Article Info

1.万州区人民医院设备科，重庆404000；2.重庆三峡医药高等专科学校教务处，重庆 404000

[摘要]目的为解决智能化医疗设备故障的远程监测中抗干扰性能差的问题，实现医疗设备故障的远程智能诊断。方法提出一种基于统计特征故障信号处理的远程医疗设备故障的快速定位方法。采用统计特征分析方法提取远程医疗设备故障工况的多变量时间序列，对多变量时间序列进行信号拟合，采用自适应匹配滤波模型进行故障信号干扰滤波，对滤波后的故障信号提取功率谱密度特征。结果实现医疗设备故障的快速定位检测。结论采用该方法进行医疗设备故障诊断的准确性较好，时间开销较小，具有较大的应用价值。

[关键词]远程医疗设备；故障定位；信号处理；多变量时间序列

引言

医疗设备结构复杂且工作要求的精密度较高，工况负荷较大，属于多发性故障的高技术高精密度仪器产品，当前的设备监测技术水平无法完全保证医疗设备在无故障状态下运行[1]。为了提高医疗设备的工作效率，需要进行医疗设备的远程智能故障监测诊断，实现快速的故障定位，改善医疗设备的工况，研究医疗设备中的故障数据识别和故障状态快速定位方法，将在医疗实践中具有重要意义。

医疗设备是一个多变量的耦合系统，对其故障分析和诊断方法主要采用的是在线检测方法[2]、故障信息数据主成分分析方法和时间序列分析方法等[3]，对其远程故障检测定位的原理采用线性规划方法提取设备的故障工况模型，采用统计方法进行特征分析，实现故障特征重构，计算故障的几何不变量，实现故障检测[4]。结合上述故障检测原理，相关学者进行了研究，并取得了一定的研究成果。其中，Mahboubi等[5]提出基于正交频分复用技术（Orthogonal Frequency Division Multiplexing，OFDM）扩频频谱检测的医疗设备中的故障数据识别方法，将医疗设备通过物联网技术并联到互联网体系中，形成一个异构网网络，并采用OFDM扩频频谱检测方法进行故障特征检测和故障数据识别，具有较好的故障监测能力，但抗干扰能力不强，在远程在线检测中的稳定性不好；刘聪等[6]提出采用高阶终端滑模观测器进行远程医疗设备的故障特征重构，基于T-H方程建立故障工况状态下的输出跟踪控制模型，采用高阶终端滑模观测方法进行故障特征的单变量频谱分析，并结合降噪处理方法实现故障检测，取得较好的故障检测效能，但该方法的设计过程复杂，不能满足医疗设备的快速故障定位需求[7]。

针对上述问题，提出基于统计特征分析和故障信号处理的远程医疗设备故障的快速定位技术。通过仿真实验进行性能测试，得出有效性结论。

1 远程医疗设备故障统计分析与信号处理

为了实现对远程医疗设备故障的快速定位检测，需要首先采用统计特征分析方法，提取远程医疗设备故障工况的多变量时间序列，对多变量时间序列进行信号拟合，同时采用统计信号分析方法进行故障信号的模型构建，提取医疗设备系统的单变量和多变量时间序列，采用观测或者实验分析方法进行统计特征重建[8]，结合平稳信号处理和噪声滤波方法进行信号优化处理，实现对远程医疗设备的故障信号分析和特征提取。原理流程见图1。

图1 远程医疗设备故障定位检测的原理流程

根据图1所示的医疗设备在线故障检测定位的设计原理，采用非线性时间序列分析方法分析医疗设备的故障特征。设医疗设备的故障工况监测多变量时间序列为{x1, x2,…, xN}，通过统计特征重组，结合相空间重构原理[9]，得到监测的远程医疗设备故障工况数据的相空间重构轨迹为：

式中，i = 1, 2,…, K，表示医疗设备故障特征的频域统计参量，K为特征空间重构的嵌入维数，K=N-(m-1)τ；N为远程医疗设备故障数据总数；m为特征重组结构因子；τ为医疗设备故障工况数据修正参数。

医疗设备的故障信号主要表现在故障工况下的物理特征，如温度、压力、液压、超声波等。本文结合医疗设备的具体用途进行故障信号的融合处理，假设医疗设备故障工况观测信号的融合模型表达式为：

式中，x(t)、y(t)分别是融合模型的修正函数和诊断函数；a(t)是医疗设备故障工况下信号融合的相位信息；θ(t)是故障融合信息的特征分解形式，是一组非线性的时间序列函数，得到医疗设备故障信号的解析表达式表示为：

式中，f表示医疗设备出现故障的频率。把医疗设备故障信号的时域和频域分量结合在一起，实现信息融合，通过上述处理，实现了远程医疗设备故障工况统计特征分析，为进行故障的快速定位提供原始数据信息基础。

