力量。
2.2 医疗设备群
模型中，医疗设备属于被监测对象层，是PHM系统基础数据的提供者。数据存储于医疗设备内部，需通过各类采集接口和信息传输协议传输设备内部相关数据。主要工作是建立医疗设备资产管理信息系统，利用二维条形码标签盘点所有设备，并依据选取原则确定需监测的医疗设备。
2.3 医疗设备失效机制和规律研究
医疗设备状态一般分为正常、故障和退化状态。设备的正常和故障状态可用失效模式与影响分析(failure mode and effects analysis,FMEA)得到，退化状态需根据具体设备的退化方式及退化路径等具体分析来确定。
(1)FMEA。对选定的医疗设备逐台进行FMEA，确定重要功能产品或单元[6,7]。然后对重要功能产品进行故障诱发因素分析，找到状态监控参数，确定各状态参数的阈值。
(2)退化状态分析。根据医疗设备失效机理和规律，定义系统和部件可能的退化方式和退化路径，提取设备状态特征，识别设备的退化状态，建立适合的退化失效模型[8,9]。
2.4 医疗设备传感器系统
目前医疗设备常规检测量包括热学量、电离辐射量、机械量、电磁量及化学量等多种类型。常用传感器按种类包括振动、应力、压力、位移、流量、声音、转速、冲击、湿温度、电压及电流等。传感器按用途可分为图像传感器、异类传感器和无线传感器网络。其中图像传感器主要靠获取监测区域的视频或图像序列实现目标监测，包括电荷耦合和金属氧化物半导体两类；异类传感器指具有不同物理属性或物理属性相同，但其检测覆盖范围及检测精度不同的两个及以上的传感器；无线传感器网络是一种具有自组织性、多跳路由及容错性高等诸多优点，由大量传感器节点所组成的无线网络，可对指定区域进行感知监控[10]。
针对不同类型的医疗设备，根据状态监测需求，应选择某种或多种检测方式相结合，布设尽可能少的传感器，以达到准确检测的目的。
2.5 医疗设备故障预测平台
医疗设备故障预测可分为健康状态评估和剩余使用寿命(remaining useful life,RUL)预测两部分：健康状态评估可实时监控设备状态，及时发现早期故障，实现基于状态的维修；RUL预测可确保设备的安全性、可用性与高效工作，并且能降低维修费用。
2.5.1 健康状态评估
设备健康状态评估主要通过准确了解当前设备状态信息，对设备健康状态作出正确评估，为设备的维修决策提供依据，为精确化维修提供技术支持。
(1)评估方法选择。设备健康状态评估的方法包括模型法、模糊评判法、人工神经网络法、基于贝叶斯网络的方法、灰色理论及熵权法等[11,12,13,14]。状态评估对象分布于元件级、系统级和整机级。根据医疗设备特点，从状态评估方法中选取合适的方法直接进行评估，当采用上述任一评估方法均不合适时，可采用组合评估方式或针对评估对象进行评估方法设计。
(2)状态评估流程。依据医疗设备运行历史数据、传感器监测数据和人工巡检数据，采用选定的状态评估方法，对设备健康状况进行评估，从而得到设备健康状态评估结果，并依据评估结果进行分级处理。医疗设备健康状态一般可分为正常状态、功能下降状态和故障状态3级。对于正常状态的设备，每隔一年进行一次剩余寿命预测；对于功能下降状态的设备，先进行剩余寿命预测维修时间，后转入设备健康管理平台；对于故障状态的设备，直接转到设备健康管理平台进行处理。
2.5.2 RUL预测
设备的寿命主要是指物质寿命，即设备从正常状态开始，到出现性能退化，直到功能失效所经历的全时间。RUL即在正常工况情况下，服役医疗设备安全、经济地运行剩余时间。RUL预测主要指对服役医疗设备剩余寿命的定量评估，是PHM的重要环节。准确预测RUL的难点在于系统失效机理的复杂性、传感器数据的不确定性、未来运行条件的未知性及“Run-to-Failure”过程数据的稀缺。
RUL预测方法主要为基于模型预测、基于数据驱动预测及基于相似度的预测。模型预测分为退化模型构建和系统状态估计两个步骤[15]。(1)模型预测方法适用于维修数据符合数学规律的设备，其受维修信息数量的限制，对小子样维修信息的设备尤为适用[16];(2)机电类设备寿命大部分服从威布尔分布，也有少数服从指数分布，属于机电类的医疗设备，寿命模型的建立优先考虑此两类函数[17];(3)基于数据驱动预测分为统计数据驱动法和机器学习法，适用于难以获取复杂、高可靠性设备失效机理的物理模型的设备[18];(4)基于相似度的预测，服役设备和参照设备存在相似的状态退化过程，将参照设备的RUL预测方法与服役设备的数据结合，形成适合“服役”设备的RUL预测方法[19,20]。
2.6 医疗设备健康管理平台
