醫(yī)院后勤機(jī)電設(shè)備智能風(fēng)險(xiǎn)管理

醫(yī)院后勤機(jī)電設(shè)備智能風(fēng)險(xiǎn)管理機(jī)電系統(tǒng)的安全運(yùn)行是醫(yī)院生命支持系統(tǒng)管理的核心內(nèi)容，準(zhǔn)確預(yù)測(cè)醫(yī)院后勤機(jī)電設(shè)備的運(yùn)行風(fēng)險(xiǎn)，對(duì)機(jī)電系統(tǒng)的安全運(yùn)營(yíng)及整個(gè)醫(yī)院的高質(zhì)量發(fā)展具有重要意義。故本文基于深度學(xué)習(xí)提出一種醫(yī)院后勤機(jī)電設(shè)備智能風(fēng)險(xiǎn)管理方法。文中深入分析了影響機(jī)電設(shè)備運(yùn)行風(fēng)險(xiǎn)的因素，構(gòu)建了全面的風(fēng)險(xiǎn)管理指標(biāo)體系，設(shè)計(jì)了適用于實(shí)際風(fēng)險(xiǎn)預(yù)測(cè)及評(píng)價(jià)的風(fēng)險(xiǎn)管理模型結(jié)構(gòu)和參數(shù)。最后對(duì)醫(yī)院后勤機(jī)電設(shè)備智能風(fēng)險(xiǎn)管理領(lǐng)域存在的問(wèn)題和發(fā)展趨勢(shì)進(jìn)行了探討?！娟P(guān)鍵詞】醫(yī)院后勤機(jī)電設(shè)備 深度學(xué)習(xí) 智能風(fēng)險(xiǎn)管理1引言醫(yī)院作為重要的特殊公共建筑，其機(jī)電設(shè)備繁多，系統(tǒng)復(fù)雜。在后勤方面，大型綜合醫(yī)院有空調(diào)、冷熱源、通風(fēng)、給排水、變配電、照明、電梯等機(jī)電設(shè)備，這些設(shè)備數(shù)量多，分布廣，使用頻繁，需要對(duì)其進(jìn)行高效、智能的安全管理，以此保障醫(yī)院的安全生產(chǎn)及高質(zhì)量發(fā)展［1-3］。但傳統(tǒng)的管理手段存在諸多不足，管理質(zhì)量低下，尤其在風(fēng)險(xiǎn)管理方面，管理方法和技術(shù)發(fā)展緩慢，大多醫(yī)院依舊只是依靠人工對(duì)設(shè)備進(jìn)行定期巡檢或利用信息化手段對(duì)設(shè)備的一些參數(shù)進(jìn)行監(jiān)測(cè)，缺乏對(duì)風(fēng)險(xiǎn)的有效分析和風(fēng)險(xiǎn)管理機(jī)制［4］。近年來(lái)，學(xué)者們開(kāi)始對(duì)醫(yī)院后勤的風(fēng)險(xiǎn)管理進(jìn)行研究，包括風(fēng)險(xiǎn)識(shí)別、風(fēng)險(xiǎn)控制、風(fēng)險(xiǎn)管理體系建設(shè)等［5-7］。其中，文獻(xiàn)［5］引入澳新風(fēng)險(xiǎn)管理標(biāo)準(zhǔn)，全面梳理醫(yī)院后勤現(xiàn)存或潛在的風(fēng)險(xiǎn)，進(jìn)行風(fēng)險(xiǎn)分析與評(píng)估，并制定相應(yīng)的預(yù)防措施和應(yīng)急措施，建立了以人員、設(shè)備、管理為主的風(fēng)險(xiǎn)管理體系。然而，此類(lèi)管理方法只能依靠經(jīng)驗(yàn)預(yù)防風(fēng)險(xiǎn)的發(fā)生或提高應(yīng)對(duì)風(fēng)險(xiǎn)的能力，對(duì)機(jī)電設(shè)備將要發(fā)生的風(fēng)險(xiǎn)不能提前預(yù)測(cè)、全局管理，距離高質(zhì)量管理要求還有很大距離。人工智能技術(shù)的發(fā)展為研究智能化的機(jī)電設(shè)備風(fēng)險(xiǎn)管理提供了新的方向。其中，以深度學(xué)習(xí)為代表的新一代人工智能技術(shù)快速興起，相比傳統(tǒng)機(jī)器學(xué)習(xí)方法擁有更優(yōu)秀的自學(xué)習(xí)特征提取能力，廣泛應(yīng)用于金融、醫(yī)療、交通、工業(yè)等領(lǐng)域，均取得了令人矚目的成果。