在上述进行远程医疗设备故障工况统计特征分析的基础上，采用故障特征的多变量时间序列分析方法进行信号拟合，假设医疗设备的故障部位的融合信息模型描述为：

式中，

为故障特征的非稳态加权平均；n为故障特征指标数；

为故障部位的额外融合度；xiτ为横向故障实际数据量

为横向故障额外数据量；xjτ为竖向故障实际数据量

为竖向横向故障额外数据量。采用线性方法进行信号拟合，选择权值sw(u)，用一个非平稳统计信号模型表示故障状态的时频分布，表示为：

式中，|Rev(u)|表示医疗设备故障信号的谱能量信息，信号的相位干扰是wn(t), (n=1, 2,…N)，其为一个均值为零，方差为1的复白高斯过程。构建残差信号补偿向量，用H(f )表示一个多普勒滤波器[10]，为：

式中，Sd(f )是原始故障信号的多普勒功率谱。输入幅度调制权重w1(t)…wN(t)均值为0，单位方差的复高斯随机过程），经过信号的瞬时频率估计，用一个抽头系数

进行相位加权，实现信息融合，得到故障信号融合后的固有模态函数为：

式中，fd表示函数融合系数。根据以上分析，实现远程医疗设备的故障特征的多变量时间序列信号拟合。

2 故障快速定位改进实现

在上述进行了远程医疗设备故障统计分析与信号处理的基础上，进行故障定位设计，本文提出一种基于统计特征分析和故障信号处理的远程医疗设备故障的快速定位技术。采用自适应匹配滤波模型进行故障信号干扰滤波，为了保证故障信号的输出纯度，在二维低频系数约束下构建自适应匹配滤波器的系统函数为：

式中，λS为医疗设备故障工况观测信号的训练长度，p2D为故障节点的采集信息振荡频率，通过非稳态特征重构，得到医疗设备故障信号的子载波模型表达为：

式中，A、B为故障信号子载波的模型参数。对自适应匹配滤波输出的子载波模型进行均衡处理，采用经验模态分解方法去除残差信号，得到信号自适应匹配滤波输出为:

式中，ci代表各经验模态分解分量，rn代表信号的瞬时频率的估计值。

对上述滤波输出的故障信号提取功率谱密度特征，实现故障的快速定位检测，采用一个时变ARMA(2p,2q)模型将故障信号x(n)分解成若干IMF分量，表示为：

在时变ARMA(2p,2q)模型中，提取出满足固有模态约束条件的Hilbert谱特征[11-13]，结合特征尺度参数进行功率谱密度提取，其中特征尺度参数为：

式中，T表示信号闪烁周期；h1k(t)表示特征变化函数式；h1(k-1)(t)表示特征微变化下的函数式。初始化：r0(t)=x(t)，i=1，计算频率或幅值调制极值点，设故障统计信息的训练样本集为X=[X1, X2,…, Xk,…, XN]T，其中任一训练样本为Xk= [Xk1, Xk2,…, Xkm,…, XkM]，得到远程医疗设备故障统计信息的滑动平均采样表达为：

式中，ai为滑动平均采样系数；ωi(t)为信息滑动函数。此时，医疗设备故障信号时域特征值为：

式中，λi(t)表示医疗设备产生故障的概率；Δt表示特征提取的间隔周期。远程医疗设备故障功率谱密度特征为：

根据上式，采用循环迭代方式进行故障定位寻优，实现故障准确快速定位。

3 仿真实验与结果分析

为了测试本文设计模型在实现远程医疗设备故障定位中的应用性能，进行仿真实验分析，在3种故障工况模式进行医疗设备的运行工况的动态监测，医疗设备为大型核磁共振螺旋扫描仪[14]，在每种工况通过统计特征参量分析方法得到实验数据的采样样本为1000个[15]，共计3000个样本，故障信号的采样频率为120 KHz[16]，根据上述仿真环境和参数设定，得到各种工况下的远程医疗设备的故障信号原始数据采样的时域波形，见图2。

图2给出了对医疗设备的故障特征的多变量时间序列信号拟合结果，采用自适应匹配滤波模型进行故障信号干扰滤波，对滤波后的故障信号提取功率谱密度特征，得到功率谱密度特征提取结果见图3。

图2 各种工况下的远程医疗设备的故障信号原始数据采样

注：a.工况1；b.工况2；c.工况3。

分析图3的功率谱密度特征提取结果得知，本文设计的故障提取方法具有较好的聚类性能，功率谱密度特的聚敛性好，能很好地指导故障定位。各类故障的定位结果见图4。分析得知，采用本文方法进行故障定位，各类故障都能够准确的分类定位。