依托医疗设备故障预测平台，评估确定医疗设备的健康状态和维修时间后，根据维修决策遵循控制限原则[21]，即根据系统退化量判断是预防性更换还是故障更换，同时基于历史退化信息预测系统RUL，引入订货阈值判断是否订货。医疗设备健康管理平台主要利用现有资源，并采用有效维修方式对其开展最佳运维保障措施。通过构建维修计划制定、维修方案制定、组织实施维修及维修处理记录等业务功能模块，构建维修专家知识库，动态调整维修策略，优化配置备件采购、故障维修和维修工具等资源，确保在恰当时机开展维修，实现维修备件零库存及故障修复备件时间零等待。
3 展望
本研究立足医疗设备常态化超负载运行使用和维修费高等矛盾问题，在比较分析医疗设备与其他领域设备故障规律相似性基础上，提出了医疗设备PHM系统体系结构、各层级功能模块定位和设计方法，可为医疗设备PHM系统建设提供理论和技术参考，以保障医疗设备使用安全、提高使用率并减少维护成本。
未来PHM技术发展将逐步向智能化、网络化、综合化和标准化方向发展。研究工作可着重从以下两方面进行：(1)单类医疗设备PHM平台研究，针对某类具体医疗设备，研究设备故障机理，确定监控参数、设计传感器和监控主机，形成单机版监控系统，预测设备RUL，调动维修资源；(2)医疗设备健康管理联合决策，将所有医疗设备纳入PHM系统集中管理，实现整体资源合理调动。
参考文献
[1]李天庆,陈学斌,高海鹏,等.基于物联网的呼吸机报警信息化平台建设研究[J].中国医学装备,2019,16(6):107-111.
[2]皇甫德俊,周晓东,姚文坡,等.核磁共振水冷系统短信报警装置的研制[J].医疗卫生装备,2015,36(3):9-13.
[3]吕琛,马剑,王自力.PHM技术国内外发展情况综述[J].计算机测量与控制,2016,24(9):1-4.
[4]孙博,康锐,谢劲松.故障预测与健康管理系统研究和应用现状综述[J].系统工程与电子技术,2007,29(10):1762-1767.
[5]王成,钱英.医疗设备原理与临床应用[M].北京:人民卫生出版社,2017:8.
[6]张旭林,刘麒麟,邓宇辰.基于FMEA的AK200S血液透析机维修决策研究[J].中国医疗设备,2019,34(7):117-121.
[7]车绥元.基于FMEA和FTA的医用蒸汽灭菌器可靠性分析[D].呼和浩特:内蒙古大学,2018.
[8]陈臻禕,胡雄,王冰.基于改进符号序列熵的滚动轴承退化特征提取[J].测量与仪器,2020(3):51-55.
[9]吕明珠,苏晓明,刘世勋,等.基于VMD-SVM的滚动轴承退化状态识别[J].机械设计与制造,2020(1):96-100.
[10]罗俊海,杨阳.基于数据融合的目标检测方法综述[J].控制与决策,2020,35(1):1-15.
[11]伏玉明,刘伯鸿,宋爽.基于模糊综合评判的转辙机健康评估研究[J].铁道科学与工程学报,2017,14(5):1070-1076.
[12]常田,刘书明,王敏,等.基于BP神经网络的城市供水管网健康状态评估[J].给水排水,2016,42(6):138-141.
[13]朱林,陈敏,贾民平.基于贝叶斯理论的结构件健康状态评估方法研究[J].振动与冲击,2020,39(6):59-63,88.
[14]曹惠玲,黄乐腾,康力平.基于AHP及灰色关联分析法的发动机健康评估研究[J].数学的实践与认识,2015,45(2):122-129.
[15]陈长征,刘洋.基于隐马尔科夫模型的变压器剩余寿命分析[J].沈阳工业大学学报,2020,42(4):412-416.
[16]吴若尘,李进,高婷,等.基于随机物理退化的装备全生命周期维修优化研究[J].导弹与航天运载技术,2020(3):24-26,80.
[17]刘刚,黎放.基于贝叶斯模型的装备剩余寿命预测研究[J].火力与指挥控制,2016,41(5):19-24.
[18]胡昌华,施权,司小胜,等.数据驱动的寿命预测和健康管理技术研究进展[J].信息与控制,2017,46(1):72-82.
[19]刘紫阳,陶佩,郑韩飞,等.一种新的基于工况区分和轨迹相似性的RUL预测方法[J].电子测量技术,2020,43(13):31-36.
[20]侯晓东,杨江平,邓斌,等.基于多指标相似性的T/R组件剩余寿命融合预测方法[J].国防科技大学学报,2019,41(4):190-198.
[21]张新辉,王雷震,赵斐.基于剩余寿命预测的维修与备件订购联合策略优化[J].工业工程,2020,23(4):106-113.