因此，可以利用深度學(xué)習(xí)提取醫(yī)院后勤發(fā)生安全問(wèn)題設(shè)備以及沒(méi)有發(fā)生安全問(wèn)題設(shè)備的風(fēng)險(xiǎn)預(yù)警指標(biāo)數(shù)據(jù)特征，構(gòu)建風(fēng)險(xiǎn)管理模型，對(duì)機(jī)電設(shè)備是否會(huì)發(fā)生運(yùn)行風(fēng)險(xiǎn)事故進(jìn)行提前預(yù)測(cè)及評(píng)價(jià)，實(shí)現(xiàn)機(jī)電設(shè)備的智能風(fēng)險(xiǎn)管理，提高醫(yī)院后勤管理質(zhì)量。本文將最新的人工智能技術(shù)，深度學(xué)習(xí)方法，應(yīng)用到醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理領(lǐng)域，對(duì)醫(yī)院后勤機(jī)電設(shè)備智能化的風(fēng)險(xiǎn)監(jiān)測(cè)和管理進(jìn)行了初步探索。2深度學(xué)習(xí)理論愉「?=情坨圖1傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)2深度學(xué)習(xí)理論愉「?=情坨圖1傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)深度學(xué)習(xí)的概念來(lái)源于人工神經(jīng)網(wǎng)絡(luò)的研究，設(shè)計(jì)原理是對(duì)大腦皮層進(jìn)行模擬，對(duì)數(shù)據(jù)或信號(hào)進(jìn)行逐層提取及表達(dá)，包含輸入層、輸出層和隱藏層，每層有若干個(gè)神經(jīng)元，且神經(jīng)元之間有連接權(quán)重［8］。相比普通學(xué)習(xí)算法，深度學(xué)習(xí)具有多隱層結(jié)構(gòu)的特點(diǎn)（如圖1所示），能更好地逼近復(fù)雜的預(yù)測(cè)函數(shù)，保證信息提取與特征表達(dá)的準(zhǔn)確性。深度學(xué)習(xí)是一種數(shù)據(jù)驅(qū)動(dòng)的算法，無(wú)需建立系統(tǒng)的準(zhǔn)確物理模型，只需對(duì)系統(tǒng)運(yùn)行的歷史數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，即可自動(dòng)生成特征量，從而完成故障診斷、風(fēng)險(xiǎn)評(píng)價(jià)和自動(dòng)識(shí)別等任務(wù)。深度學(xué)習(xí)涉及到很多的機(jī)器學(xué)習(xí)方法，因此有多種變化類(lèi)型，本文擬采用基于BP神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，其基本思想是先進(jìn)行預(yù)訓(xùn)練（非監(jiān)督過(guò)程），然后把預(yù)訓(xùn)練的結(jié)果用來(lái)初始化各隱層的權(quán)值，再用BP方法進(jìn)行權(quán)值更新。此方法繼承了BP神經(jīng)網(wǎng)絡(luò)的所有優(yōu)點(diǎn)，其本身模型結(jié)構(gòu)的變化和層數(shù)的加深又獲得以下兩大優(yōu)勢(shì)：（1） 深度學(xué)習(xí)的層次較深，使其具備了自主學(xué)習(xí)特征的能力，而它學(xué)習(xí)到的特征對(duì)原始數(shù)據(jù)有著更加深刻的描述，進(jìn)一步提高風(fēng)險(xiǎn)管理模型的性能。（2） 有效的解決了BP算法訓(xùn)練的局限性：需要大量有標(biāo)簽樣本數(shù)據(jù)及容易陷入局部最優(yōu)解。3醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型的構(gòu)建醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理的重要內(nèi)容就是對(duì)機(jī)電設(shè)備運(yùn)行風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)和評(píng)價(jià)，預(yù)測(cè)某個(gè)設(shè)備運(yùn)行的未來(lái)發(fā)展形態(tài)，其本質(zhì)就是數(shù)據(jù)分類(lèi)問(wèn)題，利用深度學(xué)習(xí)方法超強(qiáng)的學(xué)習(xí)能力、自適應(yīng)能力，通過(guò)特征積累，預(yù)測(cè)機(jī)電設(shè)備運(yùn)行風(fēng)險(xiǎn)的未來(lái)趨勢(shì)，實(shí)現(xiàn)風(fēng)險(xiǎn)的智能化管理。