为了定量分析远程医疗设备故障定位检测的性能，比较传统方法，以定位精度、时间开销和均方根误差为对比参量，得到结果见表1。分析表中结果得出，本文方法进行故障定位的时间开销最小，精度较高，均方根误差最低。

图3 各种工况下故障功率谱密度特征提取结果

注：a.工况1；b.工况2；c.工况3。

图4 故障定位结果

表1 故障定位性能对比

4 结语

采用统计特征分析方法提取远程医疗设备故障工况的多变量时间序列，对多变量时间序列进行信号拟合，采用自适应匹配滤波模型进行故障信号干扰滤波，对滤波后的故障信号提取功率谱密度特征，能够实现医疗设备故障的快速定位检测。该方法准确性较好，时间开销较小，性能优越。

[1] Shen L,Sun G,Huang Q,et al.Multi-level discriminative dictionary learning with application to large scale image classification[J]. IEEE Trans Image Process,2015,24(10):3109-3123.

[2] Thiagarajan JJ,Ramamurthy KN,Spanias A.Learning stable multilevel dictionaries for space representations[J].IEEE Trans Neural Netw Learn Syst,2015,26(9):1913-1926.

[3] 王锋,孙翠华. 汽车发动机故障征兆挖掘技术的研究与仿真[J].计算机仿真,2013,30(10):229-232.

[4] 韩莅莉,黄志刚,刘芳.基于GIS技术的医院空间布局设计研究[J].电子设计工程,2016,24(11):61-63.

[5] Mahboubi H,Moezzi K,Aghdam AG,et al.Distributed deployment algorithms for improved coverage in a network of wireless mobile sensors[J].IEEE Trans Industr Inform,2014,10(1):163-174.

[6] 刘聪,李颖晖,刘勇智,等.采用高阶终端滑模观测器的执行器未知故障重构[J].西安交通大学学报,2015,49(9):135-142.

[7] 尹刚,张英堂,李志宁,等.基于MSPCA的缸盖振动信号特征增强方法研究[J].振动与冲击,2013,32(6):143-147.

[8] 于宗艳,韩连涛,孟娇茹.基于人工神经网络的航空发动机故障诊断方法[J].现代电子技术,2013,36(2):65-67.

[9] 蒋俊正,郭云,欧阳缮.二维双原型完全过采样DFT调制滤波器组的快速设计方法[J].电子与信息学报,2016,38(11):2753-2759.

[10] 明平松,刘建昌.随机多智能体系统稳定性综述[J].控制与决策,2016,31(3):385-393.

[11] Eldemerdash YA,Dobre OA,Liao BJ.Blind identification of SM and Alamouti STBC-OFDM signals[J].IEEE Trans Wirel Symp,2015,14(2):972-982.

[12] 廖圣龙,安居白.基于视频图像的电力线故障诊断仿真研究[J].计算机仿真,2016,33(9):147-150.

[13] 王希.用于配电网单相接地故障选线的注入信号检测技术[J].山东电力技术,2015,42(8):13-17.

[14] 刘谋海,方涛,姜运,等.基于暂态主频分量相关性分析的故障选线方法[J].电力系统保护与控制,2016,44(2):74-79.

[15] 严凤,许海梅.基于神经网络的配电线路综合故障定位方法[J].电力系统及其自动化学报,2015,27(5):86-91.

[16] 李泽文,范彩兄,曾赟,等.不受波速影响的电力线路故障双端行波定位方法[J].电力科学与技术学报,2016,31(2):79-83.

1.Department of Equipment, People’s Hospital of Wanzhou District, Chongqing 404000, China; 2.Office of Academic Affairs, Chongqing Three Gorges Medical College, Chongqing 404000, China

Abstract：Objective This paper aimed to solve the poor anti-jamming performance in remote monitoring failure problems of intelligent medical equipment, so as to realize remote intelligent failure diagnosis for medical equipment. Methods A rapid location method of remote medical equipment failure was proposed, based on statistics characteristics of fault signal processing. Using the method of statistical characteristics analysis, the study extracted multivariate time series of remote medical equipment fault and fi tted signal of multivariate time series. Then, fault signal interference was fi ltered by self-adaptive matched filter model and the density characteristics of power spectrum were extracted from filtered fault signal. Results T he rapid location detection of medical equipment was realized. Conclusion This method has better accuracy and less time cost for medical equipment fault diagnosis, which has application signif i cance.

Key words：telemedicine equipment; fault location; signal processing; multivariate time series

远程医疗设备故障的快速定位技术研究

引言

1 远程医疗设备故障统计分析与信号处理

2 故障快速定位改进实现

3 仿真实验与结果分析

4 结语