3.1風(fēng)險(xiǎn)管理指標(biāo)體系的構(gòu)建機(jī)電設(shè)備的風(fēng)險(xiǎn)管理是一個(gè)動(dòng)態(tài)的、綜合的、復(fù)雜的操作，風(fēng)險(xiǎn)管理指標(biāo)體系的科學(xué)合理性對(duì)風(fēng)險(xiǎn)預(yù)測(cè)及評(píng)價(jià)的準(zhǔn)確性和有效性有很大的影響。風(fēng)險(xiǎn)分析定性研究是定量研究的前提和基礎(chǔ)，在選擇機(jī)電設(shè)備風(fēng)險(xiǎn)管理指標(biāo)之前要首先明確機(jī)電設(shè)備風(fēng)險(xiǎn)的基本概念和風(fēng)險(xiǎn)分類(lèi)的標(biāo)準(zhǔn)，根據(jù)概念和標(biāo)準(zhǔn)選擇那些針對(duì)性強(qiáng)、關(guān)聯(lián)性多的指標(biāo)，構(gòu)建風(fēng)險(xiǎn)識(shí)別、預(yù)測(cè)和評(píng)價(jià)的指標(biāo)體系。（1） 環(huán)境安全指標(biāo)環(huán)境安全是機(jī)電設(shè)備安全運(yùn)行的基礎(chǔ)。在機(jī)電設(shè)備正常運(yùn)行的情況下，機(jī)電設(shè)備的運(yùn)行風(fēng)險(xiǎn)主要來(lái)源于環(huán)境的變化，通常監(jiān)測(cè)的指標(biāo)包括環(huán)境的溫度和濕度。另外，機(jī)電設(shè)備在醫(yī)院中位置分布也是對(duì)機(jī)電設(shè)備運(yùn)行進(jìn)行風(fēng)險(xiǎn)評(píng)價(jià)的參考因素，不同位置的機(jī)電設(shè)備發(fā)生的風(fēng)險(xiǎn)，對(duì)醫(yī)院及患者的影響程度也不同，風(fēng)險(xiǎn)評(píng)定等級(jí)也就不一樣。因此，環(huán)境安全指標(biāo)主要包含溫度、濕度和位置分布等。（2） 運(yùn)行狀態(tài)指標(biāo)運(yùn)行狀態(tài)是直接反映機(jī)電設(shè)備運(yùn)行狀況的重要指標(biāo)，也是機(jī)電設(shè)備風(fēng)險(xiǎn)預(yù)測(cè)及評(píng)價(jià)的關(guān)鍵因素。機(jī)電設(shè)備在發(fā)生故障時(shí)可能導(dǎo)致風(fēng)險(xiǎn)事故的發(fā)生，比如液氧系統(tǒng)發(fā)生故障時(shí)可能會(huì)影響患者的供氧、配電系統(tǒng)發(fā)生故障時(shí)會(huì)影響患者就醫(yī)或搶救的及時(shí)性等。尤其在機(jī)電設(shè)備突發(fā)運(yùn)行故障時(shí)，可能導(dǎo)致的安全風(fēng)險(xiǎn)極大，如電梯突發(fā)故障，里面乘坐的患者或醫(yī)院職工，其生命安全會(huì)受到極大威脅。因此不僅需要對(duì)機(jī)電設(shè)備是否正常運(yùn)行進(jìn)行監(jiān)測(cè)，還需對(duì)可能引起機(jī)電設(shè)備故障的運(yùn)行狀態(tài)指標(biāo)進(jìn)行監(jiān)測(cè)。對(duì)于不同的機(jī)電設(shè)備，引起機(jī)電設(shè)備故障或異常的原因也不一樣，需監(jiān)測(cè)的運(yùn)行狀態(tài)指標(biāo)也不一樣。比如，配電系統(tǒng)需監(jiān)測(cè)電流、電壓、溫度等參數(shù)，而液氧系統(tǒng)則需監(jiān)測(cè)流量、壓力、液位等參數(shù)。因此，在選擇運(yùn)行狀態(tài)指標(biāo)時(shí)，需要結(jié)合機(jī)電設(shè)備的具體特性來(lái)考慮，本文不—列舉。（3）維修保養(yǎng)指標(biāo)維修保養(yǎng)是機(jī)電設(shè)備長(zhǎng)期正常運(yùn)行的重要保障。機(jī)電設(shè)備在日常運(yùn)行中一般會(huì)進(jìn)行定期巡檢保養(yǎng)，一方面能夠及時(shí)發(fā)現(xiàn)機(jī)電設(shè)備存在的問(wèn)題，消除風(fēng)險(xiǎn)隱患，另一方面能夠使機(jī)電設(shè)備保持良好運(yùn)行狀態(tài)，降低風(fēng)險(xiǎn)發(fā)生概率。因此，機(jī)電設(shè)備歷史的巡檢保養(yǎng)記錄是風(fēng)險(xiǎn)管理的重要因素。另外，如果一個(gè)設(shè)備的維修次數(shù)越多，其發(fā)生風(fēng)險(xiǎn)事故的概率也就越大，所以歷史維修記錄也是機(jī)電設(shè)備風(fēng)險(xiǎn)預(yù)測(cè)的重要指標(biāo)。同時(shí)，機(jī)電設(shè)備運(yùn)行的歷史時(shí)間長(zhǎng)短也影響其發(fā)生運(yùn)行風(fēng)險(xiǎn)的概率，運(yùn)行時(shí)間越長(zhǎng)，壽命越短，發(fā)生故障而產(chǎn)生風(fēng)險(xiǎn)的可能性越大。維修保養(yǎng)指標(biāo)主要包括歷史運(yùn)行時(shí)間、歷史維修次數(shù)、巡檢和保養(yǎng)周期及次數(shù)等。綜上，構(gòu)建的醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理指標(biāo)體系包括環(huán)境安全指標(biāo)、運(yùn)行狀態(tài)指標(biāo)、維修保養(yǎng)指標(biāo)等3個(gè)方面。該指標(biāo)體系不僅從多個(gè)角度選擇了反映機(jī)電設(shè)備運(yùn)行風(fēng)險(xiǎn)的指標(biāo)，還將靜態(tài)指標(biāo)與動(dòng)態(tài)指標(biāo)相結(jié)合，既有反映機(jī)電設(shè)備基本信息的靜態(tài)指標(biāo)，也有反映機(jī)電設(shè)備運(yùn)行狀況的動(dòng)態(tài)指標(biāo)，還有巡檢記錄、保養(yǎng)記錄等周期變化的動(dòng)態(tài)指標(biāo)。3.2風(fēng)險(xiǎn)管理模型的設(shè)計(jì)深度學(xué)習(xí)網(wǎng)絡(luò)由多層的神經(jīng)元構(gòu)成，可以應(yīng)用在很多實(shí)際的分類(lèi)識(shí)別問(wèn)題中。為了解決面臨的問(wèn)題，需要構(gòu)建適用于所要解決問(wèn)題的深度學(xué)習(xí)網(wǎng)絡(luò)模型。深度學(xué)習(xí)網(wǎng)絡(luò)是一個(gè)非常復(fù)雜的模型，涉及很多的問(wèn)題。本文針對(duì)醫(yī)院機(jī)電設(shè)備風(fēng)險(xiǎn)管理的問(wèn)題，以構(gòu)建的風(fēng)險(xiǎn)管理指標(biāo)體系中的指標(biāo)作為輸入，設(shè)計(jì)所需深度學(xué)習(xí)網(wǎng)絡(luò)的模型及參數(shù)。設(shè)計(jì)過(guò)程中主要涉及以下幾個(gè)方面的問(wèn)題：初始權(quán)值選取、層節(jié)點(diǎn)數(shù)確定、激活函數(shù)選取、訓(xùn)練停止條件、誤差函數(shù)選取。（1）初始權(quán)值選取本文選用隨機(jī)梯度下降的方法訓(xùn)練提出的風(fēng)險(xiǎn)管理模型，模型參數(shù)（權(quán)值，偏置）的初始化顯得相對(duì)比較重要。因此，本文擬采用隨機(jī)初始化的方式對(duì)提出的風(fēng)險(xiǎn)管理模型的權(quán)值進(jìn)行初始化，并使權(quán)值的初始值在［-1,1］之間。相關(guān)研究表明，大多數(shù)情況下此種方法會(huì)取得比較理想的結(jié)果，能夠得到比較優(yōu)的局部最小值和比較快的收斂速度。（2） 層節(jié)點(diǎn)數(shù)確定深度學(xué)習(xí)網(wǎng)絡(luò)主要由輸入層、隱藏層和輸出層構(gòu)成。輸入層的節(jié)點(diǎn)數(shù)要與輸入數(shù)據(jù)的維度保持一致，所以輸入層的節(jié)點(diǎn)數(shù)需根據(jù)構(gòu)建的具體指標(biāo)體系確定。輸出層的節(jié)點(diǎn)數(shù)要與數(shù)據(jù)的分類(lèi)類(lèi)別保持一致，本文將機(jī)電設(shè)備的風(fēng)險(xiǎn)分為4類(lèi)：正常運(yùn)行、低等風(fēng)險(xiǎn)、中等風(fēng)險(xiǎn)和高等風(fēng)險(xiǎn)，因此輸出節(jié)點(diǎn)數(shù)量設(shè)置為4。隱藏層節(jié)點(diǎn)數(shù)的確定相對(duì)復(fù)雜，以能正確反映輸入輸出關(guān)系為原則，應(yīng)選取較少的隱藏層節(jié)點(diǎn)數(shù)，本文擬采用網(wǎng)絡(luò)結(jié)構(gòu)增長(zhǎng)型方法：開(kāi)始的節(jié)點(diǎn)數(shù)設(shè)置為較小的值，然后慢慢增大節(jié)點(diǎn)數(shù)值，并對(duì)提出的深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，測(cè)試預(yù)測(cè)誤差，直至預(yù)測(cè)誤差趨于穩(wěn)定。（3） 激活函數(shù)選取激活函數(shù)的功能是把深度學(xué)習(xí)網(wǎng)絡(luò)中神經(jīng)元的輸入映射到輸出，控制低層梯度彌散的力度和稀疏化能力決定了激活函數(shù)的質(zhì)量。因此，本文擬采用ReLU(Rectifierlinearunits)函數(shù)作為激活函數(shù)，其能夠把負(fù)數(shù)轉(zhuǎn)換成0值，可表示任何非負(fù)的實(shí)數(shù)，具有很好的稀疏性，同時(shí)緩解了梯度彌散問(wèn)題［9］。ReZU=max(O,jc) (1)訓(xùn)練停止條件一般有兩種選擇：一種是訓(xùn)練的誤差達(dá)到設(shè)定的閾值時(shí)結(jié)束訓(xùn)練，這種閾值一般是由所要解決的問(wèn)題對(duì)精度的要求進(jìn)行評(píng)估得到；另外一種是當(dāng)訓(xùn)練的迭代次數(shù)達(dá)到預(yù)先設(shè)置的數(shù)值時(shí)結(jié)束訓(xùn)練。由于在現(xiàn)實(shí)中，訓(xùn)練都是有時(shí)間限制的，需要限制迭代的次數(shù)。因此，本文擬采用第二種方法，一旦迭代的次數(shù)達(dá)到預(yù)先設(shè)定的值，就結(jié)束訓(xùn)練。這種方法比較簡(jiǎn)單有效，并且是當(dāng)前深度學(xué)習(xí)領(lǐng)域?qū)W者最常使用的方法。誤差函數(shù)選取誤差函數(shù)是用來(lái)衡量模型好壞的重要標(biāo)準(zhǔn)，能夠更好地分析模型的預(yù)測(cè)效果。對(duì)于深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練，一般選用均方差根誤差RMSE作為模型性能評(píng)價(jià)指標(biāo)：RMSE=上忑切*⑵，其中，M表示輸出節(jié)點(diǎn)的個(gè)數(shù)，N指訓(xùn)練樣本的數(shù)量，xij為模型期望輸出值，yij表示模型的實(shí)際輸出。綜上，本文基于深度學(xué)習(xí)提出的醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型，其設(shè)計(jì)工作及內(nèi)容如圖2所示。晚險(xiǎn)管控指標(biāo)體系的構(gòu)建維修保養(yǎng)￡活行狀態(tài)環(huán)境安全維修保養(yǎng)￡活行狀態(tài)環(huán)境安全圖2基于深度學(xué)習(xí)的醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型設(shè)計(jì)圖4結(jié)論和展望本文針對(duì)醫(yī)院后勤機(jī)電設(shè)備，研究構(gòu)建了風(fēng)險(xiǎn)管理指標(biāo)體系，并基于深度學(xué)習(xí)設(shè)計(jì)了醫(yī)院后勤機(jī)電設(shè)備智能化風(fēng)險(xiǎn)管理模型。因?yàn)槔萌斯ぶ悄芊椒ㄟM(jìn)行醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理的研究處于起步階段，缺少相關(guān)訓(xùn)練數(shù)據(jù)，所以本文未對(duì)構(gòu)建的醫(yī)院后勤機(jī)電設(shè)備風(fēng)險(xiǎn)管理模型進(jìn)行訓(xùn)練和驗(yàn)證。但深度學(xué)習(xí)的出現(xiàn)，改變了